[发明专利]基于深度置信网络识别变体飞机的高分辨距离像的方法

说明书

一种基于深度置信网络识别变体飞机的高分辨距离像的方法。其步骤为：(1)构建深度置信网络；(2)生成高分辨距离像样本集；(3)对每个样本的幅度进行归一化处理；(4)训练深度置信网络；(5)目标识别；本发明通过构建并训练深度置信网络，利用训练好的深度置信网络学习变体飞机与非变体飞机的高分辨距离像的共性特征，深度置信网络根据学习到的共性特征实现对变体飞机高分辨距离像的稳健识别，能够有效地解决变体飞机与相对应的非变体飞机高分辨距离像失配导致的对变体飞机正确识别率下降的问题，本发明具有显著降低变体部分对变体飞机识别带来的影响，有效提高了对变体飞机的识别性能的优点。

技术领域

本发明属于雷达技术领域，更进一步涉及目标识别技术领域中的一种基于深度置信网络识别变体飞机的高分辨距离像的方法。本发明采用深度置信网络实现对变体飞机的高分辨距离像的自动识别。

背景技术

雷达高分辨距离像是一维图像，是宽带雷达获取的目标散射中心距离像在雷达视线上投影的矢量和。高分辨距离像不仅包含了目标的尺寸和散射中心等结构信息，还具有容易获取以及处理简单的优点，因此在雷达目标识别领域受到了广泛关注。

飞机的外形并不是一直不变的，例如由于作战环境的不同，飞机的外形会发生不同的变化，副油箱的挂载以及武器的挂载都会使得飞机外形发生变化，相应地会引起雷达高分辨距离像的变化，人们将这类发生形变的飞机称为变体飞机。变体飞机外形结构的变化使得其高分辨距离像随之改变，因而将与库内同类型的非变体飞机的高分辨距离像之间存在失配，最终导致对变体飞机高分辨距离像的识别性能严重下降，甚至失去识别能力。

目前现有的关于变体飞机的识别方法是先去除变体飞机高分辨距离像中的变体飞机部分，即先将变体飞机高分辨距离像恢复成非变体飞机高分辨距离像，再利用传统的目标识别方法进行识别，识别率的高低取决于变体部分的去除效果。

西安电子科技大学在其申请的专利文献“基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法”(专利申请号：201810978483.0，申请公布号：CN109190693A)中提出了一种基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法。该方法首先建立变体目标高分辨距离像的数学模型，定义变体目标数学模型中各个变量的先验概率和其先验概率参数的先验分布，然后通过块稀疏贝叶斯学习迭代求解模型获取变体目标高分辨距离像中的变体成分，再从变体目标高分辨距离像中去除变体成分，最后用自适应高斯分类器对恢复出的去除变体成分后的高分辨距离像进行识别。该方法存在的不足之处是，对于稀疏度较小的高分辨距离像难以有效消除变体部分的影响，此时识别率相对较低。

朱文强在其发表的论文“基于结构稀疏先验的变体目标识别方法研究”(西安电子科技大学2017-06-01)中提出了一种基于结构稀疏先验的变体目标识别方法，该方法利用变体分量具有块稀疏的特点,对变体分量单独建模,并分离出变体分量,获取原始目标未形变的高分辨距离像。在此基础上进行识别,改善了对变体目标的识别性能。该方法存在的不足之处是，采用了较为简单的自适应高斯分类器，因此识别率相对较低。

发明内容

本发明的目的是针对上述现有技术存在的不足，提出了一种基于深度置信网络识别变体飞机的高分辨距离像的方法。

实现本发明目的的思路是，构建并训练深度置信网络，利用训练好的深度置信网络对变体飞机的高分辨距离像与非变体飞机的高分辨距离像之间的共性特征进行学习，再根据学习到的共性特征对变体飞机的高分辨距离像进行识别。

本发明实现的具体步骤包括如下：

(1)构建深度置信网络：

(1a)搭建一个三层深度置信网络，其结构依次为：两层受限玻尔兹曼机和一层反向传播网络；

(1b)设置深度置信网络的参数如下：

将第一层受限玻尔兹曼机的隐含层输入节点设置为128，输出节点设置为200，批尺寸设置为200，迭代次数设置为4，学习率设置为0.002；