基于深度残差多尺度一维卷积神经网络的雷达目标识别方法技术

本发明专利技术提出了一种基于深度残差多尺度一维卷积神经网络的雷达目标识别方法。雷达目标因具有平移敏感性和姿态角敏感性而识别难度较大，该方法可自动提取雷达目标HRRP的不变特征。该方法利用卷积核和下采样操作的特征设计了两种一维残差多尺度块和两种一维多尺度下采样层，并以二者为核心构建神经网络模型，在此基础上，提出了一种新的损失函数来提高特征的可分性。该方法可以有效提取目标的深度不变特征，识别正确率较高，具有较好的鲁棒性和泛化性能。

【技术实现步骤摘要】
基于深度残差多尺度一维卷积神经网络的雷达目标识别方法
本专利技术属于雷达目标自动识别技术，设计全角域条件下的目标HRRP特征提取和分类识别问题，提供了一种基于深度学习框架的雷达目标识别方法。
技术介绍
目前已有的基于深度学习的雷达目标HRRP特征提取方法基本都是基于自编码模型及其变体，自编码由编码器和解码器两部分组成。编码的过程即为输入向特征层的映射，编码器的输出即为自编码提取的特征，当特征层(隐藏层)的神经元数小于输入数据维度时，编码可以看成是降维操作，类似于主成分分析法(PCA)。目前，雷达目标HRRP识别存在的问题主要分为两个方面第一、HRRP存在姿态角敏感性，识别过程需要进行角域划分，第二、识别模型的泛化性能不好。故利用自编码进行识别，需要增加隐藏层及其神经元的个数，但由于训练数据的个数有限，模型容易产生过拟合现象。因此基于自编码的雷达目标HRRP识别主要针对较小角域的情况。所提方法利用一维深度残差多尺度卷机神经网络模型提取HRRP的全角域复杂特征，该模型因卷积核的局部连接特性而具有良好的泛化性能，同时该方法提出的余弦中心损失函数提高不同类目标的特征可分性，因此该方法可以提高目标识别正确率。
技术实现思路
本专利技术的目的在于，针对全角域HRRP的识别难题，提供一种基于深度残差多尺度一维卷积神经网络的雷达目标识别方法，提高了全角域条件下的HRRP目标识别正确率。本专利技术的技术解决方案为：构建一维深度残差多尺度卷积神经网络，并设计了一种更有利于目标精细划分的损失函数，利用训练样本对模型进行训练，得到可用于端对端识别的模型。为实现上述目的，本专利技术实现步骤如下：步骤1：构建深度一维残差卷积神经网络模型，并对模型参数进行初始化。步骤2：前向传播，计算迭代过程中损失函数L。步骤3：后向传播，采用链式法则对模型中的参数进行更新。步骤4：重复步骤2、3直到损失函数收敛，得到可用于雷达目标识别的模型。本专利技术相比现有技术具有如下的优点：(1)提出了一种以一维卷积核为核心的深度残差多尺度卷积神经网络，卷积核具有局部视野和权值共享的特性，且不同尺度的卷积核可以提取不同精细度的特征，本文利用这两个特征使得模型利用较少参数便可以提取HRRP的全角域复杂特征，提高了模型的泛化能力。(2)设计了一种新的损失函数-余弦中心损失，利用该损失函数进行模型的训练，可以增大特征的类间距离并减小特征的类内距离，从而提高目标的识别正确率。附图说明图1：多尺度卷积层I。图2：多尺度卷积层II。图3：残差多尺度块示意图。图4：多尺度下采样层I。图5：多尺度下采样层II。图6：该方法所提模型构成示意图。具体实施方式以下结合说明书附图对本专利技术作进一步详细描述。参照说明书附图，本专利技术所构建的模型说明如下：1.残差多尺度卷积块的构建设计了两种多尺度卷积层，其结构如图1、2所示。除了标注下采样层的模块之外，其他的模块均代表卷积层。多尺度卷积层I、II均包含四个分支，其中(从左往右)，多尺度卷积层I、II的分支一、二相同，分支一包含一个卷积层，卷积核尺度为1*1，分支二包含两个卷积层，(从上到下)卷积核尺度分别1*1、3*3。多尺度卷积层I、II的差别主要体现在分支三和分支四。分支三包含三个卷积层，多尺度卷积层I、II的分支三从上到下卷积核的大小分别为1*1、3*1、5*1和5*1、3*1、1*1，分支四包含一个降采样层和一个卷积层，多尺度卷积层I，II分支四中卷积层的卷积核尺度为3*1和1*1。分支四的下采样层相同，该层的功能是剔除冗余信息，更好的保留特征的有效信息。最后的相加操作，直接把每个分支的特征拼在一起，以多尺度卷积层I为例，输入特征经过多尺度卷积层得到的输出特征的通道数为16+16+16+16＝64。每个卷积层和下采样层的输出都使用补零操作，即经过多尺度卷积层输入输出的维度不变，只改变通道数。残差块由卷积层组成，可以包含一个或多个卷积层，为了保证网络不出现退化的情况，残差块中的卷积层的个数不会过多，通常为两个。残差块的输出为卷积层输出与残差块输入之和，其使用可避免模型出现梯度爆炸或消失的情况。通过卷积运算，特征向量的长度会减小，故利用补零的方法保证输出和输入的特征向量个数和维度均相同。图中的加号表示对应特征向量的元素逐个相加。残差块的表达式为xl+1＝F(xl,θr)+Wrxl其中，xl∈Rk×m表示输入特征向量，xl+1∈Rh×m表示输出特征向量，k和h分别表示输入和输出特征向量的个数。θr＝{k1,k2,b1,b2}表示残差块的参数集合，Wr∈Rh×k用来调节xl的维度，使其与xl+1的维度相同，这里我们设置Wr为常数矩阵，反向传播的过程中不需要对其进行参数更新。将残差块中的卷积层替换为多尺度卷积层即可得到残差多尺度卷积块，如图3所示。2.多尺度下采样层的构建设计了两种多尺度下采样层，如图4、5所示。除了标注下采样层的模块之外，其他的模块均代表卷积层。多尺度下采样层I、II均包含三个分支，其中(从左往右)，分支一包含一个卷积层，卷积核大小分别为3*1和1*1。分支二包含两个卷积层，卷积核大小分别为5*1、3*1和3*1、1*1，分支三由一个卷积层和一个下采样层组成，卷积核的大小分别为3*1和1*1，下采样层的窗口长度为3*1。每个分支的最后一层步长均为2，从而保证输出的维度为输入特征维度的二分之一，多尺度下采样层的功能不只是减少数据维度，也提取了更深层次的特征。3.损失函数设计损失函数设计借鉴了人脸识别方法中大边界余弦损失(LargeMarginCosineLoss)，在此基础上，考虑了特征的类内距离的约束，提出了一种基于余弦距离和特征中心的损失函数—余弦中心损失函数。损失函数的表达式如下：其中，m是训练数据的个数，xi表示第i个样本数据的在输出层之前的全连接层的输出特征，yi是第i个样本数据的真实标签，代表第i个样本数据所属的真实类别。Wj∈Rd是全连接层的权值矩阵W∈Rd×n的第j列，即为第j类目标对应的权值向量。代表Wj，xi之间的余弦值，s和α分别控制LLMCL和Lcenter中归一化后的特征的幅度，以免出现特征归一化后损失函数不收敛的问题，a为常数，作用是为了增强特征xi与权重Wj的夹角约束。是第i个样本的标签yi所对应类的的特征中心，λ是中心损失项的权重，λ越大，类内特征越聚集。该损失函数分为两个部分LLMCL和Lcenter，LLMCL叫做LargeMarginCosineLoss,简称(LMCL)，传统的softmax-loss的表达式为其中，cosθj可以看成是权值W和特征x之间的相似性度量，为了更加充分利用角度信息对模型进行训练，我们希望权值矩阵||W||和特征向量||x||的范数均为1，故对W,x均进行归一化操作，令W＝W*/||W*||，x＝x*/||x*||，便得到因为是单调递减的，特征xi与权重Wj的夹角越小，越大，特征xi相对应的样本i属于类别j的概率越大，当满足时，样本i属于第yi类。在所提方法中，当满足时，样本i才属于第yi类。超参数a＞0作用是为了增强特征xi与权重Wj的夹角约束，理想情况下，a的取值范围为其中，n为类别的数量。在特征空间，当且仅当各相邻特征中心之间的夹角相同且各类样本的特征与相对应的本文档来自技高网...

