基于卷积自编码的雷达HRRP目标类别标注方法技术

本发明专利技术针对海量HRRP样本人工判读效率低、准确率低的难题，提出了一种基于卷积自编码的雷达HRRP目标类别标注方法。该方法主要分为三个阶段，阶段一，构建卷积自编码，并利用全部HRRP样本训练卷积自编码至收敛。阶段二，将卷积自编码的编码器作为特征提取器构建卷积神经网络，利用有标签HRRP样本对卷积神经网络进行训练，得到初始标注模型。阶段三，对独热编码满足标注条件的无标签HRRP样本进行标注，并用其对标注模型进行参数更新，重复阶段三，直到满足条件的HRRP样本不再增加，得到最终的标注模型。与传统标注方法相比，该方法充分利用无标签HRRP样本信息，大大提高标注效率和准确率，解决了海量HRRP样本的标注难题。解决了海量HRRP样本的标注难题。解决了海量HRRP样本的标注难题。

【技术实现步骤摘要】
基于卷积自编码的雷达HRRP目标类别标注方法


[0001]本专利技术属于雷达目标自动识别技术，针对人工判读海量样本数据效率低、准确率差的问题，提出了一种基于卷积自编码的雷达HRRP目标类别标注方法。

技术介绍

[0002]HRRP(High Resolution Range Profiles)包含大量目标结构，目标散射点强度等信息，构建目标HRRP样本库，在实际情况中，待识别目标多为非合作目标，其HRRP的标签需要专业人员进行人工判读，面对海量数据，人工标注效率低，准确率差。针对上述情况，本专利技术提出了一种基于卷积自编码的雷达HRRP目标类别标注方法。与传统标注方法相比，该方法充分利用无标签样本信息，大大提高样本标注效率和准确率，解决了海量样本的标注难题。

