[发明专利]基于VIT模型和原型网络的可解释SAR目标识别方法及系统

权利要求书

1.基于VIT模型和原型网络的可解释SAR目标识别方法，其特征在于：包括以下步骤：

步骤一：首先把MSTAR数据集分为训练集与测试集,使用训练集来训练VIT模型；

步骤二：从训练集种选择部分数据作为支持集，使用训练好的VIT模型对支持集数据进行编码，得到支持数据编码向量；使用训练好的VIT模型对测试集进行编码，得到测试数据编码向量；

步骤三：计算测试数据编码向量各部位与支持数据编码向量各部位之间的L1距离，根据测试集数据与支持集数据的L1距离得到最相似部位的相似性向量；

步骤四：根据相似性向量重新划分训练集与测试集，展平以后经过全连接网络进行训练与测试，最后得到分类结果。

2.如权利要求2所述的基于VIT模型和原型网络的可解释SAR目标识别方法，其特征在于：所述L1距离按照以下公式计算：

L1＝|x_i-y_jk|

其中，i表示测试数据编码向量中第i个部位，x_i表示测试数据编码向量中第i个部位；j表示支持集数据编码中第j个数据,k表示支持集数据编码中第k个部位；y_jk表示支持集第j个数据编码向量中第k个部位。

3.如权利要求1所述的基于VIT模型和原型网络的可解释SAR目标识别方法，其特征在于：所述步骤三中的相似性向量按照以下方式得到：

计算测试数据单个部位与支持集数据单个部位的L1距离，得到测试数据相对于支持集数据各部位的相似性向量；遍历支持集所有数据所有部位进行计算得到测试集数据各部位与支持集数据所有部位的相似性向量；

取出相对于每个支持集数据最相似的部位，对支持集中每个类别求均值，得到测试数据单个部位与支持集每个类别的最相似部位的相似性向量；

遍历测试数据所有部位，对测试数据的所有部位进行计算L1距离，取出最相似部位并按类别求均值，得到测试数据各部位与支持集每个类别的最相似部位的相似性向量。

4.如权利要求3所述的基于VIT模型和原型网络的可解释SAR目标识别方法，其特征在于：所述遍历支持集所有数据所有部位进行计算得到测试集数据单个部位与支持集数据所有部位的相似性向量，按照以下公式进行：

其中，M表示支持集数据编码中数据的数量；N表示支持集数据编码中部位的数量。

5.如权利要求3所述的基于VIT模型和原型网络的可解释SAR目标识别方法，其特征在于：所述遍历测试数据所有部位，对测试数据的所有部位进行计算L1距离，按照以下公式进行：

其中，Q表示测试数据部位的数量，M表示支持集数据编码中数据的数量；N表示支持集数据编码中部位的数量。

6.如权利要求1所述的基于VIT模型和原型网络的可解释SAR目标识别方法，其特征在于：所述VIT模型包括编码器与全连接网络。

7.如权利要求2所述的基于VIT模型和原型网络的可解释SAR目标识别方法，其特征在于：所述支持数据编码向量或测试数据编码向量是通过训练后的VIT模型中的编码器进行编码输出的。

8.基于VIT模型和原型网络的可解释SAR目标识别系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的方法。