[发明专利]针对雷达载频变换的高分辨距离像目标稳健识别方法

权利要求书

1.一种针对雷达载频变换的高分辨距离像目标稳健识别方法，其特征在于，包括如下：

(1)选择雷达回波沿距离维度的幅度信息作为高分辨距离像数据，并对其进行预处理，得到高分辨距离像时频域特征数据；

(2)将不同类别的高分辨距离像时频域特征数据建立雷达目标数据库，并对库内的各个目标类别设置标签值；

(3)选取载频变化前后的训练样本集和测试样本集，即从雷达高分辨距离像时频域特征数据中选取原载频中目标俯仰角为3°的样本组成原载频下的训练样本集；从新载频中选取俯仰角为3°和5°的样本分别组成新载频下的训练样本集和测试样本集；

(4)搭建一个依次为：第一卷积层→第一池化层→第一残差块→第二卷积层→第二池化层→第二残差块→第三卷积层→第三池化层→全连接层→softmax层的十层残差网络；

(5)训练原载频下的残差网络，即将原载频下的训练样本集输入到残差网络中，利用交叉熵公式，计算该残差网络的输出数据与类别标签之间的损失值，并进行多次迭代更新，直至残差网络的总损失值收敛为止，得到原载频下训练好的残差网络，并保存其全部参数值；

(6)使用已保存的原载频下残差网络中的全部参数值，并固定所有卷积层、所有池化层和所有残差块的参数值不变，利用新载频下的训练样本集，对残差网络中的全连接层进行微调，即利用交叉熵公式，计算该残差网络的输出数据与类别标签之间的损失值，并进行多次迭代更新，直至残差网络的总损失值收敛为止，得到新载频下训练好的残差网络；

(7)将新载频下的测试样本集输入到新载频下训练好的残差网络中，得到待识别的目标被识别为各类目标的概率，选择最大概率值对应的类别作为识别结果。

2.根据权利要求1所述的方法，其特征在于：(1)中对雷达高分辨距离像数据进行预处理，实现如下：

(1a)按照下式，对雷达高分辨距离像数据进行模二范数归一化处理：

其中，x₁表示模二范数归一化处理后的高分辨距离像数据，x表示高分辨距离像数据，||·||₂表示求模二范数操作；

(1b)将归一化后的雷达高分辨距离像数据x₁进行短时傅里叶变换，得到高分辨距离像的时频域特征数据x₂。

3.根据权利要求1所述的方法，其特征在于：(2)中对雷达目标数据库内的各个目标类别设置标签值，是分别将序号为1的高分辨距离像时频域数据的标签记为d₁，序号为2的高分辨距离像时频域数据的标签记为d₂、…、将序号为M的高分辨距离像时频域数据的标签记为d_M，d₁取值为1，d₂取值为2，…，d_M取值为M，其中，M表示目标类别的总个数。

4.根据权利要求1所述的方法，其特征在于：(4)中构建的残差网络各层参数设置如下：

第一卷积层的卷积核数目为64，卷积核尺寸为1*7，卷积核滑动步长为1；

第一池化层、第二池化层、第三池化层的池化卷积核大小均为1*2，池化卷积核移动步长均为2；

第一残差块由3个卷积层组成，这三个卷积层依次相连，且第1个卷积层的输入端与第3个卷积层的输出端通过相加得到最终的残差块输出，这3个卷积层的卷积核数目依次为64、64、128，卷积核尺寸均为1*5，卷积核滑动步长均为1；

第二卷积层的卷积核数目为128，卷积核尺寸为1*5，卷积核滑动步长为1；

第二残差块包括有三个卷积层，该三个卷积层依次相连，且第一个卷积层的输入端与第三个卷积层的输出端通过相加得到最终的该残差块的输出，这三个卷积层的卷积核数目依次为128、128、256，卷积核尺寸均为1*5，卷积核滑动步长均为1；

第三卷积层的卷积核数目为512，卷积核尺寸为1*7，卷积核滑动步长为1；

全连接层神经元的个数为512*32；

softmax层得到输入样本被识别为每一类样本的概率。

5.根据权利要求1所述的方法，其特征在于：(5)中所述的交叉熵公式如下：

其中，H(p,q)为输出数据与类别标签值的交叉熵，p表示类别标签值，q表示输出概率，N表示目标的类别总数，p(x)表示类别标签中的第x个元素，q(x)表示输出概率中的第x个元素。