基于卷积神经网络的识别变体飞机高分辨距离像方法技术

一种基于卷积神经网络的识别变体飞机高分辨距离像方法。其步骤为：(1)构建卷积神经网络；(2)生成高分辨距离像样本集；(3)对每个样本的幅度进行归一化处理；(4)训练卷积神经网络；(5)目标识别；本发明专利技术通过构建并训练卷积神经网络，利用训练好的卷积神经网络对变体飞机和非变体飞机的高分辨距离像的共性特征进行学习，并根据学习到的共性特征实现对变体飞机的高分辨距离像的稳健识别，能够有效地解决变体飞机与相对应的非变体飞机的高分辨距离像存在差异导致的对变体飞机正确识别率下降的问题，本发明专利技术具有显著降低变体部分对变体飞机的识别带来的影响，有效提高了对变体飞机的识别性能的优点。

【技术实现步骤摘要】
基于卷积神经网络的识别变体飞机高分辨距离像方法
本专利技术属于雷达
，更进一步涉及目标识别
中的一种基于卷积神经网络的识别变体飞机高分辨距离像方法。本专利技术采用卷积神经网络实现对变体飞机的高分辨距离像的自动识别。
技术介绍
雷达高分辨距离像是一维图像，是宽带雷达获取的目标散射中心距离像在雷达视线上投影的矢量和。高分辨距离像不仅包含了目标的尺寸和散射中心等结构信息，还具有容易获取以及处理简单的优点，因此在雷达目标识别领域受到了广泛关注。飞机的外形并不是一直不变的，例如由于作战环境的不同，飞机的外形会发生不同的变化，副油箱的挂载以及武器的挂载都会使得飞机外形发生变化，相应地会引起雷达高分辨距离像的变化，人们将这类发生形变的飞机称为变体飞机。变体飞机外形结构的变化使得其高分辨距离像随之改变，因而将与库内同类型的非变体飞机的高分辨距离像之间存在失配，最终导致对变体飞机高分辨距离像的识别性能严重下降，甚至失去识别能力。目前现有的关于变体飞机的识别方法是先去除变体飞机高分辨距离像中的变体飞机部分，即先将变体飞机高分辨距离像恢复成非变体飞机高分辨距离像，再利用传统的目标识别方法进行识别，识别率的高低取决于变体部分的去除效果。西安电子科技大学在其申请的专利文献“基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法”(专利申请号：201810978483.0，申请公布号：CN109190693A)中提出了一种基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法。该方法首先建立变体目标高分辨距离像的数学模型，定义变体目标数学模型中各个变量的先验概率和其先验概率参数的先验分布，然后通过块稀疏贝叶斯学习迭代求解模型获取变体目标高分辨距离像中的变体成分，再从变体目标高分辨距离像中去除变体成分，最后用自适应高斯分类器对恢复出的去除变体成分后的高分辨距离像进行识别。该方法存在的不足之处是，对于稀疏度较小的高分辨距离像难以有效消除变体部分的影响，此时识别率相对较低。朱文强在其发表的论文“基于结构稀疏先验的变体目标识别方法研究”(西安电子科技大学2017-06-01)中提出了一种基于结构稀疏先验的变体目标识别方法，该方法利用变体分量具有块稀疏的特点,对变体分量单独建模,并分离出变体分量,获取原始目标未形变的高分辨距离像。在此基础上进行识别,改善了对变体目标的识别性能。该方法存在的不足之处是，采用了较为简单的自适应高斯分类器，因此识别率相对较低。
技术实现思路
本专利技术的目的是针对上述现有技术存在的不足，提出了一种基于卷积神经网络的识别变体飞机高分辨距离像方法。实现本专利技术目的的思路是，构建并训练卷积神经网络，利用训练好的卷积神经网络对变体飞机的高分辨距离像与非变体飞机的高分辨距离像之间的共性特征进行学习，再根据学习到的共性特征对变体飞机的高分辨距离像进行识别。