[发明专利]基于注意深度双向循环神经网络的HRRP目标识别方法

摘要

本发明公开了一种基于注意深度双向循环神经网络的HRRP目标识别方法，首先提取数据的时域特征并对提取出的时域特征进行切分和非均匀量化编码得到其局部结构的编码，然后利用其局部结构和周围数个局部结构的关系得到其编码之间的共现矩阵，进而通过该共现矩阵得到数据的结构嵌入特征，然后再将提取出的嵌入特征送入由全连接层和基于注意LSTM的双向循环神经网络构成的深度神经网络进行训练，同时根据循环网络隐层的输出，采用softmax层得到注意力模型的权重参数，最后利用softmax层和注意模型的权重对HRRP进行识别并得到识别结果。

主权项

1.一种基于注意深度双向循环神经网络的HRRP目标识别方法，包括如下步骤：包括以下步骤；S1:获取Q个雷达采集到的HRRP数据集，并依据目标的种类进行合并，训练样本和测试样本分别在每种种类数据的不同数据段里选择，选取过程中保证所选取训练集的数据与雷达所成姿态涵盖测试数据集与雷达所成的姿态；S2:对经过S1所挑选数据集中的每一个样本采用补偿法对齐法进行对齐，得到对齐后的数据；S3:对S2处理后的每一个样本进行能量归一化处理，得到归一化后的数据；S4：对经过S3处理后的雷达训练目标数据，提取时域特征作为识别特征，并用于训练；S5:循环切分经过处理后的数据集，设定切分的向量长度为p，使p为2的幂级数；之后对数据集内的每一个HRRP样本，将其移位p‑1次并进行连接；S6:提取样本的嵌入表示特征，将每一个经过S5处理后的HRRP样本按10级进行非均匀量化；设定窗口值，初始化一个空矩阵，并依次统计量化向量在窗长度下共现的次数，对矩阵中的对应元素赋值；最后对矩阵中的每个元素限制其动态范围，根据共现矩阵得到HRRP训练样本的结构嵌入特征；S7:构建深度神经网络模型，并利用HRRP训练样本的结构嵌入特征训练该模型；该深度神经网络模型由三部分组成：首先是一个全连接网络层，用于嵌入特征降维，然后将降维后的数据输入至基于注意LSTM(长短时记忆网络)的深度双向循环神经网络，最后采用softmax层对双向循环神经网络的输出进行识别；S8:对由S1采集到的测试数据进行训练阶段的步骤S2、S3、S4、S5和S6操作；S9:将经过S8所提取的嵌入表示特征送入S7构建的深度神经网络得到测试样本所对应的目标。