基于卷积神经网络的识别变体飞机高分辨距离像方法.pdf

《基于卷积神经网络的识别变体飞机高分辨距离像方法.pdf》由会员分享，可在线阅读，更多相关《基于卷积神经网络的识别变体飞机高分辨距离像方法.pdf（11页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910201317.4 (22)申请日 2019.03.18 (71)申请人 西安电子科技大学 地址 710071 陕西省西安市太白南路2号 (72)发明人 王鹏辉刘宏伟宋晓龙陈渤 严俊坤纠博王英华孟亦然 (74)专利代理机构 陕西电子工业专利中心 61205 代理人 田文英王品华 (51)Int.Cl. G01S 7/41(2006.01) (54)发明名称 基于卷积神经网络的识别变体飞机高分辨 距离像方法 (57)摘要 一种基于卷积神经网络的识别变体飞机高 分辨距离像方。

2、法。 其步骤为： (1)构建卷积神经网 络； (2)生成高分辨距离像样本集； (3)对每个样 本的幅度进行归一化处理； (4)训练卷积神经网 络； (5)目标识别； 本发明通过构建并训练卷积神 经网络， 利用训练好的卷积神经网络对变体飞机 和非变体飞机的高分辨距离像的共性特征进行 学习， 并根据学习到的共性特征实现对变体飞机 的高分辨距离像的稳健识别， 能够有效地解决变 体飞机与相对应的非变体飞机的高分辨距离像 存在差异导致的对变体飞机正确识别率下降的 问题， 本发明具有显著降低变体部分对变体飞机 的识别带来的影响， 有效提高了对变体飞机的识 别性能的优点。 权利要求书2页 说明书6页 附图2。

3、页 CN 109946667 A 2019.06.28 CN 109946667 A 1.一种基于卷积神经网络的识别变体飞机高分辨距离像方法， 其特征在于， 构建并训 练卷积神经网络， 利用训练好的卷积神经网络对变体飞机的高分辨距离像和非变体飞机的 高分辨距离像的共性特征进行学习， 该方法步骤包括如下： (1)构建卷积神经网络： (1a)搭建一个由卷积层和池化层交替连接组成四个基本层后再与一层全连接层相连 的九层卷积神经网络； (1b)设置卷积神经网络的参数如下： 将四个基本层中每个卷积层的卷积核大小均设置为5、 激活函数均设置为ReLU函数、 池 化层均设置为最大值池化， 每个卷积层中卷积核。

4、的个数依次设置为32， 16， 16， 8， 将全连接 层的输出节点数设置为M， M为样本集中飞机目标的类别总数； (2)生成高分辨距离像样本集： (2a)将雷达接收到的每个类别飞机目标发生形变前的高分辨距离像数据与其对应的 类别标签， 组成该类别飞机的非变体样本集， 将雷达接收到的各个类别飞机目标发生形变 后的高分辨距离像数据与其对应的类别标签， 组成该类别飞机的变体样本集； (2b)从每个类别飞机的变体样本集中随机选取一半的变体样本集， 组成测试样本集； (2c)将剩余的变体样本集和所有非变体样本集组成训练样本集； (3)对每个样本的幅度进行归一化处理： (3a)用测试样本集中的每个高分辨。

5、距离像数据除以该高分辨距离像数据的模一范数， 得到归一化后的测试样本集； (3b)用训练样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模一范数， 得到归一化后的训练样本集； (4)训练卷积神经网络： (4a)将归一化后的训练样本集输入到卷积神经网络中， 无监督的预训练卷积神经网 络， 得到预训练后的卷积神经网络； (4b)利用交叉熵公式计算预训练后的卷积神经网络中的全连接层的输出数据与类别 标签之间的误差， 从卷积神经网络的顶层向下传播该误差， 微调整个卷积神经网络的参数， 直到迭代200次为止， 得到训练好的卷积神经网络； (5)目标识别： 将归一化后的测试样本集中的所有样本输入到训。

