基于深度迁移学习的归纳式雷达高分辨距离像识别方法技术

基于深度迁移学习的归纳式雷达高分辨距离像识别方法，涉及雷达信号处理。真实目标信号与辅助仿真数据的预处理；深度模型的选择及优化；深度迁移学习中归纳式迁移策略的应用。针对完备的高分辨距离像数据获取困难的实际问题，提出了基于深度迁移学习的目标识别框架，可以有效提高样本量少、姿态非完备的雷达高分辨距离像的识别性能。建立在深度学习与机器学习中迁移学习的基础上，实用性强，可移植性强，能够满足大多数小样本、非完备等情况下弱监督学习的需求。

【技术实现步骤摘要】
基于深度迁移学习的归纳式雷达高分辨距离像识别方法
本专利技术涉及雷达信号处理，尤其是涉及基于深度迁移学习的归纳式雷达高分辨距离像识别方法。
技术介绍
雷达自动识别技术作为决定武器系统是否智能化的核心技术之一，在现代战争中起着重要的作用。高分辨一维距离像作为有效的目标识别数据源，获取较为容易、存储较为方便，被广泛应用于雷达目标自动识别中。但由于信号本身具有姿态敏感性、平移敏感性、强度敏感性等问题，特征提取成为雷达高分辨率距离像目标识别问题中的关键技术。深度学习利用端到端的多层非线性映射，通过大量数据可以自适应地学习到目标鲁棒的、可辨识的特征，在各类识别任务中均超越了传统算法的性能。然而实际应用中难以获取到完备的目标信号，一定程度上限制了深度学习算法在雷达高分辨率距离像识别上的应用。非完备雷达高分辨距离像识别研究对于提升数据不足、信息不全情况下模型的泛化性、鲁棒性和可靠性具有重大的意义，具有广阔的应用前景以及深刻的社会价值。目前主流的基于深度学习的雷达高分辨距离像识别方法虽然在仿真数据上取得了良好的效果，但是在真实信号上反应的情况会有出入，很难应用到实际当中。在此背景下，我们提出了基于深度迁移学习的雷达高分辨距离像识别方法，能够充分利用辅助仿真数据和少量完备的真实目标信号，有效提升模型在非完备目标上的识别性能。
技术实现思路
本专利技术的目的在于提供可提升雷达高分辨距离像在样本量少、姿态非完备情况下的目标识别性能，满足实际应用需求，更具实际应用价值的基于深度迁移学习的归纳式雷达高分辨距离像识别方法。本专利技术包括以下步骤：1)真实目标信号与辅助仿真数据的预处理；2)深度模型的选择及优化；3)深度迁移学习中归纳式迁移策略的应用。在步骤1)中，所述真实目标信号与辅助仿真数据的预处理的具体步骤如下：第一步：为了降低强度敏感性以及离群点等问题对算法带来的影响，对雷达高分辨距离像信号数据进行归一化：其中，x为原始的一维雷达高分辨距离像信号，ave(max5(x))和ave(min5(x))分别为取其帧内五个最大值和最小值的平方，x*为归一化后的信号数据；第二步：为了解决仿真数据与真实信号维度有差异的问题，首先对真实信号的边缘部分进行统计，并根据其分布特性生成拼接于仿真数据目标周围的噪点(边缘部分)，使其维度与真实雷达高分辨距离像一致。在步骤2)中，所述深度模型的选择及优化的具体步骤如下：第一步：为了降低姿态敏感性、平移敏感性、强度敏感性等问题的影响，构建具有局部感受野、权重共享、多卷积核以及池化等特点的多层卷积神经网络，所述多层卷积神经网络仿照AlexNet[1]设计五个卷积层以及包括分类器在内的三个全连接层，每两个卷积层之间有最大池化的操作，可进一步增加特征的平移、旋转不变性，降低特征维度，提高特征的鲁棒性和模型的泛化能力；第二步：为了保证网络中每个神经元输入输出的差异性，促使模型稳定而快速的收敛，采用经典而有效的标准正态分布初始化方法，即使用均值为0，标准差为1的正态分布随机生成参数作为网络卷积核的初始化，并使用大于0小于1的小数随机生成参数作为网络偏置的初始化；第三步：为了提升模型在非完备雷达高分辨距离像目标上的泛化性能，在前述卷积神经网络的基础上加入正则化约束：Drop-out和L2范数；其中Drop-out是通过在网络训练时随机地以一定概率屏蔽或“删除”神经元，在测试时使用整个网络进行处理，达到多个网络模型共同集合判决的效果；L2范数是通过在原始代价函数后加上一个参数惩罚项，降低模型复杂度，防止过拟合：其中，λ为正则项系数，m为批量输入的样本大小，w为网络的参数，系数主要是为了后面求导方便，L0为原始代价函数，在本专利技术中定义其为交叉熵损失函数：其中，hw(xi)表示单个输入样本xi经过网络的非线性映射后得到的预测结果，yi则为其真实的标签信息。在步骤3)中，所述深度迁移学习中归纳式迁移策略的应用的具体步骤如下：为了解决样本量小、姿态非完备情况下的目标识别问题，采用预训练的方法将归纳式迁移学习策略引入深度学习，首先通过使用大量较为完备的仿真数据对原深度网络进行预训练，再用少量非完备的真实信号数据对该网络进行微调，以达到知识迁移的效果，即将仿真数据中存在着的高分辨距离像信号判别知识迁移至非完备的真实数据中，有效提升模型在非完备目标上的识别性能；微调的具体做法是先将网络最后一层替换为与真实样本类别数一致的神经元层，再固定网络的前三层，只微调网络的高层参数，即用较小的学习率，这是由于网络的低层特征具有普适性，而高层特征则更具可迁移性[2]。本专利技术针对完备的高分辨距离像数据获取困难的实际问题，提出了基于深度迁移学习的目标识别框架，可以有效提高样本量少、姿态非完备的雷达高分辨距离像的识别性能。本专利技术建立在深度学习与机器学习中迁移学习的基础上，本专利技术的主要特点是实用性强，可移植性强，能够满足大多数小样本、非完备等情况下弱监督学习的需求。附图说明图1为归纳式迁移学习概念示意图。图2为原始数据、基本卷积神经网络最后特征层和归纳式迁移学习最后特征层数据分布的PCA可视化示意图。在图2中，(a)表示原始数据，(b)表示基本卷积神经网络最后特征层，(c)表示归纳式迁移学习最后特征层数据分布。具体实施方式以下实施例将结合附图对本专利技术作进一步的说明。本专利技术包括以下步骤：1)真实目标信号与辅助仿真数据的预处理，具体步骤如下：第一步：为了降低强度敏感性以及离群点等问题对算法带来的影响，对雷达高分辨距离像信号数据进行归一化：其中，x为原始的一维雷达高分辨距离像信号，ave(max5(x))和ave(min5(x))分别为取其帧内五个最大值和最小值的平方，x*为归一化后的信号数据；第二步：为了解决仿真数据与真实信号维度有差异的问题，首先对真实信号的边缘部分进行统计，并根据其分布特性生成拼接于仿真数据目标周围的噪点(边缘部分)，使其维度与真实雷达高分辨距离像一致，具体操作即将真实数据的噪声部分提取出来，再拼接在仿真数据的边缘，使得得到的仿真数据维度统一。2)深度模型的选择及优化，具体步骤如下：第一步：为了降低姿态敏感性、平移敏感性、强度敏感性等问题的影响，构建了具有局部感受野、权重共享、多卷积核以及池化等特点的多层卷积神经网络。该网络仿照AlexNet[1]设计了五个卷积层以及包括分类器在内的三个全连接层，每一层的参数根据上一层输出的数据来设定。输入的仿真数据长度为1024，五个卷积层的卷积核大小分别为32、32、8、8、4，卷积核个数分别为128、256、256、512、1024，输出数据的维度分别为1024、512、256、128、64。每两个卷积层之间有最大池化的操作，可进一步增加特征的平移、旋转不变性，降低特征维度，提高特征的鲁棒性和模型的泛化能力。三个全连接层中前两层长度均为4096，最后一层输出对三种目标的判别结果。)第二步：为了保证网络中每个神经元输入输出的差异性，促使模型稳定而快速的收敛，采用经典而有效的标准正态分布初始化方法，即使用均值为0，标准差为1的正态分布随机生成参数作为网络卷积核的初始化，并使用大于0小于1的小数随机生成参数作为网络偏置的初始化。第三步：为了提升模型在非完备雷达高分辨距离像目标上的泛化性能，在前述卷积神本文档来自技高网...

