CN107870321A - 基于伪标签学习的雷达一维距离像目标识别方法 - Google Patents

Abstract

本发明属于雷达目标识别领域，尤其涉及一种基于伪标签学习的雷达一维距离像目标识别方法。本发明的技术方案为：首先将单基地雷达获取的一维距离像信噪比SNR为22dB的数据作为训练数据，并对样本数据的标签做离散编码；然后利用CNN分别以两种目标标记方式进行训练得到预测模型，利用预测模型对待识别样本进行识别获得伪标签，对伪标签进行多级编码；并将待识别数据和伪标签一同作为训练数据重新训练，获得新的预测模型，以此作为最终的目标识别模型。

Description

基于伪标签学习的雷达一维距离像目标识别方法

技术领域

本发明属于雷达目标识别领域，具体的说是涉及一种基于伪标签学习的雷达一维距离像目标识别方法。

背景技术

本发明是雷达目标识别领域的创新型实用方法，该方法是经过对雷达实测回波数据的识别验证下提出的。雷达实测回波数据是现代雷达目标识别的关键性信息。通过分析由高分辨率雷达获取的雷达一维距离像数据可以获得雷达照射目标的较多显著的特征信息，如取散射中心在雷达视线上的分布，以及物理形状等。传统的目标识别算法人为筛选雷达回波信号特征，虽然取得一定的识别效率但是其筛选的信息损失也导致了传统方法在雷达识别领域的局限性；现在结合深度神经网络可以通过监督学习获得有利于识别的目标高阶特征，在一定程度上克服了人为选取特征的及其他无监督降维选取特征方法的信息损失的局限性。然而上述方法均是从雷达一维像数据特征处理的角度出发，提高目标识别精度。深度学习需要大量的数据驱动学习，针对雷达目标数据样本相对较少的前提下，提出了基于伪标签的半监督深度神经网络识别方法。该方法可以增加数据结构的多样性。因此，研究基于伪标签学习神经网络的识别方法是提高目标识别率并且提高深度模型泛化能力的一种有效方法。

发明内容

本发明属于雷达目标识别技术领域，提出了基于伪标签学习的半监督学习方法。本发明在通过对雷达目标的标签进行编码重构成多级区域型标签的基础上，训练神经网络模型，对待识别目标库样本进行向前预测，并将识别结果重新编码为多级区域型伪标签输入神经网络继续训练获得预测模型。本发明结合多级区域型目标表示方法，针对雷达目标一维距离像识别效果进行算法验证，设计一种半监督的基于伪标签的雷达一维距离像目标识别方法。

本发明的技术方案为：首先将单基地雷达获取的一维距离像信噪比SNR为22dB的数据作为训练数据，并对样本数据的标签做离散编码；然后利用CNN分别以两种目标标记方式进行训练得到预测模型，利用预测模型对待识别样本进行识别获得伪标签，对伪标签进行多级编码；并将待识别数据和伪标签一同作为训练数据重新训练，获得新的预测模型，以此作为最终的目标识别模型。

一种基于伪标签学习的雷达一维距离像目标识别方法方法，具体步骤如下：

S1、获取源数据：选用由高分辨率雷达采集的高分辨率一维距离像数据作为源数据，所述源数据组成数据集原始标记为其中，K表示目标类别总数，F表示目标的一维距离像特征点数目，N_i表示第i类目标样本数目，为数据集合中样本总数，y_ij表示第i类第j个样本的标签，y_ij∈[0,1,2···,K-1]，i＝1,2,3,...,K，K为自然数，j为不为零的自然数；

S2、对S1选取的源数据进行处理，得到处理好的数据集：

S21、将S1中数据集X₀的数据进行筛选，将信噪比SNR等于22dB的样本抽出形成新的数据集

S22、根据缩放公式对X₁进行数值缩放，将缩放后的样本集记为其中，表示每个距离特征点，X.mean表示所有样本距离特征点的均值；

S23、将X₂中同类目标的样本按照雷达照射方向，划分构成训练集和测试集，记训练集数据为记测试集数据为其中，表示第i类目标的第n幅一维距离像样本，且维数F＝300，M_i代表测试集中第i类目标的一维距离像数，n为输入数据数量；

