[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的鉆孔雷達(dá)目標(biāo)識別方法

在審

• 申請?zhí)枺?/td>: 201711365529.3
• 申請日: 2017-12-18
• 公開（公告）號: CN108169745A
• 公開（公告）日: 2018-06-15
• 發(fā)明（設(shè)計(jì)）人: 趙青;謝龍昊;廖彬彬;馬春光
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: G01S13/88
• 分類號: G01S13/88;G06N3/04;G06N3/08;G06F17/18
• 代理公司: 電子科技大學(xué)專利中心 51203
• 代理人: 陳一鑫

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的鉆孔雷達(dá)目標(biāo)識別方法，該方法包括：

步驟1:獲取作為訓(xùn)練樣本的雷達(dá)回波數(shù)據(jù)組成訓(xùn)練樣本集，其中訓(xùn)練樣本集包括不同類別的識別目標(biāo)，用T標(biāo)識訓(xùn)練樣本的類別數(shù)；

作為訓(xùn)練樣本的鉆孔雷達(dá)數(shù)據(jù)的獲取方式為以目標(biāo)為中心，由相鄰X道回波數(shù)據(jù)所構(gòu)成的二維數(shù)據(jù)，得到大小相同的訓(xùn)練樣本集，并根據(jù)目標(biāo)類別為每個(gè)訓(xùn)練樣本設(shè)置類別標(biāo)識符；相鄰的道數(shù)X應(yīng)小于目標(biāo)尺寸，中心每次橫向移動(dòng)一個(gè)單位構(gòu)成新的一組大小相同的訓(xùn)練樣本集；

步驟2:構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)；

所述卷積神經(jīng)網(wǎng)絡(luò)深度為M層，其中第1～M-1層的每一層包括卷積層和池化層，第M層為全連接的輸出層，輸出為分類結(jié)果的概率矩陣；訓(xùn)練樣本從第一層輸入，上一層神經(jīng)網(wǎng)絡(luò)的輸出作為下一層的輸入，所述卷積層卷積核的尺寸小于輸入數(shù)據(jù)的大小，所述池化層為對卷積層輸出進(jìn)行平均值池化處理，取當(dāng)前池化窗口的局部平均值作為當(dāng)前窗口的輸出，用池化區(qū)域的局部平均值代替該區(qū)域整體；

步驟3:訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)：

步驟301:設(shè)置結(jié)束閾值，設(shè)置學(xué)習(xí)率，設(shè)置子訓(xùn)練樣本集大小；

步驟302:從訓(xùn)練樣本集中隨機(jī)選擇Ν個(gè)訓(xùn)練樣本為子訓(xùn)練樣本集，隨機(jī)初始化各層卷積核初始值，基于深度模型的第M層輸出得到每個(gè)訓(xùn)練樣本的特征向量矩陣X；逐層推算各層卷積參數(shù)的誤差值δ：第M層卷積層參數(shù)的誤差值為F-X，期望輸出F為預(yù)設(shè)值；后層的誤差由上一層的誤差值與卷積核的參數(shù)的乘積得到，w_nm代表卷積濾波器第n行第m列參數(shù)，其中n＝1,2…,w，m＝1,2…,w，w代表卷積核的大小；用梯度下降法修改卷積核權(quán)值來減小誤差，卷積層參數(shù)的更新公式如下：

其中a表示學(xué)習(xí)率；

步驟303:計(jì)算當(dāng)前卷積神經(jīng)網(wǎng)絡(luò)分類結(jié)果的代價(jià)函數(shù)，即當(dāng)前分類結(jié)果與實(shí)際分類結(jié)果誤差的映射，判斷代價(jià)函數(shù)的改變量是否達(dá)到結(jié)束閾值，若是，則執(zhí)行步驟304；否則，則執(zhí)行步驟302；

步驟304:保存各卷積層參數(shù)，得到訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)；

步驟4:輸入待識別鉆孔雷達(dá)數(shù)據(jù)，以目標(biāo)為中心，由相鄰X道回波數(shù)據(jù)所構(gòu)成的二維數(shù)據(jù)，得到與訓(xùn)練樣本相同尺寸的待識別數(shù)據(jù)；將待識別數(shù)據(jù)輸入訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)，輸出待識別數(shù)據(jù)的概率矩陣。

