一种基于深度链接卷积网络的雷达真假目标识别方法技术

本发明专利技术属于雷达目标识别技术领域，具体涉及一种基于深度链接卷积网络的雷达真假目标识别方法。本发明专利技术中深度链接卷积网络由5个一维链接卷积池化子网络堆集而成，后面再串接一个softmax分类层，其中每个一维链接卷积池化子网络由1个一维卷积层、1个一维池化层和1个链接层组成，链接层完成将本子网络池化层的输出与所有前置子网络的输入拼接成新的矢量，作为下一子网的输入。由于每一子网络的输入是将所有前置子网络的输入与上一子网络的输出拼接而成，使学习到的网络参数不仅与当层子网有关，而且同时依赖于所有前置子网络的特征信息，从而提高对原始雷达回波数据特征信息的表达能力，最终改善对目标的识别性能。最终改善对目标的识别性能。最终改善对目标的识别性能。

【技术实现步骤摘要】
一种基于深度链接卷积网络的雷达真假目标识别方法


[0001]本专利技术属于雷达目标识别
，具体涉及一种基于深度链接卷积网络的雷达真假目标识别方法。

技术介绍

[0002]由宽带雷达获取的一维距离像，包括了目标结构形状的信息，包含了更多有利用识别的信息，而且，成像算法简单，易于实时实现，因此，一维距离像成为了雷达真假目标识别的重要手段。
[0003]目前，对雷达真假目标一维距离像识别主要采用常规的机器学习方法进行分类识别，但是，常规机器学习方法属于浅度学习方法，必须人为预先设定识别特征，而对于雷达真假目标一维距离像，其识别特征不容易通过人工方式确定。近年来，基于深度学习的识别方法在图像、语音识别等领域取得好的效果，采用深度学习模型可从雷达真假一维距离像数据中自动学习到有利于识别的目标高阶非线性特征，因此，研究基于深度网络模型的真假一维距离像识别方法有望进一步提高目标识别率。

技术实现思路

[0004]本专利技术的目的在于提出一种基于深度链接卷积网络的雷达真假目标识别方法，通过将所有前置子网络的输入与当前子网络的输出进行拼接，提取的深度学习特征能够更好地表达雷达真假一维距离像数据中的特征信息，从而改善对目标的识别性能。
[0005]本专利技术的技术方案为：
[0006]一种基于深度链接卷积网络的雷达真假目标识别方法，包括以下步骤：
[0007]S1、定义获取的第i类真假目标的第j个训练一维距离像为n维列矢量x
ij
，其中，1≤i≤g，1≤j≤N/>i
，N
i
为第i类真假目标的训练一维距离像样本数，一维距离像样本总数为对一维距离像x
ij
进行如下预处理：
[0008][0009]其中，||
·
||表示矢量的模；
[0010]S2、构建深度链接卷积网络模型，包括5个链接卷积池化子网络和分类层，每个链接卷积池化子网络由一维卷积层、一维池化层、链接层组成，卷积层对子网络的输入进行卷积运算，池化层对卷积层的输出进行池化处理，链接层对当前子网络的输出与所有前置子网络的输入进行拼接，作为下一个链接卷积池化子网络的输入；最后一个链接卷积池化子网络的输出接分类层的输入，分类层输出类别标签；
[0011]S3、利用S1得到的对S2构建的深度链接卷积网络模型进行训练，具体为使用BP方法训练整个深度网络的模型参数，损失函数为最小均方差函数，优化方法是最速梯度下降方法，最佳的迭代次数和学习率由实验确定；
[0012]S4、将获取的真假目标的一维距离像输入到已经训练好的深度链接卷积网络模型中，以softmax分类层的输出矢量中最大分量对应的标签作为目标识别类别。
[0013]本专利技术的有益效果为，本专利技术通过提高对原始雷达回波数据特征信息的表达能力，最终改善对目标的识别性能。对四类仿真目标的一维距离像数据进行了仿真实验，实验结果验证了方法的有效性。
附图说明
[0014]图1是本专利技术的总体流程示意图；
[0015]图2是链接卷积池化子网的结构框图；
具体实施方式
[0016]下面结合仿真以证明本专利技术的有效性和取得的进步：
[0017]如图1所示，本专利技术的识别过程中，首先对雷达真假目标一维距离像数据进行预处理，作为深度链接卷积网络的输入，深度链接卷积网络由5个一维链接卷积池化子网络堆集而成，后面再串接一个softmax分类层，其中每个一维链接卷积池化子网络由1个一维卷积层、1个一维池化层和1个链接层组成，链接层完成将本子网络池化层的输出与所有前置子网络的输入拼接成新的矢量，作为下一子网的输入。由于每一子网络的输入是将所有前置子网络的输入与上一子网络的输出拼接而成，使学习到的网络参数不仅与当层子网有关，而且同时依赖于所有前置子网络的特征信息，从而提高对原始雷达回波数据特征信息的表达能力，最终改善对目标的识别性能。
[0018]链接卷积池化子网络由1个一维卷积层、一维池化层、链接层组成，卷积层对子网输入进行卷积运算，池化层对卷积层输出进行池化处理，链接层对当前子网络的输出与所有前置子网络的输入进行拼接，作为下一个链接卷积池化子网络的输入，其结构如图2所示。
[0019]从图2可知，x
(1)
是卷积层的输入，x
(2)
是卷积层的输出，也是池化层的输入，x
(3)
是池化层的输出，也是链接层的其中一个输入，x
(4)
是链接层的输出，x
(5)
是第一个前置子网络的输入，也是链接层的其中一个输入，x
(P)
是当前子网络的最后一个前置子网络的输入，也是链接层的其中一个输入，其中卷积层的激活函数为ReLU。
[0020]链接层对当前子网络的输入x
(1)
、池化层的输出x
(3)
和所有前置子网络的输入x
(5)
和x
(P)
进行拼接：
[0021][0022]仿真实验设计了四种点目标：真目标、碎片、轻诱饵和重诱饵。雷达发射脉冲的带宽为1000MHZ(距离分辨率为0.15m,雷达径向取样间隔为0.075m),目标设置为均匀散射点目标，真目标的散射点为7，其余三目标的散射点数均为11。在目标姿态角为0
°
～90
°
[0023]范围内每隔0.1
°
的一维距离像中，按隔一取一选取的一维距离像进行训练,其余姿态角的一维距离像作为测试数据,则每类目标有450个测试样本。
[0024]对四种目标(真目标、碎片、轻诱饵和重诱饵)，在姿态角0
°
～90
°
范围内,利用本文的基于深度链接卷积池化网络的真假目标识别方法进行识别，对4类真假目标一维距离像
的平均正确识别率为96％。其中，卷积层的核大小和核个数分别为1
×
3和12，池化层池过滤器大小为1
×
2，迭代次数为1500次，学习率为0.15，信噪比为20dB。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度链接卷积网络的雷达真假目标识别方法，其特征在于，包括以下步骤：S1、定义获取的第i类真假目标的第j个训练一维距离像为n维列矢量x
ij
，其中，1≤i≤g，1≤j≤N
i
，N
i
为第i类真假目标的训练一维距离像样本数，一维距离像样本总数为对一维距离像x
ij
进行如下预处理：其中，||
·
||表示矢量的模；S2、构建深度链接卷积网络模型，包括5个链接卷积池化子网络和分类层，每个链接卷积池化子网络由一维卷积层、一维池化层、链接层组成，卷...

【专利技术属性】
技术研发人员：周代英，沈晓峰，廖阔，张瑛，冯健，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：