干扰条件下基于双向循环插补模型的稳健目标识别方法技术

本发明专利技术公开了一种干扰条件下基于双向循环插补模型的稳健目标识别方法，包括：生成第一数据集；将频谱信号中的若干位置的数据设置为0得到第二数据集；对第二数据集进行预处理得到第三数据集；基于双向循环插补模型，根据第三数据集、掩码矩阵和时滞矩阵得到预测分类标签；计算预测分类标签与目标真实类别标签间的第一损失值；计算插补值与真实值之间的第二损失值；基于第一损失值和第二损失值，利用反向传播算法迭代更新双向循环插补模型的参数，得到训练好的双向循环插补模型；基于双向循环插补模型，根据待识别目标得到目标识别结果。本发明专利技术的雷达高分辨距离像缺失频谱信号识别方法识别准确率高，在不同缺失率情况下均能达到较好的识别率。到较好的识别率。到较好的识别率。

【技术实现步骤摘要】
干扰条件下基于双向循环插补模型的稳健目标识别方法


[0001]本专利技术属于雷达
，具体涉及一种干扰条件下基于双向循环插补模型的稳健目标识别方法。

技术介绍

[0002]高分辨距离像是用宽带雷达获取的目标散射点子回波在雷达射线上投影的向量和，它提供了目标散射点沿距离方向的分布情况，是目标重要的结构特征，对于目标识别很有价值。但当环境中存在窄带干扰时，会导致宽带雷达识别性能严重下降甚至失效。考虑到窄带干扰具有能量强，易检测的特点，可在频域剔除干扰分量后对存在缺失值的频谱信号进行识别任务。
[0003]目前，现有的技术中还未发现关于雷达高分辨距离像缺失频谱信号的识别方法，传统上针对缺失信号的识别方法是将缺失位置的元素置零，然后将缺失位置的元素置零后的信号作为完整的频谱信号输入传统的循环神经网络中，以进行后续的识别操作。
[0004]但是，这种将缺失位置的元素置零后的信号输入至传统的循环神经网络方法没有考虑缺失频谱所包含的信息，由此会造成对缺失频谱信号的识别性能较差的问题。