6、练好的卷积神经网络中进行识别， 得 到测试样本集中形变目标高分辨距离像的分类标签， 完成目标识别。 2.根据权利要求1所述的基于卷积神经网络的识别变体飞机高分辨距离像方法， 其特 征在于， 步骤(4a)中所述的无监督的预训练卷积神经网络的步骤如下： 第一步， 将归一化后的训练样本集输入到第一个基本层中， 利用卷积层中卷积核对输 入数据进行卷积操作得到卷积后的数据， 再通过池化层的最大值池化操作对卷积后的数据 进行下采样， 得到第一个基本层的输出数据； 第二步， 将第一个基本层的输出数据输入到第二个基本层中， 利用卷积层中卷积核对 输入数据进行卷积操作得到卷积后的数据， 再通过池化层的最大值池化。

7、操作对卷积后的数 据进行下采样， 得到第二个基本层的输出数据； 第三步， 将第二个基本层的输出数据输入到第三个基本层中， 利用卷积层中卷积核对 权利要求书 1/2 页 2 CN 109946667 A 2 输入数据进行卷积操作得到卷积后的数据， 再通过池化层的最大值池化操作对卷积后的数 据进行下采样， 得到第三个基本层的输出数据； 第四步， 将第三个基本层的输出数据输入到第四个基本层中， 利用卷积层中卷积核对 输入数据进行卷积操作得到卷积后的数据， 再通过池化层的最大值池化操作对卷积后的数 据进行下采样， 得到第四个基本层的输出数据； 第五步， 将第四个基本层的输出数据输入到全连接层中， 通过。

8、softmax分类器进行分 类， 获得分类标签。 3.根据权利要求1所述的基于卷积神经网络的识别变体飞机高分辨距离像方法， 其特 征在于， 步骤(4b)中所述的交叉熵公式如下： 其中， H(p,q)为全连接层的输出数据与类别标签之间的交叉熵， p表示类别标签， q表示 全连接层的输出数据， N表示飞机的类别总数， p(x)表示类别标签的第x个元素， q(x)表示全 连接层的输出数据中的第x个元素。 权利要求书 2/2 页 3 CN 109946667 A 3 基于卷积神经网络的识别变体飞机高分辨距离像方法 技术领域 0001 本发明属于雷达技术领域， 更进一步涉及目标识别技术领域中的一种基于卷。

9、积神 经网络的识别变体飞机高分辨距离像方法。 本发明采用卷积神经网络实现对变体飞机的高 分辨距离像的自动识别。 背景技术 0002 雷达高分辨距离像是一维图像， 是宽带雷达获取的目标散射中心距离像在雷达视 线上投影的矢量和。 高分辨距离像不仅包含了目标的尺寸和散射中心等结构信息， 还具有 容易获取以及处理简单的优点， 因此在雷达目标识别领域受到了广泛关注。 0003 飞机的外形并不是一直不变的， 例如由于作战环境的不同， 飞机的外形会发生不 同的变化， 副油箱的挂载以及武器的挂载都会使得飞机外形发生变化， 相应地会引起雷达 高分辨距离像的变化， 人们将这类发生形变的飞机称为变体飞机。 变体飞机。

10、外形结构的变 化使得其高分辨距离像随之改变， 因而将与库内同类型的非变体飞机的高分辨距离像之间 存在失配， 最终导致对变体飞机高分辨距离像的识别性能严重下降， 甚至失去识别能力。 0004 目前现有的关于变体飞机的识别方法是先去除变体飞机高分辨距离像中的变体 飞机部分， 即先将变体飞机高分辨距离像恢复成非变体飞机高分辨距离像， 再利用传统的 目标识别方法进行识别， 识别率的高低取决于变体部分的去除效果。 0005 西安电子科技大学在其申请的专利文献 “基于块稀疏贝叶斯学习的变体目标高分 辨距离像识别方法” (专利申请号： 201810978483.0， 申请公布号： CN 109190693 。

11、A)中提出 了一种基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法。 该方法首先建立变体目 标高分辨距离像的数学模型， 定义变体目标数学模型中各个变量的先验概率和其先验概率 参数的先验分布， 然后通过块稀疏贝叶斯学习迭代求解模型获取变体目标高分辨距离像中 的变体成分， 再从变体目标高分辨距离像中去除变体成分， 最后用自适应高斯分类器对恢 复出的去除变体成分后的高分辨距离像进行识别。 该方法存在的不足之处是， 对于稀疏度 较小的高分辨距离像难以有效消除变体部分的影响， 此时识别率相对较低。 0006 朱文强在其发表的论文 “基于结构稀疏先验的变体目标识别方法研究” (西安电子 科技大学2017。

