一种基于孪生复网络的少样本雷达车辆目标识别方法技术

本发明专利技术属于人工智能技术领域，具体的说是涉及一种基于孪生复网络的少样本雷达车辆目标识别方法。本发明专利技术针对少样本情况下的雷达车辆二维目标像，将目标像的实部和虚部共同输入到复数神经网络中输出实数图像，并且利用跳跃链接保留了原始图像的幅度信息，从而代替直接使用幅度图像，更好的利用了雷达数据中的复数信息，提高了特征提取的精度，拉近了原始图像和对应锚样本图像的距离，一定程度上避免少样本带来的过拟合现象。另外针对原生的孪生网络，我们提出在输入样本对的情况下，同时输入这两张样本所对应的锚样本，控制网络的收敛朝给定的锚样本方向进行，加快了网络的收敛速度，同时提高了识别精度。同时提高了识别精度。同时提高了识别精度。

【技术实现步骤摘要】
一种基于孪生复网络的少样本雷达车辆目标识别方法


[0001]本专利技术属于人工智能
，具体的说是涉及一种基于孪生复网络的少样本雷达车辆目标识别方法。

技术介绍

[0002]通过雷达回波数据对目标车辆类别进行判别是远距离车辆识别的有效途径之一。近年来，基于深度学习的目标识别方法在图像领域取得良好的效果，但对于目标的雷达回波图像而言，由于目标数据为复信号，常规方法是取目标雷达数据的幅度值作为输入图像，这样的处理丢失了雷达数据的相位信息，目标的细微雷达散射特性被忽略，从而影响识别精度。同时，目前的雷达目标识别还存在样本少、数据集匮乏的问题。所以研究复数神经网络和少样本学习方法，有望解决样本不足的问题，提高模型的泛化性能和识别精度。

