[发明专利]基于标签多级编码神经网络的目标识别方法

说明书

本发明属于目标识别领域，具体的说是涉及一种基于标签多级编码神经网络目标识别方法。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；其次对样本数据的标签做离散编码；然后分别利用MLP和CNN分别以两种目标标记方式进行训练，采用随机梯度下降法来训练神经网络，并进行超参数微调；训练S步后得到预测模型，并利用预测模型对待识别样本进行目标识别。本发明方法提供了精确度。

技术领域

本发明属于目标识别领域，具体的说是涉及一种基于标签多级编码神经网络目标识别方法。

背景技术

本发明是对目标识别领域通用的改进型方法，其中本发明实验验证算法是在雷达一维距离像的识别的具体应用上进行验证的。雷达回波数据是远距离目标识别的关键。其中，利用高分辨雷达获取的雷达一维距离像反映了目标散射中心在雷达视线上的分布，体现了目标的形状结构等物理信息，因此被广泛用于雷达目标识别领域。一直以来基于模式识别算法的识别方法在目标识别领域取得良好的效果。其中，传统的机器学习算法人为设定特征和深度神经网络自动学习到有利于分类的目标高阶特征等为模式识别方法均是从雷达一维像数据的角度出发，提高识别精度。本发明是在结合上述算法的基础上，通过对雷达目标的标签进行编码重构，形成多级区域型标签，以降低雷达侦测目标的回波因飞机目标姿态导致的回波剧烈变化形成的类间差异以及提高神经网络的泛化能力。因此，研究基于标签多级编码神经网络的识别方法可进一步提高目标识别率并且提高模型的泛化能力。

发明内容

本发明属于目标识别领域，针对机器学习的识别目标的表示方法，本发明针对雷达目标一维距离像识别进行算法验证，设计一种基于标签多级编码神经网络的目标识别方法。

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；其次对样本数据的标签做离散编码；然后分别利用MLP和CNN分别以两种目标标记方式进行训练，采用随机梯度下降法来训练神经网络，并进行超参数微调；训练S步后得到预测模型，并利用预测模型对待识别样本进行目标识别。

基于标签多级编码神经网络的目标识别方法，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]；