申请/专利权人：西安电子科技大学

申请日：2021-05-06

公开（公告）日：2024-05-07

公开（公告）号：CN113743180B

主分类号：G06V20/13

分类号：G06V20/13;G06V10/764;G06V10/774;G06V10/40;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.05.07#授权;2021.12.21#实质审查的生效;2021.12.03#公开

摘要：本发明公开了一种基于CNNKD的雷达HRRP小样本目标识别方法，包括：构建多类别的HRRP样本集；对HRRP样本集进行处理得到有效HRRP样本集；利用有效HRRP样本集构建库内目标HRRP训练样本集；将库内目标HRRP训练样本集输入卷积神经网络进行训练得到基模型；根据基模型和子模型的输出得到损失值；利用损失值进行反向传播，根据Adam优化算法对子模型进行优化得到特征提取器；通过特征提取器对多类别非合作目标小样本训练集进行特征提取得到非合作目标的特征数据；对多个类别的非合作目标的特征数据进行训练得到分类器。本发明目标识别方法有效提高了目标识别模型的准确率，并且对新的非合作目标，仅需要重新训练浅层线性分类器即可，无需重新训练特征提取器，节省了计算开支。

主权项：1.一种基于CNNKD的雷达HRRP小样本目标识别方法，其特征在于，包括步骤1、构建多类别的HRRP样本集，所述多类别的HRRP样本集中的每个类别的HRRP样本集均包括多个一维距离像信号；具体的，步骤1包括：步骤1.1、在同一俯仰角下对0～90度方位角进行平均划分，得到n个角域；步骤1.2、连续采集n个所述角域中的多个类别的雷达回波信号，并对所采集的雷达回波信号平均划分为多段子回波信号；步骤1.3、对每个类别的所述子回波信号进行FFT处理得到所述一维距离像信号，不同类别的所有所述一维距离像信号组成所述多类别的HRRP样本集；步骤2、对每个所述类别的HRRP样本集进行处理以得到每个所述类别的有效HRRP样本集；步骤3、利用所有类别的所述有效HRRP样本集构建库内目标HRRP训练样本集，所述库内目标HRRP训练样本集的类别共有C类；步骤4、基于Adam优化算法，将所述库内目标HRRP训练样本集输入至初始的卷积神经网络进行训练，以得到基模型；具体的，将库内的目标HRRP训练样本集输入至初始的卷积神经网络中进行训练，利用损失函数进行反向传播，根据Adam优化算法对初始的卷积神经网络进行优化，使损失收敛至最小，以得到基模型；步骤5、基于改造的softmax函数，根据所述基模型和子模型的输出得到损失值，所述子模型为初始的卷积神经网络；具体的，所述步骤5包括：步骤5.1、对子模型的网络参数进行高斯随机初始化，并通过改造的softmax函数得到初始化后的所述子模型的输出；步骤5.2、通过改造的softmax函数得到所述基模型的输出；具体的，通过包含温度系数的softmax函数求取基模型的概率分布，并将所述概率分布作为所述基模型的输出；其中，所述改造的softmax函数为： 其中，表示改造的softmax函数输出的类别的概率分布；表示对类别进行遍历；表示类别在通过所述卷积神经网络的卷积层、池化层以及全连接层之后的特征向量；表示类别在通过所述卷积神经网络的卷积层、池化层以及全连接层之后的特征向量；表示温度系数；步骤5.3、基于损失函数模型，根据所述子模型的输出和所述基模型的输出得到所述损失值；具体的，损失函数模型表示为： 其中，表示所述损失值；表示需要学习的子模型的参数；表示所述子模型的输出；步骤6、利用所述损失值进行反向传播，根据Adam优化算法对所述子模型进行优化，使所述损失值收敛至最小，以得到特征提取器；步骤7、通过所述特征提取器对多类别非合作目标小样本训练集进行特征提取，得到多个类别的非合作目标的特征数据；步骤8、采用具有闭式解的线性分类算法对所述多个类别的非合作目标的特征数据进行训练得到分类器，以利用所述分类器进行目标识别。

全文数据：

权利要求：

百度查询： 西安电子科技大学 一种基于CNNKD的雷达HRRP小样本目标识别方法

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