一种基于RTN的高分辨一维像目标识别方法技术

本发明专利技术公开了一种基于RTN的高分辨一维像目标识别方法，包括：建立回波信号模型；生成训练集和测试集；基于一维CNN模型构造改进的RTN模型；利用训练集对改进的RTN模型进行训练得到最终改进的RTN模型；将测试集输入最终改进的RTN模型，得到最终的目标识别结果。本发明专利技术改善了基于CNN的雷达目标识别模型的泛化能力，增强模型在受杂波、噪声干扰背景下的识别能力。力。力。

【技术实现步骤摘要】
一种基于RTN的高分辨一维像目标识别方法


[0001]本专利技术属于信号处理领域，尤其涉及一种基于RTN的高分辨一维像目标识别方法。

技术介绍

[0002]随着雷达分辨率的提高和宽带雷达技术的发展，雷达回波可以提供更加可靠的目标特征。高分辨距离像（HRRP）作为宽带高分辨雷达成像技术的一大类，近年来成为研究的热点。卷积神经网络（Convolutional Neural Network, CNN），是计算机视觉研究和应用领域中最具影响力的模型之一。同样，如果将时间看作一个空间维度，类似于二维图像的高度或宽度，CNN也可以对时间序列处理产生令人惊喜的效果。
[0003]基于卷积神经网络（CNN）的深度学习模型在目标识别领域表现优异, 但是当杂波、噪声对回波数据产生影响时，数据原有的分布被破坏，从而导致深度学习模型识别率大幅下降。

