基于CNN的可拒判雷達HRRP目標識別方法與流程

本發明屬于雷達
技術領域：
，更進一步涉及雷達目標識別
技術領域：
中的一種基于卷積神經網絡cnn(convolutionalneuralnetwork)的可拒判雷達高分辨距離像hrrp(high-resolutionrangeprofile)目標識別方法。本發明能夠對雷達高分辨距離像數據進行雷達數據庫外目標拒判，用于后續對庫內目標的目標識別。
背景技術：
：雷達高分辨距離像(hrrp)包含豐富的雷達目標結構特征，并具有易于獲取、存儲和處理等優點，對雷達目標識別與分類十分有價值，已成為雷達自動目標識別領域研究的熱點。卷積神經網絡(cnn)是一種深度學習方法，避免了傳統識別算法中復雜的特征提取和數據重建過程，可以充分利用數據高維特征，并且過程簡便，已成為當前目標識別領域的研究熱點。目前，現有針對雷達高分辨距離像數據的雷達目標識別方法有統計識別方法，核方法，基于字典學習、神經網絡、深度學習的方法等。但這些現有方法往往沒有充分利用hrrp數據的高維特征，導致用于識別的目標信息不夠完整，并且往往不具備在識別前的拒判能力。上海交通大學在其申請的專利文獻“一種基于聯合分類的雷達hrrp目標識別方法”(專利申請號201711419680.0，公開號108256436a)中公開了一種基于聯合分類的雷達hrrp目標識別方法。該方法首先使用了pca方法對訓練與測試樣本進行降維，并選擇bp神經網絡與支持向量機兩種分類方法判斷待識別目標是否為群目標，再使用mcc方法識別群目標中的單目標類別，能有效識別群目標類別，還可以對構成群目標的單目標種類進行再識別。該方法存在的不足之處是，只使用了淺層的神經網絡對雷達hrrp數據的時域信息進行分析，其中涉及的方法不能充分利用數據的時頻域信息提取出高維特征，限制了用于目標識別的特征信息量。西安電子科技大學在其申請的專利文獻“基于二維卷積神經網絡的雷達高分辨距離像目標識別方法”(專利申請號201710838666.8，公開號107728142a)中公開了一種基于二維卷積網絡的雷達高分辨距離像目標識別方法。該方法構建了可用于提取高維特征的二維卷積神經網絡模型，獲取雷達高分辨距離像數據作為樣本集，利用訓練樣本集得到訓練好的模型，用于雷達高分辨距離像目標識別。該方法存在的不足之處是，未充分利用提取出的高維特征實現目標識別前的拒判，在雷達高分辨距離像樣本中存在庫外異常目標的情況下缺乏可拒判能力，不具備有效的拒判性能，會降低目標識別準確率。技術實現要素：本發明的目的在于針對上述現有技術的不足，提出一種基于卷積神經網絡cnn的可拒判雷達高分辨距離像hrrp目標識別方法。實現本發明目的的思路是，通過卷積神經網絡，提取雷達hrrp數據的時頻域特征中的高維特征；通過反卷積神經網絡，對高維特征進行重構，根據重構后的結果與原始數據的時頻域特征之間的誤差進行目標識別前的拒判；通過softmax分類器進行目標識別，得到目標識別結果。為實現上述目的，本發明的具體實現步驟包括如下：(1)獲取雷達高分辨距離像hrrp時頻域特征數據：(1a)提取雷達回波在雷達視線上沿著距離維的幅度信息，作為高分辨距離像數據；(1b)對雷達高分辨距離像數據進行預處理，得到高分辨距離像時頻域特征數據；(1c)分別為雷達目標數據庫內的各個目標類別設置標簽值；(2)選取訓練樣本集與測試樣本集：從雷達高分辨距離像時頻域特征數據中選取包含目標所有方位角域的樣本數據，組成訓練樣本集，將其余數據組成測試樣本集；(3)構建卷