This work provides a method of target recognition based on LFM wavelet atomic network, including: off-line training of LFM wavelet atomic network; and Based on the structure of three-layer feed-forward neural network, this paper uses LFM wavelet atom as the feature extraction basis function of the input layer. The input layer realizes feature extraction by LFM wavelet atom transform. The hidden layer and the output layer constitute the neural network classifier. This work has the following advantages: 1. It can obtain more abundant feature information of the target through LFM wavelet atomic transform, which provides better and effective data support for classifier and improves the accuracy of target recognition; 2. Joint feature extraction and classification can adjust parameters in real time according to different target characteristics and recognition environment, and improve the recognition performance and noise resistance of the recognition system. Yes.
【技术实现步骤摘要】
基于线性调频小波原子网络的目标识别方法
本创作涉及信号处理、模式识别领域,尤其涉及一种基于线性调频小波原子网络的目标识别方法。
技术介绍
随着现代信号处理技术的飞速发展以及实际应用的迫切需求,自动目标识别技术在现代高技术战争中发挥着越来越重要的作用。目前,基于电磁散射图像的识别技术已被广泛应用于海陆空各类目标的识别中,是目标识别领域的研究热点之一。自动目标识别系统一般包括特征提取和分类决策两个独立的阶段。对于特征提取方法,郭尊华,李达,张伯彦2013年在《系统工程与电子技术》的35(1):53-60页的文章《雷达高距离分辨率一维像目标识别》提到:通常采用现代信号处理技术提取有效可靠的电磁散射图像特征,如傅里叶变换幅度、功率谱、双谱等频域特征,以及小波变换和Gabor变换等时频特征。对于分类方法,常采用模式识别方法做分类器,如神经网络、支持向量机和深度学习等,这些模式识别方法如以下论文所述:DUINR,P和KALSKAE2007年在《StudiesinComputationalIntelligence》的63:221-259页提出的《TheScienceofPatternRecognition.AchievementsandPerspectives》、殷和义,郭尊华2018年在《电讯技术》的58(10):1121-1126页提出的《一维卷积神经网络用于雷达高分辨率距离像识别》、FENGB,CHENB,LIUHW.2017年在《PatternRecognition》的61:379-393页提出的《RadarHRRPTargetRecognitionwithDe ...
【技术保护点】
1.一种基于线性调频小波原子网络的目标识别方法,其特征在于,包括:步骤S1:离线训练线性调频小波原子网络;以及,步骤S2:利用步骤S1得到的线性调频小波原子网络对目标进行分类并输出识别结果;其中,步骤S1,包括子步骤S11,输入训练样本向量xn,并随机初始化线性调频小波原子网络的线性调频小波原子参数集βk={uk,ξk,sk,ck}和分类器权重
【技术特征摘要】
1.一种基于线性调频小波原子网络的目标识别方法,其特征在于,包括:步骤S1:离线训练线性调频小波原子网络;以及,步骤S2:利用步骤S1得到的线性调频小波原子网络对目标进行分类并输出识别结果;其中,步骤S1,包括子步骤S11,输入训练样本向量xn,并随机初始化线性调频小波原子网络的线性调频小波原子参数集βk={uk,ξk,sk,ck}和分类器权重和其中n=1,2,…,N为样本数,k=1,2,...,K为输入层原子数,h=1,2,...,H为隐层节点数,m=1,2,...,M为输出层节点数;βk={uk,ξk,sk,ck}包括时移参数uk、频移参数ξk、尺度参数sk和线性调频率ck;为输入层与隐层之间的连接权重;为隐层与输出层之间的连接权重。2.如权利要求1所述的基于线性调频小波原子网络的目标识别方法,其特征在于,在子步骤S11之后,步骤S1还包括:子步骤S12,根据公式1和公式2,利用数据序列tl和线性调频小波原子参数集βk,来计算线性调频小波原子,并据此形成线性调频小波原子向量gk;其中,线性调频小波原子参数集βk能从子步骤S11得到;其中,tl为数据序列,其中,l=1,2,...,L为样本长度;g(t)为线性调频小波变换的基本窗函数:其中,线性调频小波原子向量上标T为矩阵转置,e为自然常数。3.如权利要求2所述的基于线性调频小波原子网络的目标识别方法,其特征在于,在子步骤S12之后,步骤S1还包括:子步骤S13,根据公式3,利用在子步骤S12中得到的线性调频小波原子向量gk及在子步骤S11中输入的训练样本向量xn,计算所有样本在每个原子节点的特征值φnk:4.如权利要求3所述的基于线性调频小波原子网络的目标识别方法,其特征在于,在子步骤S13之后,步骤S1还包括:子步骤S14,将从子步骤S13所得到的样本的特征值φnk输入神经网络的分类器,通过激活函数,根据公式4-7,计算隐层的输出结果onh及输出层的输出结果ynm:其中,n=1,2,...,N为样本数;h=1,2,...,H为隐层节点数,m=1,2,...,M为输出层节点数;中间变量和的计算公式表述为:5.如权利要求4所述的基于线性调频小波原子网络的目标识别方法,其特征在于,在子步骤S14之后,步骤S1还包括子步骤S15:子步骤S15,包括子步骤S15A-S15B;其中,子步骤S15A,令样本的期望输出dnm为1或0;其中,dnm为1属于预设的目标;dnm为0不属于预设的目标;子步骤S15B,根据期望输出dnm和实际输出ynm,利用公式8,计算均方误差E:6.如权利要求5所述的基于线性调频小波原子网络的目标识别方法,其特征在于,在子步骤S15之后,步骤S1还包括子步骤S16-S18,子步骤S16,判断是否达到预期效果,达到则完成:对均方误差E与预设阈值进行比较;若均方误差E小于预设阈值,则结束学习过程,并转到子步骤S18;若均方误差E大于等于预设阈值,则继续以下子步骤;子步骤S17、权重...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。