基于元学习的不同极化方式HRRP融合目标小样本识别方法技术

本发明专利技术属于雷达目标识别领域，涉及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，分为以下步骤：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；S2构建元学习网络结构；S3训练MetaLearner；S4利用训练得到的MetaLearner

【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，处理简便的优势，已被广泛应用于雷达目标识别领域。通过对不同极化方式的雷达回波做HRRP处理，能够得到不同极化方式的HRRP数据，体现不同的雷达目标结构和散射点分布信息。然而，目前一般的做法是根据不同的被测目标的结构特征和散射点分布特点，选用以上四种极化方式中的一种极化方式(一般选用HH极化方式)的雷达HRRP进行目标识别的工作，导致可用于识别的HRRP数据样本少，雷达目标识别准确率低的问题。本专利技术提出一种数据层面的融合方法，即融合不同极化方式的HRRP数据进行雷达目标识别工作，不同极化方式的HRRP 数据能够提供同一目标不同的目标结构和散射点分布信息，利用不同极化方式的HRRP数据进行雷达目标识别，具有重要的工程应用价值。
[0004]目前基于深度学习的HRRP融合目标识别的框架可大致分为特征提取模块和分类模块。特征提取模块负责提取出HRRP的不同特征，将不同的特征进行融合，作为目标识别的融合特征；一般采用深度学习神经网络作为分类模块，分类模块以融合特征作为输入，对HRRP 进行目标识别。这样做的问题在于：第一，提取出的特征具有片面性，虽然融合了不同的特征，但是提取特征的过程不免会造成关键信息的缺失；第二，深度学习神经网络模型通常需要大量带有标签的数据样本来拟合，从而得到比较好的识别效果以及泛化能力，而只采用一种极化方式的HRRP会导致数据量少即小样本的问题，一旦数据量不够，就会使得深度学习神经网络模型只对用以训练的样本表现出比较好的识别效果，对新样本缺乏泛化能力，导致识别准确率下降。因此，需要一种新的识别算法，充分利用不同极化方式的HRRP数
据，提高HRRP小样本目标识别的准确率，提高目标识别模型的泛化能力。
[0005]快速学习能力是人类与机器智能的主要区别，人类具有从少量样本中快速学习的能力，能够举一反三、融会贯通，受到人类能够利用以往的学习经验进行快速学习的启发，有研究者提出了元学习(Meta-Learning)“利用之前的学习经验学习如何学习”的概念。元学习是指从机器学习算法在不同学习任务上的差异中获取信息和经验，用以指导更快更好地学习新任务。元学习又叫做“学习如何学习(Learn how to learn)”，是一种学习如何跨任务学习的学习方法，当针对一个新的学习任务构建机器学习算法时，元学习能以之前学习过的任务为基础，利用从学习过的任务中获取的信息和经验，快速地学习新任务，是一种基于其他任务的先验知识和经验进行学习的方法。元学习旨在建立一个能够快速学习新任务的模型。元学习一般利用深度神经网络进行实现，结构可以分为学习器(Learner)和元学习器(MetaLearner)两个模块，学习器主要负责对某一个特定的任务进行学习，例如学习如何识别猫和狗。元学习器主要负责从不同任务中学习经验和知识，用以指导学习器进行快速学习，例如，元学习器从如何识别猫和狗中学习到了经验和知识，并将这些知识应用到指导学习器如何学习识别苹果和橘子的任务中，最终达到通过元学习器的指导，学习器能够更快更好地学习新的任务的效果(学习器和元学习器的概念见参考文献：Ravi S,Larochelle H.Optimization as a model forfew-shot learning[J].2016.)。元学习的训练方式和传统深度学习的训练方式有较大的差别，传统深度学习的训练方式一般可以表述为，首先将数据集D
L
分为训练集D
L_train
和测试集D
L_test
，一般选择训练集进行训练，选择测试集对模型进行测试。而元学习的数据集不仅仅是单个任务的数据集D
L
，元学习的数据集是由很多个任务的数据集D
L
组成的更大的数据集D
M
，元学习的训练方式可以表述为：首先将数据集D
M
分为D
M_Train
和D
M_Test
，其中D
M_Train
和D
M_Test
中分别包含有不同任务的数据集D
L
，一般选择D
M_Train
对元学习器进行训练，选择D
M_Test
对元学习器进行测试，具体而言，训练集D
M_Train
分为支撑集D
M_Train_train
和质询集D
M_Train_test
，其中训练集中的支撑集被用来利用元学习器更新学习器的参数，即元学习器的参数不进行更新，更新学习器的参数，训练集中的质询集被用来更新元学习器的参数，即学习器的参数不进行更新，更新元学习器的参数，即经过训练集D
M_Train
的训练，得到训练好的元学习器。测试集 D
M_Test
也被分为支撑集D
M_Test_train
和质询集D
M_Test_test
，其中训练好的元学习器利用测试集中的支撑集对学习器进行参数更新，测试集中的质询集被用来验证更新后的学习器的性能(元学习的训练方式详情见参考文献：Ravi S,Larochelle H.Optimization as a model for few-shotlearning[J].2016.)。在光学图片领域，元学习很好地缓解了小样本识别中存在的识别准确率，模型泛化能力差的问题，而在HRRP小样本目标识别领域，还没有研究者利用元学习的快速本文档来自技高网...

【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：