S3、将所有目标的单标签编码成多姿态的并行标签，具体为：对训练集数据Tr₁将每类数据对应的标签编码，将K类目标的标签Label_K∈[0,1,2···,K-1]，K≥2，按每类对应提取出来，将标签0编码为[0,1,···,n-1],n＞＝2，标签1编码为[n,n+1,···,2n-1]，依次类推，标签K-1编码为[(K-1)n,(K-1)n+1,···,Kn-1]，则总的标签标记为Label_Kn∈[0,1,2,···,Kn-1]；

S4、对S2中处理好的数据集进行reshape操作，一维雷达距离像数据的形状为N*300，将reshape后的训练集数据和测试集数据分别记为Tr₂和V₂，其中，reshape为适合用于tensorflow做空间卷积的形状N*1*300*1的格式，N表示每个数据集的样本数目；

S5、构建一维卷积神经网络，所述一维卷积神经网络采用3个卷积池化层和1个全连接层以及softmax层，记为CNN；

S6、将训练数据导入S5构建的一维卷积神经网络，目标标签分别采用多级编码的离散区域标签Label_Kn以及原始标签Label_K输入一维卷积神经网络，其中，两种标签编码方式采用结构相同的神经网络模型，采用梯度下降法分别CNN的超参数进行微调，迭代S步后，得到有效的飞机目标预测模型，其中，CNN损失函数采用逻辑斯特损失函数，其表达式为：y_i为对应样本的标签，p_i表示模型计算得到的概率值，S≥100；

S7、采用步骤S6中获得的一维神经网络预测模型对测试样本进行目标识别，针对标签为Label_Kn的数据，其输出预测值按照步骤S3的编码方式逆行，将其按照编码区域划分将所属类别解码到Label_K∈[0,1,2···,K-1],K≥2，再对其进行正确的归类；

S8、使用步骤S7的预测结果作为待识别目标的伪标签，将待识别目标及其标签进行多级编码作为新的添加训练数据集，结合原始训练集重复步骤S6，得到新的预测模型；

S9、使用S8获得的模型，重复步骤S7的操作对待识别样本重新进行识别。

进一步地，S5所述的维卷积神经网络构成如下：

S51、CNN的输入S4所述Tr₂，输入的标签数据分别对应为Label_4和Label_40，所有卷积层的卷积核大小均为1×3，所有池化层的核大小均为1×11，其中，CNN的最后一个池化层步长为2,其余池化层步长均为1；

S52、CNN所有卷积核权重初始化方式采用高斯正态分布，并使用l2正则化；

S53、CNN设置池化的方法，考虑到雷达目标的一维距离像存在多个峰值区域，故采用最大池化的方式保留有效的高通信号；

S54、CNN的激活函数均采用指数线性单元(ELU)函数，其表达式为：

进一步地，S6所述S＝300。

本发明的有益效果是：

丰富了数据结构，准确率高。

附图说明

图1为一维卷积神经网络模型结构示意图。

图2基于伪标签神经网络的目标识别流程图。

具体实施方式

下面结合附图对本发明进行说明。

如图2所示，首先，对待识别目标做数据预处理，选取信噪比为22dB的数据作为训练数据，将目标单标签离散编码成离散区域标签，再结合神经网络进行模型训练，得到四个飞机目标预测模型Model_4、Model_40，并对4类待识别飞机目标识别测试；将识别结果作为伪标签分别进行one-hot编码以及多级区域one-hot编码，将待识别数据及其伪标签作为扩展的训练数据再训练获得最终的识别模型Model_P4和Model_P40，具体步骤如下：

S1、获取源数据：选用由高分辨率雷达采集的高分辨率一维距离像数据作为源数据，所述源数据组成数据集原始标记为其中，K表示目标类别总数，F表示目标的一维距离像特征点数目，N_i表示第i类目标样本数目，为数据集合中样本总数，y_ij表示第i类第j个样本的标签，y_ij∈[0,1,2···,K-1]，i＝1,2,3,...,K，K为自然数，j为不为零的自然数；

