CN112001270A - 基于一维卷积神经网络的地面雷达自动目标分类识别方法 - Google Patents
基于一维卷积神经网络的地面雷达自动目标分类识别方法 Download PDFInfo
- Publication number
- CN112001270A CN112001270A CN202010768165.9A CN202010768165A CN112001270A CN 112001270 A CN112001270 A CN 112001270A CN 202010768165 A CN202010768165 A CN 202010768165A CN 112001270 A CN112001270 A CN 112001270A
- Authority
- CN
- China
- Prior art keywords
- output
- neural network
- convolutional neural
- function
- dimensional convolutional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 114
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 76
- 238000001228 spectrum Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 110
- 230000008569 process Effects 0.000 claims description 72
- 238000005070 sampling Methods 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 24
- 210000002569 neuron Anatomy 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 9
- 230000003213 activating effect Effects 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 210000004205 output neuron Anatomy 0.000 claims description 6
- 210000002364 input neuron Anatomy 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 241000894007 species Species 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 14
- 238000012360 testing method Methods 0.000 description 9
- 238000012706 support-vector machine Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 235000000332 black box Nutrition 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于一维卷积神经网络的地面雷达自动目标分类识别方法,包括:将雷达人、车回波目标样本数据进行预处理,获得时域回波信号、功率谱和幂变换功率谱,使用自编码器处理预处理后的特征向量,构建一维卷积神经网络(1D‑CNN)结构,使用贝叶斯超参数优化方法对卷积神经网络结构的超参数进行优化。将编码好的数据输入一维卷积神经网络通过softmax分类器进行目标分类识别,得出对人员和车辆样本的分类识别结果。本发明能够高效而又稳定的完成目标分类识别功能,计算速度快,实现简单,不仅简化了网络结构,而且减小了参数计算规模,并且对低分辨地面雷达的目标分类识别具有优异的识别准确性。
Description
技术领域
本发明属于雷达数字信号处理技术领域,具体为一种基于一维卷积神经网络的地面雷达自动目标分类识别方法。
背景技术
随着电子技术的飞速发展,传统雷达所能获得的目标位置和速度信息不再能满足战场态势估计的需求。人们希望进一步了解目标信息从而判断目标的敌我属性,这将大大提升对敌人的打击效率,在这种背景下催生了雷达目标分类识别技术的出现。因此,目标分类识别技术的发展在雷达***中具有重要的意义和应用价值。
雷达自动目标分类识别技术基于电磁波散射原理,并使用雷达和其他检测设备自动确定被检测目标的数量和类型,并确定目标属性、类别甚至于有关武器挂载情况的详细信息。对于增强指挥自动化水平和战略预警能力等起着非常重要的作用。
不同目标分类识别方法的区别主要在于特征提取方法和分类器设计。对高分辨距离像的目标分类识别,常有功率谱差分和幂变换等数据预处理的特征提取方法。对低分辨雷达的目标分类识别,许多分类模型采用对回波信号进行快速傅里叶变换(FFT)、时频分析等处理。此外,分类器设计主要有以下两类。第一类是模板匹配算法,计算量小,但对模板库的依赖性高。第二类是核机器学习算法:以统计学习理论与核函数为基础,支持向量机(SVM)为代表。SVM基于统计学习理论,提出了结构风险最小化原则。SVM作为凸优化问题可以得到稳定的全局最优解,目前应用最为广泛。但是SVM只在小样本训练集上得到较好的结果。当训练样本规模较大时,SVM的存储和计算将耗费大量机器内存和运算时间,并且SVM核函数的选取也是目前尚未解决的难题。