本专利技术实现的具体步骤包括如下：(1)构建卷积神经网络：(1a)搭建一个由卷积层和池化层交替连接组成四个基本层后再与一层全连接层相连的九层卷积神经网络；(1b)设置卷积神经网络的参数如下：将四个基本层中每个卷积层的卷积核大小均设置为5、激活函数均设置为ReLU函数、池化层均设置为最大值池化，每个卷积层中卷积核的个数依次设置为32，16，16，8，将全连接层的输出节点数设置为M，M为样本集中飞机目标的类别总数；(2)生成高分辨距离像样本集：(2a)将雷达接收到的每个类别飞机目标发生形变前的高分辨距离像数据与其对应的类别标签，组成该类别飞机的非变体样本集，将雷达接收到的各个类别飞机目标发生形变后的高分辨距离像数据与其对应的类别标签，组成该类别飞机的变体样本集；(2b)从每个类别飞机的变体样本集中随机选取一半的变体样本集，组成测试样本集；(2c)将剩余的变体样本集和所有非变体样本集组成训练样本集；(3)对每个样本的幅度进行归一化处理：(3a)用测试样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模一范数，得到归一化后的测试样本集；(3b)用训练样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模一范数，得到归一化后的训练样本集；(4)训练卷积神经网络：(4a)将归一化后的训练样本集输入到卷积神经网络中，无监督的预训练卷积神经网络，得到预训练后的卷积神经网络；(4b)利用交叉熵公式计算预训练后的卷积神经网络中的全连接层的输出数据与类别标签之间的误差，从卷积神经网络的顶层向下传播该误差，微调整个卷积神经网络的参数，直到迭代200次为止，得到训练好的卷积神经网络；(5)目标识别：将归一化后的测试样本集中的所有样本输入到训练好的卷积神经网络中进行识别，得到测试样本集中形变目标高分辨距离像的分类标签，完成目标识别。本专利技术与现有技术相比具有以下优点：第一，由于本专利技术通过构建并训练卷积神经网络，利用训练好的卷积神经网络，学习变体飞机的高分辨距离像与对应的非变体飞机的高分辨距离像的共性特征，克服了现有技术由于变体飞机外形结构的变化，使得其高分辨距离像随之改变，因而将与库内同类型的非变体飞机的高分辨距离像之间存在失配，最终会导致对变体飞机高分辨距离像的识别性能严重下降的问题，使得本专利技术提高了对变体飞机的高分辨距离像的正确识别率。第二，由于本专利技术将归一化后的测试样本集中的所有样本输入到训练好的卷积神经网络中进行识别，得到测试样本集中变体飞机的高分辨距离像的分类标签，克服了现有技术由于先将变体飞机高分辨距离像恢复成非变体飞机高分辨距离像，再利用传统的目标识别方法进行识别，识别率的高低取决于变体部分的去除效果的问题，使得本专利技术能够不需要去除变体部分，直接对变体飞机的高分辨距离像进行识别，降低了对变体飞机的高分辨距离像识别的复杂度。第三，由于本专利技术将归一化后的测试样本集中的所有样本输入到训练好的卷积神经网络中进行识别，克服了现有技术采用了较为简单的自适应高斯分类器，因此识别率相对较低的问题，使得本专利技术提高了对变体飞机高分辨距离像的正确识别率。附图说明图1是本专利技术的流程图；图2是本专利技术生成高分辨距离像样本集步骤中，非变体飞机与其对应的变体飞机的高分辨距离像图。具体实施方式下面结合附图对本专利技术做进一步的描述。参照图1，对本专利技术实现的具体步骤做进一步的描述。步骤1，构建卷积神经网络。搭建一个由卷积层和池化层交替连接组成四个基本层后再与一层全连接层相连的九层卷积神经网络。设置卷积神经网络的参数如下。将四个基本层中每个卷积层的卷积核大小均设置为5、激活函数均设置为ReLU函数、池化层均设置为最大值池化，每个卷积层中卷积核的个数依次设置为32，16，16，8，将全连接层的输出节点数设置为M，M为样本集中飞机目标的类别总数。步骤2，生成高分辨距离像样本集。将雷达接收到的每个类别飞机目标发生形变前的高分辨距离像数据与其对应的类别标签，组成该类别飞机的非变体样本集，将雷达接收到的各个类别飞机目标发生形变后的高分辨距离像数据与其对应的类别标签，组成该类别飞机的变体样本集。从每个类别飞机的变体样本集中随机选取一半的变体样本集，组成测试样本集。将剩余的变体样本集和所有非变体样本集组成训练样本集。参照图2，对非变体样本集和变体样本集中的高分辨距离像做进一步的描述。