[发明专利]基于伪标签学习的雷达一维距离像目标识别方法

权利要求书

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，采用梯度下降法对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，获得预测结果；

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训练数据添加到训练数据集，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。