以上的这些方法都存在一定的缺陷,比如需要人工提取特征或者不适用于大样本库的训练。随着人工智能以及集成电路的飞速发展,人工智能相关知识应用于雷达目标分类识别领域越来越广泛。目前被广泛使用在人工智能领域知识进行雷达目标分类识别的多为SAR、ISAR等高分辨雷达。在低分辨雷达目标分类识别领域,已有的进展是利用回波的微多普勒特征对二维图像识别。尽管这种方法取得了较好的分类效果,但是根据图像处理所需的资源要求以及低分辨雷达成本和体积的限制,在实际工程中将无法保证处理的实时性。
发明内容
本发明的目的在于提出了一种基于一维卷积神经网络的地面雷达自动目标分类识别方法,以提高地面雷达的目标属性识别性能。
实现本发明目的的技术方案为:一种基于一维卷积神经网络的地面雷达自动目标分类识别方法,包含以下步骤:
步骤1:对雷达的人、车回波数据作进行预处理获得并联的三类特征,形成新的特征向量作为训练样本集;
步骤2:利用自编码器对训练样本集中的特征向量进行编码;
步骤3:构建一维卷积神经网络;
步骤4:将编码后的训练样本集输入一维卷积神经网络中,采用贝叶斯优化方法对一维卷积神经网络的超参数进行超参数寻优,得到优化后的一维卷积神经网络结构;
步骤5:将待测回波数据进行预处理及编码后输入优化后的一维卷积神经网络结构,再通过softmax分类器进行分类,得到目标分类识别结果。
优选地,获得的并联的三类特征为:雷达的时域波形、功率谱、幂变换功率谱。
优选地,自编码器包括对称的编码模块和解码模块,编码过程和解码过程分别为:
X=A_h1(A_W1·X3+A_b1)
Z=A_h2(A_W2·X+A_b2)
其中,X3(n)=[x(n);Xlog(n);Xm(n)],n=1,2,...,N为融合后形成的新的三个通道的特征向量,A_W1和A_W2分别为编码过程和解码过程的权重,A_b1和A_b2分别为编码过程和解码过程的偏置,X为编码过程的输出,Z为解码过程的输出,A_h1和A_h2分别为编码过程和解码过程的传递函数。
优选地,递函数选用Logistic sigmoid函数,具体如下:
优选地,所述一维卷积神经网络结构具体包括依次连接的卷积层、批处理归一化层、激活函数、最大池化层、丢弃层、全连接层,分别具体为:
设定卷积层中卷积步长为1,卷积时采用补零操作使输出维度与输入维度相同,输入卷积层的特征向量为X(n),n=1,2,...,N,输出为Xoutput,特征向量数据的张量维度为(None,1,N,1),卷积后的数据大小变为(None,1,N,L1),其中L1为卷积层的深度,卷积过程为:
其中,conv代表卷积层,*代表卷积操作,i代表第i个输入神经元,j代表第j个输出神经元,conv_b代表偏置系数,M代表通道数;
设定批处理归一化层输出为Xoutput_b,批处理归一化过程为:
设定经过激活函数后的输出为Xoutput_l,激活函数选用LeakyReLU函数,经过激活函数的过程如下:
其中,Xoutput_b为批处理归一化层的输出;
设定最大池化层的池化窗口大小为1×8,步长为8,输出为Xoutput_p,最大池化过程如下:
Xoutput_p_j=down(Xoutput_l_j)
其中,Xoutput_l代表激活函数的输出,down(·)代表输入数据将以设定好的步长步进,并且在每个位置上选取当前窗口内的最大值作为当前位置的代表值;
设定丢弃层的丢弃率为rate,输出为Xoutput_d;
设定全连接层的输出为Xoutput_f,全连接过程如下:
其中,Xoutput_d代表丢弃层的输出,j代表第j个神经元,fij代表Xoutput_d 2中第i个神经元与全连接层中第j个神经元之间的权重系数,f_bj代表第j个神经元对应的偏置系数。
优选地,采用贝叶斯优化方法进行超参数寻优的具体步骤如下:
步骤4-1:将自编码器的输出作为一维卷积神经网络的输入数据,设定具体优化的超参数,设定目标函数为超参数与损失函数的函数关系,寻找目标函数最小值时的超参数设置,设定目标函数是黑盒函数;
步骤4-2:设定求解域空间,即待优化超参数取值范围,在待优化超参数的取值范围内随机采样n组数据作为初始超参数,得到对应的黑盒函数和相应的卷积神经网络结构模型P,并将n组数据记为已知采样点集合,判断是否达到最大迭代次数,如果达到则直接将n组卷积神经网络结构模型中识别效果最好的模型对应的超参数结果更新至一维卷积神经网络结构,形成经过优化的一维卷积神经网络结构,如果没有达到则执行步骤4-3;
步骤4-3:设定黑盒函数服从高斯过程;
设定数据提前被中心化;
设定已知采样点集合为高斯过程的先验数据集,对符合取值范围的超参数继续进行采样,更新协方差矩阵;
通过前t个采样点得到新采样点对应的黑盒函数输出所服从的一维正态分布,获得下一个采样点对应的预测输出所服从分布的均值和标准差;
并对下一个采样点对应的模型进行预测;
将预测得到的采样点加入已知采样点集合作为新的采样点集合;
步骤4-4:使用采集函数UCB/LCB对所有采样点集合中所有采样点进行打分,将最高分对应的采样点作为当前迭代的最优点;
判断是否是第一次迭代,如果是则设定最优点为初始最优点,如果不是则使用当前迭代的最优点替换上一轮迭代的最优点,将当前最优点加入黑盒函数已知点集合并更新高斯拟合函数,再将迭代次数加1;
步骤4-5:判断是否达到最大迭代次数Num,如果没有达到则返回步骤4-2继续在求解域进行采样,如果达到则直接将计算得到的超参数结果更新至一维卷积神经网络结构,形成经过优化的一维卷积神经网络结构。
优选地,根据后验分布的高斯拟合模型的上下置信边界设置采集函数,采集函数UCB/LCB的表达式为:
UCB(λ)=μ(λ)+κσ(λ)
LCB(λ)=μ(λ)-κσ(λ)
其中,κ为调节参数,μ(·)为均值,σ(·)为标准差。
优选地,设定采用softmax分类器进行分类,将一维卷积神经网络结构全连接层的输出输入softmax分类器,具体如下:
其中,C代表待分类的种类数,Xoutput_f为全连接层的输出。