2.如權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的鉆孔雷達(dá)目標(biāo)識別方法，其特征在于所述步驟2中卷積層的卷積運(yùn)算方法為：

S_i'j'′表示以預(yù)設(shè)步長1的滑窗方式對輸入數(shù)據(jù)S_ij進(jìn)行卷積得到對應(yīng)位置的輸出，i代表第i道回波，j代表回波第j個(gè)點(diǎn)，w_nm代表卷積濾波器第n行第m列參數(shù)；調(diào)整w的大小控制卷積核的尺寸；

所述池化層的池化方法為：采用區(qū)域的局部平局值代替區(qū)域的整體輸出：

其中e_ij代表第i道回波，第j個(gè)數(shù)據(jù)值，n為矩陣大小，ave[]表示該矩陣的平均值，e₀為輸出值；

所述第M層為全連層，即對M-1層輸出的矩陣每個(gè)元素進(jìn)行加權(quán)求和，其中P×Q為第M-1層輸出的尺寸，x_i的下標(biāo)用于標(biāo)識同一訓(xùn)練樣本的不同分類結(jié)果所對應(yīng)的概率，k_nm為第M層的輸出層第n行第m列的參數(shù)，e_nm為M-1層輸出矩陣的第n行第m列的元素。

3.如權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的鉆孔雷達(dá)目標(biāo)識別方法，其特征在于所述步驟2中在每個(gè)卷積層后設(shè)置激活函數(shù)，由激活函數(shù)的輸出作為池化層的輸入，所述激活函數(shù)為f(x)＝max(0,x)，表示對于卷積輸出的每個(gè)元素，取其與0中的最大項(xiàng)作為結(jié)果。

4.如權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的鉆孔雷達(dá)目標(biāo)識別方法，其特征在于所述步驟2中在每個(gè)卷積層后設(shè)置激活函數(shù)，由激活函數(shù)的輸出作為池化層的輸入，所述激活函數(shù)為softmax函數(shù)；

步驟302中額外的對Softmax回歸模型參數(shù)θ_j(j＝1,2……T)進(jìn)行迭代更新；

首先基于Softmax回歸模型計(jì)算每個(gè)特征向量矩陣X的類別概率矩陣h_θ(x)：

其中p(y＝t|X,θ)表示預(yù)測為某一類別的概率值，向量θ＝(θ₁,θ₂,…,θ_T)，其初始值為隨機(jī)初始化，y表示類別識別結(jié)果，e表示自然底數(shù)，表示關(guān)于θ_j的矩陣轉(zhuǎn)置；

當(dāng)前迭代的N個(gè)訓(xùn)練樣本表示為：(X⁽¹⁾,y⁽¹⁾),(X⁽²⁾,y⁽²⁾),(X⁽³⁾,y⁽³⁾)...(X^(N),y^(N))，其中X⁽ⁱ⁾表示第i個(gè)訓(xùn)練樣本的特征向量矩陣，該特征向量矩陣由卷積神經(jīng)網(wǎng)絡(luò)的最終輸出得到，y⁽ⁱ⁾表示對應(yīng)X⁽ⁱ⁾的類別標(biāo)識，即y⁽ⁱ⁾＝1,2,…,T，基于N個(gè)(X⁽ⁱ⁾,y⁽ⁱ⁾)計(jì)算交叉熵函數(shù)：

交叉熵函數(shù)：

其中：x⁽ⁱ⁾表示輸入樣本數(shù)據(jù)，m表示總樣本數(shù)；

交叉熵函數(shù)的代價(jià)函數(shù)：

通過梯度下降算法實(shí)現(xiàn)J(θ)的最小化；

將與學(xué)習(xí)率a的乘積作為回歸模型參數(shù)修正量：即在下次迭代時(shí)，將上一次的修正量作為當(dāng)前迭代的回歸模型參數(shù)。