12、-06-01)中提出了一种基于结构稀疏先验的变体目标识别方法， 该方法利用 变体分量具有块稀疏的特点,对变体分量单独建模,并分离出变体分量,获取原始目标未形 变的高分辨距离像。 在此基础上进行识别,改善了对变体目标的识别性能。 该方法存在的不 足之处是， 采用了较为简单的自适应高斯分类器， 因此识别率相对较低。 发明内容 0007 本发明的目的是针对上述现有技术存在的不足， 提出了一种基于卷积神经网络的 识别变体飞机高分辨距离像方法。 0008 实现本发明目的的思路是， 构建并训练卷积神经网络， 利用训练好的卷积神经网 络对变体飞机的高分辨距离像与非变体飞机的高分辨距离像之间的共性特征进行学习。

13、， 再 说明书 1/6 页 4 CN 109946667 A 4 根据学习到的共性特征对变体飞机的高分辨距离像进行识别。 0009 本发明实现的具体步骤包括如下： 0010 (1)构建卷积神经网络： 0011 (1a)搭建一个由卷积层和池化层交替连接组成四个基本层后再与一层全连接层 相连的九层卷积神经网络； 0012 (1b)设置卷积神经网络的参数如下： 0013 将四个基本层中每个卷积层的卷积核大小均设置为5、 激活函数均设置为ReLU函 数、 池化层均设置为最大值池化， 每个卷积层中卷积核的个数依次设置为32， 16， 16， 8， 将全 连接层的输出节点数设置为M， M为样本集中飞机目标。

14、的类别总数； 0014 (2)生成高分辨距离像样本集： 0015 (2a)将雷达接收到的每个类别飞机目标发生形变前的高分辨距离像数据与其对 应的类别标签， 组成该类别飞机的非变体样本集， 将雷达接收到的各个类别飞机目标发生 形变后的高分辨距离像数据与其对应的类别标签， 组成该类别飞机的变体样本集； 0016 (2b)从每个类别飞机的变体样本集中随机选取一半的变体样本集， 组成测试样本 集； 0017 (2c)将剩余的变体样本集和所有非变体样本集组成训练样本集； 0018 (3)对每个样本的幅度进行归一化处理： 0019 (3a)用测试样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模一 。

15、范数， 得到归一化后的测试样本集； 0020 (3b)用训练样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模一 范数， 得到归一化后的训练样本集； 0021 (4)训练卷积神经网络： 0022 (4a)将归一化后的训练样本集输入到卷积神经网络中， 无监督的预训练卷积神经 网络， 得到预训练后的卷积神经网络； 0023 (4b)利用交叉熵公式计算预训练后的卷积神经网络中的全连接层的输出数据与 类别标签之间的误差， 从卷积神经网络的顶层向下传播该误差， 微调整个卷积神经网络的 参数， 直到迭代200次为止， 得到训练好的卷积神经网络； 0024 (5)目标识别： 0025 将归一化后的测试。

16、样本集中的所有样本输入到训练好的卷积神经网络中进行识 别， 得到测试样本集中形变目标高分辨距离像的分类标签， 完成目标识别。 0026 本发明与现有技术相比具有以下优点： 0027 第一， 由于本发明通过构建并训练卷积神经网络， 利用训练好的卷积神经网络， 学 习变体飞机的高分辨距离像与对应的非变体飞机的高分辨距离像的共性特征， 克服了现有 技术由于变体飞机外形结构的变化， 使得其高分辨距离像随之改变， 因而将与库内同类型 的非变体飞机的高分辨距离像之间存在失配， 最终会导致对变体飞机高分辨距离像的识别 性能严重下降的问题， 使得本发明提高了对变体飞机的高分辨距离像的正确识别率。 0028 第。

17、二， 由于本发明将归一化后的测试样本集中的所有样本输入到训练好的卷积神 经网络中进行识别， 得到测试样本集中变体飞机的高分辨距离像的分类标签， 克服了现有 技术由于先将变体飞机高分辨距离像恢复成非变体飞机高分辨距离像， 再利用传统的目标 说明书 2/6 页 5 CN 109946667 A 5 识别方法进行识别， 识别率的高低取决于变体部分的去除效果的问题， 使得本发明能够不 需要去除变体部分， 直接对变体飞机的高分辨距离像进行识别， 降低了对变体飞机的高分 辨距离像识别的复杂度。 0029 第三， 由于本发明将归一化后的测试样本集中的所有样本输入到训练好的卷积神 经网络中进行识别， 克服了现。