本发明与现有技术相比,其显著优点为:本发明计算速度快,实现简单,并且对低分辨地面雷达的目标分类识别具有优异的识别准确性,能够高效而又稳定的完成目标分类识别功能;
本发明利用雷达回波数据,构建融合特征,建立一维卷积神经网络并优化网络结构,提高了地面雷达的目标属性识别性能。
下面结合附图对本发明作进一步详细描述。
附图说明
图1是本发明实施例的流程图。
图2是典型人、车回波样本示意图,其中(a)为人员样本对应时域信号的示意图,(b)为人员样本对应功率谱的示意图,(c)为人员样本对应幂变换功率谱的示意图,(d)为车辆样本对应时域信号的示意图,(e)为车辆样本对应功率谱的示意图,(f)为车辆样本对应幂变换功率谱的示意图。
图3是一维卷积神经网络结构图。
图4是自编码器结构图。
图5是贝叶斯优化过程流程图。
图6是基于一维卷积神经网络的目标分类识别结构图。
图7是三个特征通道自编码器训练过程的代价函数图,其中(a)为特征通道1图,(b)为特征通道2图,(c)为特征通道3图。
图8是贝叶斯优化的目标函数最小值曲线图。
具体实施方式
一种基于一维卷积神经网络的地面雷达自动目标分类识别方法,包括利用训练数据集提取特征向量训练并优化卷积神经网络结构;利用训练并优化好的卷积神经网络结构对测试数据集进行目标分类识别,判定目标是人还是车,给出识别结果。如图1所示,具体步骤为:
步骤1:对雷达的人、车回波数据作进行预处理获得并联的三类特征,形成新的特征向量;
典型人、车回波样本示意图如图2(a)~图2(f)所示。
进一步的,具体步骤如下:
步骤1-1:进行时域信号提取,雷达回波有I、Q两路正交信号,使用I2+Q2的平方跟作为目标时域波形,假设x(n),n=1,2,...,N是雷达目标时域波形的N点序列;
步骤1-2:对雷达目标时域波形的N点序列做傅里叶变换,再求平方值得到雷达时域波形的功率谱:Xf(n),n=1,2,...,N;
步骤1-3:对目标功率谱取对数,得到雷达回波功率谱的对数取值:Xlog(n),n=1,2,...,N;
步骤1-4:对雷达回波功率谱做幂变换,幂指数为0.2,得到雷达的幂变换功率谱Xm(n),n=1,2,...,N;
步骤1-5:将雷达的时域波形、功率谱、幂变换功率谱融合为并联的三类特征,融合后形成的新的特征向量为X3(n)=[x(n);Xlog(n);Xm(n)],n=1,2,...,N,作为卷积神经网络输入的三个通道的数据。
步骤2:利用自编码器对步骤1得到的融合后形成的新的特征向量X3(n)=[x(n);Xlog(n);Xm(n)],n=1,2,...,N进行编码,得到训练样本集的新的表征方式X(n),n=1,2,...,N,自编码器结构如图4所示。
进一步地,步骤2所述的自编码器结构如图4所示,具体如下:
自编码器主要包括编码模块和解码模块,且结构是对称的,编码过程和解码过程分别如下式(1)(2)所示:
X=A_h1(A_W1·X3+A_b1) (1)
Z=A_h2(A_W2·X+A_b2) (2)
其中,X3(n)=[x(n);Xlog(n);Xm(n)],n=1,2,...,N为融合后形成的新的三个通道的特征向量,A_W1和A_W2分别为编码过程和解码过程的权重,A_b1和A_b2分别为编码过程和解码过程的偏置,X为编码过程的输出,Z为解码过程的输出,A_h1和A_h2分别为编码过程和解码过程的传递函数,传递函数选用Logistic sigmoid函数,具体如下:
为了衡量自编码器的效果,假设输入数据集为{x(1),x(2),...,x(N)},x(i)代表第i个训练数据,代表解码重构后的第i个输出,训练样本总数为N,自编码器的代价函数表征数据重构好坏程度,具体如下:
步骤3:构建一维卷积神经网络;
进一步的实施例中,如图3所示,所述一维卷积神经网络结构具体包括依次连接的卷积层、批处理归一化层、激活函数、最大池化层、丢弃层、全连接层,分别具体为:
设定卷积层中卷积步长为1,卷积时采用补零操作使输出维度与输入维度相同,输入卷积层的特征向量为X(n),n=1,2,...,N,输出为Xoutput,特征向量数据的张量维度为(None,1,N,1),卷积后的数据大小变为(None,1,N,L1),其中L1为卷积层的深度,卷积过程如下:
其中,conv代表卷积层,*代表卷积操作,i代表第i个输入神经元,j代表第j个输出神经元,conv_b代表偏置系数,M代表通道数;
设定批处理归一化层输出为Xoutput_b,批处理归一化过程如下:
设定经过激活函数后的输出为Xoutput_l,激活函数选用LeakyReLU函数,经过激活函数的过程如下:
其中,Xoutput_b为批处理归一化层的输出;
设定最大池化层的池化窗口大小为1×8,步长为8,输出为Xoutput_p,最大池化过程如下:
Xoutput_p_j=down(Xoutput_l_j) (9)
其中,Xoutput_l代表激活函数的输出,down(·)代表输入数据将以设定好的步长步进,并且在每个位置上选取当前窗口内的最大值作为当前位置的代表值;
设定丢弃层的丢弃率为rate,即代表丢弃层在每次的训练过程中以rate的概率抑制神经元工作,输出为Xoutput_d;
设定全连接层的输出为Xoutput_f,全连接过程如下:
其中,Xoutput_d代表丢弃层的输出,j代表第j个神经元,fij代表Xoutput_d 2中第i个神经元与全连接层中第j个神经元之间的权重系数,f_bj代表第j个神经元对应的偏置系数。
步骤4:将编码后的训练样本集X(n),n=1,2,...,N输入一维卷积神经网络中,采用贝叶斯优化方法对一维卷积神经网络的超参数进行超参数寻优,得到经过优化的一维卷积神经网络结构。
进一步地,如图5所示,采用贝叶斯优化方法进行超参数寻优的具体步骤如下:
