[发明专利]一种雷达目标分类方法、装置、设备及可读存储介质

权利要求书

1.一种雷达目标分类方法，其特征在于，包括：

获取雷达目标的高分辨距离像；

利用预设的卷积神经网络对所述高分辨距离像进行分类，得到所述雷达目标的分类结果；所述预设的卷积神经网络包括：卷积层、与BN算法相结合的激活函数层、汇聚层和设有SVM分类器的全连接层；

将所述雷达目标的分类结果进行可视化展示。

2.根据权利要求1所述的雷达目标分类方法，其特征在于，所述利用预设的卷积神经网络对所述高分辨距离像进行分类，包括：

通过所述卷积层提取所述高分辨距离像的特征，得到所述雷达目标的特征数据集合；

通过所述激活函数层增加所述特征数据集合中的特征数据的梯度，得到第一中间集合；

通过所述汇聚层对所述第一中间集合中的特征数据进行降维处理，得到第二中间集合；

通过所述全连接层中的SVM分类器对所述第二中间集合中的特征数据进行分类。

3.根据权利要求2所述的雷达目标分类方法，其特征在于，还包括：

重复执行一次所述通过所述卷积层提取所述高分辨距离像的特征，得到所述雷达目标的特征数据集合；通过所述激活函数层增加所述特征数据集合中的特征数据的梯度，得到第一中间集合的步骤；所述第一中间集合作为重复执行时所述卷积层的输入数据。

4.根据权利要求3所述的雷达目标分类方法，其特征在于，所述通过所述全连接层中的SVM分类器对所述第二中间集合中的特征数据进行分类之前，还包括：

迭代执行所述通过所述卷积层提取所述高分辨距离像的特征，得到所述雷达目标的特征数据集合；通过所述激活函数层增加所述特征数据集合中的特征数据的梯度，得到第一中间集合；通过所述汇聚层对所述第一中间集合中的特征数据进行降维处理，得到第二中间集合的步骤；所述第二中间集合中的特征数据作为迭代执行时所述卷积层的输入数据；

当迭代执行的次数超过预设的阈值时，执行所述通过所述全连接层中的SVM分类器对所述第二中间集合中的特征数据进行分类的步骤。

5.根据权利要求2-4任意一项所述的雷达目标分类方法，其特征在于，所述通过所述激活函数层增加所述特征数据集合中的特征数据的梯度，包括：

利用第一公式计算所述特征数据集合中的特征数据的期望，所述第一公式为：

利用第二公式计算所述特征数据集合中的特征数据的方差，所述第二公式为：

利用第三公式对所述特征数据集合中的特征数据进行归一化处理，所述第三公式为：

利用预设的学习参数和第四公式对所述归一化处理的结果进行重构变换，所述第四公式为：

其中，E[x]为所述期望，s为所述特征数据集合中的特征数据的个数，x_i为所述特征数据集合中的任意一个特征数据；Var[x]为所述方差，为所述归一化处理的结果，y_i为所述重构变换的结果，γ和β均为所述学习参数。

6.根据权利要求1所述的雷达目标分类方法，其特征在于，所述将所述雷达目标的分类结果进行可视化展示，包括：

利用预设的可视化工具将所述雷达目标的分类结果进行可视化展示。

7.一种雷达目标分类装置，其特征在于，包括：

获取模块，用于获取雷达目标的高分辨距离像；

分类模块，用于利用预设的卷积神经网络对所述高分辨距离像进行分类，得到所述雷达目标的分类结果；所述预设的卷积神经网络包括：卷积层、与BN算法相结合的激活函数层、汇聚层和设有SVM分类器的全连接层；

展示模块，用于将所述雷达目标的分类结果进行可视化展示。