图2(a)是从非变体样本集中随机选取的一幅非变体飞机的高分本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的识别变体飞机高分辨距离像方法，其特征在于，构建并训练卷积神经网络，利用训练好的卷积神经网络对变体飞机的高分辨距离像和非变体飞机的高分辨距离像的共性特征进行学习，该方法步骤包括如下：(1)构建卷积神经网络：(1a)搭建一个由卷积层和池化层交替连接组成四个基本层后再与一层全连接层相连的九层卷积神经网络；(1b)设置卷积神经网络的参数如下：将四个基本层中每个卷积层的卷积核大小均设置为5、激活函数均设置为ReLU函数、池化层均设置为最大值池化，每个卷积层中卷积核的个数依次设置为32，16，16，8，将全连接层的输出节点数设置为M，M为样本集中飞机目标的类别总数；(2)生成高分辨距离像样本集：(2a)将雷达接收到的每个类别飞机目标发生形变前的高分辨距离像数据与其对应的类别标签，组成该类别飞机的非变体样本集，将雷达接收到的各个类别飞机目标发生形变后的高分辨距离像数据与其对应的类别标签，组成该类别飞机的变体样本集；(2b)从每个类别飞机的变体样本集中随机选取一半的变体样本集，组成测试样本集；(2c)将剩余的变体样本集和所有非变体样本集组成训练样本集；(3)对每个样本的幅度进行归一化处理：(3a)用测试样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模一范数，得到归一化后的测试样本集；(3b)用训练样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模一范数，得到归一化后的训练样本集；(4)训练卷积神经网络：(4a)将归一化后的训练样本集输入到卷积神经网络中，无监督的预训练卷积神经网络，得到预训练后的卷积神经网络；(4b)利用交叉熵公式计算预训练后的卷积神经网络中的全连接层的输出数据与类别标签之间的误差，从卷积神经网络的顶层向下传播该误差，微调整个卷积神经网络的参数，直到迭代200次为止，得到训练好的卷积神经网络；(5)目标识别：将归一化后的测试样本集中的所有样本输入到训练好的卷积神经网络中进行识别，得到测试样本集中形变目标高分辨距离像的分类标签，完成目标识别。...

【技术特征摘要】
1.一种基于卷积神经网络的识别变体飞机高分辨距离像方法，其特征在于，构建并训练卷积神经网络，利用训练好的卷积神经网络对变体飞机的高分辨距离像和非变体飞机的高分辨距离像的共性特征进行学习，该方法步骤包括如下：(1)构建卷积神经网络：(1a)搭建一个由卷积层和池化层交替连接组成四个基本层后再与一层全连接层相连的九层卷积神经网络；(1b)设置卷积神经网络的参数如下：将四个基本层中每个卷积层的卷积核大小均设置为5、激活函数均设置为ReLU函数、池化层均设置为最大值池化，每个卷积层中卷积核的个数依次设置为32，16，16，8，将全连接层的输出节点数设置为M，M为样本集中飞机目标的类别总数；(2)生成高分辨距离像样本集：(2a)将雷达接收到的每个类别飞机目标发生形变前的高分辨距离像数据与其对应的类别标签，组成该类别飞机的非变体样本集，将雷达接收到的各个类别飞机目标发生形变后的高分辨距离像数据与其对应的类别标签，组成该类别飞机的变体样本集；(2b)从每个类别飞机的变体样本集中随机选取一半的变体样本集，组成测试样本集；(2c)将剩余的变体样本集和所有非变体样本集组成训练样本集；(3)对每个样本的幅度进行归一化处理：(3a)用测试样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模一范数，得到归一化后的测试样本集；(3b)用训练样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模一范数，得到归一化后的训练样本集；(4)训练卷积神经网络：(4a)将归一化后的训练样本集输入到卷积神经网络中，无监督的预训练卷积神经网络，得到预训练后的卷积神经网络；(4b)利用交叉熵公式计算预训练后的卷积神经网络中的全连接层的输出数据与类别标签之间的误差，从卷积神经网络的顶层向下传播该误差，微调整个卷积神经网络的参数，直到迭代200...

【专利技术属性】
技术研发人员：王鹏辉，刘宏伟，宋晓龙，陈渤，严俊坤，纠博，王英华，孟亦然，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61