空间目标的小样本识别方法、装置、计算设备及存储介质制造方法及图纸

本发明专利技术涉及数据处理技术领域，特别涉及一种空间目标的小样本识别方法、装置、计算设备及存储介质。方法包括：获取初始训练集和测试集；将初始训练集输入至预先构建的神经网络，得到初始识别模型和训练样本的深层降维特征；针对每一个测试样本均执行：将当前测试样本输入至初始识别模型，以基于聚类方法、训练样本的深层降维特征和当前测试样本的深层降维特征，判断当前测试样本是否扩充至初始训练集；若是，则基于当前测试样本的识别结果和判断结果，对初始识别模型进行二次训练；若否，则判断下一个测试样本，直至得到最终的训练集、目标识别模型和测试样本的识别结果。本方案可以有效提高小样本情形下空间目标的识别准确率。效提高小样本情形下空间目标的识别准确率。效提高小样本情形下空间目标的识别准确率。

【技术实现步骤摘要】
空间目标的小样本识别方法、装置、计算设备及存储介质


[0001]本专利技术实施例涉及数据处理
，特别涉及一种空间目标的小样本识别方法、装置、计算设备及存储介质。

技术介绍

[0002]随着空间技术的快速发展，空间态势技术已成为世界各国的一个研究热点，空间目标的识别作为空间态势感知的重要一环，是空间系统的关键技术之一。
[0003]然而，在实际应用中，由于观测站点和空间目标过顶的角度原因，通常只能采集到空间目标有限的电磁散射数据，而现有的空间目标的识别方法在小样本情形下，往往会因为训练样本太少而导致识别准确率较低。故而，如何在小样本情形下实现空间目标的高效识别具有十分重要的意义。
[0004]因此，亟需一种空间目标的小样本识别方法。

