CN112699965B - 基于卷积自编码的雷达hrrp目标类别标注方法 - Google Patents

基于卷积自编码的雷达hrrp目标类别标注方法 Download PDF

Info

Publication number
CN112699965B
CN112699965B CN202110051020.1A CN202110051020A CN112699965B CN 112699965 B CN112699965 B CN 112699965B CN 202110051020 A CN202110051020 A CN 202110051020A CN 112699965 B CN112699965 B CN 112699965B
Authority
CN
China
Prior art keywords
hrrp
labeling
sample
coding
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.)
Active
Application number
CN202110051020.1A
Other languages
English (en)
Other versions
CN112699965A (zh
Inventor
郭晨
王海鹏
孙顺
潘新龙
郭强
刘颢
黄友澎
贾舒宜
唐田田
任利强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Naval Aeronautical University
Original Assignee
Naval Aeronautical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Naval Aeronautical University filed Critical Naval Aeronautical University
Priority to CN202110051020.1A priority Critical patent/CN112699965B/zh
Publication of CN112699965A publication Critical patent/CN112699965A/zh
Application granted granted Critical
Publication of CN112699965B publication Critical patent/CN112699965B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明针对海量HRRP样本人工判读效率低、准确率低的难题，提出了一种基于卷积自编码的雷达HRRP目标类别标注方法。该方法主要分为三个阶段，阶段一，构建卷积自编码，并利用全部HRRP样本训练卷积自编码至收敛。阶段二，将卷积自编码的编码器作为特征提取器构建卷积神经网络，利用有标签HRRP样本对卷积神经网络进行训练，得到初始标注模型。阶段三，对独热编码满足标注条件的无标签HRRP样本进行标注，并用其对标注模型进行参数更新，重复阶段三，直到满足条件的HRRP样本不再增加，得到最终的标注模型。与传统标注方法相比，该方法充分利用无标签HRRP样本信息，大大提高标注效率和准确率，解决了海量HRRP样本的标注难题。