18、有技术采用了较为简单的自适应高斯分类器， 因此识别率相 对较低的问题， 使得本发明提高了对变体飞机高分辨距离像的正确识别率。 附图说明 0030 图1是本发明的流程图； 0031 图2是本发明生成高分辨距离像样本集步骤中， 非变体飞机与其对应的变体飞机 的高分辨距离像图。 具体实施方式 0032 下面结合附图对本发明做进一步的描述。 0033 参照图1， 对本发明实现的具体步骤做进一步的描述。 0034 步骤1， 构建卷积神经网络。 0035 搭建一个由卷积层和池化层交替连接组成四个基本层后再与一层全连接层相连 的九层卷积神经网络。 0036 设置卷积神经网络的参数如下。 0037 将四个基本。

19、层中每个卷积层的卷积核大小均设置为5、 激活函数均设置为ReLU函 数、 池化层均设置为最大值池化， 每个卷积层中卷积核的个数依次设置为32， 16， 16， 8， 将全 连接层的输出节点数设置为M， M为样本集中飞机目标的类别总数。 0038 步骤2， 生成高分辨距离像样本集。 0039 将雷达接收到的每个类别飞机目标发生形变前的高分辨距离像数据与其对应的 类别标签， 组成该类别飞机的非变体样本集， 将雷达接收到的各个类别飞机目标发生形变 后的高分辨距离像数据与其对应的类别标签， 组成该类别飞机的变体样本集。 0040 从每个类别飞机的变体样本集中随机选取一半的变体样本集， 组成测试样本集。。

20、 0041 将剩余的变体样本集和所有非变体样本集组成训练样本集。 0042 参照图2， 对非变体样本集和变体样本集中的高分辨距离像做进一步的描述。 0043 图2(a)是从非变体样本集中随机选取的一幅非变体飞机的高分辨距离像图， 横坐 标为距离单元， 纵坐标为高分辨距离像的幅度， 雷达接收到的高分辨距离像中的支撑区， 是 基于高分辨距离像的目标识别方法的主要依据。 图2(b)为变体样本集中与图2(a)对应的变 体飞机的高分辨距离像图， 横坐标为距离单元， 纵坐标为高分辨距离像的幅度。 图2(b)中的 高分辨距离像图的支撑区与图2(a)相比发生了很大的变化， 对比图2(a)和图2(b)可以看 出。

21、， 变体飞机的高分辨距离像相对于非变体飞机的高分辨距离像产生了明显的形变， 存在 严重的失配情况。 0044 步骤3， 对每个样本的幅度进行归一化处理。 0045 用测试样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模一范数， 得到归一化后的测试样本集。 说明书 3/6 页 6 CN 109946667 A 6 0046 用训练样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模一范数， 得到归一化后的训练样本集。 0047 步骤4， 训练卷积神经网络。 0048 将归一化后的训练样本集输入到卷积神经网络中， 无监督的预训练卷积神经网 络， 得到预训练后的卷积神经网络。 0049 。

22、所述的无监督的预训练卷积神经网络的步骤如下。 0050 第1步， 将归一化后的训练样本集输入到第一个基本层中， 利用卷积层中卷积核对 输入数据进行卷积操作得到卷积后的数据， 再通过池化层的最大值池化操作对卷积后的数 据进行下采样， 得到第一个基本层的输出数据。 0051 第2步， 将第一个基本层的输出数据输入到第二个基本层中， 利用卷积层中卷积核 对输入数据进行卷积操作得到卷积后的数据， 再通过池化层的最大值池化操作对卷积后的 数据进行下采样， 得到第二个基本层的输出数据。 0052 第3步， 将第二个基本层的输出数据输入到第三个基本层中， 利用卷积层中卷积核 对输入数据进行卷积操作得到卷积后。