技术实现思路

[0005]为了解决现有技术中存在的上述问题，本专利技术提供了一种干扰条件下基于双向循环插补模型的稳健目标识别方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0006]一种干扰条件下基于双向循环插补模型的稳健目标识别方法，所述稳健目标识别方法包括：
[0007]步骤1、生成第一数据集，所述第一数据集包括P个类别目标的一维高分辨距离像频谱信号，每个所述频谱信号的维度为K
>×
1；
[0008]步骤2、将所述频谱信号中的若干位置的数据设置为0，得到第二数据集；
[0009]步骤3、根据所述第二数据集得到辅助数据集，所述辅助数据集包括所述频谱信号的掩码矩阵和时滞矩阵；
[0010]步骤4、对所述第二数据集进行预处理得到第三数据集；
[0011]步骤5、基于双向循环插补模型，根据所述第三数据集、所述掩码矩阵和时滞矩阵，得到预测分类标签；
[0012]步骤6、利用交叉熵损失函数，计算预测分类标签与目标真实类别标签间的第一损失值；
[0013]步骤7、计算插补值与真实值之间的第二损失值；
[0014]步骤8、基于所述第一损失值和所述第二损失值，利用反向传播算法迭代更新所述双向循环插补模型的参数，直到损失值收敛为止，得到训练好的双向循环插补模型；
[0015]步骤9、基于训练好的双向循环插补模型，根据待识别目标得到目标识别结果。
[0016]在本专利技术的一个实施例中，所述掩码矩阵中元素为0的位置表示元素缺失，所述掩
码矩阵中元素为1的位置表示元素未缺失，所述时滞矩阵中每个元素表示当前位置频谱信号元素与之前最后一个观察值的位置差。
[0017]在本专利技术的一个实施例中，所述步骤4包括：
[0018]对所述第二数据集中的每个频谱信号的幅度进行模二范数归一化处理，得到所述第三数据集。
[0019]在本专利技术的一个实施例中，所述双向循环插补模型包括特征提取模块和分类模块；
[0020]所述特征提取模块由输入层、双向循环插补层组成；其中双向循环插补层中的单向插补层由单向循环神经网络层与第一全连接层组成；
[0021]所述分类模块由第二全连接层、softmax层组成。
[0022]在本专利技术的一个实施例中，所述单向循环神经网络层的层数为1，单元数量为T；所述第一全连接层的层数为1，权重维度的大小为T
×
1。
[0023]在本专利技术的一个实施例中，所述步骤5包括：
[0024]将所述双向循环插补层中的前向循环插补层和后向循环插补层中最后位置的输出之和输入至所述分类模块中的所述第二全连接层和所述softmax层后输出所述预测分类标签，其中，所述前向循环插补层和所述后向循环插补层的输入为与所述掩码矩阵的拼接矩阵和所述时滞矩阵，x
t
表示所述第三数据集中频谱信号的第t个元素，m
t
表示频谱信号中第t个元素在掩码矩阵中对应的值，表示频谱信号中第t个元素的插补值。
[0025]在本专利技术的一个实施例中，所述交叉熵损失函数为：
[0026][0027]其中，H表示交叉熵损失函数，Y
pre
表示双向循环插补模型的预测分类标签，Y
train
表示所述第三数据集中目标样本的真实类别标签，k表示所述第三数据集中目标样本的类别序号，log表示以10为底的对数操作。
[0028]在本专利技术的一个实施例中，所述步骤7包括：
[0029]利用平均绝对误差函数计算插补值与真实值之间的第二损失值。
[0030]在本专利技术的一个实施例中，所述平均绝对误差函数为：
[0031][0032]其中，MAE为平均绝对误差，pred
i
表示第i个插补值，real
i
表示第i个真实值，N表示缺失值的数量。
[0033]在本专利技术的一个实施例中，所述步骤8包括：
[0034]将所述第一损失值和所述第二损失值进行加权求和作为所述双向循环插补模型的损失值，利用反向传播算法迭代更新所述双向循环插补模型的参数，直到损失值收敛为止，得到训练好的所述双向循环插补模型。
[0035]本专利技术的有益效果：
[0036]第一，由于本专利技术构造了双向循环插补模型，同时使用存在缺失值的缺失信息和目标高分辨距离像缺失频谱信号对构造的双向循环插补模型进行训练，克服了现有技术未能利用目标高分辨距离像缺失频谱信号的缺失信息进行识别的问题，本专利技术提出的技术能够自适应的学习到缺失频谱信号的缺失信息对目标缺失频谱信号识别的影响，提高了识别的准确率。
[0037]第二，由于本专利技术在构造的特征提取子网络中对缺失频谱信号的后序观察元素进行插补，然后使用平均绝对误差计算插补值与真实值之间损失值，将其作为整个模型的损失值的一部分训练模型，通过插补过程的监督使模型能够学习到频谱信号真实的特征，减轻噪音对模型的影响，提高了识别的准确性。
[0038]以下将结合附图及实施例对本专利技术做进一步详细说明。
附图说明
[0039]图1是本专利技术实施例提供的一种干扰条件下基于双向循环插补模型的稳健目标识别方法的流程示意图；
[0040]图2是本专利技术中双向循环插补层中的前向循环插补层结构的示意图。
具体实施方式
[0041]下面结合具体实施例对本专利技术做进一步详细的描述，但本专利技术的实施方式不限于此。
[0042]实施例一
[0043]当环境中存在窄带干扰时，会导致宽带雷达识别性能严重下降甚至失效。考虑到窄带干扰具有能量强，易检测的特点，可在频域剔除干扰分量进行识别任务。而剔除干扰分量后的缺失频谱信号中的缺失信息对雷达高分辨距离像缺失频谱信号识别影响很大，因此如何在雷达高分辨距离像缺失频谱信号识别过程中充分利用缺失频谱的缺失信息来提升识别性能是一个亟需解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种干扰条件下基于双向循环插补模型的稳健目标识别方法，其特征在于，所述稳健目标识别方法包括：步骤1、生成第一数据集，所述第一数据集包括P个类别目标的一维高分辨距离像频谱信号，每个所述频谱信号的维度为K
×
1；步骤2、将所述频谱信号中的若干位置的数据设置为0，得到第二数据集；步骤3、根据所述第二数据集得到辅助数据集，所述辅助数据集包括所述频谱信号的掩码矩阵和时滞矩阵；步骤4、对所述第二数据集进行预处理得到第三数据集；步骤5、基于双向循环插补模型，根据所述第三数据集、所述掩码矩阵和时滞矩阵，得到预测分类标签；步骤6、利用交叉熵损失函数，计算预测分类标签与目标真实类别标签间的第一损失值；步骤7、计算插补值与真实值之间的第二损失值；步骤8、基于所述第一损失值和所述第二损失值，利用反向传播算法迭代更新所述双向循环插补模型的参数，直到损失值收敛为止，得到训练好的双向循环插补模型；步骤9、基于训练好的双向循环插补模型，根据待识别目标得到目标识别结果。2.根据权利要求1所述的稳健目标识别方法，其特征在于，所述掩码矩阵中元素为0的位置表示元素缺失，所述掩码矩阵中元素为1的位置表示元素未缺失，所述时滞矩阵中每个元素表示当前位置频谱信号元素与之前最后一个观察值的位置差。3.根据权利要求1所述的稳健目标识别方法，其特征在于，所述步骤4包括：对所述第二数据集中的每个频谱信号的幅度进行模二范数归一化处理，得到所述第三数据集。4.根据权利要求1所述的稳健目标识别方法，其特征在于，所述双向循环插补模型包括特征提取模块和分类模块；所述特征提取模块由输入层、双向循环插补层组成；其中双向循环插补层中的单向插补层由单向循环神经网络层与第一全连接层组成；所述分类模块由第二全连接层、softmax层组成。5.根据权利要求4所述的稳健目标识别方法，其特征在于，所述单向循环神经网络层的层数...

【专利技术属性】
技术研发人员：王鹏辉，刘宏伟，朱政，丁军，陈渤，纠博，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：