[發明專利]海面目標一維距離像降噪卷積神經網絡識別方法

有效

• 申請號: 202110366635.3
• 申請日: 2021-04-06
• 公開（公告）號: CN112966667B
• 公開（公告）日: 2022-12-16
• 發明（設計）人: 簡濤;王哲昊;王海鵬;劉瑜;劉傳輝;李剛;李輝;楊予昊;張健
• 申請（專利權）人: 中國人民解放軍海軍航空大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.海面目標一維距離像降噪卷積神經網絡識別方法，其特征在于，包括以下步驟：

步驟1針對海面目標識別需求，獲取多種典型海面環境下的含噪目標HRRP數據，對目標HRRP數據進行加噪和距離平移擴充，對擴充后的數據集按固定比例構建模型的訓練集和測試集；接著根據海面目標HRRP的特性，將HRRP轉變為二維圖像，根據HRRP信息賦予二維圖像坐標軸物理含義，便于提取不同的特征信息；

步驟2構建深層次卷積層與批歸一化層相結合的網絡結構，提取深層次的噪聲特征，構建HRRP的一維降噪卷積神經網絡模型，對不同信噪比條件下的HRRP數據進行降噪；并采用殘差結構，減輕深層次網絡學習負擔的同時重構HRRP轉換的圖像；

所述一維降噪卷積神經網絡模型分為三個部分，第一部分為一層卷積層，激活函數選用RELU函數；第二部分在卷積層和RELU函數之間添加批歸一化層，構成標準化卷積層，根據降噪效果，將該部分的網絡深度設定為F層結構；第三部分則為一層卷積層；

步驟3構建特征降維提取模塊，對海面目標HRRP進行自動特征提取和特征選擇，并將一維降噪卷積神經網絡與分類識別網絡相連接，采用分類交叉熵和softmax分類器，構建集降噪分類一體化的海面目標HRRP智能分類識別模型，對提取的特征進行分類；

通過卷積層與池化層交替結合的連接方式，構建特征降維提取模塊；在模塊的輸出端接兩層全連接層進行特征拼接；將一維降噪卷積神經網絡模塊、特征降維提取模塊、全連接層依次首尾連接，得到集降噪分類一體化的海面目標高分辨一維距離像智能分類識別模型；

步驟4獲取高分辨一維距離像數據，導入上述智能分類識別模型，通過損失函數進行反向傳播，不斷更新模型參數直至損失函數收斂，再利用分類器進行類別劃分，將分類結果與初始類別標簽作比較，計算出準確率、精確率或召回率，根據指標計算結果評估模型的分類識別性能。

2.根據權利要求1所述的海面目標一維距離像降噪卷積神經網絡識別方法，其特征在于，在將數據導入智能分類識別模型之前，對數據進行預處理，具體包括以下步驟：

首先，對獲取的數據進行加噪處理；產生隨機噪聲序列NOISE，依據設定的信噪比SNR估算出隨機噪聲序列的有效功率PN：

上式中PS表示無噪聲數據的有效功率；

結合有效功率PN，將隨機噪聲序列NOISE標準化，得到待添加的噪聲序列noise，標準化過程為：

noise＝sqrt(PN)/std(NOISE)*NOISE

其中，sqrt(·)為平方根函數，std(·)是標準差計算函數；

其次，對加噪后的數據集進行擴充；先利用前述加噪處理方式，在給定SNR條件下，對原始樣本數據進行多次噪聲的添加；之后將加噪處理后的數據進行距離方向的循環平移，利用每次平移后的數據擴充數據集；再將整組數據集隨機打亂重組后進行再劃分，按照每類目標A:B的比例劃分成訓練集和測試集；

最后，將HRRP轉變為二維圖像；對應二維灰度圖像的XYZ三坐標，將HRRP的橫縱軸分別定義為距離和散射強度，HRRP看作是X軸或Y軸中某一維度為1的二維圖像，進而將HRRP直接當成二維圖像進行特征提取。

3.根據權利要求2所述的海面目標一維距離像降噪卷積神經網絡識別方法，其特征在于，將HRRP轉變為二維圖像的方法替換為如下方法：

將HRRP的橫縱軸對應于二維圖像的XY軸距離維，將整幅HRRP圖像按距離單元劃分成單個像素點，再將曲線所在的像素點值設為1，其余空白像素點值設為0，即將原HRRP的縱軸變為二維圖像的Y軸，橫軸變為二維圖像的X軸，進而將HRRP轉換為Z軸強度值為0或1的二值圖像。