[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

说明书

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。

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；