積神經網絡：該卷積神經網絡包括卷積編碼器，反卷積解碼器，分類器三部分；(3a)搭建一個3層的卷積編碼器，其結構依次為：第一卷積層→第二卷積層→第三卷積層；將預處理后的高分辨距離像時頻域特征數據作為該卷積編碼器的輸入數據，并設置各層參數；(3b)搭建一個3層的反卷積解碼器，其結構依次為：第一反卷積層→第二反卷積層→第三反卷積層；將卷積編碼器第三卷積層輸出的特征映射圖作為該反卷積解碼器的輸入數據，并設置各層參數；(3c)搭建一個分類器，其結構依次為：全連接層→softmax分類器層；將卷積編碼器第三卷積層輸出的特征映射圖作為該分類器的輸入數據，并設置各層參數；(4)按照下式，設置卷積神經網絡的可調節代價函數：其中，e表示卷積神經網絡的可調節代價函數，n表示訓練樣本的總數，σ表示求和操作，n表示訓練樣本的序號，q表示數據庫內目標類別的總數，q表示目標類別的序號，t表示目標類別的標簽值，t(n)表示第n個訓練樣本的類別的標簽值，in(·)表示以自然常數e為底的對數操作，z表示輸入分類器的特征映射圖，表示輸入分類器的特征映射圖z被分類為第q類目標的概率，λ表示用于調節目標識別與拒判比重的權重因子，e0表示反卷積解碼器輸出的重構后的樣本與卷積神經網絡的輸入樣本之間的重構誤差；(5)訓練卷積神經網絡：(5a)將從均值為0、方差為0.01的高斯分布中隨機采樣的數組，作為卷積神經網絡每一層的初始權值參數，該采樣數組的數目和維度與卷積神經網絡中所有參數數目和維度相等；(5b)將訓練樣本集輸入到卷積神經網絡；(5c)利用批量梯度下降方法，分別計算卷積神經網絡中卷積編碼器，反卷積解碼器，分類器的每一層的權值參數，得到訓練好的卷積神經網絡；(6)獲得卷積神經網絡的輸出結果：(6a)將測試樣本集輸入訓練好的卷積神經網絡，通過卷積編碼器提取雷達hrrp數據的時頻域特征中的高維特征，得到測試樣本的特征映射圖；(6b)將測試樣本的特征映射圖輸入反卷積編碼器，通過反卷積神經網絡對高維特征進行重構，得到重構后的測試樣本；(6c)將測試樣本的特征映射圖輸入分類器，得到測試樣本被判定為雷達數據庫內各個目標類別的概率值；(7)根據重構與原始數據的時頻域特征之間的誤差進行目標識別前的拒判，判斷反卷積解碼器輸出的重構后的樣本與卷積神經網絡的輸入樣本之間的重構誤差是否大于門限值，若是，則執行步驟(8)，否則，執行步驟(9)；(8)目標拒判：對測試樣本進行拒判，判定該測試樣本的類別不在雷達數據庫內；(9)目標識別：將測試樣本最大概率值對應的目標類別作為雷達高分辨距離像樣本的類別，得到目標識別結果。本發明與現有技術相比具有如下優點：第一，由于本發明方法使用了多層卷積神經網絡，對雷達高分辨距離像hrrp數據的時頻域信息進行分析，從數據的時頻域信息中提取出高維特征，克服了現有技術由于目標識別的特征信息量有限，導致目標識別準確率不高的問題，使得本發明用于目標識別的特征信息更充分，更能反映目標的特性，提高了目標識別準確率。第二，由于本發明方法使用了反卷積神經網絡對提取出的雷達高分辨距離像hrrp高維特征進行重構，較為完整地還原了目標特征，在目標識別前，利用重構誤差對庫外異常目標進行拒判，克服了現有技術在雷達高分辨距離像樣本中存在庫外異常目標的情況下缺乏有效的拒判性能的問題，使得本發明中的目標識別方法具備較好的可拒判能力。第三，由于本發明方法在訓練卷積神經網絡時使用了可調節代價函數，引入用于調節拒判與識別性能比重的權重因子，克服了現有技術不具備可拒判能力導致目標識別方法的性能不可調節的問題，使得本發明中的目標識別方法可以靈活地調節拒判與識別性能。