Description

基于卷积自编码的雷达HRRP目标类别标注方法
技术领域
本发明属于雷达目标自动识别技术，针对人工判读海量样本数据效率低、准确率差的问题，提出了一种基于卷积自编码的雷达HRRP目标类别标注方法。
背景技术
HRRP(High Resolution Range Profiles)包含大量目标结构，目标散射点强度等信息，构建目标HRRP样本库，在实际情况中，待识别目标多为非合作目标，其HRRP的标签需要专业人员进行人工判读，面对海量数据，人工标注效率低，准确率差。针对上述情况，本发明提出了一种基于卷积自编码的雷达HRRP目标类别标注方法。与传统标注方法相比，该方法充分利用无标签样本信息，大大提高样本标注效率和准确率，解决了海量样本的标注难题。
发明内容
本发明的目的在于，针对雷达目标样本数据库建立过程中人工标注效率低、准确率差的问题，提供了一种基于卷积自编码的雷达HRRP目标类别标注方法，该方法大大提高了样本标注的效率与准确率。
本发明的技术解决方案为：利用全部HRRP样本训练卷积自编码模型，使卷积自编码的编码器初步具备提取所有样本特征的能力，再利用编码器构建卷积神经网络，用于无标签样本的标注。为实现上述目的，本发明实现步骤如下：
步骤1：构建并初始化卷积自编码，利用全部HRRP样本对卷积自编码进行训练，直至模型收敛，其中，全部HRRP样本包括全部标签HRRP样本和全部无标签HRRP样本；
步骤2：将卷积自编码的编码器作为特征提取器构建卷积神经网络，利用全部标签HRRP样本对卷积神经网络进行训练，得到初始标注模型；
步骤3：将无标签HRRP样本输入标注模型得到对应独热编码；
步骤4：对独热编码满足标注条件的无标签HRRP样本进行标注，已标注样本属于新增标签HRRP样本，从无标签HRRP样本数据集中剔除；
步骤5：利用新增标签HRRP样本对步骤3中的标注模型进行参数更新，直至模型收敛；
步骤6：步骤3至步骤5称为一个完整的样本标注周期，重复样本标注周期，直至无新增标签HRRP样本，方法结束，得到最终HRRP标注模型。
本发明相比现有技术具有如下技术效果：
(1)所提方法采用数据驱动的端对端模型，训练过后的模型可自动提取目标的深层特征。
(2)所提方法利用全部HRRP样本训练卷积自编码，并采用卷积自编码的编码器来构建卷积神经网络。与从头训练的卷积神经网络相比，基于卷积自编码编码器构建的卷积神经网络可充分利用所有HRRP样本的信息，提高了标注准确率。
(3)所提方法在标注过程中，仅对独热编码满足条件的样本进行标注，并使用新增标签HRRP样本更新模型参数，提高了标注准确率。
(4)与人工标注相比，所提方法大大提高了标注效率和准确率。
附图说明
图1：卷积自编码结构示意图；
图2：卷积神经网络模型结构示意图；
图3：算法框架图。
具体实施方式
以下结合说明书附图对本发明作进一步详细描述。参照说明书附图，本发明所构建的模型说明如下：
本发明主要分为三个阶段，第一阶段，构建卷积自编码，并利用全部样本训练卷积自编码模型至模型收敛。与传统卷积神经网络相比，卷积自编码不需要样本标签，即可提取样本特征，能大大提高无标签样本的利用率。第二阶段，将卷积自编码的编码器作为特征提取器构建卷积神经网络，利用有标签样本对卷积神经网络进行训练，得到初始标注模型。第三阶段，将无标签样本输入标注模型得到对应独热编码，选取独热编码满足条件的样本对标注模型进行参数更新，重复第三阶段过程，直到满足条件的样本不再增加，得到最终的标注模型。下面将从三个方面对所提方法进行详细的介绍与分析：1、卷积自编码模型的构建，2、基于卷积神经网络的标注模型构建，3、无标签样本的迭代标注方法。
1卷积自编码模型的构建
如图1所示，卷积自编码包含两个部分，分别为编码器和解码器。
编码器包含四个卷积层C1～C4，卷积核大小均为3×1，个数分别为16、32、32和64，激活函数均采用ReLU函数，表达式为f(x)＝max(0,x)。每个卷积层后接一个池化层，编号分别为P1～P4，所有池化层均采用最大池化，步长为2。
解码器包含四个去卷积层DC1～DC4，卷积核大小均为3×1，个数分别为32、16、16和1，DC1～DC3采用ReLU函数作为激活函数，由于DC4的输出结果
Figure BDA0002899112630000021
为输入x的重构，
Figure BDA0002899112630000022
需满足条件
Figure BDA0002899112630000023
d为输入维度，因此DC4采用Sigmoid函数作为激活函数，表达式为f(x)＝1/(1+e-x)。上池化层UP1～UP4采用重采样方法对输入进行扩增，步长为2。目标函数采用二元交叉熵损失函数，表达式为
Figure BDA0002899112630000031
其中，xi为第i个输入样本，
Figure BDA0002899112630000032
为模型对应xi的输出，m为min-batch的个数。
2基于卷积神经网络的标注模型构建
标注模型的卷积层和池化层的结构和参数与卷积自编码的编码器完全相同，在此基础上添加全连接层和输出层，组成卷积神经网络，模型结构如图2示。在训练卷积自编码过程中，训练样本虽无标签但角域完备，编码器已具有提取HRRP完备角域的能力，在此基础上利用标签HRRP样本对标注模型进行训练至收敛，损失函数采用交叉熵损失函数。
3无标签样本的迭代标注方法
无标签样本的迭代标注方法具体如下：
步骤1：将无标签HRRP样本输入标注模型得到对应独热编码；
步骤2：对独热编码满足条件的无标签HRRP样本进行标注，已标注样本属于新增标签HRRP样本，从无标签HRRP样本数据集中剔除。其中，具体的标注条件如下：
设样本xi输入标注模型后得到的独热编码为
Figure BDA0002899112630000033
当
Figure BDA0002899112630000034
时，取
Figure BDA0002899112630000035
对应的类作为xi的标签，此时，xi为新增标签HRRP样本，其中，α表示门限基数，β表示门限增量基数，N表示初始无标签HRRP样本总和，nr表示上一样本标注周期结束时，未标注的无标签HRRP样本总和。
步骤3：利用新增标签HRRP样本对步骤2中的标注模型进行参数更新，直至模型收敛；
步骤4：步骤1至步骤3称为一个完整的样本标注周期，重复样本标注周期，直至无新增标签HRRP样本，算法结束，得到最终HRRP标注模型。

