[發明專利]一種融合先驗知識的小樣本雷達工作模式分類方法

有效

• 申請號: 202110254832.6
• 申請日: 2021-03-09
• 公開（公告）號: CN112884059B
• 公開（公告）日: 2022-07-05
• 發明（設計）人: 利強;金秋園;楊健;邵懷宗;潘曄;林靜然
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06V10/764;G06V10/82;G06N3/04;G06N3/08;G01S7/02;G01S7/41
• 代理公司: 北京正華智誠專利代理事務所(普通合伙) 11870
• 代理人: 李夢蝶

1.一種融合先驗知識的小樣本雷達工作模式分類方法，其特征在于，包括以下步驟：

S1、獲取各雷達工作模式下的脈沖數據，根據脈沖數據生成偽圖片樣本；

S2、將步驟S1生成的偽圖片樣本輸入原型網絡進行分類訓練，得到每一類的類中心向量，具體包括以下分步驟：

S21、分別對訓練集的支撐集和查詢集中每一類脈沖數據樣本通過原型網絡中的卷積神經網絡提取每個樣本的特征向量；

S22、對支撐集中每一類脈沖數據樣本的特征向量求和取平均，計算每一類的類中心向量；

S23、將查詢集中每一類脈沖數據樣本的特征向量依次與對應類的類中心向量計算歐氏距離；

S24、將得到的歐氏距離作為損失函數，并反向傳播以更新原型網絡中的卷積神經網絡的網絡參數；

S25、在每次迭代過程中重復步驟S21至S24，直至原型網絡收斂，得到訓練后的每一類的類中心向量；

S3、將各雷達工作模式下的脈沖變化規律作為先驗知識構建知識向量，并將步驟S2得到的每一類的類中心向量作為對應工作模式類別下的知識向量的標簽，輸入中心網絡進行訓練，得到每一類的預中心向量，具體包括以下分步驟：

S31、將各雷達工作模式下的脈沖變化規律作為先驗知識，構建知識向量；

S33、將得到的所有知識向量加入高斯噪聲作為訓練樣本；

S34、構建包含多層全連接層的中心網絡，將訓練樣本進行歸一化處理后隨機排序輸入中心網絡進行映射；

S35、將步驟S2得到的每一類的類中心向量作為對應工作模式類別下的知識向量的標簽，輸入中心網絡進行訓練；

S36、將中心網絡的輸出進行逆歸一化處理得到各雷達工作模式對應的預中心向量；

S4、根據步驟S2得到的每一類的類中心向量和步驟S3得到的每一類的預中心向量構建損失函數，將損失函數反向傳播以更新融合先驗知識的原型網絡的網絡參數，得到最優原型網絡，具體包括：

每經過設定次數迭代，保存當前卷積神經網絡，及經過當前卷積神經網絡得到的類中心向量；

將驗證集中每一類脈沖數據樣本輸入當前卷積神經網絡提取每個樣本的特征向量，將每一類脈沖數據樣本的特征向量依次與得到的類中心向量計算歐氏距離，并將所有歐式距離進行拼接得到距離向量；

將距離向量進行log_softmax回歸，得到分屬于各類的概率分布，再取出最大概率所對應的索引得到預測類別；

比較預測類別與驗證集樣本的真實類別是否一致；若是，則將分類正確個數加一；否則不做處理；

遍歷所有驗證集樣本，將預測正確個數除以驗證集樣本個數得到當前原型網絡下雷達工作模式的分類準確率；

重復上述步驟，直至原型網絡的分類準確率和損失函數均收斂，選擇分類準確率最高的原型網絡作為最優原型網絡；

S5、利用最優原型網絡對待識別的脈沖數據進行雷達工作模式識別分類。

2.根據權利要求1所述的融合先驗知識的小樣本雷達工作模式分類方法，其特征在于，所述步驟S1具體包括以下分步驟：

S11、獲取多個雷達不同工作模式下的脈沖數據，分別提取脈沖到達時間、脈沖載頻和脈沖寬度參數；

S12、將每相鄰兩個脈沖數據的脈沖到達時間參數作差，得到脈沖間隔頻率參數；

S13、將每種雷達工作模式下的脈沖間隔頻率、脈沖載頻和脈沖寬度參數作為三維特征，并根據每連續的設定個數的脈沖數據生成偽圖片樣本。

3.根據權利要求1或2所述的融合先驗知識的小樣本雷達工作模式分類方法，其特征在于，所述步驟S1后還包括：

將生成的所有偽圖片樣本按照設定比例劃分為訓練集、驗證集和測試集，其中訓練集包括支撐集和查詢集。

4.根據權利要求1所述的融合先驗知識的小樣本雷達工作模式分類方法，其特征在于，所述步驟S31具體包括：

將各雷達工作模式下的脈沖變化規律作為先驗知識，分別提取各雷達工作模式下將脈沖間隔頻率、脈沖載頻和脈沖寬度參數取值及脈沖規律完整出現一次的最大脈沖數；

根據提取的各雷達工作模式下脈沖間隔頻率、脈沖載頻和脈沖寬度參數對應的最大脈沖數構建多維度的知識向量。

5.根據權利要求4所述的融合先驗知識的小樣本雷達工作模式分類方法，其特征在于，所述步驟S4中根據步驟S2得到的每一類的類中心向量和步驟S3得到的每一類的預中心向量構建損失函數，具體包括：

將查詢集中每一類脈沖數據樣本的特征向量依次與對應類的類中心向量及預中心向量分別計算歐氏距離，將計算得到的兩個歐式距離加權求和作為原型網絡的損失函數。