【技术实现步骤摘要】
基于元学习的不同极化方式HRRP融合目标小样本识别方法
[0001]本专利技术属于雷达目标识别领域,具体涉及一种基于元学习(Meta-Learning)的不同极化方式HRRP融合目标小样本识别方法,该方法利用一种极化方式的雷达高分辨距离像(HighResolution Range Profile,HRRP)数据进行训练,利用另一种极化方式的雷达HRRP数据进行测试的数据层面融合的小样本目标识别。
技术介绍
[0002]电磁波的极化特性是雷达系统天线发射与接收信号的一种重要属性。根据电磁波的传播原理,不同极化方式的电磁波对目标会产生不同的响应,能够得到丰富的目标信息。典型的雷达系统中具有发射天线和接收天线,雷达天线发射和接收电磁波的电场矢量,能够在水平方向(H)或者垂直方向(V)被偏振,目前,合成孔径雷达(SAR)系统中常用的四种极化方式分别为——HH极化方式、HV极化方式、VV极化方式和VH极化方式。其中HH表示雷达发射水平电场矢量,接收水平电场矢量,HV表示雷达发射水平电场矢量,接收垂直电场矢量,其余两种雷达电磁波极化方式的含义类似于以上两种极化方式。雷达在工作时,通过发射电磁波对被测目标进行探测,电磁波在遇到被测物体时会进行反射和散射,雷达通过接收天线接收被测物体反射和散射的雷达回波,通过对雷达回波做距离压缩的处理,便可得到被测物体的HRRP。
[0003]雷达HRRP能够反映被测目标散射点沿着雷达视线方向的径向分布情况,可以提供被测目标的大小以及散射点分布等目标信息,与二维雷达图像相比较,具有成像简单, ...
【技术保护点】
【技术特征摘要】
1.一种基于元学习的不同极化方式HRRP融合目标小样本识别方法,其特征在于,包括以下步骤:S1将不同极化方式的雷达回波数据进行数据预处理以及划分训练集和测试集:S1.1对雷达回波做HRRP处理得到HRRP数据:假设雷达发射的是线性调频信号,雷达的发射信号可以写为雷达的发射信号可以写为其中f
c
为中心频率,t
k
为快时间,t为全时间,T
p
为脉宽,γ为调频率;被测目标到雷达的距离为R
i
,则雷达接收到的回波信号s
r
(t
k
,t)为:其中A表示信号幅度,c表示光速;采用解线性调频的方法对回波进行处理,参考距离为R
ref
,T
ref
为参考信号的脉宽,则参考信号为则解线性调频之后的信号为其中R
Δ
=R
i-R
ref
,对s
if
(t
k
,t)中快时间t
k
做傅里叶变换,得到被测目标的HRRP数据;S1.2对由S1.1得到的HRRP数据进行数据预处理:原始的HRRP数据中,每一个HRRP样本是一个n维的向量,假设对快时间t
k
的采样频率为f
s
,则对每一个HRRP原始样本数据采用主成分分析的方法进行简单降维;假设经过主成分分析降维后,每一个HRRP数据样本的维度变为了k;S1.3对不同极化方式的HRRP划分训练集和测试集:假设有p类雷达目标,从HH、HV、VV和VH这四种极化方式中选择一种极化方式的p类雷达目标的HRRP数据作为训练集D
M_Train
,从剩下的三种极化方式中选择一种极化方式的p类雷达目标的HRRP数据作为测试集D
M_Test
;从训练集D
M_Train
中每类雷达目标中随机挑选M个样本组成训练集中的支撑集D
M_Train_train
,从训练集D
M_Train
中剩下的数据中每类雷达目标中随机挑选M个样本组成训练集中的质询集D
M_Train_test
;从测试集D
M_Test
中每类雷达目标中随机挑选M个样本组成测试集中的支撑集D
M_Test_train
,从测试集D
M_Test
中剩下的数据中每类雷达目标中随机挑选M个样本组成测试集中的质询集D
M_Test_test
;S2构建元学习网络结构;采用的元学习网络结构可以分为Learner和MetaLearner,两个模块结合在一起,组成元学习网络;S2.1构建MetaLearner,假设元学习器的参数为Θ,Θ为需要通过迭代进行优化的参数,Θ
l
表示第l次迭代时元学习器参数的值,分为以下步骤:S2.1.1构建输入层;S2.1.2构建LSTM层,LSTM层接在输入层后面;S2.2构建Learner,假设学习器的参数为θ,θ为需要通过迭代进行优化的参数,θ
l
表示第l次迭代学习器参数的值;Learner的结构由输入层,LSTM层和分类层构成,按照以下步骤分别构建:S2.2.1构建输入层;S2.2.2构建LSTM层,输入层后面接LSTM层;
S2.2.3构建分类层;S2.3将学习器Learner和元学习器MetaLearner进行结合,组成元学习网络;学习器和元学习器通过传递网络参数的方法进行结合,具体按照以下步骤实现:S2.3.1假设当前为第t次迭代,定义所有上标为t的物理量表示第t次迭代该物理量的值,上标为t-1的物理量为第t-1次迭代该物理量的值,上标为0表示第0次迭代该物理量的值;将第t-1次迭代学习器的网络参数θ
t-1
,第t次迭代学习器的网络损失函数值及其对应的梯度值作为元学习器输入层的输入数据;其中,的值可以表示为:x
i
表示数据集中第i个样本,L(x
i
|θ
t-1
)表示样本输入学习器后,学习器输出的分类结果,q(x
i
)表示样本x
i
的标签;S2.3.2元学习器通过式(2)、式(3)、式(4)对学习器的网络参数θ
t-1
进行更新,然后将更新的参数θ
t
作为学习器的网络参数:作为学习器的网络参数:作为学习器的网络参数:其中f
t
、i
t
分别表示第t次迭代元学习器LSTM层的遗忘门和输入门;W
f
、W
i
分别表示元学习器LSTM层与f
t
、i
t
相对应的权重矩阵;b
f
、b
i
分别表示元学习器LSTM层与f
t
、i
t
相对应的偏置向量;S表示Sigmoid函数;S3训练元学习器MetaLearner:S3.1采用Xavier初始化的方式初始化MetaLearner的参数Θ=Θ0;采用Xavier初始化的方式初始化Learner的参数θ=θ0;S3.2假设当前为第t次迭代,从训练...
【专利技术属性】
技术研发人员:张新禹,刘旗,刘永祥,姜卫东,黎湘,户盼鹤,张双辉,霍凯,
申请(专利权)人:中国人民解放军国防科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。