【技术实现步骤摘要】
本专利技术涉及人工智能和无人机，具体指一种基于深度学习的无人机识别分类方法。
技术介绍
1、近年来，无人机技术的快速发展催生了许多有趣的应用，如货物运输、航空测绘、军事侦察等。尽管这些新应用带来了诸多便利，但对无人机技术的滥用也会对公共安全、隐私等构成威胁。如果利用无人机进行生化武器攻击，损失将更加严重。
2、与载人飞机相比，它具有体积小、造价低、使用方便、对作战环境要求低、战场生存能力较强等特点，这也给识别带来了一定的困难。因此，实时早期检测和识别无人机在现实场景中至关重要。
3、使用智能化的方法对无人机进行分类可以抑制无人机的滥用，保护人们的财产、人身等安全。因此，迫切需要一种智能化的技术解决无人机分类问题。
技术实现思路
1、本专利技术的目的主要是针对上述问题的不足，本专利技术公开了一种基于深度学习的无人机分类方法。将一维毫米波数据转换为二维图像，增大数据的特征差异，通过将注意力机制和残差网络相结合来提高网络的识别准确率。
2、为了解决上述技术问题，本专利技术的技术方案为：
3、一种基于深度学习的无人机识别分类方法，包括如下步骤：
4、s1、获取无人机的一维毫米波数据，使用数据转换方法将一维毫米波数据转换为二维图像，并划分为训练集、验证机和测试集；
5、s2、搭建基于resnet18的卷积神经网络模型，
6、s2-1、以resnet18为主干网络，通过并行的方式嵌入将注意力机制融合到resne
7、s2-2、根据数据集的类别数修改主干网络中全连接层神经元连接个数；
8、所述注意力机制为scse模块，scse模块从空间和通道两个方面来增强有意义的特征，抑制无用特征，从而提高网络的识别准确；
9、s3、在训练集上按照设置好的超参数进行模型的训练，训练结束后得到能够准确实现无人机分类的网络模型；
10、s4、应用无人机分类网络模型进行无人机分类。
11、上述技术方案中，通过步骤s1，格拉米角场可以将一维数据转化为二维图像，二维图像中具有更丰富的信息量，扩大了数据的主要特征的差异。
12、作为优选，所述步骤s3中，基于resnet18的卷积神经网络模型的训练方法为：设置迭代次数、学习速率、批大小、优化器四个超参数的初始值，所述无人机分类网络模型在四个超参数下进行训练，直至在训练集上的识别准确率不再提高，并且训练集和验证集的损失接近且趋向于零。
13、上述技术方案中，在训练集上按照设置好的超参数进行模型的训练，训练结束后得到一个能够准确识别无人机种类的卷积神经网络模型。
14、作为优选，所述步骤s3中，基于resnet18的卷积神经网络模型训练时，通过使用交叉熵损失函数进行训练。
15、1、作为优选，所述步骤s4中，进行分类的具体方法为：
16、s4-1、图像预处理：将输入的图像调整为与模型的输入相匹配的尺寸大小和归一化像素值；
17、s4-2、特征提取：通过卷积层和平均池化层进行特征提取；
18、s4-3、分类器进行分类：将提取的特征展平为特征向量，并通过全连接层进行分类，最后使用softmax函数将输出转化为每个类别的概率分布，softmax函数表达式如下：
19、
20、其中，zj表示输入向量中第j个元素的原始得分,n表示输入向量的维度，即类别的数量；e表示自然对数的底数。
21、作为优选，所述scse模块包括卷积层、sigmoid层、relu层、平均池化层。
22、作为优选，所述训练集、验证机和测试集按7：2：1的比例进行划分。
23、本专利技术具有以下的特点和有益效果：
24、采用上述技术方案，本专利技术从两个角度对原始resnet18进行改进，在提高网络识别准确率的同时不增加网络模型的参数量，使其能够很好的完成无人机种类识别，并且易于部署到实际5g基站上，设计更加合理有效。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的无人机识别分类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于深度学习的无人机识别分类方法，其特征在于，所述步骤S3中，基于ResNet18的卷积神经网络模型的训练方法为：设置迭代次数、学习速率、批大小、优化器四个超参数的初始值，所述无人机分类网络模型在四个超参数下进行训练，直至在训练集上的识别准确率不再提高，并且训练集和验证集的损失接近且趋向于零。
3.根据权利要求2所述的一种基于深度学习的无人机识别分类方法，其特征在于，所述步骤S3中，基于ResNet18的卷积神经网络模型训练时，通过使用交叉熵损失函数进行训练，损失函数的表达式为：
4.根据权利要求1所述的一种基于深度学习的无人机识别分类方法，其特征在于，所述scSE模块包括卷积层、Sigmoid层、ReLU层、平均池化层。
5.根据权利要求4所述的一种基于深度学习的无人机识别分类方法，其特征在于，所述平均池化层后添加了一个全局连接层。
6.根据权利要求5所述的一种基于深度学习的无人机识别分类方法，其特征在于，所述步骤S4中，
7.根据权利要求1所述的一种基于深度学习的无人机识别分类方法，其特征在于，所述训练集、验证机和测试集按7：2：1的比例进行划分。
...【技术特征摘要】
1.一种基于深度学习的无人机识别分类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于深度学习的无人机识别分类方法，其特征在于，所述步骤s3中，基于resnet18的卷积神经网络模型的训练方法为：设置迭代次数、学习速率、批大小、优化器四个超参数的初始值，所述无人机分类网络模型在四个超参数下进行训练，直至在训练集上的识别准确率不再提高，并且训练集和验证集的损失接近且趋向于零。
3.根据权利要求2所述的一种基于深度学习的无人机识别分类方法，其特征在于，所述步骤s3中，基于resnet18的卷积神经网络模型训练时，通过使用交叉熵损失函数进行...
【专利技术属性】
技术研发人员：周志刚，倪建功，赵靖宇，薛晓娜，林叶江，裴豆，程知群，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。