【技术实现步骤摘要】
本专利技术涉及雷达探测和深度学习领域，具体涉及一种基于深度特征变换的雷达数据增强方法、系统和装置。
技术介绍
1、在利用深度学习模型对数据进行分类、识别等处理时，需要依托大量数据样本才能实现模型的有效训练。然而，在雷达探测领域，要获取海量、真实的探测数据是非常具有挑战性的任务，因为雷达探测数据的收集过程更加依赖于专用探测设备，并在相对严格的数据处理流程下，才能获得有效的数据样本。雷达探测数据样本积累不足，极大地限制了深度学习技术在雷达探测领域的广泛应用。
技术实现思路
1、本专利技术提供一种基于深度特征变换的雷达数据增强方法、系统和装置，用以解决雷达探测样本积累不足带来的模型过拟合和泛化能力不足的问题。
2、为实现上述目的，本专利技术采用如下技术方案：
3、本专利技术提供了一种基于深度特征变换的合成孔径雷达数据增强方法，包括：
4、构建雷达实测样本集；
5、构建深度神经网络模型，所述深度神经网络模型由卷积神经网络和全连接神经网络组成；
6、基于所述雷达实测样本集训练深度神经网络模型，获得预训练深度神经网络模，并从预训练深度神经网络模型中提取出预训练卷积神经网络；
7、基于所述预训练卷积神经网络对所述雷达实测样本集进行编码；
8、基于所述雷达实测样本集的编码结果进行深度特征变换和逆变换，从而获取所述雷达实测样本集的数据增强结果。
9、可选的，
10、所述构建雷达实测样本集，包括
11、雷达实测样本集由n个合成孔径雷达数据样本以及每个样本对应的分类标签组成。
12、可选的，
13、所述构建深度神经网络模型，所述深度神经网络模型由卷积神经网络和全连接神经网络组成，包括：
14、构建卷积神经网络，所述卷积神经网络以雷达实测样本为输入；
15、构建全连接神经网络，所述全连接神经网络与所述卷积神经网络直接连接，获取所述卷积神经网络的输出，并输出雷达实测样本对应的分类结果。
16、可选的，
17、所述基于所述雷达实测样本集训练深度神经网络模型，获得预训练深度神经网络模，并从预训练深度神经网络模型中提取出预训练卷积神经网络，包括：
18、通过梯度下降算法训练卷积神经网络和全连接神经网络，其中：
19、卷积神经网络以雷达实测样本为输入，输出雷达实测样本对应的特征向量，全连接神经网络以所述特征向量为输入，输出每个雷达实测样本对应的分类结果，根据所述分类结果和分类标签计算损失函数，当所述损失函数收敛时停止训练。
20、可选的，
21、所述基于所述预训练卷积神经网络对所述雷达实测样本集进行编码，包括：
22、将达实测样本集输入预训练卷积神经网络，获取每个样本对应的特征向量；
23、基于每个样本对应的分类标签和特征向量，分类统计协方差矩阵，得到协方差矩阵集合，所述协方差矩阵集合中每个矩阵对应着一个目标分类。
24、可选的，
25、所述基于所述雷达实测样本集的编码结果进行深度特征变换和逆变换，从而获取所述雷达实测样本集的数据增强结果，包括：
26、s1、从协方差矩阵集合提取一个协方差矩阵；
27、s2、基于协方差矩阵构建零均值正态分布，并利用正态分布采样随机向量，从而得到协方差矩阵对应的变换特征，再次执行s1直至获得所有协方差矩阵的变换特征；
28、s3、基于所述变换特征和雷达实测样本集，进行特征逆变换，从而实现雷达实测样本集的数据增强。
29、可选的，
30、，所述基于所述变换特征和雷达实测样本集，进行特征逆变换，从而实现雷达实测样本集的数据增强，具体包括：
31、
32、式中，tω(x)代表雷达实测样本集，代表变换特征，代表数据增强结果，c代表类别数量。
33、本专利技术还提供了一种基于深度特征变换的合成孔径雷达数据增强系统，包括：
34、数据集构建模块、用于构建雷达实测样本集；
35、网络模型构建模块、构建深度神经网络模型，所述深度神经网络模型由卷积神经网络和全连接神经网络组成；
36、训练模块、基于所述雷达实测样本集训练深度神经网络模型，获得预训练深度神经网络模，并从预训练深度神经网络模型中提取出预训练卷积神经网络；
37、编码模块、用于基于所述预训练卷积神经网络对所述雷达实测样本集进行编码；
38、数据增强模块、用于基于所述雷达实测样本集的编码结果进行深度特征变换和逆变换，从而获取所述雷达实测样本集的数据增强结果。
39、本专利技术还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项所述的基于深度特征变换的合成孔径雷达数据增强方法。
40、本专利技术还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项所述的基于深度特征变换的合成孔径雷达数据增强方法。
41、本说明书采用的上述至少一个技术方案能够达到以下有益效果:
42、通过深度特征变换进行合成孔径雷达数据增强，输入为少量合成孔径雷达探测样本，通过将样本映射到深度特种空间并进行特征变换，实现样本扩充，从而缓解因雷达探测样本积累不足，而带来的模型过拟合和泛化能力不足问题。
本文档来自技高网...【技术保护点】
1.一种基于深度特征变换的合成孔径雷达数据增强方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述构建雷达实测样本集，包括：
3.根据权利要求2所述的方法，其特征在于，所述构建深度神经网络模型，所述深度神经网络模型由卷积神经网络和全连接神经网络组成，包括：
4.根据权利要求3所述的方法，其特征在于，所述基于所述雷达实测样本集训练深度神经网络模型，获得预训练深度神经网络模，并从预训练深度神经网络模型中提取出预训练卷积神经网络，包括：
5.根据权利要求2所述方法，其特征在于，所述基于所述预训练卷积神经网络对所述雷达实测样本集进行编码，包括：
6.根据权利要求5所述的方法，其特征在于，所述基于所述雷达实测样本集的编码结果进行深度特征变换和逆变换，从而获取所述雷达实测样本集的数据增强结果，包括：
7.根据权利要求6所述的方法，其特征在于，所述基于所述变换特征和雷达实测样本集，进行特征逆变换，从而实现雷达实测样本集的数据增强，具体包括：
8.一种基于深度特征变换的合成孔径雷达数据增强系统
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7任一项所述的基于深度特征变换的合成孔径雷达数据增强方法。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1至7中任一项所述的基于深度特征变换的合成孔径雷达数据增强方法。
...【技术特征摘要】
1.一种基于深度特征变换的合成孔径雷达数据增强方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述构建雷达实测样本集，包括：
3.根据权利要求2所述的方法，其特征在于，所述构建深度神经网络模型，所述深度神经网络模型由卷积神经网络和全连接神经网络组成，包括：
4.根据权利要求3所述的方法，其特征在于，所述基于所述雷达实测样本集训练深度神经网络模型，获得预训练深度神经网络模，并从预训练深度神经网络模型中提取出预训练卷积神经网络，包括：
5.根据权利要求2所述方法，其特征在于，所述基于所述预训练卷积神经网络对所述雷达实测样本集进行编码，包括：
6.根据权利要求5所述的方法，其特征在于，所述基于所述雷达实测样本集的编码结果进...
【专利技术属性】
技术研发人员：康旭，董胜波，苏琪雅，李欣致，蔺震，
申请(专利权)人：北京遥感设备研究所，
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。