一种基于引导表示的雷达一维距离像自维持增量识别方法技术

本发明专利技术属于目标识别技术领域，具体涉及一种基于引导表示的雷达一维距离像自维持增量识别方法。本发明专利技术针对雷达一维像新目标识别中存在的灾难性遗忘问题，根据vision transformer的结构特点提出自维持的引导表示方法。一方面，使用可学习的导航，以一维块的形式保留类别特定信息，通过在训练过程中查询得到相似度最高的导航扩展编码层的输入，使得模型获得更多附加信息，提升识别准确率。另一方面，构建结构扩展模块保留所有旧类信息，在每次训练时通过元素级求和扩张模型的结构，使得模型能够在新旧类别信息的共同指导下学习。同时，为了防止模型在记忆时失去对新类别的学习能力，使用不被冻结的模型，让模型能够充分学习到新类别。习到新类别。习到新类别。

【技术实现步骤摘要】
一种基于引导表示的雷达一维距离像自维持增量识别方法


[0001]本专利技术属于目标识别
，具体涉及一种基于引导表示的雷达一维距离像自维持增量识别方法。

技术介绍

[0002]雷达一维距离像(HRRP)是雷达通过发射窄脉冲或宽带信号(如线性调频信号和步进频率信号等)，目标回波信号沿距离方向上占据多个距离单元的散射特征分布。因其具有实时性强、运算量小、容易获取与存储等优点而受到了广泛的研究，是现代战争环境目标识别的一种主要方法。目前，深度学习方法在HRRP分类识别中都取得不错的效果，但并没有考虑未来阶段数据的增长学习。当新目标出现时，模型识别旧目标的参数被掩盖，不能识别出旧目标，即灾难性遗忘。常见方法通过回放少量旧目标样本与新目标一起训练，但少量的旧目标样本只能获得少量的信息，遗忘仍然存在。在此背景下，本专利技术针对雷达一维像目标的识别问题，展开新目标的增量识别研究，力求在识别新目标的同时不遗忘旧目标，实现雷达自动目标识别。

