[发明专利]基于标签多级编码神经网络的目标识别方法

摘要

本发明属于目标识别领域，具体的说是涉及一种基于标签多级编码神经网络目标识别方法。本发明的技术方案为：首先将单基地雷达获取的一维距离像信噪比SNR为22dB的数据作为训练数据；其次对样本数据的标签做离散编码；然后分别利用MLP和CNN分别以两种目标标记方式进行训练，采用随机梯度下降法来训练神经网络，并进行超参数微调；训练S步后得到预测模型，并利用预测模型对待识别样本进行目标识别。本发明方法提供了精确度。

主权项

一种基于标签多级编码神经网络的目标识别方法，其特征在于，包括以下步骤：S1、获取源数据，具体为：采用由高分辨率雷达采集的高分辨率一维距离像数据作为源数据，该源数据格式为：原始标记为：其中，K表示目标类别总数，F表示目标的一维距离像特征点数目，Ni表示第i类目标样本数目，为数据集合中样本总数，yij表示第i类第j个样本的标签，yij∈[0,1,2…,K‑1]；S2、对源数据进行处理：S21、将S1中数据集X0的数据进行筛选，将信噪比SNR等于22dB的样本抽出形成新的数据集S22、对S21所述X1根据公式进行数值缩放，将缩放后的样本集记为：其中，表示每个距离特征点，X.mean表示所有样本距离特征点的均值；S23、将X2中同类目标的样本按照雷达照射方向，划分构成训练集和测试集，记训练集为：同理记测试集为：其中，表示第i类目标的第n幅一维距离像样本，且维数F＝300，Mi代表测试集中第i类目标的一维距离像数；S3、将所有目标单标签编码成映射多姿态的并行标签，具体编码方法为：对训练数据Tr1将每类数据对应的标签编码，即，将K类目标的标签Label_K∈[0,1,2…,K‑1],K≥2，按每类对应提取出来，将标签0编码为[0,1,…,n‑1],n＞＝2，标签1编码为[n,n+1,…,2n‑1]，依次类推，标签K‑1编码为[(K‑1)n,(K‑1)n+1,…,Kn‑1]，则总的标签标记为Label_Kn∈[0,1,2,…,Kn‑1]；S4、对S2中处理好的数据集进行reshape操作，将一维雷达距离像数据的形状N*300，reshape为适合用于tensorflow做空间卷积的形状N*1*400*1的格式，将reshape后的训练数据和测试数据分别记为Tr2和V2，其中，N表示每个数据集的样本数目；S5、构建一维神经网络，所述一维神经网络包括多层感知器和卷积神经网络，所述多层感知器的层级设计为：两个全连接层和一个softmax层组成，记为MLP，所述卷积神经网络采用3个卷积池化层和1个全连接层以及softmax层，记为CNN；S6、分别将训练数据导入S5构建的神经网络，目标标签分别采用多级编码的离散区域标签Label_Kn以及原始标签Label_K输入一维神经网络，其中，两种标签编码方式采用结构相同的神经网络模型,梯度下降法分别对MLP和CNN的超参数进行微调，迭代S步后，得到有效的飞机目标预测模型，其中，S≥100；S7、采用步骤S6中获得的一维神经网络预测模型对测试样本进行目标识别，针对标签为Label_Kn的数据，其输出预测值按照步骤S3的编码方式逆行，将其按照编码区域划分将所属类别解码到Label_K∈[0,1,2…,K‑1],K≥2，再对其进行正确的归类。