技术实现思路

[0004]为了解决上述问题，本专利技术提出了一种基于RTN的高分辨一维像目标识别方法，包括以下步骤：
[0005]步骤1：建立回波信号模型；根据回波信号模型生成目标回波数据，并对目标回波数据进行预处理，生成源域数据和目标域数据，将源域数据中的一部分数据和目标域数据中的一部分数据作为训练集，将源域数据中的另一部分数据和目标域数据中的另一部分数据作为测试集；所述源域数据带有标签信息，目标域数据没有标签信息；
[0006]步骤2：基于一维CNN模型构造改进的RTN模型；
[0007]步骤3：利用训练集对改进的RTN模型进行训练得到最终改进的RTN模型；
[0008]步骤4：将测试集输入最终改进的RTN模型，得到最终的目标识别结果。
[0009]进一步地，步骤2所述改进的RTN模型包括输入层、卷积层、全连接层、残差层、分类层和输出层；其中，输入层、卷积层基于一维CNN模型实现，输入层、卷积层和全连接层串行连接，卷积层得到的卷积结果输入全连接层；
[0010]在所述步骤3中，通过 SGD更新改进的RTN模型的参数，直到模型收敛，得到最终改进的RTN模型。
[0011]进一步地，所述步骤3具体包括：
[0012]使用交叉熵损失函数计算源域数据在输出层的交叉熵损失，计算目标域数据经过残差层后的残差层输出和源域数据输出的MK
‑
MMD距离，使用熵损失函数计算目标域数据在分类层的熵损失，将上述计算结果汇总形成总损失值，使用SGD更新改进的RTN模型的参数。
[0013]进一步地，源域数据在输出层的交叉熵损失的计算公式为：
[0014][0015][0016]其中，表示源域数据的总个数，是输出层预测的关于源域数据的结果向量，是源域数据对应的真值向量，表示交叉熵损失函数。
[0017]进一步地，目标域数据经过残差层后的残差层输出和源域数据输出的MK
‑
MMD距离的计算公式为：
[0018][0019][0020]其中，L= {fc1, fc2, output layer}，output layer表示输出层，输出层的数据是未激活状态；为第层的重要性权重；表示输入第层的数据的个数，为第n个数据对应的高斯核，为源域数据在第层的特征向量，为目标域数据在第层的特征向量；表示第层的MK
‑
MMD距离。
[0021]进一步地，目标域数据在分类层的熵损失的计算公式为：
[0022][0023][0024]其中，表示目标域数据的总个数，源域数据和目标域数据一一对应，H表示熵损失函数。
[0025]进一步地，总损失值的计算公式为：
[0026][0027]其中，为总损失值，为距离的惩罚系数，为目标域数据在分类层的熵损失的惩罚系数。
[0028]进一步地，目标域数据中包括服从瑞利分布的海杂波。
[0029]本专利技术与现有技术相比，具备的优点在于：
[0030]本专利技术构建了基于残差迁移网络的HRRP目标识别模型；创新性地把联合分布自适应应用在了基于残差迁移网络的目标识别模型中，改善了基于CNN的雷达目标识别模型的泛化能力，增强模型在受杂波、噪声干扰背景下的识别能力，相对于传统方法的识别率提高了20%
‑
30%。
附图说明
[0031]图1为传统二维CNN模型的CNN结构示意图。
[0032]图2 为传统二维CNN模型的卷积过程示意图。
[0033]图3 为一维CNN模型的一维CNN结构示意图。
[0034]图4 为一维CNN模型的卷积过程示意图。
[0035]图5 为本专利技术实施例的改进的RTN模型的示意图。
[0036]图6 为传统方法的加入SCR=30dB海杂波时熵损失变化图。
[0037]图7 为本专利技术实施例方法的加入SCR=30dB海杂波时熵损失变化图。
具体实施方式
[0038]为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使本申请的公开内容更加透彻全面。
[0039]除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的
的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
[0040]本专利技术提供了一种基于RTN (Residual Transfer Networks，残差迁移网络)的高分辨一维像目标识别方法，下面介绍具体的实施方式。
[0041]（1）建立回波信号模型和卷积神经网络模型
[0042]雷达的载频为，这里为一个相参处理间隔内的脉冲个数，设第个脉冲的发射信号为
[0043]ꢀꢀꢀ
（1）
[0044]ꢀꢀꢀꢀ
（2）
[0045]式中：为发射信号的幅度，为快时间，为慢时间，为全时间，为脉冲重复周期，为脉冲宽度，为矩形函数，，j表示虚部。
[0046]对于远处的一个点目标，其回波信号表示为
[0047]ꢀꢀ
（3）
[0048]式中：为回波幅度，为衰减因子，为回波时延，为目标的初始距离，为目标的速度，为光速， 为雷达载频。B/T，其中B为工作带宽。雷达的距离分辨率是由带宽决定的，可表示为：
[0049]ꢀꢀꢀ
（4）
[0050]当高分辨率雷达探测到飞机、舰船等大型目标时，由于目标尺寸远大于分辨率，此时可将目标回波（HRRP）看作是多个散射中心的集合，包含了丰富的目标结构信息，通过提取这些结构特征，可以完成目标识别任务。现有的卷积神经网络（CNN）的应用场景中大多被用来处理二维图像等。但是HRRP属于一维结构信息，因此可以提出两种模型对HRRP进行目标识别。
[0051]在使用传统的二维CNN结构时（图1和图2），需要对原来的HRRP数据变成二维数据，然后对其进行卷积等本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于RTN的高分辨一维像目标识别方法，其特征在于，包括以下步骤：步骤1：建立回波信号模型；根据回波信号模型生成目标回波数据，并对目标回波数据进行预处理，生成源域数据和目标域数据，将源域数据中的一部分数据和目标域数据中的一部分数据作为训练集，将源域数据中的另一部分数据和目标域数据中的另一部分数据作为测试集；所述源域数据带有标签信息，目标域数据没有标签信息；步骤2：基于一维CNN模型构造改进的RTN模型；步骤3：利用训练集对改进的RTN模型进行训练得到最终改进的RTN模型；步骤4：将测试集输入最终改进的RTN模型，得到最终的目标识别结果。2.根据权利要求1所述的基于RTN的高分辨一维像目标识别方法，其特征在于，步骤2所述改进的RTN模型包括输入层、卷积层、全连接层、残差层、分类层和输出层；其中，输入层、卷积层基于一维CNN模型实现，输入层、卷积层和全连接层串行连接，卷积层得到的卷积结果输入全连接层；在所述步骤3中，通过SGD更新改进的RTN模型的参数，直到模型收敛，得到最终改进的RTN模型。3.根据权利要求2所述的基于RTN的高分辨一维像目标识别方法，其特征在于，所述步骤3具体包括：使用交叉熵损失函数计算源域数据在输出层的交叉熵损失，计算目标域数据经过残差层后的残差层输出和源域数据输出的MK
‑
MMD距离，使用熵损失函数计算目标域数据在分类层的熵损失，将上述计算结果汇总形成总损失值，使用SGD更新改进的RTN模型的参数...

【专利技术属性】
技术研发人员：王国帅，刘云申，张弘，敖呈欢，陈帅，卢建，
申请(专利权)人：南京国睿防务系统有限公司，
类型：发明
国别省市：