技术实现思路

[0003]本专利技术的目的在于，针对雷达目标样本数据库建立过程中人工标注效率低、准确率差的问题，提供了一种基于卷积自编码的雷达HRRP目标类别标注方法，该方法大大提高了样本标注的效率与准确率。
[0004]本专利技术的技术解决方案为：利用全部HRRP样本训练卷积自编码模型，使卷积自编码的编码器初步具备提取所有样本特征的能力，再利用编码器构建卷积神经网络，用于无标签样本的标注。为实现上述目的，本专利技术实现步骤如下：
[0005]步骤1：构建并初始化卷积自编码，利用全部HRRP样本对卷积自编码进行训练，直至模型收敛，其中，全部HRRP样本包括全部标签HRRP样本和全部无标签HRRP样本；
[0006]步骤2：将卷积自编码的编码器作为特征提取器构建卷积神经网络，利用全部标签HRRP样本对卷积神经网络进行训练，得到初始标注模型；
[0007]步骤3：将无标签HRRP样本输入标注模型得到对应独热编码；
[0008]步骤4：对独热编码满足标注条件的无标签HRRP样本进行标注，已标注样本属于新增标签HRRP样本，从无标签HRRP样本数据集中剔除；
[0009]步骤5：利用新增标签HRRP样本对步骤3中的标注模型进行参数更新，直至模型收敛；
[0010]步骤6：步骤3至步骤5称为一个完整的样本标注周期，重复样本标注周期，直至无新增标签HRRP样本，方法结束，得到最终HRRP标注模型。
[0011]本专利技术相比现有技术具有如下技术效果：
[0012](1)所提方法采用数据驱动的端对端模型，训练过后的模型可自动提取目标的深层特征。
[0013](2)所提方法利用全部HRRP样本训练卷积自编码，并采用卷积自编码的编码器来构建卷积神经网络。与从头训练的卷积神经网络相比，基于卷积自编码编码器构建的卷积神经网络可充分利用所有HRRP样本的信息，提高了标注准确率。
[0014](3)所提方法在标注过程中，仅对独热编码满足条件的样本进行标注，并使用新增标签HRRP样本更新模型参数，提高了标注准确率。
[0015](4)与人工标注相比，所提方法大大提高了标注效率和准确率。
附图说明
[0016]图1：卷积自编码结构示意图；
[0017]图2：卷积神经网络模型结构示意图；
[0018]图3：算法框架图。
具体实施方式
[0019]以下结合说明书附图对本专利技术作进一步详细描述。参照说明书附图，本专利技术所构建的模型说明如下：
[0020]本专利技术主要分为三个阶段，第一阶段，构建卷积自编码，并利用全部样本训练卷积自编码模型至模型收敛。与传统卷积神经网络相比，卷积自编码不需要样本标签，即可提取样本特征，能大大提高无标签样本的利用率。第二阶段，将卷积自编码的编码器作为特征提取器构建卷积神经网络，利用有标签样本对卷积神经网络进行训练，得到初始标注模型。第三阶段，将无标签样本输入标注模型得到对应独热编码，选取独热编码满足条件的样本对标注模型进行参数更新，重复第三阶段过程，直到满足条件的样本不再增加，得到最终的标注模型。下面将从三个方面对所提方法进行详细的介绍与分析：1、卷积自编码模型的构建，2、基于卷积神经网络的标注模型构建，3、无标签样本的迭代标注方法。
[0021]1卷积自编码模型的构建
[0022]如图1所示，卷积自编码包含两个部分，分别为编码器和解码器。
[0023]编码器包含四个卷积层C1～C4，卷积核大小均为3
×
1，个数分别为16、32、32和64，激活函数均采用ReLU函数，表达式为f(x)＝max(0,x)。每个卷积层后接一个池化层，编号分别为P1～P4，所有池化层均采用最大池化，步长为2。
[0024]解码器包含四个去卷积层DC1～DC4，卷积核大小均为3
×
1，个数分别为32、16、16和1，DC1～DC3采用ReLU函数作为激活函数，由于DC4的输出结果为输入x的重构，需满足条件d为输入维度，因此DC4采用Sigmoid函数作为激活函数，表达式为f(x)＝1/(1+e
‑
x
)。上池化层UP1～UP4采用重采样方法对输入进行扩增，步长为2。目标函数采用二元交叉熵损失函数，表达式为
[0025][0026]其中，x
i
为第i个输入样本，为模型对应x
i
的输出，m为min
‑
batch的个数。
[0027]2基于卷积神经网络的标注模型构建
[0028]标注模型的卷积层和池化层的结构和参数与卷积自编码的编码器完全相同，在此基础上添加全连接层和输出层，组成卷积神经网络，模型结构如图2示。在训练卷积自编码过程中，训练样本虽无标签但角域完备，编码器已具有提取HRRP完备角域的能力，在此基础上利用标签HRRP样本对标注模型进行训练至收敛，损失函数采用交叉熵损失函数。
[0029]3无标签样本的迭代标注方法
[0030]无标签样本的迭代标注方法具体如下：
[0031]步骤1：将无标签HRRP样本输入标注模型得到对应独热编码；
[0032]步骤2：对独热编码满足条件的无标签HRRP样本进行标注，已标注样本属于新增标签HRRP样本，从无标签HRRP样本数据集中剔除。其中，具体的标注条件如下：
[0033]设样本x
i
输入标注模型后得到的独热编码为当时，取对应的类作为x
i
的标签，此时，x
i
为新增标签HRRP样本，其中，α表示门限基数，β表示门限增量基数，N表示初始无标签HRRP样本总和，n
r
表示上一样本标注周期结束时，未标注的无标签HRRP样本总和。
[0034]步骤3：利用新增标签HRRP样本对步骤2中的标注模型进行参数更新，直至模型收敛；
[0035]步骤4：步骤1至步骤3称为一个完整的样本标注周期，重复样本标注周期，直至无新增标签HRRP样本，算法结束，得到最终HRRP标注模型。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于卷积自编码的雷达HRRP目标类别标注方法，包括以下步骤：步骤1，构建并初始化卷积自编码，利用全部HRRP样本对卷积自编码进行训练，直至模型收敛，其中，全部HRRP样本包括全部标签HRRP样本和全部无标签HRRP样本；步骤2，将卷积自编码的编码器作为特征提取器构建卷积神经网络，利用全部标签HRRP样本对卷积神经网络进行训练，得到初始标注模型；步骤3，将所有无标签HRRP样本输入标注模型得到对应独热编码；步骤4，对独热编码满足标注条件的无标签HRRP样本进行标注，已标注样本属于新增标签HRRP样本，从无标签HRRP样本数据集中剔除；步骤5，利用新增标签HRRP样本对步骤3中的标注模型进行参数更新，直至模型收敛；步骤6，步骤3至步骤5称为一个完整的样本标注周期，重复样本标注周期，直至无新增标签HRRP样本，方法结束，得到最终HRRP标注模型。2.如权利要求1所述的雷达HRRP目标类别标注方法，其特征在于，步骤1中卷积自编码的构成具体为：卷积自编码包含两个部分，分别为编码器和解码器；编码器包含四个卷积层，编号分别为C1～C4，卷积核大小均为3
×
1，个数分别为16、32、32和64，激活函数均采用ReLU函数，表达式为f(x)＝max(0,x)，每个卷积层后接一个池化层，编号分别为P1～P4，所有池化层均采用最大池化，步长为2；解码器包含四个去卷积层，编号分别为DC1～DC4，卷积核大小均为3
×
1，个数分别为32、16、16...

【专利技术属性】
技术研发人员：郭晨，王海鹏，孙顺，潘新龙，郭强，刘颢，黄友澎，贾舒宜，唐田田，任利强，
申请(专利权)人：中国人民解放军海军航空大学，
类型：发明
国别省市：