基于线性调频小波原子网络的目标识别方法技术

本创作提供一种基于线性调频小波原子网络的目标识别方法，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。本创作基于三层前馈神经网络结构，以线性调频小波原子作为输入层的特征提取基函数，其输入层通过线性调频小波原子变换实现特征提取，由隐层和输出层构成神经网络分类器。本创作具有以下优点：1.通过线性调频小波原子变换能够获取目标更丰富的特征信息，为分类器提供了更佳的有效数据支撑，提高目标识别的正确率；2.联合特征提取与分类，能够根据不同目标特征及识别环境实时进行参数调整，提高了识别系统的识别性能和抗噪性能。

Target Recognition Based on Linear Frequency Modulation Wavelet Atomic Network

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《RadarHRRPTargetRecognitionwithDeepNetworks》等。但是，在现有技术中，最大的缺陷在于特征提取和目标分类阶段的独立进行，该类识别方法只能够对目标分别进行特征提取和分类的操作，针对目标特征的复杂性和识别过程的不确定性，识别系统的特征提取和分类部分难以实现协调工作，由于参数不是协同最优，分类器根据特征信息进行分类时，会导致识别性能无法达到最佳，影响识别率。这是现有技术的第一种缺陷。此外，在现有技术中，还具有如下第二种缺陷：对于散射特性比较复杂的目标，散射点遮蔽现象和目标上的运动散射点对稳定的散射模型会造成一定的破坏，传统的方法难以实现对该类目标有效特征的提取；对于复杂环境背景下的目标识别，还需考虑在噪声条件下如何尽可能保证识别正确率，即如何获取包含目标更丰富的且反映目标本质的特征信息，提高识别系统的抗噪性能。在现有技术中，由于第一种缺陷和第二种缺陷的存在：一旦发生目标误识，会造成严重事故，导致巨大的财产损失，在军事战争中，误判将造成重大人员伤亡。因此，如何迅速而准确地识别复杂环境目标是该研究领域面临的极大挑战之一，更是迫切需要研究和解决的主要问题。针对该问题，若识别系统能够同时获取目标电磁散射中心、几何形状、尺寸、时移、频移等特征信息，并根据不同目标和环境条件选择合适的分类器参数，则有望实现较好的目标识别效果。然而，常用的时频变换提取特征的方法中，基本的傅里叶变换只能获取目标的频域特征，Gabor变换能够同时获取时频特征，小波变换包含了目标的时域、频域和尺度信息，但对于复杂散射点仍不能进行很好的描述。申请人通过查阅文献资料，了解到MANNS和HAYKINS1995年在《IEEETransactionsonSignalProcessing》的43(11):2745-2761页提出的小波变换方法的扩展方法论文《TheChirpletTransform:PhysicalConsiderations》——线性调频小波原子变换，在小波变换的基础上增加了线性调频参数，能够得到一系列不同时频平面斜率的变换系数，从而可以获得目标更完善的特征信息。然而，这又将引出新的难题：提取的特征信息越丰富，就会给识别系统对这些特征的分类带来越大的挑战，如何选择合适的分类器则成为识别的成败关键。
技术实现思路
本创作的一个目的是实现对对于散射特性比较复杂的目标，实现特征提取和目标识别。为了达到上述目的，本创作采用线性调频小波原子变换作为神经网络的特征提取函数，提取目标的时间-频率-尺度-线性调频的四维空间特征。其中，申请人考虑，采用时频联合域描述可以更准确地反映目标特征，时频特征提取的关键在于如何确定一组决定信号分类的最优基函数。由于线性调频小波变换是从三维的时间—频率—尺度空间到四维的时间—频率—尺度—线性调频率空间的推广，线性调频小波原子会包含比小波和Gabor原子更丰富的特征信息，且其变换参数与目标物理特征相关，时频局部性能更优越，从而对复杂目标特征的提取更具优势。因此，本创作采用线性调频小波原子变换作为神经网络的特征提取函数，提取目标的时间-频率-尺度-线性调频的四维空间特征。本创作的另一个目的是在噪声条件下如何尽可能保证识别正确率，即提高识别系统的抗噪性能和识别效果。为了达到上述目的，本创作协同调整线性调频小波原子参数和分类器参数，联合实现特征提取和目标分类。其中，申请人考虑，对特征进行识别时，分类算法的参数也在一定程度上影响目标的识别性能。因此，本创作在对分类器进行训练的同时也对特征的参数进行优化调整，实现同步训练，能够根据不同的目标数据协调参数，应该可以获得比特征提取与目标分类相互独立的识别系统更好的识别效果和抗噪性能。因此，本创作将线性调频小波原子与具有很强的自适应学习能力、分布式存储和并行协同处理等优点的多层前馈神经网络有机结合，提出一种线性调频小波原子网络方法，协同调整线性调频小波原子参数和分类器参数实现目标的联合特征提取与分类。为了达到上述目的，本创作提出一种基于线性调频小波原子网络的目标识别方法，采用线性调频小波原子网络进行目标识别。线性调频小波原子网络基于如图2所示的三层前馈神经网络结构，以线性调频小波原子作为输入层的特征提取基函数，其输入层通过线性调频小波原子变换实现特征提取，由隐层和输出层构成神经网络分类器。本创作提出的这种基于线性调频小波原子网络的目标识别方法，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。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。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及在子步本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：郭尊华，李怡霏，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东,37