S2、对S1选取的源数据进行处理，得到处理好的数据集：

S21、将S1中数据集X₀的数据进行筛选，将信噪比SNR等于22dB的样本抽出形成新的数据集

S22、根据缩放公式对X₁进行数值缩放，将缩放后的样本集记为其中，表示每个距离特征点，X.mean表示所有样本距离特征点的均值；

S23、将X₂中同类目标的样本按照雷达照射方向，划分构成训练集和测试集，记训练集数据为记测试集数据为其中，表示第i类目标的第n幅一维距离像样本，且维数F＝300，M_i代表测试集中第i类目标的一维距离像数，n为输入数据数量；

S3、将所有目标的单标签编码成多姿态的并行标签，具体为：对训练集数据Tr₁将每类数据对应的标签编码，将K类目标的标签Label_K∈[0,1,2···,K-1]，K≥2，按每类对应提取出来，将标签0编码为[0,1,···,n-1],n＞＝2，标签1编码为[n,n+1,···,2n-1]，依次类推，标签K-1编码为[(K-1)n,(K-1)n+1,···,Kn-1]，则总的标签标记为Label_Kn∈[0,1,2,···,Kn-1]；

S4、对S2中处理好的数据集进行reshape操作，一维雷达距离像数据的形状为N*300，将reshape后的训练集数据和测试集数据分别记为Tr₂和V₂，其中，reshape为适合用于tensorflow做空间卷积的形状N*1*300*1的格式，N表示每个数据集的样本数目；

S5、如图1，构建一维卷积神经网络，所述一维卷积神经网络采用3个卷积池化层和1个全连接层以及softmax层，记为CNN，具体为：

S51、CNN的输入S4所述Tr₂，输入的标签数据分别对应为Label_4和Label_40，所有卷积层的卷积核大小均为1×3，所有池化层的核大小均为1×11，其中，CNN的最后一个池化层步长为2,其余池化层步长均为1；

S52、CNN所有卷积核权重初始化方式采用高斯正态分布，并使用l2正则化；

S53、CNN设置池化的方法，考虑到雷达目标的一维距离像存在多个峰值区域，故采用最大池化的方式保留有效的高通信号；

S54、CNN的激活函数均采用指数线性单元(ELU)函数，其表达式为：

S6、将训练数据导入S5构建的一维卷积神经网络，目标标签分别采用多级编码的离散区域标签Label_Kn以及原始标签Label_K输入一维卷积神经网络，其中，两种标签编码方式采用结构相同的神经网络模型，采用梯度下降法分别CNN的超参数进行微调，迭代S步后，得到有效的飞机目标预测模型，其中，CNN损失函数采用逻辑斯特损失函数，其表达式为：y_i为对应样本的标签，p_i表示模型计算得到的概率值，S＝300；

S7、采用步骤S6中获得的一维神经网络预测模型对测试样本进行目标识别，针对标签为Label_Kn的数据，其输出预测值按照步骤S3的编码方式逆行，将其按照编码区域划分将所属类别解码到Label_K∈[0,1,2···,K-1],K≥2，再对其进行正确的归类，根据S6训练的到的飞机目标预测模型，分别将待识别样本V₂输入模型Model_4、Model_40进行识别。特别地，针对Model_40，将预测值按照离散编码区域，解码到其对应的单数值标签，即识别输出prediction∈[0,1,···,9]对应解码值为标签0，同理prediction∈[10,11,···,19]对应解码值为标签1，prediction∈[20,21,···,29]对应解码值为标签2，prediction∈[30,31,···,39]对应解码值对应标签3；

S8、将S7预测结果作为伪标签，按照步骤S3的方法分别进行one-hot编码和多级区域标签，形成伪标签表示的Label_4和Label_40。将测试集及其伪标签和原始训练集做数据融合形成新的训练集Tr₃。对新数据集Tr₃按步骤S6进行重新训练，获得模型Model_P4和Model_P40；