【技术保护点】
1.基于深度迁移学习的归纳式雷达高分辨距离像识别方法，其特征在于包括以下步骤：1)真实目标信号与辅助仿真数据的预处理；2)深度模型的选择及优化；3)深度迁移学习中归纳式迁移策略的应用。

【技术特征摘要】
1.基于深度迁移学习的归纳式雷达高分辨距离像识别方法，其特征在于包括以下步骤：1)真实目标信号与辅助仿真数据的预处理；2)深度模型的选择及优化；3)深度迁移学习中归纳式迁移策略的应用。2.如权利要求1所述基于深度迁移学习的归纳式雷达高分辨距离像识别方法，其特征在于在步骤1)中，所述真实目标信号与辅助仿真数据的预处理的具体步骤如下：第一步：对雷达高分辨距离像信号数据进行归一化：其中，x为原始的一维雷达高分辨距离像信号，ave(max5(x))和ave(min5(x))分别为取其帧内五个最大值和最小值的平方，x*为归一化后的信号数据；第二步：对真实信号的边缘部分进行统计，并根据分布特性生成拼接于仿真数据目标周围的噪点，使维度与真实雷达高分辨距离像一致。3.如权利要求1所述基于深度迁移学习的归纳式雷达高分辨距离像识别方法，其特征在于在步骤2)中，所述深度模型的选择及优化的具体步骤如下：第一步：构建具有局部感受野、权重共享、多卷积核以及池化特点的多层卷积神经网络，所述多层卷积神经网络仿照AlexNet设计五个卷积层以及包括分类器在内的三个全连接层，每两个卷积层之间有最大池化的操作，增加特征的平移、旋转不变性，降低特征维度，提高特征的鲁棒性和模型的泛化能力；第二步：采用经典而有效的标准正态分布初始化方法，即使用均值为0，标准差为1的正态分布随机生成参数作为网...

【专利技术属性】
技术研发人员：黄悦，丁兴号，余宪，王继天，文艺，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建,35