[發明專利]一種對新體制雷達目標未知模式的零樣本識別方法

有效

• 申請號: 202010097101.0
• 申請日: 2020-02-17
• 公開（公告）號: CN111340076B
• 公開（公告）日: 2020-10-02
• 發明（設計）人: 楊健;王沙飛;李巖;汪生;田震;張滋林
• 申請（專利權）人: 中國人民解放軍32802部隊;北京理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京豐浩知識產權代理事務所(普通合伙) 11781
• 代理人: 李學康

1.一種對新體制雷達目標未知模式的零樣本識別方法，其特征在于，該方法的模型包括特征提取網絡和跨層自編碼器網絡兩部分，特征提取網絡提取輸入信號樣本的特征，作為跨層自編碼器的輸入，跨層自編碼器由編碼器和解碼器兩部分組成，編碼器包含視覺特征輸入層、中間層、全連接輸出層、快捷層和語義特征層，視覺特征輸入層、中間層和全連接輸出層構成了一個兩層的全連接神經網絡，視覺特征輸入層和快捷層構成了一個跨層網絡，解碼器由轉移層、中間層和視覺特征輸出層組成，具體包括以下步驟：

步驟一、選取n個雷達信號特征參數進行雷達輻射源模式語義描述，構建N種m維雷達輻射源模式語義描述向量和與其對應的輻射源模式u_i,i＝{1,2,...,N}，構建輸入信號樣本數據集，包括含有C_tr種雷達輻射源模式的訓練集I_k,k∈{1,2,L,K}和含有C_te種雷達輻射源模式的測試集I_m,m∈{1,2,L,M}；設置特征提取網絡層數L和每層的節點數設置跨層自編碼器網絡中的視覺特征輸入層、轉移層、視覺特征輸出層節點數相同，記為中間層和中間層節點數為NODE^C，全連接輸出層，快捷層和語義特征層的節點數相同為NODE_se，設置編碼器權重稀疏化項的權重λ，解碼器損失函數權重α以及正則化權重β，訓練的迭代次數epo，隨機初始化待訓練的特征提取神經網絡權重W_F和跨層自編碼器每層的網絡權重W₁,W₂,W₃；

其中，訓練集I_k中每一個信號樣本對應一個語義描述向量A_k是信號樣本I_k所屬輻射源模式u_k對應的語義描述向量，共對應C_tr種從A_i'中抽取的雷達輻射源模式語義描述向量，測試集I_m包含等待預測的M個雷達輻射源信號樣本I_m和C_te個語義描述向量A_ctest是從A_i'中抽取的所屬輻射源模式u_ctest的語義描述向量；

步驟二、將訓練集I_k作為訓練特征提取網絡的輸入數據，訓練特征提取網絡并得到權重W_F，W_F由一組權重組成，其大小為提取輸入數據中間層的輸出特征X_k＝I_kW_F,k∈{1,2,L,K}，作為跨層自編碼器的輸入；

步驟三、將步驟二的特征提取網絡的輸出X_k作為輸入數據，計算權重值利用權重值分別計算編碼器的損失函數Loss^En、解碼器的損失函數Loss^De和正則化項Θ，并加權求和得到跨層自編碼器網絡的損失函數Loss^CLAE，利用優化算法根據損失函數Loss^CLAE對跨層自編碼器網絡進行訓練，重復步驟三迭代訓練epo次，得到跨層自編碼器網絡權重W₁,W₂,W₃；

步驟四、對測試樣本I_m進行特征提取，使測試樣本通過步驟二中訓練的特征提取網絡，利用步驟二中經訓練特征網絡得到的權重W_F，輸出測試樣本的特征X_m＝I_mW_F，作為測試時跨層自編碼器網絡的輸入；

步驟五、將測試樣本的特征X_m輸入到步驟三中訓練好的跨層自編碼器網絡中的編碼器部分，編碼器部分對測試樣本I_m進行編碼和分類識別，編碼器輸出結果即為模型預測的語義描述向量O^En(X_m)，尋找與其最相近的已知的語義描述向量A_ctest進行匹配，得到樣本所屬的輻射源模式u_ctest。