步骤4-1:首先将自编码器的输出X(n),n=1,2,...,N作为贝叶斯超参数优化过程中的输入数据。
设定具体优化的超参数分别为:卷积核的大小λ1,卷积核的深度λ2,卷积块的重复个数λ3,丢弃率λ4和初始化学习率λ5。假设超参数集合为λ={λ1,λ2,...,λ5}(λ表示某一超参数的值)。
设定目标函数为超参数与损失函数的函数关系f(λ),寻找目标函数最小值时的超参数设置λ,即
设定目标函数f(λ)是黑盒函数,表示使用不同超参数时在验证集上的损失函数值。
设定最大迭代次数为Num。
步骤4-2:根据贝叶斯优化的思想,设定求解域空间,即待优化超参数λ的取值范围为[λmin~λmax]。然后待优化超参数λ的取值范围内随机采样n组数据作为初始超参数λ,得到对应的黑盒函数f(λ)和相应的卷积神经网络结构模型P,并将n组数据记为已知采样点集合
然后判断是否达到最大迭代次数Num,如果达到则直接将根据n组初始超参数λ对应得到的n组卷积神经网络结构模型P中识别效果最好的模型对应的超参数结果λ输出更新至一维卷积神经网络结构,形成经过优化的一维卷积神经网络结构,如果没有达到则执行步骤4-3。
步骤4-3:首先设定黑盒函数服从高斯过程,即
f(λ)~GP(E(λ),K(λ,λ′)) (12)
其中,E(λ)是对应的均值函数,K(λ,λ′)代表对应的协方差函数,f(λ)~GP(·)代表高斯过程。设定数据提前被中心化,即均值函数E(λ)=0,f(λ)~GP(0,K),其中K表示如下式:
其中,k=[k(λt+1,λ1)],[k(λt+1,λ2)],...,[k(λt+1,λt)]。根据假设,均值函数为0,则拟合模型的求解转化为协方差矩阵的求解。
通过前t个采样点得到新采样点λt+1对应的黑盒函数输出f(λt+1)所服从的一维正态分布:
P(f(λt+1)|D1t,λt+1)=N(μt(λt+1),σ2(λt+1)) (15)
其中,μt(λt+1)=kTK-1f(D1t),σ2(λt+1)=k(λt+1,λt+1)-kTK-1k。
所以,高斯过程拟合回归模型能够计算出下一个采样点λt+1对应的预测输出f(λt+1)所服从分布的均值μ和标准差σ。
同时对下一个采样点λt+1对应的模型f(λt+1)进行预测:
步骤4-4:使用采集函数UCB/LCB对所有采样点集合中所有采样点λ进行打分,将最高分对应的采样点λ作为当前迭代的最优点。这种方法是根据后验分布的高斯拟合模型的上下置信边界设置采集函数,采集函数UCB/LCB的表达式为:
其中,κ为调节参数,μ(·)为均值,σ(·)为标准差。这种方法结合均值与方差,在开发和探索两方面进行平衡,LCB尤其适合求解最小化问题。
然后判断是否是第一次迭代,如果是则设定最优点为初始最优点,如果不是则使用当前迭代的最优点替换上一轮迭代的最优点。然后将当前最优点加入黑盒函数已知点集合并更新高斯拟合函数,再将迭代次数加1。
步骤4-5:判断是否达到最大迭代次数Num,如果没有达到则继续在求解域进行采样,如果达到则直接将计算得到的超参数结果λ={λ1,λ2,...,λ5}输出更新至一维卷积神经网络结构,形成经过优化的一维卷积神经网络结构。
步骤5:将待测回波数据按照步骤1、步骤2处理后输入经过步骤4优化的一维卷积神经网络结构,再通过softmax分类器进行分类,判决目标属性,得到目标分类识别结果,如图6所示。
进一步的,步骤5所述的将预处理编码后的待测回波数据通过经过优化的一维卷积神经网络结构,再通过softmax分类器进行分类,判决目标属性,得到目标分类识别结果,具体如下:
将人、车样本三个通道的测试样本集数据进行预处理,再通过自编码器得到输入数据的新的表征方式,再将输入数据通过优化后的一维卷积神经网络结构,设定经过贝叶斯优化后的一维卷积神经网络结构输出为全连接层的输出Xoutput_f;
设定采用softmax分类器进行分类,将前一级全连接层的输出Xoutput_f送入softmax分类器,具体如下:
其中,C代表待分类的种类数即全连接层的输出神经元个数。
本发明采用交叉熵损失函数,用来计算输出的预测标签与真实标签的误差,从而衡量目标识别方法性能的好坏,具体如下:
其中,yj是样本的真实标签。
本发明不仅简化了网络结构,而且减小了参数计算规模,通过多通道的特征融合进一步提升了目标分类识别的准确性,对低分辨地面雷达的目标分类识别具有优异的识别性能。
下面结合附图及具体实施例对本发明做进一步详细说明。
实施例
本实施例提供一种地面雷达自动目标分类识别方法,将雷达时域回波信号,功率谱和幂变换功率谱这三类特征作为输入的三个通道,使用自编码器减小参数计算量和网络规模,使用贝叶斯超参数优化方法优化一维卷积神经网络的超参数,再经过softmax分类器进行分类,最终得到了能够处理雷达数据的一维卷积神经网络结构进行目标分类识别。
一种基于一维卷积神经网络的地面雷达自动目标分类识别方法,主要包括六个步骤:
步骤1:对雷达回波数据进行预处理,典型人、车回波样本示意图如图2所示:
1.假设x(n),n=1,2,...,N是雷达目标时域波形的N点序列;
2.对雷达目标时域波形的N点序列做傅里叶变换,再求平方值得到雷达的功率谱Xf(n),n=1,2,...,N;
3.对目标功率谱取对数,得到功率谱的对数结果为Xlog(n),n=1,2,...,N;
4.对雷达回波功率谱做幂变换,幂指数为0.2,得到幂变换功率谱结果为Xm(n),n=1,2,...,N;
5.将雷达的时域波形,功率谱,幂变换功率谱融合为并联的三类特征,作为卷积神经网络输入的三个通道的数据,为X3(n)=[x(n);Xlog(n);Xm(n)],n=1,2,...,N;
步骤2:使用自编码器得到输入数据新的表征方式,自编码器结构如图4所示:
1.自编码器主要包括编码阶段和解码阶段,且结构是对称的,编码过程和解码过程分别如下式(6)(7)所示:
