基于损失模糊校正的目标智能识别方法技术

本发明专利技术公开了一种基于损失模糊校正的目标智能识别方法，属于雷达信号处理领域。构建了模糊截断余弦损失基础学习器结合任务损失倒数加权更新元学习器的识别框架，在元训练任务的预训练阶段，针对基础学习器的卷积神经网络构建，设计了模糊截断余弦元训练损失函数；在元测试任务的微调阶段，针对微调卷积神经网络模型，设计了多类平衡余弦夹角约束损失函数；设计了元学习器参数的任务损失倒数加权更新方式，利用元训练任务损失值与任务训练效果的负相关性，避免了对低相关度经验的过度借鉴。本发明专利技术方法提高了小样本条件下模型迁移效率和雷达目标高分辨距离像多类别识别正确率，具有推广应用价值。具有推广应用价值。具有推广应用价值。

【技术实现步骤摘要】
基于损失模糊校正的目标智能识别方法
一、

[0001]本专利技术隶属于雷达信号处理领域，具体涉及一种基于损失模糊校正的目标智能识别方法。
二、
技术介绍

[0002]高分辨距离像(High Resolution Range Profile，HRRP)是目标主散射点在雷达照射方向上的投影，反映了目标散射点的相对位置信息，一定程度上体现了目标部分结构信息，具有易存储、易处理以及方便获取等优点，因此在目标识别领域具有广阔的应用前景。对于合作目标，可以获取大量的目标HRRP样本，但在实际应用中，雷达所针对的目标往往是非合作目标，难以获取数量足够的非合作目标HRRP数据。因此，小样本条件下雷达目标HRRP识别已成为雷达目标识别领域的研究热点之一。
[0003]早期小样本条件下的目标分类识别技术主要以HRRP的统计建模方法为主，如线性动态模型、因子分析模型以及自适应高斯分类器模型等，随后学者们利用多任务学习理念和类别标签信息，在上述模型的基础上进行改进，相继提出了多任务因子分析模型、标签辅助因子分析模型以及多任务标签约束卷积因子分析模型等。统计建模方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于损失模糊校正的目标智能识别方法，其特征在于，包括以下步骤：步骤1深度元学习的数据集构建；依据待识别的N类目标的雷达高分辨距离像数据，构建元测试任务小样本训练数据集和元测试任务测试数据集，将待识别任务归为元测试任务集；依据与待识别目标数据不同类别或不同数据来源的M类非待识别目标积累数据，通过随机抽取N类目标数据构建元训练任务集，并将N类非待识别目标数据全部作为元训练任务训练数据集；步骤2元学习模型设计；将元学习模型设计为模糊截断余弦损失基础学习器和任务损失倒数加权更新元学习器的组合；模糊截断余弦损失基础学习器采用模糊截断余弦元训练损失函数作为元训练任务的卷积神经网络损失函数；任务损失倒数加权更新元学习器基于平滑平均绝对误差损失函数，采用元训练任务损失值的倒数对元学习器参数进行加权修正更新；元学习模型的输入为元训练任务集，元学习模型的输出为更新后的模型参数；步骤3从元训练任务集中随机抽取K个元训练任务进行基础学习器训练；对第k个元训练任务，在模糊截断余弦损失基础学习器上利用元训练任务训练数据集进行分批次训练，通过卷积神经网络迭代更新优化，得到第k个元训练任务的特性参数θ
Bk
和损失值L
k
；将K个元训练任务的特性参数和损失值正向传递给任务损失倒数加权更新元学习器，转入步骤4；步骤4任务损失倒数加权更新元学习器基于K个元训练任务的特性参数，利用相应的元训练任务损失值的倒数对元学习器参数θ
M
进行加权修正更新，并将更新后的参数反馈给模糊截断余弦损失基础学习器；以为模糊截断余弦损失基础学习器的新初始化模型参数，重新执行步骤3进行新一轮的优化训练；步骤5循环执行步骤3和步骤4，直至达到N
c
次循环结束，保存最后的任务损失倒数加权更新元学习器参数构建与模糊截断余弦损失基础学习器相同结构的卷积神经网络识别模型，采用多类平衡余弦夹角约束损失函数作为元测试任务的卷积神经网络损失函数；将作为卷积神经网络识别模型的初始化参数，分批次导入元测试任务小样本训练数据集进行识别模型的训练更新，当卷积神经网络的多类平衡余弦夹角约束损失函数收敛且不再下降时结...

【专利技术属性】
技术研发人员：简涛，张财生，李辉，刘军，王哲昊，杨予昊，何佳，
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：