Claims (4)

1.基于卷积自编码的雷达HRRP目标类别标注方法，包括以下步骤：
步骤1，构建并初始化卷积自编码，利用全部HRRP样本对卷积自编码进行训练，直至模型收敛，其中，全部HRRP样本包括全部标签HRRP样本和全部无标签HRRP样本；
步骤2，将卷积自编码的编码器作为特征提取器构建卷积神经网络，利用全部标签HRRP样本对卷积神经网络进行训练，得到初始标注模型；
步骤3，将所有无标签HRRP样本输入标注模型得到对应独热编码；
步骤4，对独热编码满足标注条件的无标签HRRP样本进行标注，已标注样本属于新增标签HRRP样本，从无标签HRRP样本数据集中剔除；
步骤5，利用新增标签HRRP样本对步骤3中的标注模型进行参数更新，直至模型收敛；
步骤6，步骤3至步骤5称为一个完整的样本标注周期，重复样本标注周期，直至无新增标签HRRP样本，方法结束，得到最终HRRP标注模型；
所述步骤4中的所述标注条件具体为：
设样本xi输入标注模型后得到的独热编码为
Figure FDA0003741388330000011
当
Figure FDA0003741388330000012
时，取
Figure FDA0003741388330000013
对应的类作为xi的标签，此时，xi为新增有标签样本，其中，α为门限基数，β表示门限增量基数，N表示初始无标签样本总和，nr表示上一样本标注周期结束时，未标注的无标签样本总和。
2.如权利要求1所述的雷达HRRP目标类别标注方法，其特征在于，步骤1中卷积自编码的构成具体为：
卷积自编码包含两个部分，分别为编码器和解码器；编码器包含四个卷积层，编号分别为C1～C4，卷积核大小均为3×1，个数分别为16、32、32和64，激活函数均采用ReLU函数，表达式为f(x)＝max(0，x)，每个卷积层后接一个池化层，编号分别为P1～P4，所有池化层均采用最大池化，步长为2；解码器包含四个去卷积层，编号分别为DC1～DC4，卷积核大小均为3×1，个数分别为32、16、16和1，DC1～DC3采用ReLU函数作为激活函数，由于DC4的输出结果
Figure FDA0003741388330000014
为输入x的重构，
Figure FDA0003741388330000015
需满足条件
Figure FDA0003741388330000016
d为输入维度，因此，DC4采用Sigmoid函数作为激活函数，表达式为f(x)＝1/(1+e-x)，上池化层，编号分别为UP1～UP4，采用重采样方法对输入进行扩增，步长为2；目标损失函数采用二元交叉熵损失函数。
3.如权利要求2所述的雷达HRRP目标类别标注方法，其特征在于，卷积自编码的目标损失函数具体为：
Figure FDA0003741388330000021
其中，xi为第i个输入样本，
Figure FDA0003741388330000022
为卷积自编码模型对应xi的输出，m为小批量样本的数量。
4.如权利要求1所述的雷达HRRP目标类别标注方法，其特征在于，步骤2中的初始标注模型具体为：
初始标注模型中卷积层和池化层的结构与参数与卷积自编码的编码器完全相同，在此基础上，添加全连接层和输出层，构成卷积神经网络，即为初始标注模型，该卷积神经网络损失函数采用交叉熵损失函数。
CN202110051020.1A 2021-01-14 2021-01-14 基于卷积自编码的雷达hrrp目标类别标注方法 Active CN112699965B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110051020.1A CN112699965B (zh) 2021-01-14 2021-01-14 基于卷积自编码的雷达hrrp目标类别标注方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110051020.1A CN112699965B (zh) 2021-01-14 2021-01-14 基于卷积自编码的雷达hrrp目标类别标注方法

Publications (2)

Publication Number Publication Date
CN112699965A CN112699965A (zh) 2021-04-23
CN112699965B true CN112699965B (zh) 2022-08-30

Family

ID=75515131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110051020.1A Active CN112699965B (zh) 2021-01-14 2021-01-14 基于卷积自编码的雷达hrrp目标类别标注方法

Country Status (1)