【技术保护点】
1.一种基于深度残差多尺度一维卷积神经网络的雷达目标识别方法，其特征在于，包括以下步骤：步骤1，构建深度一维残差卷积神经网络模型，并对模型参数进行初始化；步骤2，前向传播，计算迭代过程中损失函数L；步骤3，后向传播，采用链式法则对模型中的参数进行更新；步骤4，重复步骤2、3直到损失函数收敛，得到可用于雷达目标识别的模型。

【技术特征摘要】
1.一种基于深度残差多尺度一维卷积神经网络的雷达目标识别方法，其特征在于，包括以下步骤：步骤1，构建深度一维残差卷积神经网络模型，并对模型参数进行初始化；步骤2，前向传播，计算迭代过程中损失函数L；步骤3，后向传播，采用链式法则对模型中的参数进行更新；步骤4，重复步骤2、3直到损失函数收敛，得到可用于雷达目标识别的模型。2.如权利要求1所述的雷达目标识别方法，其特征在于，步骤1中神经网络模型由残差多尺度卷积层、多尺度下采样层、卷积层、下采样层和全连接层构成。3.如权利要求1所述的雷达目标识别方...

【专利技术属性】
技术研发人员：郭晨，简涛，孙顺，徐从安，王海鹏，王聪，
申请(专利权)人：中国人民解放军海军航空大学，
类型：发明
国别省市：山东,37