附圖說明圖1是本發明的流程圖；圖2是本發明用于驗證拒判性能的仿真圖；圖3是本發明用于驗證拒判與識別性能具備可調節性的仿真圖。具體實施方式下面結合附圖對本發明做進一步的描述。參照附圖1，對本發明的具體步驟做進一步的描述。步驟1，獲取雷達高分辨距離像hrrp時頻域特征數據。提取雷達回波在雷達視線上沿著距離維的幅度信息，作為高分辨距離像數據。對雷達高分辨距離像數據進行預處理，得到高分辨距離像時頻域特征數據。所述雷達高分辨距離像數據進行預處理的具體步驟如下：第1步，按照下式，對雷達高分辨距離像數據進行二范數歸一化處理：其中，x1表示二范數歸一化處理后的高分辨距離像數據，x1表示高分辨距離像數據，||·||2表示求二范數操作。第2步，按照下式，對二范數歸一化處理后的雷達高分辨距離像數據進行重心對齊處理：x2＝i{f(x1)e-j{φ(w)-φ(c)·k}}其中，x2表示重心對齊后的雷達高分辨距離像數據，i(·)表示逆快速傅里葉變換操作，f(·)表示快速傅里葉變換操作，e表示以自然常數為底的指數操作，j表示虛數單位符號，φ(w)表示二范數歸一化處理后高分辨距離像數據的重心w對應的相位，φ(c)表示二范數歸一化處理后高分辨距離像數據的中心c對應的相位，k表示二范數歸一化處理后高分辨距離像數據的重心與中心之間的相對距離。第3步，對重心對齊后的高分辨距離像數據求均值，再用重心對齊后的高分辨距離像數據減去均值，得到均值歸一化后的高分辨距離像數據。第4步，對均值歸一化后的雷達高分辨距離像數據進行短時傅里葉變換，得到高分辨距離像時頻域特征數據。分別為雷達目標數據庫內的各個目標類別設置標簽值。所述的設置標簽值的方法如下：分別將序號為1的高分辨距離像數據的標簽記為d1，序號為2的高分辨距離像數據的標簽記為d2、…、將序號為q的高分辨距離像數據的標簽記為dq，d1取值為1，d2取值為2，…，dq取值為q，其中，q表示數據庫內目標類別的總個數。步驟2，選取訓練樣本集與測試樣本集。從雷達高分辨距離像時頻域特征數據中選取包含目標所有方位角域的樣本數據，組成訓練樣本集，將其余數據組成測試樣本集。步驟3，構建卷積神經網絡。該卷積神經網絡包括卷積編碼器，反卷積解碼器，分類器三部分。構建一個3層的卷積編碼器，其結構依次為：第一卷積層→第二卷積層→第三卷積層；將預處理后的高分辨距離像時頻域特征數據作為該卷積編碼器的輸入數據，并設置各層參數。所述的卷積編碼器的各層參數設置如下：第1步，將第一卷積層的編號設置為1，將第一卷積層的特征映射圖數目設置為128，卷積核尺寸設置為32*6個距離單元，卷積核滑動步長為1個距離單元；該層的池化下采樣核尺寸設置為1*2，下采樣核滑動步長設置為2個距離單元。第2步，將第一卷積層的編號設置為2，將第二卷積層的特征映射圖數目設置為64，卷積核尺寸設置為1*9個距離單元，卷積核滑動步長為1個距離單元；該層的池化下采樣核尺寸設置為1*2個距離單元，下采樣核滑動步長設置為2個距離單元。第3步，將第一卷積層的編號設置為3，將第三卷積層特征映射圖數目設置為64，卷積核尺寸設置為1*9個距離單元，卷積核滑動步長為1個距離單元；該層的池化下采樣核尺寸設置為1*2個距離單元，下采樣核滑動步長設置為2個距離單元。構建一個3層的反卷積解碼器，其結構依次為：第一反卷積層→第二反卷積層→第三反卷積層；將卷積編碼器第三卷積層輸出的特征映射圖作為該反卷積解碼器的輸入數據，并設置各層參數。