Country Link
CN (1) CN112699965B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115683235B (zh) * 2022-12-28 2023-03-28 常州检验检测标准认证研究院 一种工业机器人伺服电机振动故障检测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256052A (zh) * 2018-01-15 2018-07-06 成都初联创智软件有限公司 基于tri-training的汽车行业潜在客户识别方法
CN109948722A (zh) * 2019-03-27 2019-06-28 中国人民解放军战略支援部队航天工程大学 一种识别空间目标的方法
CN109977871A (zh) * 2019-03-27 2019-07-05 中国人民解放军战略支援部队航天工程大学 一种基于宽带雷达数据和gru神经网络的卫星目标识别方法
CN110097131A (zh) * 2019-05-08 2019-08-06 南京大学 一种基于对抗协同训练的半监督医疗图像分割方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117793B (zh) * 2018-08-16 2021-10-29 厦门大学 基于深度迁移学习的直推式雷达高分辨距离像识别方法
CN110824450B (zh) * 2019-10-15 2020-09-29 中国人民解放军国防科技大学 一种噪声环境下的雷达目标hrrp鲁棒识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256052A (zh) * 2018-01-15 2018-07-06 成都初联创智软件有限公司 基于tri-training的汽车行业潜在客户识别方法
CN109948722A (zh) * 2019-03-27 2019-06-28 中国人民解放军战略支援部队航天工程大学 一种识别空间目标的方法
CN109977871A (zh) * 2019-03-27 2019-07-05 中国人民解放军战略支援部队航天工程大学 一种基于宽带雷达数据和gru神经网络的卫星目标识别方法
CN110097131A (zh) * 2019-05-08 2019-08-06 南京大学 一种基于对抗协同训练的半监督医疗图像分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"X-ModalNet: A semi-supervised deep cross-modal network for classification of remote sensing data";Danfeng Hong etal.;《ELSEVIER》;20201231;第12-22页 *
"基于ISDAE模型的复杂工业过程运行状态评价";赵旭;《万方》;20200902;摘要，第1-5章 *

Also Published As

Publication number Publication date
CN112699965A (zh) 2021-04-23

Similar Documents

Publication Publication Date Title
CN109697232B (zh) 一种基于深度学习的中文文本情感分析方法
CN108520780B (zh) 一种基于迁移学习的医学数据处理和***
CN110348535B (zh) 一种视觉问答模型训练方法及装置
CN109948742B (zh) 基于量子神经网络的手写体图片分类方法
CN110705592B (zh) 分类模型训练方法、装置、设备及计算机可读存储介质
CN113312501A (zh) 基于知识图谱的安全知识自助查询***的构建方法及装置
CN105069173A (zh) 基于有监督的拓扑保持哈希的快速图像检索方法
CN110673840A (zh) 一种基于标签图嵌入技术的自动代码生成方法及***
CN111832546A (zh) 一种轻量级自然场景文本识别方法
CN108647191B (zh) 一种基于有监督情感文本和词向量的情感词典构建方法
CN107730006A (zh) 一种基于可再生能源大数据深度学习的建筑近零能耗控制器
CN110046356B (zh) 标签嵌入的微博文本情绪多标签分类方法
CN112699965B (zh) 基于卷积自编码的雷达hrrp目标类别标注方法
CN110866631A (zh) 基于集成的门递归单元神经网络gru来预测大气污染情况的方法
CN111429947A (zh) 一种基于多级残差卷积神经网络的语音情感识别方法
CN110837736A (zh) 一种基于字结构的迭代膨胀卷积神经网络-条件随机场的中文医疗记录的命名实体识别方法
CN112270615A (zh) 基于语义计算的复杂装备制造bom智能分解方法
CN115344696A (zh) 一种基于主动学习的开放域小样本文本学习方法
CN116975634A (zh) 一种基于程序静态属性及图神经网络的微服务提取方法
CN114510576A (zh) 一种基于BERT和BiGRU融合注意力机制的实体关系抽取方法
CN110134956A (zh) 基于blstm-crf的地名组织名识别方法
CN112163069B (zh) 一种基于图神经网络节点特征传播优化的文本分类方法
CN111507103B (zh) 一种利用部分标注集的自训练神经网络分词模型
AU2021103509A4 (en) Radar hrrp target class labeling method based on convolutional auto-encoder
CN115186670B (zh) 一种基于主动学习的领域命名实体识别方法及***

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