[发明专利]基于特征金字塔轻量卷积神经网络的雷达目标识别方法

权利要求书

1.一种基于特征金字塔轻量卷积神经网络的雷达目标识别方法，其特征在于，包括以下步骤：

步骤1，基于多尺度空间构造多通道的HRRP数据；

步骤2，构建深度可分离卷积特征提取模块，建立特征金字塔轻量卷积神经网络，并对模型参数进行初始化；

步骤3，前向传播，计算迭代过程中损失函数；

步骤4，后向传播，采用链式法则对模型中的参数进行更新；

步骤5，重复步骤3、4直到损失函数收敛，得到可用于雷达目标识别的模型；

特征金字塔轻量卷积神经网络模型由四个深度可分离卷积特征提取模块构成，编号分别为模块1、2、3、4，其中前三个模块的输出分别作为分支1、2、3的输入，每个分支均利用深度卷积对输入进行降采样，分支1、2、3的输出与模块4的输出通过并联得到一个特征向量，利用点卷积对该特征向量的各通道特征进行融合，并将得到的特征向量展开成一维向量与下一层的全连接层进行连接，最后由输出层得到输出结果；

特征融合时采用特征金字塔融合方法，所述特征金字塔融合方法如下：

(1)将特征金字塔level 1～3的特征向量降采样，使其特征维度与level4特征维度相同，利用深度卷积对level 1～3的特征向量降采样，其中，level 1～4分别代表模块1～4的输出特征向量，level i+1的特征向量由level i的特征向量经模块i卷积并降采样得到，其向量维度为level i的一半，level 1～4的特征向量组合称为特征金字塔；

(2)将各level的多通道特征并联，若level 1～4特征的通道数分别为c1～c4，并联后特征向量的通道为

(3)利用点卷积对并联后向量的各通道进行融合，将融合得到的向量输入全连接层得到最后的识别结果。

2.如权利要求1所述的雷达目标识别方法，其特征在于，步骤1具体为：采用不同尺度的高斯核对HRRP数据进行卷积操作来获取HRRP的多尺度表示，其中高斯核与HRRP的卷积公式为：

其中，G(x,σ)为一维高斯核函数，a表示高斯核的幅度，σ表示高斯核的尺度参数，I(x)表示输入信号，代表卷积运算，L(x,σ)为高斯模糊后的信号，将不同尺度的HRRP做归一化处理后，通过并联组成多通道数据作为模型输入。

3.如权利要求1所述的雷达目标识别方法，其特征在于，步骤2中的深度可分离卷积特征提取模块包含一个深度卷积层，一个点卷积层、一个池化层。

4.如权利要求3所述的雷达目标识别方法，其特征在于，深度卷积层中的卷积核大小固定为3×1，个数与对应的输入向量通道数相同。

5.如权利要求3所述的雷达目标识别方法，其特征在于，池化层的步长为2。

6.如权利要求1所述的雷达目标识别方法，其特征在于，步骤2中基于特征金字塔轻量卷积神经网络的建立方法具体为：所述神经网络由4个深度可分离卷积特征提取模块组成，其中前三个模块的输出分别经过一个分支后，与第4个模块的输出并联在一起组成新的特征向量，用点卷积层将特征向量的各通道融合后，利用全连接层和输出层组成的非线分类器得到分类识别结果。

7.如权利要求6所述的雷达目标识别方法，其特征在于，分支由一个深度卷积层组成。