[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

说明书

本发明属于雷达目标自动识别技术，针对低信噪比条件下的目标HRRP特征提取和分类识别问题，提供了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。为兼顾目标HRRP局部信息和全局信息，利用HRRP多尺度表示构建模型的多通道输入，并基于深度可分离卷积层设计轻量卷积神经网络，有效减少参数数量，提高了泛化性能，同时加入特征金字塔融合来提取目标的鲁棒特征，提高模型稳定性。

技术领域

本发明属于雷达目标自动识别技术，针对低信噪比条件下的目标HRRP特征提取和分类识别问题，提供了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。

背景技术

近年来，深度学习相关算法被广泛应用于计算机视觉领域，如目标检测与定位、目标分类与识别等。深度学习算法利用数据驱动得到所需模型，其提取的深层特征因能更好的表征目标的本质信息而具有良好的鲁棒性。

HRRP(High Resolution Range Profiles)包含大量目标结构，目标散射点强度等信息，目前应用于雷达HRRP目标识别技术的深度学习算法主要基于栈式自编码模型。自编码是一种无监督的特征提取方法，不能很好的利用目标类别标签信息，且因栈式自编码采用贪婪算法逐层训练，其提取的特征随着层数增加容易产生失效问题。为解决上述问题，本发明提出了一种基于卷积神经网络的有监督目标识别方法。

传统深度卷积网络仅利用最深一层的输出特征进行目标分类与识别，而深度网络每层输出均为目标特征，浅层特征多包含轮廓与边缘等信息，深层特征多为高级语义信息。为充分利用各层提取的特征，本发明在传统深度神经网络的基础上，借鉴尺度不变特征变换(Scale-invariant feature transform，SIFT)特征提取方法，提出了一种基于特征金字塔融合轻量卷积神经网络的雷达目标识别方法，该方法利用HRRP多尺度表示构建模型的多通道输入，从而兼顾目标HRRP局部信息和全局信息，并基于深度可分离卷积层设计轻量卷积神经网络，有效减少参数数量，提高模型泛化性能，同时加入特征金字塔融合来提取目标的鲁棒特征，提高模型稳定性。

发明内容

本发明的目的在于，针对低信噪比条件下HRRP的识别率低的问题，提供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，提高了算法的鲁棒性和泛化性能。

本发明的技术解决方案为：基于多尺度空间构造多通道的HRRP数据，构建深度可分离卷积特征提取模块，建立基于特征金字塔轻量卷积神经网络，利用训练样本对模型进行训练，得到端对端的HRRP雷达目标识别模型。

为实现上述目的，本发明实现步骤如下：

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2、3直到损失函数收敛，得到可用于雷达目标识别的模型。

本发明相比现有技术具有如下技术效果：

(1)所提模型为数据驱动的端对端模型，训练过后的模型可自动提取目标的深层特征。

(2)所提方法利用HRRP的多尺度表示构成模型的多通道输入，从而保证所提模型在提取目标细节特征同时，兼顾了目标结构特征，有助于提取鲁棒特征。

(3)与传统卷积神经网络相比，基于深度可分离卷积层设计了轻量卷积神经网络，减少了参数数量，提高了计算效率和模型泛化性。

(4)所提模型充分利用了各层特征，通过特征金字塔融合的方法提高了所提模型的鲁棒性和收敛速度。

附图说明