[發明專利]一種基于強聚類損失函數的多種類目標辨識方法及系統

有效

• 申請號: 202310762241.9
• 申請日: 2023-06-27
• 公開（公告）號: CN116503675B
• 公開（公告）日: 2023-08-29
• 發明（設計）人: 史琪;李猛猛;丁大志;王紹然;賴瑞鑫;張晉偉;曾董;胡悅;文明浩
• 申請（專利權）人: 南京理工大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/762;G06F30/327;G06F30/34
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 薛云燕

本發明公開了一種基于強聚類損失函數的多種類目標辨識方法及系統。所述方法為：根據同一批次待識別目標標簽的特征值和標簽值特點，構建強聚類損失函數；加入目標的移位特征，進一步增大不同類別目標的損失值差異；編寫CNN模型的網絡層硬件代碼并進行并行加速，生成的RTL級代碼結合網絡權重數據、偏置數據遷移到FPGA中；構建硬件層面電路圖，對RTL級代碼生成的IP核和Zynq處理器部署硬件設計，PS端和PL端聯合生成比特流，實現CNN模型在FPGA上的運算。所述系統包括強聚類損失函數構建、移位特征添加、硬件代碼編寫、FPGA、硬件層面電路圖構建這些模塊。本發明聚類效果明顯、識別精度高，并且提升了計算效率。

技術領域

本發明涉及雷達目標識別技術領域，特別是一種基于強聚類損失函數的多種類目標辨識方法及系統。

背景技術

對空間目標進行有效探測和種類識別，是雷達目標識別領域面臨的挑戰。隨著理論的完善和計算機算力的提升，深度學習逐漸成為高效便捷的識別工具。卷積神經網絡（Convolutional?Neural?Networks,?CNN）對圖像特征具有很好的識別效果，近年被廣泛運用在目標識別領域。神經網絡模型通過不斷迭代計算待識別目標的損失函數值，得到最貼近標簽值的特征值，合適的損失函數可以幫助迭代過程的加速，高效準確地實現聚類過程。另一方面，FPGA作為高度靈活的可編程邏輯電路，可以通過代碼靈活地處理各種邏輯指令，集成度高，功耗較低，且體積相比GPU大大減小。

近年來，人們對于使用深度學習方法進行目標分類進行了一些研究。文獻1（Kim?BK,?Kang?H?S,?Park?S?O.?Drone?classification?using?convolutional?neuralnetworks?with?merged?Doppler?images[J].?IEEE?Geoscience?and?Remote?SensingLetters,?2016,?14(1):?38-42.）對無人機的回波信號時頻圖以及進行頻域處理后的CVD進行合并進行分類，但僅對兩種無人機進行分類，種類較少。文獻2（Oh?B?S,?Guo?X,?WanF,?et?al.?Micro-Doppler?mini-UAV?classification?using?empirical-modedecomposition?features[J].?IEEE?Geoscience?and?Remote?Sensing?Letters,?2017,15(2):?227-231.）對十一種無人機信號進行經驗模式分解，通過對分解得到的本征模函數進行排序，并采用支持向量機進行分類，但對兩種無人機分類存在較大偏差，另外九種分類精度也不高。因此需要一種基于強聚類損失函數的卷積神經網絡模型針對較多種類目標開展分類問題的研究。在神經網絡推理計算過程中，FPGA憑借低功耗、高效率、體積小的優點成為特定環境下進行推理識別過程的最優選擇。文獻3（Ricci?M,?Stitic?B,?Urbinati?L,Guglielmo?GD,?Vasquez?JAT,?Carloni?LP,?et?al.?Machine-Learning-BasedMicrowave?Sensing:?A?Case?Study?for?the?Food?Industry.?IEEE?Journal?onEmerging?and?Selected?Topics?in?Circuits?and?Systems.?2021;11(3):503-14.）利用神經網絡對食品罐子里是否有污染物進行分辨，并在FPGA上搭建檢測平臺，實現硬件平臺上的快速準確識別，但針對的僅是二分類問題，采用的網絡模型較為簡單，分類效果較好。

發明內容

本發明的目的在于提供一種基于強聚類損失函數的多種類目標辨識方法及系統，根據卷積神經網絡模型提取散射模型微多普勒頻率中不同目標特性，并利用FPGA硬件資源提升計算效率，從而在低功耗硬件平臺上達到更準確的分類效果。

實現本發明目的的技術解決方案為：一種基于強聚類損失函數的多種類目標辨識方法，包括以下步驟：