X=A_h1(A_W1·X3+A_b1) (20)
Z=A_h2(A_W2·X+A_b2) (21)
其中,X3(n)=[x(n);Xlog(n);Xm(n)],n=1,2,...,N为融合后形成的新的三个通道的特征向量,A_W1和A_W2分别为编码过程和解码过程的权重,A_b1和A_b2分别为编码过程和解码过程的偏置,X为编码过程的输出,Z为解码过程的输出,A_h1和A_h2分别为编码过程和解码过程的传递函数,传递函数选用Logistic sigmoid函数,具体如下:
2.为了衡量自编码器的效果,假设输入数据集为{x(1),x(2),...,x(N)},x(i)代表第i个训练数据,代表解码重构后的第i个输出,训练样本总数为N,自编码器的代价函数表征数据重构好坏程度,三个通道自编码器的代价函数曲线如图7所示,具体如下:
步骤3:构建一维卷积神经网络结构,结构具体包括:卷积层、批处理归一化层、激活函数、最大池化层、丢弃层、全连接层。卷积神经网络结构如图3所示:
1.设定卷积层中卷积步长为1,卷积时采用补零操作使输出维度与输入维度相同,输入卷积层的特征向量为X(n),n=1,2,...,N,输出为Xoutput,特征向量数据的张量维度为(None,1,N,1),卷积后的数据大小变为(None,1,N,L1),其中L1为卷积层的深度,卷积过程如下:
其中,conv代表卷积层,*代表卷积操作,i代表第i个输入神经元,j代表第j个输出神经元,conv_b代表偏置系数,M代表通道数;
2.设定批处理归一化层输出为Xoutput_b,批处理归一化过程如下:
3.设定经过激活函数后的输出为Xoutput_l,激活函数选用LeakyReLU函数,经过激活函数的过程如下:
其中,Xoutput_b为批处理归一化层的输出;
4.设定最大池化层的池化窗口大小为1×8,步长为8,输出为Xoutput_p,最大池化过程如下:
Xoutput_p_j=down(Xoutput_l_j) (28)
其中,Xoutput_l代表激活函数的输出,down(·)代表输入数据将以设定好的步长步进,并且在每个位置上选取当前窗口内的最大值作为当前位置的代表值;
5.设定丢弃层的丢弃率为rate,即代表丢弃层在每次的训练过程中以rate的概率抑制神经元工作,输出为Xoutput_d;
6.设定全连接层的输出为Xoutput_f,全连接过程如下:
其中,Xoutput_d代表丢弃层的输出,j代表第j个神经元,fij代表Xoutput_d 2中第i个神经元与全连接层中第j个神经元之间的权重系数,f_bj代表第j个神经元对应的偏置系数;
步骤4:采用贝叶斯优化方法进行超参数寻优,得到经过优化的一维卷积神经网络结构:
1.设定目标函数f(λ)是黑盒函数,表示机器学习模型使用不同超参数时在验证集上的损失函数值,贝叶斯优化通过对目标黑盒函数形状不断学习,最终找到使结果全向最大提升的超参数。根据贝叶斯优化的思想,首先假设先验目标函数,利用新的采样点来测试上一轮逼近的目标函数,使用该信息不断更新目标函数的先验分布,最后算法测试由后验分布给出最值可能点,贝叶斯优化流程图如图5所示;
2.设定具体优化的超参数分别为:卷积核的大小λ* 1,卷积核的深度λ* 2,卷积块的重复个数λ* 3,丢弃率λ* 4和初始化学习率λ* 5。假设超参数集合为λ*={λ* 1,λ* 2,...,λ* 5}(λ* n表示某一超参数的值),目标函数为超参数与损失函数的函数关系f(λ*),此时问题转化为找到目标函数最小值时的超参数设置λ,即
然后将计算得到的超参数结果λ更新至一维卷积神经网络结构,形成经过优化的一维卷积神经网络结构,贝叶斯优化的目标函数最小值曲线如图8所示;
步骤5:将预处理编码后的测试样本集通过经过优化的一维卷积神经网络结构,再通过softmax分类器进行分类,判决目标属性,得到目标分类识别结果:
设定经过贝叶斯优化后的一维卷积神经网络结构输出为全连接层的输出Xoutput_f,采用softmax分类器进行分类,将前一级全连接层的输出Xoutput_f送入softmax分类器,具体如下:
其中,C代表待分类的种类数即全连接层的输出神经元个数,最后采用交叉熵损失函数,具体如下:
其中,yj是样本的真实标签。
对本实施例的性能测试:
性能测试使用样本库中实测的低分辨地面侦察雷达样本进行测试,将样本库中的人、车样本三个通道的特征数据分为训练样本集和测试样本集,选取训练样本集包含5000个样本,测试样本集包含15000个样本。基于一维卷积神经网络的目标分类识别结构图如图6所示,对样本集的数据进行自动目标分类识别,得到训练样本集的识别准确率为99.6%,测试样本集的识别准确率为99.9%。
综上可知,本发明计算速度快,实现简单,并且对低分辨地面雷达的目标分类识别具有优异的识别准确性,能够高效而又稳定的完成目标分类识别功能。利用雷达回波数据,构建融合特征,建立一维卷积神经网络并优化网络结构,提高了地面雷达的目标属性识别性能,完成对人、车目标的分类识别。经过对实地测量的人、车训练样本集和人、车测试样本集进行本方法的测试之后得出,本方法能够对人、车目标达到99%的识别准确率,展现了优异的目标分类识别率。
Claims (8)
1.一种基于一维卷积神经网络的地面雷达自动目标分类识别方法,其特征在于,包含以下步骤:
步骤1:对雷达的人、车回波数据作进行预处理获得并联的三类特征,形成新的特征向量作为训练样本集;
步骤2:利用自编码器对训练样本集中的特征向量进行编码;
步骤3:构建一维卷积神经网络;
步骤4:将编码后的训练样本集输入一维卷积神经网络中,采用贝叶斯优化方法对一维卷积神经网络的超参数进行超参数寻优,得到优化后的一维卷积神经网络结构;
步骤5:将待测回波数据进行预处理及编码后输入优化后的一维卷积神经网络结构,再通过softmax分类器进行分类,得到目标分类识别结果。