所述的反卷積解碼器的各層參數設置如下：第1步，將卷積編碼器輸出的特征映射圖作為輸入層的輸入數據。第2步，將第一反卷積層特征映射圖數目設置為64，卷積核尺寸設置為1*9個距離單元，卷積核滑動步長為1個距離單元。第3步，將第二反卷積層特征映射圖數目設置為128，卷積核尺寸設置為1*9個距離單元，卷積核滑動步長為1個距離單元。第4步，將第三反卷積層特征映射圖數目設置為128，卷積核尺寸設置為32*6個距離單元，卷積核滑動步長為1個距離單元。構建一個分類器，其結構依次為：全連接層→softmax分類器層；將卷積編碼器第三卷積層輸出的特征映射圖作為該分類器的輸入數據，并設置各層參數。所述的分類器的各層參數設置如下：第1步，將卷積編碼器輸出的特征映射圖作為輸入層的輸入數據。第2步，將全連接層的特征映射圖數目設置為64。步驟4，按照下式，設置卷積神經網絡的可調節代價函數：其中，e表示卷積神經網絡的可調節代價函數，n表示訓練樣本的總數，σ表示求和操作，n表示訓練樣本的序號，q表示數據庫內目標類別的總數，q表示目標類別的序號，t表示目標類別的標簽值，t(n)表示第n個訓練樣本的類別的標簽值，in(·)表示以自然常數e為底的對數操作，z表示輸入分類器的特征映射圖，表示輸入分類器的特征映射圖z被分類為第q類目標的概率，λ表示用于調節目標識別與拒判比重的權重因子，e0表示反卷積解碼器輸出的重構后的樣本與卷積神經網絡的輸入樣本之間的重構誤差。所述的反卷積解碼器輸出的重構后的樣本與卷積神經網絡的輸入樣本之間的重構誤差的公式如下：其中，h表示反卷積解碼器輸出的特征映射圖，h(n)表示第n個訓練樣本經過反卷積解碼器輸出的特征映射圖。步驟5，訓練卷積神經網絡。將從均值為0、方差為0.01的高斯分布中隨機采樣的數組，作為卷積神經網絡每一層的初始權值參數，該采樣數組的數目和維度與卷積神經網絡中所有參數數目和維度相等。將訓練樣本集輸入到卷積神經網絡。利用批量梯度下降方法，分別計算卷積神經網絡中卷積編碼器，反卷積解碼器，分類器的每一層的權值參數，得到訓練好的卷積神經網絡。所述批量梯度下降方法的具體步驟如下：第1步，按照下式，計算卷積神經網絡中每一層的激活值：al＝f(wl·al-1+bl-1)其中，l表示卷積神經網絡中第l層，al表示卷積神經網絡中第l層的激活值，f(·)表示激活函數，wl表示卷積神經網絡中第l層的權值，l-1表示卷積神經網絡中第l層的前一個輸入層，al-1表示卷積神經網絡中第l層的前一個輸入層的激活值，bl-1表示卷積神經網絡中第l層的前一個輸入層的偏置項。第2步，按照下式，計算卷積神經網絡中每一層的殘差：δl＝(∑(wl·δl+1))·f'(wl-1·al-1)其中，δl表示卷積神經網絡中第l層的殘差，l+1表示卷積神經網絡中第l層的后一個輸出層，δl+1表示卷積神經網絡中第l層的后一個輸出層的殘差，f'(·)表示激活函數的導數，wl-1表示卷積神經網絡中第l層的前一個輸入層的權值，al-1表示卷積神經網絡中第l層的前一個輸入層的激活值。第3步，按照下式，計算卷積神經網絡中每一層可調價代價函數關于權值與偏置項的偏導數：其中，表示求偏導操作，表示對卷積神經網絡中第l層的可調價代價函數e關于權值w的偏導數，表示對卷積神經網絡第l層的可調價代價函數e關于偏置項b的偏導數。第4步，按照下式，計算更新后的卷積神經網絡中每一層權值與偏置項的偏差值：其中，:＝表示更新賦值操作，δwl表示第l層權值的偏差值，δbl表示第l層偏差項的偏差值。