[發明專利]利用深度學習卷積神經網絡估計復雜微動空間錐體目標參數的方法

在審

• 申請號: 202010366837.3
• 申請日: 2020-04-30
• 公開（公告）號: CN111598232A
• 公開（公告）日: 2020-08-28
• 發明（設計）人: 陳如山;丁大志;樊振宏;何姿;李猛猛;葉曉東;張杰;張曉杰
• 申請（專利權）人: 南京理工大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04;G06T17/00;G01S13/50
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 朱顯國

1.一種利用深度學習卷積神經網絡估計復雜微動空間錐體目標參數的方法，其特征在于，步驟如下：

步驟1、建立錐體彈道導彈彈頭目標幾何模型；

步驟2、對彈道導彈目標發射持續時間t的單一頻率脈沖，接收該段時間t內彈道導彈目標的回波；

步驟3、對接收到的回波進行時頻變換，得到彈道導彈目標回波的時頻圖，構造訓練集和測試集；

步驟4、將訓練集時頻圖片放入卷積神經網絡中學習，訓練網絡；

步驟5、用測試集對訓練好的神經網絡進行測試，得到待估計目標的幾何參數和微動參數。

2.根據權利要求1所述的利用深度學習卷積神經網絡估計復雜微動空間錐體目標參數的方法，其特征在于，步驟1中所述建立彈道導彈目標幾何模型，具體如下：

彈道導彈錐體彈頭目標回波的錐頂瞬時微多普勒理論曲線為：

彈道導彈錐體彈頭目標回波的錐頂瞬時微多普勒理論曲線為：

其中，t為時間，λ為當前頻率下的波長，ω為進動頻率，H為彈道導彈目標的高度，h為彈道導彈目標的質心高度，γ為雷達視線角，θ為進動角，r為彈道導彈的半徑，β為姿態角，cosβ(t)＝cosγcosθ-sinγsinθsin(ωt)。

3.根據權利要求1所述的利用深度學習卷積神經網絡估計復雜微動空間錐體目標參數的方法，其特征在于，步驟4所述卷積神經網絡：具體如下：

輸入層x是只有一層的二維矩陣，矩陣的值對應著圖片的像素值，則前向傳播的過程表示為：

a²＝σ(z²)＝σ(a¹*W²+b²)

其中，上標表示層數，W表示卷積核，是一個矩陣，*表示卷積運算，b代表偏置，σ(·)表示激活函數，采用ReLU函數；

假設第l層隱藏層的輸出共有M張特征圖，每張特征圖為一個二維矩陣，則卷積層的卷積核也是M個二維子矩陣，該過程表示為：

a^l＝σ(z^l)＝σ(a^l-1*W^l+b^l)

也可寫成M個二維子矩陣卷積后對應位置相加的形式，即：

隱藏層前向傳播到池化層的過程：對上一層輸出的矩陣進行降維，比如池化層輸入矩陣大小是N*N，池化區域大小為k*k，則池化之后的矩陣大小為N/k*N/k，采用Max Pooling的方式；

隱藏層到全連接層的前向傳播過程：

a^l＝σ(z^l)＝＝σ(W^la^l-1+b^l)

神經網絡的后向傳播過程：通過改變參數W,b的值來最小化輸入和輸出的均方差；利用梯度下降法Gradient descent,GD來求解每一層的參數W,b；梯度下降法的更新公式如下：

其中，η為梯度下降法中的學習率Learning rate；公式中和為損失函數對權重和偏置的梯度，利用梯度下降法更新權值；

反向傳播即根據靈敏度計算誤差的層層回傳：

CNN的反向傳播算法中，將權值W換成卷積核k，即可得到CNN權值更新的公式。