2.根据权利要求1所述的基于一维卷积神经网络的地面雷达自动目标分类识别方法,其特征在于,获得的并联的三类特征为:雷达的时域波形、功率谱、幂变换功率谱。
3.根据权利要求1所述的基于一维卷积神经网络的地面雷达自动目标分类识别方法,其特征在于,自编码器包括对称的编码模块和解码模块,编码过程和解码过程分别为:
X=A_h1(A_W1·X3+A_b1)
Z=A_h2(A_W2·X+A_b2)
其中,X3(n)=[x(n);Xlog(n);Xm(n)],n=1,2,...,N为融合后形成的新的三个通道的特征向量,A_W1和A_W2分别为编码过程和解码过程的权重,A_b1和A_b2分别为编码过程和解码过程的偏置,X为编码过程的输出,Z为解码过程的输出,A_h1和A_h2分别为编码过程和解码过程的传递函数。
5.根据权利要求1所述的基于一维卷积神经网络的地面雷达自动目标分类识别方法,其特征在于,所述一维卷积神经网络结构具体包括依次连接的卷积层、批处理归一化层、激活函数、最大池化层、丢弃层、全连接层,分别具体为:
设定卷积层中卷积步长为1,卷积时采用补零操作使输出维度与输入维度相同,输入卷积层的特征向量为X(n),n=1,2,...,N,输出为Xoutput,特征向量数据的张量维度为(None,1,N,1),卷积后的数据大小变为(None,1,N,L1),其中L1为卷积层的深度,卷积过程为:
其中,conv代表卷积层,*代表卷积操作,i代表第i个输入神经元,j代表第j个输出神经元,conv_b代表偏置系数,M代表通道数;
设定批处理归一化层输出为Xoutput_b,批处理归一化过程为:
设定经过激活函数后的输出为Xoutput_l,激活函数选用LeakyReLU函数,经过激活函数的过程如下:
其中,Xoutput_b为批处理归一化层的输出;
设定最大池化层的池化窗口大小为1×8,步长为8,输出为Xoutput_p,最大池化过程如下:
Xoutput_p_j=down(Xoutput_l_j)
其中,Xoutput_l代表激活函数的输出,down(·)代表输入数据将以设定好的步长步进,并且在每个位置上选取当前窗口内的最大值作为当前位置的代表值;
设定丢弃层的丢弃率为rate,输出为Xoutput_d;
设定全连接层的输出为Xoutput_f,全连接过程如下:
其中,Xoutput_d代表丢弃层的输出,j代表第j个神经元,fij代表Xoutput_d 2中第i个神经元与全连接层中第j个神经元之间的权重系数,f_bj代表第j个神经元对应的偏置系数。
6.根据权利要求1所述的基于一维卷积神经网络的地面雷达自动目标分类识别方法,其特征在于,采用贝叶斯优化方法进行超参数寻优的具体步骤如下:
步骤4-1:将自编码器的输出作为一维卷积神经网络的输入数据,设定具体优化的超参数,设定目标函数为超参数与损失函数的函数关系,寻找目标函数最小值时的超参数设置,设定目标函数是黑盒函数;
步骤4-2:设定求解域空间,即待优化超参数取值范围,在待优化超参数的取值范围内随机采样n组数据作为初始超参数,得到对应的黑盒函数和相应的卷积神经网络结构模型P,并将n组数据记为已知采样点集合,判断是否达到最大迭代次数,如果达到则直接将n组卷积神经网络结构模型中识别效果最好的模型对应的超参数结果更新至一维卷积神经网络结构,形成经过优化的一维卷积神经网络结构,如果没有达到则执行步骤4-3;
步骤4-3:设定黑盒函数服从高斯过程;
设定数据提前被中心化;
设定已知采样点集合为高斯过程的先验数据集,对符合取值范围的超参数继续进行采样,更新协方差矩阵;
通过前t个采样点得到新采样点对应的黑盒函数输出所服从的一维正态分布,获得下一个采样点对应的预测输出所服从分布的均值和标准差;
并对下一个采样点对应的模型进行预测;
将预测得到的采样点加入已知采样点集合作为新的采样点集合;
步骤4-4:使用采集函数UCB/LCB对所有采样点集合中所有采样点进行打分,将最高分对应的采样点作为当前迭代的最优点;
判断是否是第一次迭代,如果是则设定最优点为初始最优点,如果不是则使用当前迭代的最优点替换上一轮迭代的最优点,将当前最优点加入黑盒函数已知点集合并更新高斯拟合函数,再将迭代次数加1;
步骤4-5:判断是否达到最大迭代次数Num,如果没有达到则返回步骤4-2继续在求解域进行采样,如果达到则直接将计算得到的超参数结果更新至一维卷积神经网络结构,形成经过优化的一维卷积神经网络结构。
7.根据权利要求6所述的基于一维卷积神经网络的地面雷达自动目标分类识别方法,其特征在于,根据后验分布的高斯拟合模型的上下置信边界设置采集函数,采集函数UCB/LCB的表达式为:
UCB(λ)=μ(λ)+κσ(λ)
LCB(λ)=μ(λ)-κσ(λ)
其中,κ为调节参数,μ(·)为均值,σ(·)为标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010768165.9A CN112001270B (zh) | 2020-08-03 | 2020-08-03 | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010768165.9A CN112001270B (zh) | 2020-08-03 | 2020-08-03 | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112001270A true CN112001270A (zh) | 2020-11-27 |
CN112001270B CN112001270B (zh) | 2022-10-14 |
Family