第5步，按照下式，計算更新后的卷積神經網絡中每一層的權值與偏置項：wl:＝wl-α[m(δwl)+wl]bl:＝bl-α[m(δbl)]其中，α表示學習速率，m(·)表示對卷積神經網絡中一層所有節點參數求均值的操作。步驟6，獲得卷積神經網絡的輸出結果。將測試樣本集輸入訓練好的卷積神經網絡，通過卷積編碼器提取雷達hrrp數據的時頻域特征中的高維特征，得到測試樣本的特征映射圖。將測試樣本的特征映射圖輸入反卷積編碼器，通過反卷積神經網絡對高維特征進行重構，得到重構后的測試樣本。將測試樣本的特征映射圖輸入分類器，得到測試樣本被判定為雷達數據庫內各個目標類別的概率值。步驟7，根據重構與原始數據的時頻域特征之間的誤差進行目標識別前的拒判，判斷反卷積解碼器輸出的重構后的樣本與卷積神經網絡的輸入樣本之間的重構誤差是否大于門限值，若是，則執行步驟8，否則，執行步驟9；。步驟8，目標拒判。對測試樣本進行拒判，判定該測試樣本的類別不在雷達數據庫內。步驟9，目標識別。將測試樣本最大概率值對應的目標類別作為雷達高分辨距離像樣本的類別，得到目標識別結果。所述門限值的公式如下：t＝s[m·r]其中，t表示門限值，m表示所有訓練樣本的個數，r表示雷達高分辨距離像目標識別的虛警率，s表示對所有訓練樣本對應的重構誤差從小到大排序后的數組，s[m·r]表示數組s的第m·r個元素的值。下面結合仿真實驗對本發明做進一步的描述。1.仿真條件：本發明的仿真實驗中所用的雷達數據庫是3類飛機的高分辨距離像實測數據，3類飛機型號分別為雅克42(922)，獎狀(715)，安26(507)，獲得的3類高分辨距離像數據，分別是雅克42(922)飛機的高分辨距離像數據，獎狀(715)飛機的高分辨距離像數據，和安26(507)飛機的高分辨距離像數據。訓練樣本集中包含140000個訓練樣本，數據庫內測試樣本集中包含5200個測試樣本，其中訓練樣本中含有第1類高分辨距離像數據52000個，第2類高分辨距離像數據52000個，第3類高分辨距離像數據36000個；數據庫內測試樣本集中含有第1類高分辨距離像數據2000個，第2類高分辨距離像數據2000個，第3類高分辨距離像數據1200個。數據庫外的測試樣本集中包含18000個卡車的高分辨距離像實測數據。本發明的仿真實驗的軟件環境：操作系統為linux16.04版本，處理器為intel(r)core(tm)i7-4770k，處理器的主頻率為4.00ghz；軟件平臺為：matlabr2016b、tensorflow1.3。2.仿真內容與結果分析：本發明的仿真實驗包括三個，仿真實驗1是用于驗證本發明方法的識別性能，仿真實驗2是用于驗證本發明方法的拒判性能，仿真實驗3是用于驗證本發明方法的拒判與識別性能具備可調節性。仿真實驗1是采用本發明的方法與九種現有技術(基于最大相關分類器的目標識別方法，基于自適應高斯分類器的目標識別方法，基于線性支持向量機的目標識別方法，基于線性判別分析結合支持向量機的目標識別方法，基于主成分分析結合支持向量機的目標識別方法，基于深度置信網絡的目標識別方法，基于棧式降噪自編碼器的目標識別方法，基于棧式相關自編碼器結合支持向量機的目標識別方法，基于時域卷積神經網絡的目標識別方法)分別對仿真條件中所述的3類飛機的高分辨距離像測試樣本進行目標識別。分別計算每種方法中目標識別結果的類別與其樣本類別相符的測試樣本個數與測試樣本總數的比值，得到每種方法的目標識別準確率，結果如表1所示。表1.