一种基于深度置信网络的雷达一维距离像真假目标识别方法技术

本发明专利技术公开了一种基于深度置信网络的雷达一维距离像真假目标识别方法，其技术方案为：首先对数据进行时频转换及能量归一化等预处理操作获得样本频域特征作为原始特征；其次对样本数据进行主成分分析，提取样本子空间特征向量；然后利用深度学习的方法，使用三个多层受限玻尔兹曼机来构建含三个隐含层的深度置信网络，采用非监督逐层贪婪训练法依次训练网络的每一层，其中在每个受限玻尔兹曼机的输入层之前增加一个链接层，链接层完成将前两层的输出拼接并构成新的融合特征矢量；随后在网络输出层接一层分类器，利用带标签样本数据采用BP算法对其进行全局参数微调；最后利用该深度网络对输入样本进行目标识别，其目标识别率高于已有识别方法。

A real and false target recognition method for radar range image based on deep confidence network

【技术实现步骤摘要】
一种基于深度置信网络的雷达一维距离像真假目标识别方法
本专利技术属于雷达目标识别方法，涉及使用雷达高分辨一维距离像进行真假目标识别的方法。
技术介绍
通过雷达回波数据对目标类别进行判别是远距离目标识别的有效途径之一。其中，雷达一维距离像反映了目标散射中心在雷达视线上的分布，体现了目标的形状结构等物理信息，且可利用高分辨雷达方便的获取，因此被广泛用于雷达目标识别领域。近年来，基于深度学习的识别方法在图像识别领域取得良好的效果。有别于传统的人为设定特征的方式，使用深度模型可从一维距离像中自动学习到有利于分类的目标高阶特征，因此，研究基于深度网络模型的一维像真假目标识别方法有望进一步提高目标识别率。
技术实现思路
本专利技术的目的是：针对雷达目标一维距离像，提供一种新的基于深度置信网络模型的目标识别方法。本专利技术的基于深度置信网络的雷达一维距离像真假目标识别方法，针对一维距离像的数据特点，首先对数据进行时频转换及能量归一化等预处理操作获得样本频域特征作为原始特征；其次对样本数据进行主成分分析，提取样本子空间特征向量；然后利用深度学习的方法，使用三个多层受限玻尔兹曼机(RBM)来构建含三个隐含本文档来自技高网...

【技术保护点】
一种基于深度置信网络的雷达一维距离像真假目标识别方法，其特征在于，包括下列步骤：S1、训练深度置信网络分类器：S101、获取训练数据集：

【技术特征摘要】
1.一种基于深度置信网络的雷达一维距离像真假目标识别方法，其特征在于，包括下列步骤：S1、训练深度置信网络分类器：S101、获取训练数据集：其中，K代表总的目标类别数，Ni为第i类目标的训练样本数，为训练样本集合中总样本数，表示第i类目标的第j幅一维距离像样本，l为一维距离像的维数，符号[·]T表示矩阵转置；用yij表示样本的类别标签向量，则训练样本标签集记为Y＝{yij|i＝1,2,...,K；j＝1,2,...,Ni}；S102、对训练数据集X(0)进行数据预处理，得到预处理后的训练数据集X(3)：对X(0)进行频域变换及能量归一化处理，得到样本频域像集其中表示对进行频域变换及能量归一化处理后的样本频域像对各样本频域像进行降维处理，得到降维后的样本频域像再对样本频域像和降维后的样本频域像进行拼接，得到样本融合特征矢量S103、依次构造三个受限玻尔兹曼机，分别记为RBM1、RBM2和RBM3，其中RBM1的输入为样本融合特征矢量RBM2的输入为RBM1的输出与样本融合特征矢量拼接矢量，RBM3的输入为RBM2的输出与RBM1的输出的拼接矢量；S104、依次对所述三个受限玻尔兹曼机进行参数训练，获取三个受限玻尔兹曼机的权值矩阵：其中h1、h2和h3分别表示RBM1、RBM2和RBM3的隐藏层结点数；v1、v2和v3分别表示RBM1、RBM2和RBM3的可视层结点数；S105、构造一个5层的深度神经网络：其中输出层为分类器，各层网络从输入到输出的方向依次定义为：输入层、第二层、第三层、第四层，分类器层，其各层结点数目依次为：v1、v2、v3、h3、K；输入层到第二层的权值矩阵的初始值由RBM1的权值矩阵进行矩阵扩展后得到，第二层到第三层的权值矩阵的初始值由RBM2权值矩阵进行矩阵扩展后得到，第三层到第四层的权值矩阵的初始值为分类器层的权值...

【专利技术属性】
技术研发人员：廖阔，周代英，张瑛，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51