面向误标注与不平衡样本的雷达目标识别方法及装置制造方法及图纸

本发明专利技术公开了面向误标注与不平衡样本的雷达目标识别方法及装置，方法包括：将雷达采集的目标数据进行预处理，得到全部的训练数据，并划分为训练集和测试集；构建分类模型，用训练集进行初次训练，确定最佳迭代次数，损失函数；再重新训练构建的分类模型，设定迭代次数，通过某一类样本计算每一条该类样本的损失函数均值，并将错误标注的样本剔除；再将初次训练分类模型的损失函数进行修改，利用剔除后的训练数据进行再次训练；利用再次训练好的分类模型，对雷达目标进行实时识别。本发明专利技术通过辨别和剔除雷达的误标注样本，消除了错误标注对识别任务造成的巨大负面影响；通过处理不平衡样本，提升了对雷达目标的识别效果。提升了对雷达目标的识别效果。提升了对雷达目标的识别效果。

【技术实现步骤摘要】
面向误标注与不平衡样本的雷达目标识别方法及装置


[0001]本专利技术涉及雷达信号特征提取与目标识别
，具体涉及一种面向误标注与不平衡样本的雷达目标识别方法及装置。

技术介绍

[0002]随着人工智能技术的发展，人们开始了对包括雷达在内的各种装备的智能化改造研究，使用雷达数据对目标进行分类识别也成为了热点课题。相关的研究资料有中国专利CN201610896005.6，中国专利CN202011419393.1，中国专利CN201810851549.X，中国专利CN202111110784.X，BK Kim和HS Kang等的《Drone Classification Using Convolutional Neural Networks With Merged Doppler Images》，Karl Erik Olsen和Hugh Griffiths的《Classification of Birds and UAVs based on RadarPolarimetry》等。
[0003]这一课题的主流研究方法使用监督方法，需要采集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.面向误标注与不平衡样本的雷达目标识别方法，其特征在于，包括以下步骤：步骤a)、将雷达采集的带标签目标数据进行预处理，得到全部的训练数据T，并将全部的训练数据T划分为训练集Tr和测试集Ts；步骤b)、构建分类模型，用步骤a)所述训练集Tr训练分类模型，并根据分类模型在测试集Ts上的表现确定最佳迭代次数E
p
；分类模型的损失函数为其中，C为样本类别数量，p＝[p1,
……
,p
C
]是一个概率分布，每个元素p
i
表示样本属于第i类的概率；y＝[y1,
……
,y
C
]是样本标签的One
‑
Hot表示，当样本属于第i类时，y
i
＝1，否则y
i
＝0；α
i
是第i类的加权系数，大小与第i类的样本数量成反比；步骤c)、用步骤a)所述全部的训练数据T重新训练步骤b)所构建的分类模型，训练的迭代次数设定为E
o
；E
o
为不超过步骤b)所确定最佳迭代次数E
p
的正整数；步骤d)、将步骤a)所述全部的训练数据T中的某一类样本分别输入到步骤c)所训练得到的分类模型中，计算每一条该类样本的损失函数均值；最大的K个损失函数均值对应的样本即为该类样本中错误标注的样本，将错误标注的样本全部从步骤a)所述全部的训练数据T中剔除；其中，K为预设的正整数；对每一类样本分别执行步骤d)，以将所有类样本中错误标注的样本全部剔除；步骤e)、将步骤b)所训练的分类模型的损失函数改为步骤e)、将步骤b)所训练的分类模型的损失函数改为利用步骤d)剔除错误标注的样本的训练数据T再次进行训练；损失函数中的γ为预设的正数；利用再次训练好的分类模型，对雷达目标进行实时识别。2.根据权利要求1所述面向误标注与不平衡样本的雷达目标识别方法，其特征在于，所述步骤a)中，目标数据至少包括目标航迹、速度与雷达散射截面信息构成的高维时间序列数据；进行预处理包括进行数据的插值与清洗，以及将高维时间序列数据切分成等长的标准子数据序列。3.根据权利要求1所述面向误标注与不平衡样本的雷达目标识别方法，其特征在于，所述步骤b)中，构建的所述分类模型为深度神经网络分类模型，深度神经网络为CNN结构、RNN结构、LSTM结构、Transformer结构中的一种。4.根据权利要求3所述面向误标注与不平衡样本的雷达目...

【专利技术属性】
技术研发人员：胡亮，王镜宇，郑敏娥，陶原野，展华益，
申请(专利权)人：四川长虹电子控股集团有限公司，
类型：发明
国别省市：