[发明专利]基于遗传算法优化的神经网络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，具体的说是涉及一种基于遗传算法优化的神经网络雷达一维距离像目标识别方法。本发明的方法首先通过对原始一维距离像进行选择和截断等预处理操作；其次，采用时段原则对数据集进行划分，同时对训练集中各目标进行二次等量随机抽取，获得两个同构训练子集；接着，本发明提出了神经网络与遗传算法双向优化的方法，利用训练网络在不同迭代次数时所产生的网络参数，初始化一定数目的染色体；然后，采用遗传算法对染色体进行交叉变异等操作；随后，根据所选最优染色体对新的神经网络识别系统赋初值，选择新的训练子集作为网络输入，采用随机梯度下降法对网络进行训练，加快了训练网络的收敛速度，同时提升了一定的识别率。

主权项

1.基于遗传算法优化的神经网络雷达一维像识别方法，其特征在于，包括以下步骤：S1、获取数据样本：由高分辨率雷达分时段获取飞行目标的一维距离像数据构成数据集：其中N表示目标类别总数，K_i代表获取第i类目标一维距离像的总时间段个数，M_ik表示第i类目标在第k个时间段所获取目标一维距离像的个数，为数据集合中样本总数，表示第i类目标在第k个时间段所获取的第j幅一维距离像，且样本维数为600；S2、数据样本的预处理：S21、对S1所述数据集D⁽⁰⁾进行样本筛选：从数据集D⁽⁰⁾中选择信噪比大于22db的所有一维距离像，并将筛选后的数据集记为D⁽¹⁾；S22、对D⁽¹⁾中的一维距离像进行截断处理，即以最大值为中心，连续选取300个数据点，作为待识别一维距离像样本，记截断后的数据集为：其中W_ik表示经筛选后的第i类目标在第k个时间段所获取目标一维距离像的个数：S3、划分数据集：为提升识别系统的鲁棒性，选取每类目标的第一个时间段所获取的一维距离像作为训练集，其他时间段所获取的一维距离像作为测试集合，则分别将训练集和测试集记为：考虑训练样本数据均衡性问题，然后将训练集进行拆分，通过随机二次抽取拆分为两个不同的训练子集，且使两个训练子集内同类别目标的个数保持相同，以共享相同标签集，记训练子集为：其中表示训练子集中的样本总数；S4、构建标签集：根据S3中所建训练子集X⁽¹⁾(1)和测试集Z⁽¹⁾，采用1‑of‑K编码方式得到样本的标签矢量为：y_ikj＝[y_ikj(1)，y_ikj(2)，...，y_ikj(K_i)]，则标签矢量集合分别表示训练数据集X⁽¹⁾和测试集合Z⁽¹⁾所对应的标签集合；S5、构建5层BP神经网络分类器：根据深度学习理论，基于TensorFlow平台搭建一个5层神经网络，网络包含：输入层，节点数为300；三层隐含层，节点数为h1、h2、h3；一个softmax输出层，节点数为N，选择最小均方误差和作为网络的优化目标函数，且将该网络记为BP_net1；随后将S3中所述的训练子集作为网络BP_net1的第一层输入，结合S4中所构建的样本标签集利用随机梯度下降法对BP_net1网络进行有监督训练，且对该网络重复训练10*p次，使损失函数最小；同时每训练p次神经网络可记录一组网络参数，记训练完成后所得参数集合为：其中wb(q)是指BP_net1在训练10*q次之后所得到的网络参数集合；S6、利用遗传算法对网络参数进行优化；利用S5步骤中训练好的神经网络参数集合WB，分别初始化10个染色体，染色体长度为L；并将S5中的目标误差函数的倒数作为染色体进化过程中的适应度函数，计算每个染色体体的适应度值；接着依据个体的适应度值的大小选择将要进入下一代的个体；随着，设置交叉概率P_c和变异概率P_e，对被选中的进化个体进行相应的交叉和变异操作；将染色体进化代数设置为50，最后计算进化50代后所有染色体的适应度值，选取适应度值最大的染色体作为网络参数优化的最优解，记为WB_new；S7、将S6中所得WB_new用于初始化新的神经网络BP_net2分类器：首先创建新的神经网络BP_net2，其网络结构同BP_net1；利用S6中已经优化好的参数集WB_new，对BP_net2进行参数初始化；随后将S3中所述训练子集作为网络BP_net2的第一层输入；对网络参数进行无监督的预训练；随后结合S4中所构建的样本标签集对BP_net2网络进行有监督微调，利用随机梯度下降法对该网络重复训练K次，使损失函数最小，至此完成分类器的训练过程；S8、采用步骤S7中获得的分类器模型对测试样本进行目标识别。