ID=73463502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010768165.9A Active CN112001270B (zh) | 2020-08-03 | 2020-08-03 | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001270B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112859011A (zh) * | 2021-01-12 | 2021-05-28 | 武汉大学 | 一种单波长机载测深雷达波形信号提取方法 |
CN112932344A (zh) * | 2021-04-02 | 2021-06-11 | 深圳乐居智能电子有限公司 | 一种扫地机器人清扫方法及一种扫地机器人 |
CN113221709A (zh) * | 2021-04-30 | 2021-08-06 | 芜湖美的厨卫电器制造有限公司 | 用于识别用户运动的方法、装置及热水器 |
CN113239959A (zh) * | 2021-04-09 | 2021-08-10 | 西安电子科技大学 | 基于解耦表征变分自编码机的雷达hrrp目标识别方法 |
CN113468939A (zh) * | 2020-11-30 | 2021-10-01 | 电子科技大学 | 一种基于监督最小化深度学习模型的sar目标识别方法 |
CN113495974A (zh) * | 2021-07-23 | 2021-10-12 | 山东新一代信息产业技术研究院有限公司 | 一种声音分类处理方法、装置、设备及介质 |
CN113985393A (zh) * | 2021-10-25 | 2022-01-28 | 南京慧尔视智能科技有限公司 | 一种目标检测方法、装置及*** |
CN114399037A (zh) * | 2022-03-24 | 2022-04-26 | 之江实验室 | 基于忆阻器的卷积神经网络加速器核心的模拟方法及装置 |
CN115273060A (zh) * | 2022-08-18 | 2022-11-01 | 杭州朗阳科技有限公司 | 适用于边缘设备的神经网络模型、图像识别方法及装置 |
CN116520252A (zh) * | 2023-04-03 | 2023-08-01 | 中国人民解放军93209部队 | 一种空中目标智能识别方法与*** |
CN117493953A (zh) * | 2023-10-31 | 2024-02-02 | 国网青海省电力公司海北供电公司 | 一种基于缺陷数据挖掘的避雷器状态评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170372153A1 (en) * | 2014-01-09 | 2017-12-28 | Irvine Sensors Corp. | Methods and Devices for Cognitive-based Image Data Analytics in Real Time |
CN108169745A (zh) * | 2017-12-18 | 2018-06-15 | 电子科技大学 | 一种基于卷积神经网络的钻孔雷达目标识别方法 |
CN110164128A (zh) * | 2019-04-23 | 2019-08-23 | 银江股份有限公司 | 一种城市级智能交通仿真*** |
-
2020
- 2020-08-03 CN CN202010768165.9A patent/CN112001270B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170372153A1 (en) * | 2014-01-09 | 2017-12-28 | Irvine Sensors Corp. | Methods and Devices for Cognitive-based Image Data Analytics in Real Time |
CN108169745A (zh) * | 2017-12-18 | 2018-06-15 | 电子科技大学 | 一种基于卷积神经网络的钻孔雷达目标识别方法 |
CN110164128A (zh) * | 2019-04-23 | 2019-08-23 | 银江股份有限公司 | 一种城市级智能交通仿真*** |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468939A (zh) * | 2020-11-30 | 2021-10-01 | 电子科技大学 | 一种基于监督最小化深度学习模型的sar目标识别方法 |
CN112859011B (zh) * | 2021-01-12 | 2022-06-07 | 武汉大学 | 一种单波长机载测深雷达波形信号提取方法 |
CN112859011A (zh) * | 2021-01-12 | 2021-05-28 | 武汉大学 | 一种单波长机载测深雷达波形信号提取方法 |
CN112932344A (zh) * | 2021-04-02 | 2021-06-11 | 深圳乐居智能电子有限公司 | 一种扫地机器人清扫方法及一种扫地机器人 |
CN113239959A (zh) * | 2021-04-09 | 2021-08-10 | 西安电子科技大学 | 基于解耦表征变分自编码机的雷达hrrp目标识别方法 |
CN113239959B (zh) * | 2021-04-09 | 2024-02-20 | 西安电子科技大学 | 基于解耦表征变分自编码机的雷达hrrp目标识别方法 |
