申请/专利权人：西安电子科技大学

申请日：2021-04-09

公开（公告）日：2024-02-20

公开（公告）号：CN113239959B

主分类号：G06F18/24

分类号：G06F18/24;G06F18/2411;G06N3/0464;G06N3/0455;G06N3/08;G06N20/20;G01S13/89

优先权：

专利状态码：有效-授权

法律状态：2024.02.20#授权;2021.10.12#著录事项变更;2021.09.10#实质审查的生效;2021.08.10#公开

摘要：本发明属于雷达技术领域，公开了一种基于解耦表征变分自编码机的雷达HRRP目标识别方法，包括步骤：获取待训练雷达HRRP数据和待识别雷达HRRP数据，并进行预处理；构建编码器和解码器，共同组成解耦表征变分自编码机；对所述解耦表征变分自编码机进行训练；将预处理后的样本依次输入训练好的解码器中，提取各类特性表征a和各类特性表征b；训练支持向量机SVM；使用训练好的支持向量机分类器对各类特性表征b进行分类，完成目标识别。本发明通过对雷达高分辨距离像的类间共性表征和各类特性表征分别建模，实现了雷达高分辨距离项数据的高可分性表征提取，能够提高目标的识别准确率。

主权项：1.基于解耦表征变分自编码机的雷达HRRP目标识别方法，其特征在于，包括以下步骤：步骤1，获取待训练雷达HRRP数据和待识别雷达HRRP数据，所述待训练雷达HRRP数据包括N个待训练距离像及每个距离像对应的类别标签；所述待识别雷达HRRP数据包括M个待识别距离像；对所述N个待训练距离像和M个待识别距离像分别进行预处理，得到N个预处理后的待训练样本和预处理后的待识别样本；其中，N、M分别为正整数；每个距离像对应一个样本；待识别雷达HRRP数据中的目标类别包含于待训练雷达HRRP数据中的目标类别；步骤2，构建分别由两个神经网络组成的编码器和解码器，所述编码器和解码器共同组成解耦表征变分自编码机；步骤3，利用预处理后的训练集样本对所述解耦表征变分自编码机进行训练，学习编码器和解码器的参数，得到训练好的编码器和解码器；所述利用预处理后的训练集样本对所述解耦表征变分自编码机进行训练，学习编码器和解码器的参数，具体步骤为：3a针对每个训练样本对xi,yi，首先将训练样本xi及其相应的标签yi输入到解耦表征变分自编码机的编码器中，得到其对应的类间共性表征zgi对应近似后验分布的统计量和各类特性表征zdi对应近似后验分布的充分统计量和其中，yi表示样本xi对应的类别标签；表示类间共性表征近似后验分布qφzgi|xi的均值，表示类间共性表征近似后验分布qφzgi|xi的方差，表示各类特性表征近似后验分布qφzdi|xi的均值，表示各类特性表征近似后验分布qφzdi|xi的方差，φ表示解码器中的网络参数；3b所述编码器对类间共性表征近似后验分布qφzgi|xi和各类特性表征近似后验分布qφzdi|xi分别进行高斯建模，输出该两个分布对应的充分统计量分别为： 3c所述解码器采用类似变分自编码机的方式将类间共性表征先验分布设置为标准高斯分布，其先验分布如下所示：pθzgi|yi～N0,I对各类特性表征采用特定类的可学习建模，先验分布为：pθzdi|yi～NW×yi,I其中，I表示单位矩阵；θ表示解码器的网络参数，yi∈RC表示样本类别，C代表样本类别总数，W∈Rk×C表示一个可学习参数矩阵，k表示类间共性表征zdi的维度；解码器中关于类间共性表征zgi与各类特性表征zdi的条件分布采用高斯建模，该分布对应的充分统计量为：pθxi|zgi,zdi～Nμxzgi,zdi,σxzgi,zdi其中，μxzgi,zdi表示pθxi|zgi,zdi的均值，σxzgi,zdi表示pθxi|zgi,zdi的方差，都由解码器的神经网络实现，输入分别为类间共性表征zgi与各类特性表征zdi；3d采用重参法引入满足标准高斯分布的变量ε来获得对应表征z的随机性，通过引入变量ε，类间共性表征的计算过程为： 各类特性表征的计算过程为： 3e计算xi所对应的条件对数似然lnpθxi,yi的变分下界： 其中，模型优化的目标函数如下所示： 式中，φ表示编码器的网络参数，θ表示解码器的网络参数，pθ表示基于解码器输出确定的条件分布概率，L·表示变分下界函数符号；表示重构误差，反映最终解耦表征变分自编码机中解码器样本的生成点的似然函数；E表示数学期望；DKLqφzdi|xi||pθzdi|yi为分类间共性表征误差，该项表示模型拟合的类间共性表征的后验分布与其对应的先验分布的KL散度距离；DKLqφzgi|xi||pθzgi为各类特性表征误差，该项表示模型拟合的各性特性表征的后验分布与其对应的先验分布的KL散度距离；3f根据步骤3e计算对应训练样本的损失函数，并利用批量随机梯度下降优化方法最大化目标函数，将解耦表征变分自编码机的编码器的参数φ和解码器的参数θ进行迭代更新，直至损失函数连续指定次数都收敛，得到训练好的编码器和解码器；步骤4，将预处理后的训练集样本和预处理后的待识别样本依次输入到训练好的解码器中，分别提取出训练样本对应的各类特性表征a和待识别样本对应的各类特性表征b；步骤5，将训练样本对应的各类特性表征a输入支持向量机SVM中，对支持向量机SVM进行训练，得到训练好的支持向量机分类器；使用训练好的支持向量机分类器对待识别样本对应的各类特性表征b进行分类，得到待识别样本的分类类别，完成目标识别。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于解耦表征变分自编码机的雷达HRRP目标识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD