基于深度置信网络的变体飞机高分辨距离像恢复方法技术

一种基于深度置信网络的变体飞机高分辨距离像恢复方法。其步骤为：(1)构建深度置信网络；(2)生成训练样本集和测试样本集；(3)对样本集进行标准化预处理；(4)训练深度置信网络；(5)恢复变体高分辨距离像数据；本发明专利技术通过构建并训练深度置信网络，利用训练好的深度置信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，并将变体目标高分辨距离像恢复成非变体目标高分辨距离像，能够有效地解决因变体飞机与对应的非变体飞机的高分辨距离像存在差异导致的变体飞机的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识别带来的影响，有效提高变体飞机的正确识别率的优点。

【技术实现步骤摘要】
基于深度置信网络的变体飞机高分辨距离像恢复方法
本专利技术属于雷达
，更进一步涉及目标识别
中的一种基于深度置信网络的变体飞机高分辨距离像恢复方法。本专利技术采用深度置信网络实现对变体飞机的高分辨距离像的恢复。
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。提高识别性能需要去除变体飞机高分辨距离像中的变体部分，将变体飞机的高分辨距离像恢复成不含变体的高分辨距离像。对变体飞机高分辨距离像的恢复能够显著降低变体部分的影响。目前现有的关于变体飞机的高分辨距离像恢复方法是首先建立变体目标高分辨距离像的数学模型，然后对模型进行求解，得到变体目标高分辨距离像的变体部分，进而分离出变体部分，最终得到不含变体的高分辨距离像。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，实现对变体目标的高分辨距离像的恢复，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，对变体目标的高分辨距离像的恢复效果相对较差。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,实现对变体目标的高分辨距离像的恢复，得到对变体目标的高分辨距离像恢复后的高分辨距离像，然后再利用自适应高斯分类器进行识别,改善了对变体目标的识别性能。该方法存在的不足之处是，模型中使用了矩阵求逆，计算量较大，因此效率相对较低。
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，提出了一种基于深度置信网络的变体飞机高分辨距离像恢复方法。实现本专利技术目的的思路是，构建并训练深度置信网络，利用训练好的深度置信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，并将变体飞机的高分辨距离像恢复成非变体飞机的高分辨距离像。本专利技术实现的具体步骤包括如下：(1)构建深度置信网络：(1a)搭建一个三层深度置信网络，其结构依次为第一层受限玻尔兹曼机→第二层玻尔兹曼机→反向传播网络；(1b)设置深度置信网络的参数如下：将第一层受限玻尔兹曼机的隐含层输入节点设置为128，输出节点设置为200，批尺寸设置为200，迭代次数设置为3，学习率设置为0.002；将第二层受限玻尔兹曼机的隐含层输入节点设置为200，输出节点设置为250，批尺寸设置为200，迭代次数设置为3，学习率设置为0.002；将反向传播网络的隐含层输入节点设置为250，输出节点设置为H，H为高分辨距离像数据的维数；(2)生成训练样本集和测试样本集：(2a)将雷达接收到的每个类别的飞机目标在发生形变之前所有方位角下的非变体高分辨距离像数据，组成该类别飞机目标的非变体样本集，将雷达接收到的每个类别飞机目标在发生形变后所有方位角下的变体高分辨距离像数据，组成该类别飞机目标的变体样本集；(2b)按照方位角变化等间隔地从每个类别飞机目标的变体样本集中抽取一半的变体高分辨距离像数据构成变体样本子集，记录抽取的变体高分辨距离像数据的方位角，从每个类别飞机目标的非变体样本集中抽取相同方位角下的非变体高分辨距离像数据作为期望样本集，将抽取的变体样本子集和其所对应的期望样本集组成训练样本集；(2c)将变体样本集中剩余的变体高分辨距离像数据组成测试样本集；(3)对样本集进行标准化预处理：(3a)利用重心公式计算训练样本集和测试样本集中每个高分辨距离像数据的重心；(3b)用重心对齐公式，对训练样本集和测试样本集中每个高分辨距离像数据进行重心对齐，得到对齐后的训练样本集和测试样本集；(3c)用对齐后的训练样本集和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二范数，得到归一化后的训练样本集和测试样本集；(4)训练深度置信网络：(4a)将归一化后的训练样本集输入到深度置信网络中，逐层无监督的训练深度置信网络中的两层受限玻尔兹曼机，得到预训练后的深度置信网络；(4b)将预训练后的深度置信网络中的受限玻尔兹曼机的输出数据输入到反向传播网络中，利用均方误差公式计算反向传播网络的输出数据与其对应的非变体高分辨距离像数据之间的均方误差，从深度置信网络的顶层向下传播该误差，微调深度置信网络的参数，直到迭代4次为止，得到训练好的深度置信网络；(5)恢复变体高分辨距离像数据：将归一化后的测试样本集中的变体高分辨距离像数据输入到训练好的深度置信网络中，网络输出该变体高分辨距离像数据恢复出的非变体高分辨距离像数据。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深度置信网络，利用训练好的深度置信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，克服了现有技术由于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，对变体目标的高分辨距离像的恢复效果相对较差的问题，使得本专利技术提高了对变体飞机的高分辨距离像进行恢复的稳健性。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深度置信网络中，得到对测试样本集中的变体飞机高分辨距离像恢复后的高分辨距离像，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的问题，使得本专利技术能够有效的去除变体飞机的高分辨距离像的变体部分，显著降低了变体飞机的高分辨距离像与对应的非变体飞机高分辨距离像之间的失配程度。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；图3是本专利技术的仿真实验结果图。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，构建深度置信网络。搭建一个三层深度置信网络，其结构依次为第一层受限玻尔兹曼机→第二层玻尔兹曼机→反向传播网络。设置深度置信网络的参数如下。将第一层受限玻尔兹曼机的隐含层输入节点设置为128，输出节点设本文档来自技高网...