十種方法的目標識別準確率一覽表方法識別率(％)最大相關分類器(mcc)62.42自適應高斯分類器(agc)85.63線性支持向量機(lsvm)86.70線性判別分析結合支持向量機(lda)81.30主成分分析結合支持向量機(pca)83.81深度置信網絡(dbn)89.29棧式降噪自編碼器(sdae)90.42棧式相關自編碼器結合支持向量機(scae)92.03時域卷積神經網絡(tcnn)92.57本發明方法95.31由表1可見，仿真實驗1的十種方法中，本發明方法的識別準確率最高，為95.31％，顯然本發明方法的目標識別性能顯著優于其他九種方法。仿真實驗2是采用本發明中的方法與三種具有拒判性能的現有技術(基于k-均值聚類的目標識別方法，基于高斯內核主成分分析的目標識別方法，基于高斯內核支持向量域描述的目標識別方法)分別對仿真條件中所述的數據庫內3類飛機的高分辨距離像測試樣本與數據庫外卡車的高分辨距離像測試樣本，進行目標拒判。通過改變虛警率的取值，分別計算在不同虛警率下每種方法的檢測率，所述檢測率為沒有被拒判的測試樣本個數與數據庫內測試樣本總數的比值，由此得到的本次仿真實驗的四種方法的拒判工作性能曲線圖，如圖2所示。圖2中的橫坐標表示虛警率的取值，步長為0.022，縱坐標表示檢測率的取值。圖2中以星號標示的曲線表示采用基于k-均值聚類的目標識別方法得到的拒判工作性能曲線圖。以圓圈標示的曲線表示采用基于高斯內核主成分分析的目標識別方法得到的拒判工作性能曲線圖。以三角標示的曲線表示采用基于高斯內核支持向量域描述的目標識別方法得到的拒判工作性能曲線圖。以加號標示的曲線表示采用本發明的方法得到的拒判工作性能曲線圖。拒判工作性能曲線與橫坐標軸所覆蓋的面積大小為auc指標，可以表征目標拒判性能，其中auc指標的取值越大，目標拒判性能越好。由圖2中每種方法的拒判工作性能曲線圖得到四種方法的auc指標，如表2所示。表2.四種方法的拒判性能指標一覽表方法auc值k-均值聚類(k-means)0.8128高斯內核主成分分析(kpca)0.9335高斯內核支持向量域描述(svdd)0.9385本發明方法0.9662由表2可見，仿真實驗2的四種方法中，本發明方法的auc指標值最高，為0.9662，對應的拒判性能最好，因此本發明中目標識別方法的拒判性能顯著優于其他三種方法。仿真實驗3是采用本發明中的方法，對仿真條件中所述的數據庫內3類飛機的高分辨距離像測試樣本與數據庫外卡車的高分辨距離像測試樣本，進行目標識別與拒判。通過改變卷積神經網絡的可調節代價函數的權重因子λ，分別計算本發明方法的目標識別準確率與目標拒判準確率，所述的目標識別準確率為目標識別結果的類別與樣本類別相符的測試樣本個數與測試樣本總數的比值，所述的目標拒判準確率為被拒判的測試樣本個數與數據庫外測試樣本總數的比值，由此得到目標識別準確率曲線與標識別準確率曲線，如圖3所示。圖3中橫坐標表示權重因子λ的取值，分別為10的-7次冪，10的-6次冪，…，10的2次冪，縱坐標表示準確率的取值。圖3中，以星號標示的曲線表示采用本發明方法得到的目標拒判準確率曲線圖，以圓圈標示的曲線表示采用本發明的方法得到的目標識別準確率曲線圖。由圖3可見，本發明方法可以通過改變卷積神經網絡的可調節代價函數的權重因子，靈活地調節拒判與識別性能。通過實驗1，可以得出本發明方法的識別性能優于現有技術。通過實驗2，可以得出本發明方法的拒判性能優于現有技術。通過實驗3，可以得出本發明方法的拒判與識別性能具備可調節性。綜上所述，本發明的仿真實驗驗證了本發明的正確性，有效性和可靠性。當前第1頁12