技术实现思路

[0003]本专利技术以雷达一维距离像目标识别为背景，针对现有基于回放的增量识别方法无法解决遗忘问题，提出了一种自维持的引导表示方法。该方法在不同的学习阶段，通过扩展输入维度和模型结构防止遗忘。具体来说，以vision transformer中的token形式保留目标类别特定信息，再使用保留的任务信息扩展输入辅助模型识别。此外，使用旧类信息扩展模型结构，使模型在新旧信息的共同指导下学习，保留对旧类目标的记忆。
[0004]本专利技术的模型采用vision transformer(ViT)作为基础框架。当前任务的新类别样本Dt和所有旧类别的少量抽样样本构成当前任务的训练数据集。当前任务的训练数据集经过vision transformer进行特征提取后输入分类器得到识别结果。网络的核心思想是：一方面，在transformer encoder之前构建动态查询引导，用于得到当前样本的额外信息，与patch token一起输入transformer encoder中提取特征。另一方面，在transformer encoder部分，通过结构扩展与携带旧类信息的结构整合，共同学习当前任务数据，以实现对旧类信息的保留。利用新旧类别的数据进行测试，统计平均准确率、平均遗忘率等指标。
[0005]本专利技术的技术方案为：
[0006]一种基于引导表示的雷达一维距离像自维持增量识别方法，包括以下步骤：
[0007]S1、构建数据集：
[0008]将学习过程划分为基础任务和增量任务两个阶段，基础任务只有一个任务T1，增量任务由多个不相交的任务{T2,T3,...,T
T
}构成；取雷达一维距离像数据的幅度像数据作为输入，为每个任务分配不同数量的类别，每类目标的样本数相同；定义基础任务的目标类别数为N1，增量任务的数量为T
‑
1，每个增量任务的目标类别数为N2，总类别数N＝N1+N2×
(T
‑
1)；
[0009]S2、数据预处理：
[0010]对S1中的所有样本进行归一化处理，将信号强度映射到(
‑
1，1)上，获得任务t的训练集：
[0011][0012]其中t代表第t个任务，T代表任务的数量；N代表总类别数；B代表采样点数；K
i
代表第i类目标的训练样本数；训练集的样本标签集表示为：
[0013][0014]式中y
trainij
表示样本x
trainij
的类别标签；
[0015]S3、构建自维持的引导表示网络：网络基础框架是vision transformer，在这个基础上，增加动态查询导航模块扩张vision transformer编码层的输入维度；增加结构扩展模块扩张编码层中后几层的网络结构；具体的：
[0016]S31、构建预训练好的基础vision transformer网络为其中φ
prem
(
·
)表示线性投影模块，φ
trans
(
·
)表示transformer编码层；具体的：
[0017]线性投影模块将雷达一维距离像拆分为多个一维块，输入x∈R1×
B
被分割成N
e
个向量，表示为再经过线性变换将其转换为适合ViT使用的维度D：
[0018][0019]在x
p
之前加入一个可学习的令牌，并添加每个嵌入块的位置信息：
[0020][0021]编码层共有L层，每一层包含：两个归一化LN、多头注意力MSA、两个dropout以及MLP块，模型的整体输出为最后一层x
class
对应的输出：
[0022]z
l
'＝dropout(MSA(LN(z
l
‑1)))+z
l
‑1,l＝1,...,L
[0023]z
l
＝dropout(MLP(LN(z
l
')))+z
l
',l＝1,...,L
[0024][0025]S32、构建动态查询导航模块，动态查询导航模块的输入为S2中预处理后的结果X
t
，通过查找与输入样本最相似的导航，输出M个与token具有相同维度的导航A，具体包括：
[0026]构建导航池，池中包含两个部分：键值K和导航A，键值和导航一一对应表示为{(k1,A1),(k2,A2),...,(k
N
,A
N
)}，共有N个；设计键值与vision transformer的x
class
对应的输出具有相同的维度设计导航与编码层的单个输入具有相同的维度A
i
∈R
D
；
[0027]查询得到导航，输入X
t
，经过一个预训练好的vision transformer，得到x
class
对应位置的输出计算与导航池中所有键值的相似度，找到相似程度最高的M个键值对应的索引：
[0028][0029]扩充输入，由于键值和导航一一对应，根据键值的索引找到M个navigation，表示为A
q
；用A
q
代替x
class
扩充x
e
：
[0030][0031]S33、构建结构扩展模块，将vision transformer的编码层划分为层固定层和层扩展层固定层在预训练之后冻结，扩展层被结构扩展模块按照元素级求和的方式扩充，具体包括：
[0032]构建扩展结构，设计扩展结构g与扩展层相同：个MSA层，每一层包含两个归一化LN、多头注意力MSA、两个dropout以及MLP块；扩展结构在每个任务训练结束后，使用内存数据库中的旧类数据更新；
[0033]扩展模型结构，扩展层和扩展结构的输入本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于引导表示的雷达一维距离像自维持增量识别方法，包括以下步骤：S1、构建数据集：将学习过程划分为基础任务和增量任务两个阶段，基础任务只有一个任务T1，增量任务由多个不相交的任务{T2,T3,...,T
T
}构成；取雷达一维距离像数据的幅度像数据作为输入，为每个任务分配不同数量的类别，每类目标的样本数相同；定义基础任务的目标类别数为N1，增量任务的数量为T
‑
1，每个增量任务的目标类别数为N2，总类别数N＝N1+N2×
(T
‑
1)；S2、数据预处理：对S1中的所有样本进行归一化处理，将信号强度映射到(
‑
1，1)上，获得任务t的训练集：其中t代表第t个任务，T代表任务的数量；N表示总类别数目；B代表采样点数；K
i
代表第i类目标的训练样本数。训练集的样本标签集表示为：式中y
trainij
表示样本x
trainij
的类别标签；S3、构建自维持的引导表示网络：网络基础框架是vision transformer，在这个基础上，增加动态查询导航模块扩张vision transformer编码层的输入维度；增加结构扩展模块扩张编码层中后几层的网络结构；具体的：S31、构建预训练好的基础vision transformer网络为其中φ
prem
(
·
)表示线性投影模块，φ
trans
(
·
)表示transformer编码层；具体的：线性投影模块将雷达一维距离像拆分为多个一维块，输入x∈R1×
B
被分割成N
e
个向量，表示为再经过线性变换将其转换为适合ViT使用的维度D：在x
p
之前加入一个可学习的令牌，并添加每个嵌入块的位置信息：编码层共有L层，每一层包含：两个归一化LN、多头注意力MSA、两个dropout以及MLP块，模型的整体输出为最后一层x
class
对应的输出：z
l
'＝dropout(MSA(LN(z
l
‑1)))+z
l
‑1,l＝1,...,Lz
l
＝dropout(MLP(LN(z
l
')))+z
l
',l＝1,...,LS32、构建动态查询导航模块，动态查询导航模块的输入为S2中预处理后的结果X
t
，通过查找与输入样本最相似的导航，输出M个与token具有相同维度的导航A，具体包括：构建导航池，池中包含两个部分：键值K和导航A，键值和导航一一对应表示为{(k1,A1),(k2,A...

【专利技术属性】
技术研发人员：廖阔，潘启迪，卜志纯，陈思情，沈晓峰，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：