[發(fā)明專利]基于自相關(guān)和CAM網(wǎng)絡(luò)的HRRP數(shù)據(jù)去冗余方法

有效

• 申請?zhí)枺?/td>: 201911194741.7
• 申請日: 2019-11-28
• 公開（公告）號: CN110969203B
• 公開（公告）日: 2022-09-30
• 發(fā)明（設(shè)計）人: 林財永;方宇強;徐燦;殷智勇;周海俊;韓蕾;許潔平;李智
• 申請（專利權(quán)）人: 中國人民解放軍戰(zhàn)略支援部隊航天工程大學(xué)
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 長沙中科啟明知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 43226
• 代理人: 匡治兵

1.一種基于自相關(guān)和CAM網(wǎng)絡(luò)的HRRP數(shù)據(jù)去冗余方法，其特征在于，該方法包括以下步驟：

S1自相關(guān)處理

S1.1 HRRP數(shù)據(jù)自相關(guān)；

對HRRP數(shù)據(jù)進行自相關(guān)操作，其公式如下

其中x(m)表示HRRP數(shù)據(jù)序列，N表示序列長度，k表示數(shù)據(jù)平移的距離單元數(shù)；自相關(guān)函數(shù)R(k)在k＝0時取得最大值，且關(guān)于零點軸對稱分布；

S1.2數(shù)據(jù)截取；

自相關(guān)函數(shù)R(k)的長度為HRRP數(shù)據(jù)序列x(m)長度的兩倍，考慮到自相關(guān)函數(shù)具有對稱性，峰值兩側(cè)包含同樣的數(shù)據(jù)信息，因此對S1.1中得到的自相關(guān)結(jié)果進行截取，去除冗余的一半對稱數(shù)據(jù)，截取公式如下

R′(k)＝R(k),k≥0 (2)

截取后自相關(guān)函數(shù)長度同HRRP數(shù)據(jù)序列長度一致，均為N；

S1.3幅度歸一化；

HRRP樣本數(shù)據(jù)的包絡(luò)幅度受到目標環(huán)境，雷達系統(tǒng)參數(shù)和目標散射特性的綜合影響，為消除幅度的影響，需要對S1.2數(shù)據(jù)截取后得到的R′(k)進行幅度歸一化，公式如下

其中，max| |表示取最大值；

S2生成訓(xùn)練集

將S1.3中經(jīng)過幅度歸一化的X(k)樣本作為數(shù)據(jù)集，同時根據(jù)每個樣本數(shù)據(jù)所屬目標類別進行標記，構(gòu)建標簽集；將標記好的標簽結(jié)構(gòu)化成one-hot編碼，編碼大小對應(yīng)訓(xùn)練集中的目標類別數(shù)，得到標簽集；這樣數(shù)據(jù)集和數(shù)據(jù)集對應(yīng)的標簽集構(gòu)成了訓(xùn)練集，訓(xùn)練集作為輸入用于CAM網(wǎng)絡(luò)訓(xùn)練；

S3構(gòu)建CAM網(wǎng)絡(luò)

具體實現(xiàn)過程如下：

S3.1選取特征提取網(wǎng)絡(luò)作為特征層，用于提取S2訓(xùn)練集中數(shù)據(jù)X(k)的高維不變特征，輸出多個通道特征向量A(k)；

S3.2加入GAP層；

在選取的特征層后加入GAP層，將輸出的多通道特征向量轉(zhuǎn)換成一維特征向量，向量長度對應(yīng)輸入的特征通道數(shù)，GAP層第l個濾波器的輸出結(jié)果為

其中，A_l(k)表示GAP層第l個濾波器對應(yīng)的輸入特征向量；

S3.3構(gòu)造輸出層；

輸出層為一個Softmax層，其輸出單元數(shù)對應(yīng)目標分類數(shù)，以各輸出單元結(jié)果中概率最高者為輸入數(shù)據(jù)X(k)對應(yīng)的目標類別；

S3.4連接GAP層和輸出層；

將GAP層同輸出層進行全連接，GAP層同輸出層之間的權(quán)重將用于計算數(shù)據(jù)X(k)中不同距離單元對應(yīng)的CAM值，其中c對應(yīng)輸出層的輸出類別，l對應(yīng)GAP層第l個濾波器；

S4計算數(shù)據(jù)X(k)的權(quán)重值

數(shù)據(jù)X(k)不同距離單元對目標識別貢獻度的大小可以通過CAM網(wǎng)絡(luò)計算求得，具體實現(xiàn)過程如下：

S4.1訓(xùn)練CAM網(wǎng)絡(luò)；利用S2生成的訓(xùn)練集對S3中構(gòu)建好的CAM網(wǎng)絡(luò)進行訓(xùn)練，得到訓(xùn)練好的網(wǎng)絡(luò)模型和權(quán)重

S4.2計算樣本數(shù)據(jù)的CAM值；利用S4.1訓(xùn)練好的權(quán)重可以計算出類別c對應(yīng)神經(jīng)元的輸入為

則類別c對應(yīng)的第k個距離單元的CAM值為

CAM本質(zhì)上就是不同特征層輸出的加權(quán)求和，即將每個距離單元對類別識別的貢獻大小以數(shù)值的方式展現(xiàn)，數(shù)值大則表示對識別貢獻大，反之則表示貢獻小；

S4.3求樣本數(shù)據(jù)權(quán)重值；

根據(jù)步驟S4.2，計算訓(xùn)練集中每個樣本數(shù)據(jù)的CAM值；為了更好反映目標本質(zhì)特征，減少噪聲干擾，按照目標類別，對同一類目標訓(xùn)練集中樣本數(shù)據(jù)的CAM值求平均，以平均值作為該類目標的數(shù)據(jù)權(quán)重值，權(quán)重計算公式如下

其中，S表示目標樣本數(shù)；

S5設(shè)定門限，確定冗余區(qū)域

根據(jù)S4.3中得到的每一類目標的數(shù)據(jù)權(quán)重值，設(shè)定門限，求得門限同權(quán)重值曲線的交點，以原點至最遠交點為目標識別關(guān)鍵區(qū)域，剩余區(qū)域即為冗余區(qū)域；

S6 X(k)去冗余

根據(jù)S5確定的每一類目標數(shù)據(jù)冗余區(qū)域，刪除S1中X(k)數(shù)據(jù)的相應(yīng)區(qū)域，完成去冗余處理。

2.一種根據(jù)權(quán)利要求1所述基于自相關(guān)和CAM網(wǎng)絡(luò)的HRRP數(shù)據(jù)去冗余方法，其特征在于：S3.1中，選用應(yīng)用較多的VGG、ResNnet、GoogLeNet以及FCN這些特征提取網(wǎng)絡(luò)作為特征層。