[发明专利]基于标签多级编码神经网络的目标识别方法

权利要求书

1.一种基于标签多级编码神经网络的目标识别方法，其特征在于，包括以下步骤：

S1、获取源数据，具体为：采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，该源数据格式为：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]；

S2、对源数据进行处理：

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、对S21所述X₁根据公式进行数值缩放，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，记训练集为：同理记测试集为：其中，表示第i类目标的第j个一维距离像样本，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；

S3、将所有目标单标签编码成映射多姿态的并行标签，具体编码方法为：

对训练数据Tr₁将每类数据对应的标签编码，即，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，将一维雷达距离像数据的形状N*300，reshape为适合用于tensorflow做空间卷积的形状N*1*300*1的格式，将reshape后的训练数据和测试数据分别记为Tr₂和V₂，其中，N表示每个数据集的样本数目；

S5、构建一维神经网络，所述一维神经网络包括多层感知器和卷积神经网络，所述多层感知器的层级设计为：两个全连接层和一个softmax层组成，记为MLP，所述卷积神经网络采用3个卷积池化层和1个全连接层以及softmax层，记为CNN；

S6、分别将训练数据导入S5构建的神经网络，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对MLP和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，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。

2.根据权利要求1所述的一种基于标签多级编码神经网络的目标识别方法，其特征在于：S5所述的一维神经网络构成如下：

S51、MLP和CNN的输入是步骤S4中reshape后的雷达一维距离像数据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，MLP和CNN的激活函数均采用指数线性单元(ELU)函数；

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。

3.根据权利要求1所述的一种基于标签多级编码神经网络的目标识别方法，其特征在于：S6所述S＝300。