技术实现思路

[0005]为了解决现有的空间目标识别方法在小样本情形下的识别准确率较低的问题，本专利技术实施例提供了一种空间目标的小样本识别方法。
[0006]第一方面，本专利技术实施例提供了一种空间目标的小样本识别方法，包括：
[0007]获取初始训练集和测试集；其中，所述初始训练集包括空间目标的若干个训练样本和每一个所述训练样本的类别标签，所述测试集包括空间目标的若干个测试样本；
[0008]将所述初始训练集输入至预先构建的神经网络，以对所述神经网络进行初始训练，得到初始识别模型和所述训练样本的深层降维特征；
[0009]针对每一个所述测试样本，均执行：将当前测试样本输入至所述初始识别模型，以基于聚类方法、所述训练样本的深层降维特征和当前测试样本的深层降维特征，判断当前测试样本是否扩充至所述初始训练集；
[0010]若是，则基于当前测试样本的识别结果和判断结果，对所述初始识别模型进行二次训练；
[0011]若否，则将下一个测试样本作为新的当前训练样本，跳转执行所述将当前测试样本输入至所述初始识别模型；
[0012]得到最终的训练集、目标识别模型和每一个所述测试样本的识别结果。
[0013]第二方面，本专利技术实施例还提供了一种空间目标的小样本识别装置，包括：
[0014]获取单元，用于获取初始训练集和测试集；其中，所述初始训练集包括空间目标的若干个训练样本和每一个所述训练样本的类别标签，所述测试集包括空间目标的若干个测试样本；
[0015]第一训练单元，用于将所述初始训练集输入至预先构建的神经网络，以对所述神经网络进行初始训练，得到初始识别模型和所述训练样本的深层降维特征；
[0016]扩充单元，用于针对每一个所述测试样本，均执行：将当前测试样本输入至所述初
始识别模型，以基于聚类方法、所述训练样本的深层降维特征和当前测试样本的深层降维特征，判断当前测试样本是否扩充至所述初始训练集；
[0017]第二训练单元，用于当若是时，基于当前测试样本的识别结果和判断结果，对所述初始识别模型进行二次训练；
[0018]跳转单元，用于当若否时，将下一个测试样本作为新的当前训练样本，跳转执行所述将当前测试样本输入至所述初始识别模型；
[0019]输出单元，用于得到最终的训练集、目标识别模型和每一个所述测试样本的识别结果。
[0020]第三方面，本专利技术实施例还提供了一种计算设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。
[0021]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。
[0022]本专利技术实施例提供了一种空间目标的小样本识别方法、装置、计算设备及存储介质，首先获取带有类别标签的初始训练集和不带有类别标签的测试集；然后，将初始训练集输入至预先构建的神经网络，以对神经网络进行初始训练，得到初始识别模型和训练样本的深层降维特征；接着，针对每一个测试样本均执行：将当前测试样本输入至初始识别模型，以基于聚类方法、训练样本的深层降维特征和当前测试样本的深层降维特征，判断当前测试样本是否扩充至初始训练集；若是，则基于当前测试样本的识别结果和判断结果，对初始识别模型进行二次训练；若否，则判断下一个测试样本，直至得到最终的训练集、目标识别模型和每一个测试样本的识别结果。因此，本方案可以有效提高小样本情形下空间目标的识别准确率。
附图说明
[0023]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0024]图1是本专利技术一实施例提供的一种空间目标的小样本识别方法的流程图；
[0025]图2是本专利技术一实施例提供的一类空间目标的仿真模型图；
[0026]图3是本专利技术一实施例提供的另一类空间目标的仿真模型图；
[0027]图4是本专利技术一实施例提供的又一类空间目标的仿真模型图；
[0028]图5是本专利技术一实施例提供的一种计算设备的硬件架构图；
[0029]图6是本专利技术一实施例提供的一种空间目标的小样本识别装置结构图。
具体实施方式
[0030]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是
本专利技术一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0031]如前所述，现有的空间目标的识别方法在小样本情形下，往往会因为训练样本太少而导致识别准确率较低。
[0032]为了解决上述技术问题，专利技术人可以考虑将神经网络和聚类方法结合来构建深度聚类网络，以利用测试样本对初始训练集进行扩充，以此来提高小样本情形下的空间目标识别准确率。
[0033]下面描述以上构思的具体实现方式。
[0034]请参考图1，本专利技术实施例提供了一种空间目标的小样本识别方法，该方法包括：
[0035]步骤100，获取初始训练集和测试集；其中，初始训练集包括空间目标的若干个训练样本和每一个训练样本的类别标签，测试集包括空间目标的若干个测试样本；
[0036]步骤102，将初始训练集输入至预先构建的神经网络，以对神经网络进行初始训练，得到初始识别模型和训练样本的深层降维特征；
[0037]步骤104，针对每一个测试样本，均执行：将当前测试样本输入至初始识别模型，以基于聚类方法、训练样本的深层降维特征和当前测试样本的深层降维特征，判断当前测试样本是否扩充至初始训练集；
[0038]步骤106，若是，则基于当前测试样本的识别结果和判断结果，对初始识别模型进行二次训练；
[0039]步骤108，若本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种空间目标的小样本识别方法，其特征在于，包括：获取初始训练集和测试集；其中，所述初始训练集包括空间目标的若干个训练样本和每一个所述训练样本的类别标签，所述测试集包括空间目标的若干个测试样本；将所述初始训练集输入至预先构建的神经网络，以对所述神经网络进行初始训练，得到初始识别模型和所述训练样本的深层降维特征；针对每一个所述测试样本，均执行：将当前测试样本输入至所述初始识别模型，以基于聚类方法、所述训练样本的深层降维特征和当前测试样本的深层降维特征，判断当前测试样本是否扩充至所述初始训练集；若是，则基于当前测试样本的识别结果和判断结果，对所述初始识别模型进行二次训练；若否，则将下一个测试样本作为新的当前训练样本，跳转执行所述将当前测试样本输入至所述初始识别模型；得到最终的训练集、目标识别模型和每一个所述测试样本的识别结果。2.根据权利要求1所述的方法，其特征在于，所述神经网络包括三层稀疏自编码网络和分类器，所述识别结果为所述分类器的输出，所述深层降维特征为最后一层稀疏自编码网络的输出。3.根据权利要求1所述的方法，其特征在于，所述基于聚类方法、所述训练样本的深层降维特征和当前测试样本的深层降维特征，判断当前测试样本是否扩充至所述初始训练集，包括：基于聚类方法，对所述训练样本的深层降维特征进行聚类，得到每一个类别的中心点的位置以及每一个类别的平均距离；其中，所述平均距离为该类别中所有训练样本到该类别的中心点的距离的平均值；基于当前测试样本的深层降维特征，计算当前测试样本到各类别的中心点的距离；基于每一个类别的所述平均距离和当前测试样本到各类别的中心点的距离，判断当前测试样本是否扩充至所述初始训练集。4.根据权利要求3所述的方法，其特征在于，所述训练样本到该类别的中心点的距离是通过如下公式进行计算的：式中，X为所述训练样本的深层降维特征，N为训练样本的深层降维特征的数据点维度，X(n)为训练样本的每个数据点，C为训练样本对应类别的中心点位置。5.根据权利要求3所述的方法，其特征在于，所述基于每一个类别的所述平均距离和当前测试样本到各类别的中心点的距离，判断当前测试样本...

【专利技术属性】
技术研发人员：冯雪健，霍超颖，朱晨曦，殷红成，
申请(专利权)人：北京环境特性研究所，
类型：发明
国别省市：