[发明专利]基于卷积支持向量机的雷达一维距离像目标识别方法

摘要

本发明属于雷达技术领域，尤其涉及一种基于级联卷积神经网络和支持向量机的雷达一维距离目标识别方法，具体方案为：首先，对雷达目标后向散射仿真软件获取的一维距离像进行随机距离扰动、扩展及加噪声处理，并将其作为原始特征；其次，对样本数据的标签做one‑hot编码；然后，利用深度学习的方法，使用级联卷积神经网络再结合支持向量机来构建级联卷积支持向量机，采用随机梯度下降法来训练网络C_CNN提取高阶参数；随后，利用带标签样本数据对级联卷积支持向量机CCNN_SVM进行参数微调；最后，利用该级联卷积支持向量机网络训练得到参数模型，并对待识别样本进行识别分类。本发明方法卷积神经网络的正确识别率达到92.34％，深度卷积支持向量机的正确识别率达到95.59％。

主权项

1.一种基于卷积支持向量机的雷达一维距离像目标识别方法，其特征在于，其具体步骤如下：/nS1、获取数据集，具体为：/n采用高分辨率雷达获取一维距离像数据，所述一维距离像数据的数据集格式为：令表示一维距离像数据集所对应的标签集，其中，K表示目标类别总数，F表示单个目标的一维距离像特征点数目，N_i表示第i类目标样本数目，为数据集合中样本总数，表示第i类目标的第n幅一维距离像具有320个距离像特征点的样本，y_in＝[y_in(1),y_in(2),...,y_in(i),...y_in(K)]采用one-hot编码方式，i＝1,2,3,...K，j表示样本类别总数；/nS2、预处理，划分数据集为训练集合测试集，具体如下：/nS21、对S1中数据集D⁽⁰⁾进行前后端随机插0后进行随机相位扰动，同时将每一个样本进行10倍扩展，将此时的数据集记为：其中/nS22、对S21所述D⁽¹⁾进行加噪声处理，随后将其进行能量归一化，将归一化后的样本集记为：/nS23、将S22所述D⁽²⁾中同类目标的样本按照7:3比例随机划分构成训练集和测试集，记训练集为：记测试集为：其中，表示第i类目标的第n幅一维距离像样本，且维数为400，B_i代表测试集中第i类目标的一维距离像数，为测试集中样本总数，且为数据集样本总数；/nS3、对样本数据作形状重塑，得到适合用于卷积的形状的雷达一维距离像数据，即，对S2中划分好的数据集分别作形状重塑，将一维雷达距离像数据的形状N*400，改变为适合用于做卷积的形状N*1*400*1的格式；/nS4、构建一维级联卷积神经网络C_CNN，所述C_CNN的输入是S3中获得的雷达一维距离像数据，所有卷积层的卷积核大小均为1×3，所有池化层的核大小均为1×11，C_CNN的卷积层和全连接层激活函数均采用线性修正函数ReLU函数，所有卷积核权重初始化方式采用高斯正态分布，并使用l2正则化，将池化层的特征矢量输入到全连接层，全连接层的激活函数均采用ReLU函数：/n设置池化方法，采用最大池化的方式保留有效的高通信号，/n构建一级深度特征提取网络CNN_1，其中，所述CNN_1包括3个卷积池化层和2层全连接层，所述CNN_1的最后一个池化层的输出是第一个全连接层的输入，所述CNN_1的最后一个池化层步长为2,其余池化层步长均为1，所述CNN_1的全连接层节点数设为512个，/n构建二级深度特征提取网络CNN_2，所述CNN_2包括3个卷积池化层和3层全连接层，所述CNN_2的最后一个池化层与第一个全连接层相连接，所述CNN_2的最后一个池化层步长为2，其余池化层步长均为1，所述CNN_2的2个节点数依次分别设为512个和128个，/n所述CNN_1的最后一个池化层的输出是所述CNN_2的输入；/nS5、构造一维卷积神经网络分类器：最后一个全连接层接softmax层，即分类器函数使用softmax函数；/nS6、根据步骤S4构建的一维级联卷积神经网络导入训练数据，采用梯度下降法分别对CNN_1和CNN_2的超参数进行微调，迭代S步后，得到提取特征的参数模型，其中，100≤S≤200；/nS7、构建一个级联卷积支持向量机，具体为：/n利用S4构建的一维级联卷积神经网络C_CNN，将一级深度特征提取网络CNN_1的2个全连接层以及二级深度特征提取网络CNN_2的最后一层全连接层去掉，记为F_CNN，将F_CNN提取的特征输入支持向量机，再通过该支持向量机对高阶特征进行学习，同时将对应one-hot标签做变换为十进制数字后输入支持向量机，构成级联卷积支持向量机，记为CCNN_SVM；/nS8、采用网格搜索方法对S7构建的级联卷积支持向量机参数进行微调，训练S步后，得到最后的级联卷积支持向量机网络模型：/n根据S6得到的深度特征提取网络的参数结合F_CNN网络对识别目标进行有效的特征提取，并将提取的特征输入到支持向量机，/n同时，支持向量机的核函数采用径向基函数，超参数优化采用网格搜索法，对参数C和gamma在指定的参数范围内进行寻优，其中，参数C表示支持向量机里的惩罚系数，gamma表示径向基函数的高斯核系数，参数C的寻优范围为[1,3,10]，gamma的寻优范围为(0.1,0.3,0.5)；/nS9、采用S8中获得的级联卷积支持向量机网络模型对输入样本进行目标识别。/n