一种基于深度卷积与归一化的无人机目标识别方法技术

本发明专利技术属于无人机目标识别技术领域，具体涉及一种基于深度卷积与归一化的无人机目标识别方法。本发明专利技术首先对多旋翼无人机的雷达回波数据序列进行预处理，然后输入到深度卷积特征与归一化特征综合网络中进行分类识别，卷积特征与归一化特征综合网络包括5个卷积子网、卷积特征综合子网和归一化特征综合子网，卷积特征综合子网由后3个卷积子网的卷积特征图按层次顺序进行排列，后接1个核大小为1

【技术实现步骤摘要】
一种基于深度卷积与归一化的无人机目标识别方法


[0001]本专利技术属于无人机目标识别
，具体涉及一种基于深度卷积与归一化的无人机目标识别方法。

技术介绍

[0002]由于无人机具有体形小、飞行速度慢、飞行高度低、易于操控的特点，无人机在军事、民用等领域得到了广泛运用，与此同时也给低空领域的管理、国土防御等带来了极大麻烦。因此，准确识别出无人机的类型具有非常重要的应用价值。
[0003]近年来，随着深度学习技术的进步，基于深度卷积网络模型的方法也广泛应用于多旋翼无人机的自动识别中，主要特点是能够从雷达回波数据中自动学习到有利于识别的目标高阶非线性特征，然而，常规的深度卷积网络模型方法中只能利用最后层的卷积特征进行分类识别，导致特征表征能力有限，从而降低了识别性能。因此，研究基于深度卷积网络模型的多旋翼无人机识别方法的识别率有进一步改善的余地。

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卷积与归一化的无人机目标识别方法，通过将卷积特征与归一化特征进行有效综合，从而能够更好地描述雷达回波数据中的特征信息，改善了对目标的识别率。
[0005]本专利技术的技术方案为：
[0006]一种基于深度卷积与归一化的无人机目标识别方法，包括以下步骤：
[0007]S1、定义获取的多旋翼无人机的雷达回波数据序列为x＝[x
1 x2…
x
n
]，其中，n表示序列的长度，x
i
表示第i个数据点，i＝1,2,
…
n，对数据序列x进行如下处理：
[0008][0009]其中，||
·
||表示矢量的模；
[0010]S2、构建深度卷积特征与归一化特征综合网络模型，包括5个多卷积子网络、卷积特征综合子网、归一化特征综合子网、全连接层和分类层，其中5个多卷积子网络依次级联，分别定义为第一多卷积子网络、第二多卷积子网络、第三多卷积子网络、第四多卷积子网络和第五多卷积子网络，每个卷积子网包含卷积层、池化层和归一化层；卷积特征综合子网由第三多卷积子网络、第四多卷积子网络和第五多卷积子网络的卷积特征图按层次顺序进行排列，归一化特征综合子网由第三多卷积子网络、第四多卷积子网络和第五多卷积子网络的归一化特征图按层次顺序进行排列拼接；卷积特征综合子网和归一化特征综合子网均后接1个核大小为1
×
1的卷积层和1个全连接层；全连接层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构建的综合网络模型进行训练，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，激活
函数为ReLU，最佳的迭代次数和学习率由实验确定；
[0012]S4、将获取的多旋翼无人机雷达回波数据序列输入到已经训练好的综合网络模型中，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，本专利技术的两个特征综合子网络既提取了原有的卷积特征，又包含了归一化特征，进一步增强了对目标数据中的特征信息的描述能力。对4类多旋翼无人机的仿真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是卷积子网的结构框图；
[0016]图3是卷积特征综合子网的结构框图；
[0017]图4是归一化特征综合子网的结构框图。
具体实施方式
[0018]下面结合仿真以证明本专利技术的有效性和取得的进步：
[0019]如图1所示，本专利技术的识别过程中，首先对多旋翼无人机的雷达回波数据序列进行预处理，然后输入到深度卷积特征与归一化特征综合网络中进行分类识别，卷积特征与归一化特征综合网络包括5个卷积子网、卷积特征综合子网和归一化特征综合子网，每个卷积子网包含卷积层、池化层和归一化层。卷积特征综合子网由后3个卷积子网的卷积特征图按层次顺序进行排列，后接1个核大小为1
×
1的卷积层和1个全连接层，归一化特征综合子网由后3个卷积子网的归一化特征图按层次顺序进行排列，也后接1个核大小为1
×
1的卷积层和1个全连接层，再将卷积特征综合子网和归一化特征综合子网中的全连接层输入到softmax分类层，完成对目标的分类识别。
[0020]每个卷积子网包含卷积层、池化层和归一化层，其结构如图2所示。卷积特征综合子网由后3个卷积子网的卷积特征图按层次顺序进行排列，后接1个核大小为1
×
1的卷积层和1个全连接层，其结构如图3所示。归一化特征综合子网由后3个卷积子网的归一化特征图按层次顺序进行排列拼接，也后接1个核大小为1
×
1的卷积层和1个全连接层，其结构如图4所示。
[0021]仿真实验设计了4种类型的无人机，包括三旋翼无人机、四旋翼无人机、六旋翼无人机、八旋翼无人机，其仿真参数如表1所示。仿真雷达参数包括：雷达载频为24GHz；脉冲重复频率为100KHz；目标与雷达间的距离200m；无人机相对于雷达的俯仰角为10
°
、方位角为30
°
[0022]每类目标记录10s的雷达回波信号，并将其分为固定长度0.05s的段(至少包含一个旋转周期)，段之间的重叠为50％，每段包含0.05
×
100000＝5000个雷达回波采样数据点，每类共400段。在400段中随机选取200段作为训练数据集，其余200段作为测试数据集，则4类目标的训练数据集总共包括800个段，测试数据集包括800个段，为了降低网络的输入节点数，对训练和测试样本首先使用PCA方法进行降维到200。对选取的训练数据集，训练本文的深度卷积特征与归一化特征综合网络模型，然后，利用训练好的深度网络识别测试数据集，对4类多旋翼无人机的平均正确识别率为97％。其中，迭代次数为2000次，学习率为
0.1，在无人机回波数据中加入噪声，信噪比为10dB。
[0023]表1四种无人机的仿真参数
[0024][0025]
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积与归一化的无人机目标识别方法，其特征在于，包括以下步骤：S1、定义获取的多旋翼无人机的雷达回波数据序列为x＝[x
1 x2…
x
n
]，其中，n表示序列的长度，x
i
表示第i个数据点，i＝1,2,
…
n，对数据序列x进行如下处理：其中，||
·
||表示矢量的模；S2、构建深度卷积特征与归一化特征综合网络模型，包括5个多卷积子网络、卷积特征综合子网、归一化特征综合子网、全连接层和分类层，其中5个多卷积子网络依次级联，分别定义为第一多卷积子网络、第二多卷积子网络、第三多卷积子网络、第四多卷积子网络和第五多卷积子网络，每个卷积子网包含卷积层、池化层和归一化层；卷积特征综合子网...

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