【技术保护点】
1.一种基于深度置信网络的变体飞机高分辨距离像恢复方法，其特征在于，构建并训练深度置信网络，利用训练好的深度置信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)构建深度置信网络：(1a)搭建一个三层深度置信网络，其结构依次为第一层受限玻尔兹曼机→第二层玻尔兹曼机→反向传播网络；(1b)设置深度置信网络的参数如下：将第一层受限玻尔兹曼机的隐含层输入节点设置为128，输出节点设置为200，批尺寸设置为200，迭代次数设置为3，学习率设置为0.002；将第二层受限玻尔兹曼机的隐含层输入节点设置为200，输出节点设置为250，批尺寸设置为200，迭代次数设置为3，学习率设置为0.002；将反向传播网络的隐含层输入节点设置为250，输出节点设置为H，H为高分辨距离像数据的维数；(2)生成训练样本集和测试样本集：(2a)将雷达接收到的每个类别的飞机目标在发生形变之前所有方位角下的非变体高分辨距离像数据，组成该类别飞机目标的非变体样本集，将雷达接收到的每个类别飞机目标在发生形变后所有方位角下的变体高分辨距离像数据，组成该类别飞机目标的变体样本集；(2b)按照方位角变化等间隔地从每个类别飞机目标的变体样本集中抽取一半的变体高分辨距离像数据构成变体样本子集，记录抽取的变体高分辨距离像数据的方位角，从每个类别飞机目标的非变体样本集中抽取相同方位角下的非变体高分辨距离像数据作为期望样本集，将抽取的变体样本子集和其所对应的期望样本集组成训练样本集；(2c)将变体样本集中剩余的变体高分辨距离像数据组成测试样本集；(3)对样本集进行标准化预处理：(3a)利用重心公式计算训练样本集和测试样本集中每个高分辨距离像数据的重心；(3b)用重心对齐公式，对训练样本集和测试样本集中每个高分辨距离像数据进行重心对齐，得到对齐后的训练样本集和测试样本集；(3c)用对齐后的训练样本集和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二范数，得到归一化后的训练样本集和测试样本集；(4)训练深度置信网络：(4a)将归一化后的训练样本集输入到深度置信网络中，逐层无监督的训练深度置信网络中的两层受限玻尔兹曼机，得到预训练后的深度置信网络；(4b)将预训练后的深度置信网络中的受限玻尔兹曼机的输出数据输入到反向传播网络中，利用均方误差公式计算反向传播网络的输出数据与其对应的非变体高分辨距离像数据之间的均方误差，从深度置信网络的顶层向下传播该误差，微调深度置信网络的参数，直到迭代4次为止，得到训练好的深度置信网络；(5)恢复变体高分辨距离像数据：将归一化后的测试样本集中的变体高分辨距离像数据，输入到训练好的深度置信网络中，网络输出该变体高分辨距离像数据恢复出的非变体高分辨距离像数据。...

【技术特征摘要】
1.一种基于深度置信网络的变体飞机高分辨距离像恢复方法，其特征在于，构建并训练深度置信网络，利用训练好的深度置信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)构建深度置信网络：(1a)搭建一个三层深度置信网络，其结构依次为第一层受限玻尔兹曼机→第二层玻尔兹曼机→反向传播网络；(1b)设置深度置信网络的参数如下：将第一层受限玻尔兹曼机的隐含层输入节点设置为128，输出节点设置为200，批尺寸设置为200，迭代次数设置为3，学习率设置为0.002；将第二层受限玻尔兹曼机的隐含层输入节点设置为200，输出节点设置为250，批尺寸设置为200，迭代次数设置为3，学习率设置为0.002；将反向传播网络的隐含层输入节点设置为250，输出节点设置为H，H为高分辨距离像数据的维数；(2)生成训练样本集和测试样本集：(2a)将雷达接收到的每个类别的飞机目标在发生形变之前所有方位角下的非变体高分辨距离像数据，组成该类别飞机目标的非变体样本集，将雷达接收到的每个类别飞机目标在发生形变后所有方位角下的变体高分辨距离像数据，组成该类别飞机目标的变体样本集；(2b)按照方位角变化等间隔地从每个类别飞机目标的变体样本集中抽取一半的变体高分辨距离像数据构成变体样本子集，记录抽取的变体高分辨距离像数据的方位角，从每个类别飞机目标的非变体样本集中抽取相同方位角下的非变体高分辨距离像数据作为期望样本集，将抽取的变体样本子集和其所对应的期望样本集组成训练样本集；(2c)将变体样本集中剩余的变体高分辨距离像数据组成测试样本集；(3)对样本集进行标准化预处理：(3a)利用重心公式计算训练样本集和测试样本集中每个高分辨距离像数据的重心；(3b)用重心对齐公式，对训练样本集和测试样本集中每个高分辨距离像数据进行重心对齐，得到对齐后的训练样本集和测试样本集；(3c)用对齐后的训练样本集和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二范数，得到归一化后的训练样本集和测试样本集；(4)训练深度置信网络：(4a)将归一化后的训练样本集输入到深度置信网络中，逐层无监督的训练深度置信网络中的两层受限玻尔兹曼机，得到预训练后的深度置信网络；(4b)将预训练后的深度置信网络中的受限玻尔兹曼机的输出数据输入到反向传播网络中，利用均方误差公式计算反向传播网络的输出数据与其对应的非变体高分辨距离像数据之间的均方误差，从深度置信网络的顶层向下传播该误差，微调深度置信网络的参数，直到迭代...

【专利技术属性】
技术研发人员：王鹏辉，刘宏伟，宋晓龙，严俊坤，陈渤，纠博，王英华，
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