S9、使用S8获得的模型，重复步骤S7的操作对待识别样本重新进行识别。

1、数据获取及预处理

利用单基地雷达分别对客机A319、A320、A321、B738等4类飞机目标进行分段采样，按照雷达收到照射飞机的朝向方向回波采集到每类飞机目标样本分别为A319_[face1(4734个)、face2(8590个)]、A320_[face1(7975个)、face2(3589个)、face3(2863个)、face4(4474个)]、A321_[face1(5961)、face2(7205个)、face3(4365个)、face4(7208个)]、B738_[face1(6157个)、face2(14071个)、face3(6046个)、face4(8850个)、face5(10778个)]，标号face表示飞机飞向雷达方向采集的数据，信噪比大小为22dB；记源数据为：其中K表示目标类别总数，F表示目标的一维距离像特征点数目，N_i表示第i类目标样本数目；并对数据集进行能量归一化处理，记处理后的数据集合为：其中对所有数据使用python的numpy包的reshape函数，对X₂进行reshape，记为X₃。其中选取B738_face4、A321_face1、A320_face1、A319_face2作为训练数据集记为Tr₂，待识别目标为B738_[face1、face2、face3、face5]、A321_[face2、face3、face4]、A320_[face2、face3、face4]、A319_face1，记为V₂。

2、标签设置及离散编码

A319、A320、A321、B738的标签分别为0、1、2、3，记为Label_4，对其按照步骤S71进行离散编码成Label_40。对每个Label_4和Label_40进行one-hot编码，形成1×4和1×40的标签矩阵L4＝[l_i],i∈(0,1,2,3)和L40＝[le_j],j＝(0,1,2,3)，其中i＝Label_4和j＝Label_40对应标签时l_i和le_j等于1和1₁₀，其中1₁₀＝[1,1,···,1]_1×10，其余数值均为0，例Label_4的标签3对应[0,0,0,1]_1×4，Label_40的标签3对应[0₁₀,0₁₀,0₁₀,1₁₀]_1×30，其中0₁₀＝[0,0,···,0]_1×10，1₁₀＝[1,1,···,1]_1×10。

3.模型训练阶段1

使用tensorflow搭建如附图1所构建的一维神经网络CNN，将训练集Tr₂和对应标签格式为L4＝[l_i],i∈(0,1,2,3)和L40＝[le_j],j＝(0,1,2,···,39)的数据输入CNN，利用S61的逻辑斯特损失函数对网络性能进行优化，采用adam方法的梯度下降法对CNN网络进行迭代学习，迭代S＝300步后，得到飞机目标识别模型Model_4和Model_40。

4、目标样本识别阶段1

将待识别样本集V₂中的每个样本作为离线模型Model_4和Model_40的输入，进行目标识别分别得到识别输出，并做正确识别统计。具体分类过程如下，CNN均采用softmax分类器，对标签表示为L4＝[l_i],i∈(0,1,2,3)和L40＝[le_j],j＝(0,1,2,3)输入的每个样本分别得到相应的识别概率向量输出集对标签表示为L4＝[l_i],i∈(0,1,2,3)的待识别样本的类别号为i表示样本类别标号引索，即输出层的4个神经元输出值中最大值的序号为对应的类别，同时针对标签表示为L40＝[le_j],j＝(0,1,2,3)的待识别样本的预测类别号为即输出层的40个神经元输出值中最大值的序号为对应的预测类别，根据步骤S7的方法解码为真实类别号。

5、模型训练阶段2

将目标识别阶段1的识别结果进行编码为L4和L40，将Tr₂和V₂合成为新的训练集Tr₃，特别地，V₂部分的标签使用的是伪标签。利用S6的逻辑斯特损失函数对网络性能进行优化，采用adam方法的梯度下降法对CNN网络进行迭代学习，迭代S＝300步后，得到飞机目标识别模型Model_P4和Model_P40。

6、模型识别阶段2

使用模型Model_P4和Model_P40对待识别样本进行重新预测，并按照目标样本识别阶段1的方式进行解码，获得最终的目标识别结果。

采用实测数据验证了本发明的基于伪标签学***均正确识

别率对比，如表1所示。

表1各算法识别结果对比

Claims (3)