CN113221709A (zh) * | 2021-04-30 | 2021-08-06 | 芜湖美的厨卫电器制造有限公司 | 用于识别用户运动的方法、装置及热水器 |
CN113495974B (zh) * | 2021-07-23 | 2024-02-02 | 山东新一代信息产业技术研究院有限公司 | 一种声音分类处理方法、装置、设备及介质 |
CN113495974A (zh) * | 2021-07-23 | 2021-10-12 | 山东新一代信息产业技术研究院有限公司 | 一种声音分类处理方法、装置、设备及介质 |
CN113985393A (zh) * | 2021-10-25 | 2022-01-28 | 南京慧尔视智能科技有限公司 | 一种目标检测方法、装置及*** |
CN113985393B (zh) * | 2021-10-25 | 2024-04-16 | 南京慧尔视智能科技有限公司 | 一种目标检测方法、装置及*** |
CN114399037A (zh) * | 2022-03-24 | 2022-04-26 | 之江实验室 | 基于忆阻器的卷积神经网络加速器核心的模拟方法及装置 |
CN115273060A (zh) * | 2022-08-18 | 2022-11-01 | 杭州朗阳科技有限公司 | 适用于边缘设备的神经网络模型、图像识别方法及装置 |
CN116520252A (zh) * | 2023-04-03 | 2023-08-01 | 中国人民解放军93209部队 | 一种空中目标智能识别方法与*** |
CN116520252B (zh) * | 2023-04-03 | 2024-03-15 | 中国人民解放军93209部队 | 一种空中目标智能识别方法与*** |
CN117493953A (zh) * | 2023-10-31 | 2024-02-02 | 国网青海省电力公司海北供电公司 | 一种基于缺陷数据挖掘的避雷器状态评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112001270B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001270B (zh) | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 | |
CN111160176B (zh) | 基于融合特征的一维卷积神经网络地面雷达目标分类方法 | |
Awad | An Unsupervised Artificial Neural Network Method for Satellite Image Segmentation. | |
CN108447057B (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
CN109919241B (zh) | 基于概率模型和深度学习的高光谱未知类别目标检测方法 | |
CN111126575A (zh) | 基于机器学习的气体传感器阵列混合气体检测方法及装置 | |
CN113392931A (zh) | 基于自监督学习及多任务学习的高光谱开放集分类方法 | |
CN113344045B (zh) | 一种结合hog特征提高sar船只分类精度的方法 | |
CN110705600A (zh) | 一种基于互相关熵的多深度学习模型融合方法、终端设备及可读存储介质 | |
CN114595732A (zh) | 基于深度聚类的雷达辐射源分选方法 | |
CN114926693A (zh) | 基于加权距离的sar图像小样本识别方法及装置 | |
CN115597869A (zh) | 基于MTF-SDAE-LightGBM的轴承故障诊断方法 | |
Hossin et al. | Breast cancer detection: an effective comparison of different machine learning algorithms on the Wisconsin dataset | |
CN116542912A (zh) | 一种多目标视觉跟踪的柔性体桥梁振动检测模型、应用 | |
CN109871907B (zh) | 基于sae-hmm模型的雷达目标高分辨率距离像识别方法 | |
CN114879185A (zh) | 基于任务经验迁移的雷达目标智能识别方法 | |
CN114973019A (zh) | 一种基于深度学习的地理空间信息变化检测分类方法及*** | |
Song et al. | Data augmentation for imbalanced HRRP recognition using deep convolutional generative adversarial network | |
CN112835008B (zh) | 基于姿态自适应卷积网络的高分辨距离像目标识别方法 | |
CN114500335A (zh) | 基于模糊c均值和混合核最小二乘支持向量机的sdn网络流程控制方法 | |
CN113159218A (zh) | 一种基于改进cnn的雷达hrrp多目标识别方法及*** | |
CN113378910A (zh) | 一种基于纯净标签的电磁信号调制类型识别的中毒攻击方法 | |
CN117034060A (zh) | 基于ae-rcnn的洪水分级智能预报方法 | |
CN114384487A (zh) | 一种基于XGBoost的气象雷达地物回波识别方法 | |
CN111144316B (zh) | 基于堆栈自编码器的海面目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |