一种基于迁移学习的电离层返回散射传播模式识别方法技术

本发明专利技术公开了一种基于迁移学习的电离层返回散射传播模式识别方法，包括如下步骤：步骤1，训练数据的预处理；步骤2，基于模型迁移的深度卷积网络构建；步骤3，域混淆网络的构建；步骤4，网络训练参数设置。本发明专利技术所公开基于迁移学习的电离层返回散射传播模式识别方法，能够准确的对电离层返回散射电离图数据进行模式识别，从而可以掌握电离层状态，快速有效的为短波装备信息系统提供重要的支撑。

【技术实现步骤摘要】
一种基于迁移学习的电离层返回散射传播模式识别方法
本专利技术涉及电离层探测返回散射电离图判读识别领域，特别涉及该领域中的一种基于迁移学习的电离层返回散射传播模式识别方法。
技术介绍
电离层返回散射探测技术(简称返回散射)是将高频段无线电波斜向投射到电离层，经电离层反射到远方的地面(或海面)上，地面(或海面)的起伏不平及电特性不均匀性使电波向四面八方散射，而有一部分电波将沿着原来的(或其它可能的)路径再次经电离层反射回到发射点，被那里的接收机接收，从而实现对电离层和地面(或海面)状态以及超视距目标信息的探测。返回散射探测的回波信号主要来自于大面积的地、海面的后向散射，途经电离层的两次反射被接收机接收到。电离层包含有不同的分层结构，有偶发E层及F层等，电磁波经不同的传播模式进行传输，返回散射接收的回波能量分布不同。由于电离层本身具有随机、色散、不均匀和各向异性的性质，这些特性会通过它与电波的相互作用而传导给经电离层传播的电波信号，给电离层返回散射电离图的模式正确判读识别带来困难。现有的基于返回散射的传播模式识别方法受到探测过程中的噪声、干扰等信号的影响，在准确识别的过程中还存在以下缺陷：a)返回散射电离图模式识别时效性差。传统的返回散射电离图模式识别经过图像锐化，干扰识别剔除，奇异点识别，全局去噪等处理操作，过程处理的元素多，算法复杂，不能较好地满足实时使用的要求；b)返回散射探测的模式识别准确率不足。在对返回散射电离图的传播模式识别的过程中，受到传统图像方法的限制，无法完整地进行对回波能量分布特性、离散点分布进行提取，同时受到回波杂噪比的影响电离图的种类繁多，造成返回散射电离图的模式识别准确率提升困难。
技术实现思路
本专利技术所要解决的技术问题就是提供一种基于迁移学习的电离层返回散射传播模式识别方法。本专利技术采用如下技术方案：一种基于迁移学习的电离层返回散射传播模式识别方法，其改进之处在于，包括如下步骤：步骤1，训练数据的预处理：将返回散射传播模式种类设置为4种，分别为：Es模式、F模式、Es+F模式和无模式，其中Es模式包括：白天时刻，夜晚时刻；F模式包括：日出时段、白天时段、日落时段、夜晚时段；Es+F模式包括：白天时段、夜晚时段；无模式包括：任何时段；步骤2，基于模型迁移的深度卷积网络构建：采用的深度卷积神经网络架构具有N层结构，N为≥5的整数，其中包含有M层卷积层，M为整数，N>M，N-M层全连接层，输出端包含固定数目的类别，将深度卷积神经网络模型中所有的卷积层固定，将原模型中后端的全连接层替换为符合返回散射模式识别特性需求的新网络结构，其中包含全连接层、softmax层，分类输出层，其中softmax层公式如下所示：其中，g为种类个数，d代表g的训练参数，每一个d与一个向量对应，j为当前数据编号，E表示当前数据类型的概率输出值，e为自然指数；对应的分类输出层可以自由设置输出的种类数目，不是固定输出种类；全连接层需根据返回散射不同模式对应的训练数据进行参数配置；步骤3，域混淆网络的构建：在新增的全连接网络结构上，添加一层适配层，此适配层可以对网络结构中前端卷积层特征提取能力进行源域和电离层返回散射数据域监督，如果网络训练的识别结果很差，则适配层会给出网络结构学习识别能力弱，学习到的特征不能使源域数据和电离层返回散射数据域的数据分离开，在源领域和目标领域的度量上，采用最大平均偏差，公式如下：其中MMD表示源域与目标域中的特征映射到再生核希尔伯特空间RKHS中后两类数据间的最大平均偏差，φ(*)表示与核映射相关的特征映射，DS、DT表示S、T两域中的数据样本集，S和T分别表示源域和目标域的数据分布，dS和dT分别表示源域和目标域的基础核；步骤4，网络训练参数设置：采用指数减缓的方式对电离层返回散射数据样本进行训练，学习率按照训练轮次增长指数插值递减，设定原始学习率为l0，t为训练轮次，lr为实时的学习率，学习率公式如下所示：lr＝0.95t·l0针对电离层返回散射数据的迭代次数设定为500次，批大小设定为64。进一步的，在步骤4的训练过程中，采用了交叉验证的方式，随机使用70％的数据进行模型的训练，剩余的30％数据进行验证。本专利技术的有益效果是：本专利技术所公开基于迁移学习的电离层返回散射传播模式识别方法，能够准确的对电离层返回散射电离图数据进行模式识别，从而可以掌握电离层状态，快速有效的为短波装备信息系统提供重要的支撑。附图说明图1是电离层返回散射电离图经过DCNN卷积操作和池化操作过程示意图；图2是不同传播模式下的电离层返回散射探测电离图；图3是深度卷积神经网络的微调示意图；图4是训练过程中的准确率分布曲线图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。深度卷积神经网络(DCNN)是一种多层深度学习的神经网络模型，不同的层之间采用局部连接(局部感受野)的方式，区别于传统的神经网络模型层与层之间的全连接，DCNN中每一层都可看作下一层的输入，整个网络中不存在反馈。在特征提取过程中，使用卷积、池化等操作得到特征图，电离层返回散射卷积和池化过程见图1。因其较强的特征提取能力，在物体识别、目标分类等图像问题中得到了快速的应用。迁移学习是指从一个环境中学到的知识，移植到新的环境中，对新环境中的学习任务起到一定的帮助。基于DCNN的迁移学习主要是将经过预训练的DCNN模型在新目标任务的数据集上进行再次训练，即网络微调。在经过大规模图像数据集预训练之后的DCNN中，分类器之前的神经网络结构作为通用特征提取器，输入该DCNN模型的测试图片会生成一个类似于SIFT(ScaleInvariantFeatureTransform)特征的深度特征表示向量，该特征具有极强的泛化能力。图2为不同传播模式下的电离层返回散射电离图，由图示可以看出，不同传播模式下的返回散射电离图存在差异性，受到信号传播过程中的不同程度的干扰，会给模式识别的结果造成不同的影响。同时，返回散射无回波能量时的数据，其形成的电离图也具有一定的干扰性，在设置返回散射传播模式类型时，应将其作为一种模式类型。目前，在国内外范围内尚未查阅到有公开的基于迁移学习的电离层返回散射探测模式识别文献。天波返回散射收到的回波信号，是经过了两次电离层反射，包含有电离层重要的特征参数和传播模式信息，传播模式的准确提取，是短波装备系统基于电离层进行通信、探测及侦察等应用的重要保障。由于电离层的时变、色散特性，返回散射电离图存在多样性和差异性，传统的方法难以较好地适应电离层的变化，造成基于返回散射的模式识别准确率不高。结合深度卷积神经网络的特点，本专利技术提出了一种基于迁移学习的返回散射电离图模式识别方法，能够更加准确的识本文档来自技高网...

【技术保护点】
1.一种基于迁移学习的电离层返回散射传播模式识别方法，其特征在于，包括如下步骤：/n步骤1，训练数据的预处理：将返回散射传播模式种类设置为4种，分别为：Es模式、F模式、Es+F模式和无模式，其中Es模式包括：白天时刻，夜晚时刻；F模式包括：日出时段、白天时段、日落时段、夜晚时段；Es+F模式包括：白天时段、夜晚时段；无模式包括：任何时段；/n步骤2，基于模型迁移的深度卷积网络构建：采用的深度卷积神经网络架构具有N层结构，N为≥5的整数，其中包含有M层卷积层，M为整数，N>M，N-M层全连接层，输出端包含固定数目的类别，将深度卷积神经网络模型中所有的卷积层固定，将原模型中后端的全连接层替换为符合返回散射模式识别特性需求的新网络结构，其中包含全连接层、softmax层，分类输出层，其中softmax层公式如下所示：/n

【技术特征摘要】
1.一种基于迁移学习的电离层返回散射传播模式识别方法，其特征在于，包括如下步骤：
步骤1，训练数据的预处理：将返回散射传播模式种类设置为4种，分别为：Es模式、F模式、Es+F模式和无模式，其中Es模式包括：白天时刻，夜晚时刻；F模式包括：日出时段、白天时段、日落时段、夜晚时段；Es+F模式包括：白天时段、夜晚时段；无模式包括：任何时段；
步骤2，基于模型迁移的深度卷积网络构建：采用的深度卷积神经网络架构具有N层结构，N为≥5的整数，其中包含有M层卷积层，M为整数，N>M，N-M层全连接层，输出端包含固定数目的类别，将深度卷积神经网络模型中所有的卷积层固定，将原模型中后端的全连接层替换为符合返回散射模式识别特性需求的新网络结构，其中包含全连接层、softmax层，分类输出层，其中softmax层公式如下所示：



其中，g为种类个数，d代表g的训练参数，每一个d与一个向量对应，j为当前数据编号，E表示当前数据类型的概率输出值，e为自然指数；对应的分类输出层可以自由设置输出的种类数目，不是固定输出种类；全连接层需根据返回散射不同模式对应的训练数据进行参数配置；
步骤3，域混淆网络的构建：在新增的全连接网络结构上，...

【专利技术属性】
技术研发人员：华彩成，史军强，李雪，雍婷，鲁转侠，冯静，娄鹏，杨东升，王俊江，
申请(专利权)人：中国电波传播研究所中国电子科技集团公司第二十二研究所，
类型：发明
国别省市：山东;37