1.一种基于伪标签学习的雷达一维距离像目标识别方法，其特征在于，具体步骤如下：

S1、获取源数据：选用由高分辨率雷达采集的高分辨率一维距离像数据作为源数据，所述源数据组成数据集原始标记为其中，K表示目标类别总数，F表示目标的一维距离像特征点数目，N_i表示第i类目标样本数目，为数据集合中样本总数，y_ij表示第i类第j个样本的标签，y_ij∈[0,1,2···,K-1]，i＝1,2,3,...,K，K为自然数，j为不为零的自然数；

S2、对S1选取的源数据进行处理，得到处理好的数据集：

S21、将S1中数据集X₀的数据进行筛选，将信噪比SNR等于22dB的样本抽出形成新的数据集

S22、根据缩放公式对X₁进行数值缩放，将缩放后的样本集记为其中，表示每个距离特征点，X.mean表示所有样本距离特征点的均值；

S23、将X₂中同类目标的样本按照雷达照射方向，划分构成训练集和测试集，记训练集数据为记测试集数据为其中，表示第i类目标的第n幅一维距离像样本，且维数F＝300，M_i代表测试集中第i类目标的一维距离像数，n为输入数据数量；

S3、将所有目标的单标签编码成多姿态的并行标签，具体为：对训练集数据Tr₁将每类数据对应的标签编码，将K类目标的标签Label_K∈[0,1,2···,K-1]，K≥2，按每类对应提取出来，将标签0编码为[0,1,···,n-1],n＞＝2，标签1编码为[n,n+1,···,2n-1]，依次类推，标签K-1编码为[(K-1)n,(K-1)n+1,···,Kn-1]，则总的标签标记为Label_Kn∈[0,1,2,···,Kn-1]；

S4、对S2中处理好的数据集进行reshape操作，一维雷达距离像数据的形状为N*300，将reshape后的训练集数据和测试集数据分别记为Tr₂和V₂，其中，reshape为适合用于tensorflow做空间卷积的形状N*1*300*1的格式，N表示每个数据集的样本数目；

S5、构建一维卷积神经网络，所述一维卷积神经网络采用3个卷积池化层和1个全连接层以及softmax层，记为CNN；

S6、将训练数据导入S5构建的一维卷积神经网络，目标标签分别采用多级编码的离散区域标签Label_Kn以及原始标签Label_K输入一维卷积神经网络，其中，两种标签编码方式采用结构相同的神经网络模型，采用梯度下降法分别CNN的超参数进行微调，迭代S步后，得到有效的飞机目标预测模型，其中，CNN损失函数采用逻辑斯特损失函数，其表达式为：y_i为对应样本的标签，p_i表示模型计算得到的概率值，S≥100；

S7、采用步骤S6中获得的一维神经网络预测模型对测试样本进行目标识别，针对标签为Label_Kn的数据，其输出预测值按照步骤S3的编码方式逆行，将其按照编码区域划分将所属类别解码到Label_K∈[0,1,2···,K-1],K≥2，再对其进行正确的归类；

S8、使用步骤S7的预测结果作为待识别目标的伪标签，将待识别目标及其标签进行多级编码作为新的添加训练数据集，结合原始训练集重复步骤S6，得到新的预测模型；

S9、使用S8获得的模型，重复步骤S7的操作对待识别样本重新进行识别。

2.根据权利要求1所述的一种基于伪标签学习的雷达一维距离像目标识别方法，其特征在于：S5所述的维卷积神经网络构成如下：

S51、CNN的输入S4所述Tr₂，输入的标签数据分别对应为Label_4和Label_40，所有卷积层的卷积核大小均为1×3，所有池化层的核大小均为1×11，其中，CNN的最后一个池化层步长为2,其余池化层步长均为1；

S52、CNN所有卷积核权重初始化方式采用高斯正态分布，并使用l2正则化；

S53、CNN设置池化的方法，考虑到雷达目标的一维距离像存在多个峰值区域，故采用最大池化的方式保留有效的高通信号；

S54、CNN的激活函数均采用指数线性单元(ELU)函数，其表达式为：

3.根据权利要求1所述的一种基于伪标签学习的雷达一维距离像目标识别方法，其特征在于：S6所述S＝300。