技术实现思路

[0003]本专利技术的目的是，利用调频连续波雷达获得车辆目标的距离
‑
速度像，并重点针对数据少，数值为复数的情况，提供一种新的基于孪生复数神经网络的小样本车辆目标识别方法。
[0004]本专利技术的技术方案是：一种基于孪生复数神经网络的雷达距离
‑
速度像目标识别方法，其特征在于利用复数神经网络处理复数信息并结合原始幅度信息生成实数特征图像，此外还改进了孪生网络结构，引入正负样本结合双锚点样本输入，加快了模型收敛速度。主要包括以下步骤：
[0005]S1、获取样本数据：
[0006]由调频连续波雷达获取车辆目标在运动过程中的二维距离
‑
速度像数据，将获取的数据随机分为训练数据集和测试数据集，训练数据集记为：
[0007]X0＝{x
0ij
|i＝1,2,
…
,K；j＝1,2,
…
,N
i
}∈C
h
×
TM
×
N
[0008]其中K代表总的目标类别数，N
i
为第i类目标的训练样本数，为训练样本集合中总样本数。x
0ij
表示第i类目标的第j幅二维距离
‑
速度像样本,h和w分别表示图像的长和高。此训练集的样本标签表示为：
[0009]X1＝{x
1ij
|i＝1,2,
…
,K；j＝1,2,
…
,N
i
}∈C
h
×
w
×
N
[0010]式中x
1ij
表示样本x
0ij
的类别标签。
[0011]S2、对获得的样本进行预处理：
[0012]首先从S1步骤中获得的样本集合X0里，每类样本集X
0i
选出一张样本作为该样本集的锚点，例如:x
0i1
。其次对剩下的每一幅样本二维图像进行组合，把它与其他与它不同类的样本两两配对，构成样本对:
[0013][0014]S3、构建复数卷积网络：
[0015]复数神经网络构建参照残差网络，输入是样本实虚部{R(x
0ij
),I(x
0ij
)}，第一层为
批归一化层：将输入的批量样本进行复数批归一化，输出归一化后的实虚部{R(x
10ij
),I(x
10ij
)}；复数批归一化层的实现需要同时考虑实部和虚部的分布，所以利用二维随机变量分布的均值和方差来实现(0
‑
1)分布。
[0016][0017][0018]BN(x)＝γx+β
[0019]上式中x为复数输入，V为协方差，E(x)为均值，γ和β为该层的两个可以训练的超参数。第二层为复数卷积层，它由卷积层、激活函数层和批归一化层组成，最终输出是和输入相同大小的多通道复数特征图像{R(x
20ij
),I(x
20ij
)}。其中卷积层的实现是依据复数卷积公式来搭建的：
[0020]W*h＝(A*x
‑
B*y)+i(B*x+A*y)
[0021]式中W是复数样本，A为W的实部，B为W的虚部；h是卷积核，x为h的实部，y为h的虚部。通过公式变换，即可以通过分开对实部和虚部的卷积来实现复数卷积。而激活函数层选用复数RELU函数：
[0022]CReLU＝ReLU(R(z))+iReLU(I(z))
[0023]第三层也为复数卷积层，与上层结构基本相似，只是将输入的多通道图像进行合并，输出单通道复数特征图像{R(x
30ij
),I(x
30ij
)}。最后一层为跳跃连接层，其结构是将上层输入的特征复数图像求幅度，然后与原始只经过一次批归一化层的输入图像的幅度相加，得到最终网络的实数输出图像{R(x
out0ij
),I(x
out0ij
)}：
[0024][0025]S4、构建实数卷积网络：
[0026]构建实数卷积网络，输入为复数卷积网络的输出{R(x
out0ij
),I(x
out0ij
)}或者是正负样本对应的锚样本{R(x
0i1
),I(x
0i1
)}。它的前五层是实数卷积层，它由卷积层、激活函数层和批归一化层组成，其具体结构见下表：
[0027][0028]后三层是全连接层，对生成的多通道特征图像进行降维，最终输出是10维的归一化特征向量out
ij
或out
i1
。
[0029]S5、构建孪生复网络：
[0030]构造两组复数卷积网络和四组实数卷积网络，它们彼此参数共享形成孪生复网络。两组复数卷积网络的输入是正负样本对Pair，四组实数卷积网络的输入是正负样本对通过复数网络的输出以及它们分别对应的锚样本，最终得到的输出是四个10维的归一化特征向量，例如：通过向量乘法即可得到它们之间的类内相似度s
p
和类间相似度s
n
：
[0031][0032][0033]然后依据样本标签信息，利用circle loss可以得到网络的loss值。
[0034][0035]式中为输入的第j个类间相似度向量，L是输入的类间相似度向量个数，为输入的第i个类内相似度向量，K是输入的类内相似度向量个数；是的权重，是的权重，两者相加为1。
[0036]S6、根据训练样本集，采用梯度下降法分别更新两种网络的参数，迭代至网络loss收敛，得到最后的深度网络模型，即训练好的孪生复网络模型。
[0037]S7、采用步骤S6中获得的深度网络模型对输入样本进行目标识别。
[0038]本专利技术总的技术方案是：针对雷达车辆的二维距离
‑
速度像识别问题，首先将图像进行正负样本配对，其次将他们的实部信息和虚部信息同时输入到复数神经网络中，其中复数神经网络由两层卷积结构和一个跳跃连接层构建，它的输出为一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于孪生复网络的少样本雷达车辆目标识别方法，其特征在于，包括以下步骤：S1、获取样本数据：由调频连续波雷达获取车辆目标在运动过程中的二维距离
‑
速度像数据，将获取的数据随机分为训练数据集和测试数据集，训练数据集记为：X0＝{x
0ij
|i＝1，2，...，K；j＝1，2，...，N
i
}∈c
h
×
w
×
N
其中K代表总的目标类别数，N
i
为第i类目标的训练样本数，为训练样本集合中总样本数，x
0ij
表示第i类目标的第j幅二维距离
‑
速度像样本，h和w分别表示图像的长和高，训练数据集的样本标签表示为：X1＝{x
1ij
|i＝1，2，...，K；j＝1，2，...，N
i
}∈C
h
×
w
×
N
式中x
1ij
表示样本x
0ij
的类别标签；S2、对获得的训练数据集进行预处理：从训练数据集X0中，每类样本集X
0i
选出一张样本作为该样本集的锚点，对剩下的每一幅样本二维图像进行组合，通过与其他与它不同类的样本两两配对，构成正负样本对：S3、构建复数卷积网络：复数卷积网络的输入是样本实虚部{R(x
0ij
)，I(x
0ij
)}，网络第一层为批归一化层：将输入的批量样本进行复数批归一化，输出归一化后的实虚部{R(x
10ij
)，I(x
10ij
)}；复数批归一化层利用二维随机变量分布的均值和方差来实现(0
‑
1)分布：1)分布：BN(x)＝γx+β其中x为复数输入，V为协方差，E(x)为均值，γ和β为该层的两个可以训练的超参数；第二层为复数卷积层，由卷积层、激活函数层和批归一化层组成，复数卷积层输出是和输入相同大小的多通道复数特征图像{R(x
20ij
)，I(x
20ij
)}；其中卷积层是依据复数卷积公式来搭建的：W*h＝(A*x
‑<...

【专利技术属性】
技术研发人员：廖阔，何学思，彭曙鹏，田祯杰，周代英，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：