23、的数据， 再通过池化层的最大值池化操作对卷积后的 数据进行下采样， 得到第三个基本层的输出数据。 0053 第4步， 将第三个基本层的输出数据输入到第四个基本层中， 利用卷积层中卷积核 对输入数据进行卷积操作得到卷积后的数据， 再通过池化层的最大值池化操作对卷积后的 数据进行下采样， 得到第四个基本层的输出数据。 0054 第5步， 将第四个基本层的输出数据输入到全连接层中， 通过softmax分类器进行 分类， 获得分类标签。 0055 利用交叉熵公式计算预训练后的卷积神经网络中的全连接层的输出数据与类别 标签之间的误差， 从卷积神经网络的顶层向下传播该误差， 微调整个卷积神经网络的参数， 。

24、直到迭代200次为止， 得到训练好的卷积神经网络。 0056 所述的交叉熵公式如下。 0057 0058 其中， H(p,q)为全连接层的输出数据与类别标签之间的交叉熵， p表示类别标签， q 表示全连接层的输出数据， N表示飞机的类别总数， p(x)表示类别标签的第x个元素， q(x)表 示全连接层的输出数据中的第x个元素。 0059 步骤5， 目标识别。 0060 将归一化后的测试样本集中的所有样本输入到训练好的卷积神经网络中进行识 别， 得到测试样本集中形变目标高分辨距离像的分类标签， 完成目标识别。 0061 下面结合仿真实验对本发明的效果做进一步的描述。 0062 1、 仿真实验条件。

25、： 0063 本发明的仿真实验采用三类飞机目标的高分辨回波来检测本发明的方法。 其中录 取三类飞机目标高分辨距离像的雷达的具体参数为： 中心频率5520MHz， 带宽400MHz。 三类 飞机目标的参数如表1所示： 0064 表1三类飞机目标的参数 说明书 4/6 页 7 CN 109946667 A 7 0065 飞机长度(m)宽度(m)高度(m) 雅克-4236.3834.889.83 安-2623.8029.208.58 奖状14.4015.904.91 0066 其中，“雅克-42” 飞机目标包含七段高分辨回波数据，“安-26” 飞机目标包含七段 高分辨回波数据，“奖状” 飞机目标包含。

26、五段高分辨回波数据。 所有高分辨距离像均为128 维。 本实验选取 “雅克-42” 飞机目标的第二段和第五段高分辨距离像数据、“奖状” 飞机目标 的第六段和第七段高分辨距离像数据以及 “安-26” 飞机目标的第五段和第六段高分辨距离 像数据作为非变体样本集， 将上述非变体样本集中的高分辨距离像数据人为的加入变体分 量后作为变体样本集， 然后为非变体样本集和变体样本集中所有的高分辨距离像数据分别 加上类别标签作为训练样本集， 将其余数据段的高分辨距离像数据人为的加入变体分量后 分别加上类别标签作为测试样本集， 训练样本集包含156000个训练样本， 测试样本集包含 78000个测试样本， 其中训。

27、练样本集中每类飞机包含26000个非变体飞机的高分辨距离像和 26000个变体飞机的高分辨距离像， 测试样本集中每类飞机包含26000个变体飞机的高分辨 距离像。 0067 本发明的仿真实验的硬件测试平台为： Intel Core i7CPU， 主频3.4GHz， 内存 16GB， 软件平台为： Windows 7操作系统和Spyder(python3.6)。 0068 2.实验内容及结果分析 0069 本发明的仿真实验分别用现有技术中对高分辨距离像进行识别的自适应高斯分 类器和本发明的方法对测试样本集进行识别。 0070 使用自适应高斯分类器对测试样本集进行识别， 对训练样本集中156000。

28、个高分辨 距离像进行方位角分帧， 再计算每帧内的平均像和方差像， 并储存各帧内的平均像和方差 像作为每帧的模板， 然后求出测试样本和每帧模板的马氏距离， 最后将测试样本判定为马 氏距离最小的模板对应的类别。 其识别结果如表2所示： 0071 表2自适应高斯分类器的识别结果 0072 0073 使用本发明的方法对测试样本集进行识别， 首先用训练样本集对卷积神经网络进 行训练， 然后将测试样本集输入到训练好的卷积神经网络中， 得到测试样本集的识别结果， 如表3所示： 0074 表3本发明方法的识别结果 说明书 5/6 页 8 CN 109946667 A 8 0075 0076 使用自适应高斯分类。

29、器对测试样本集进行识别的平均正确识别率为71.28， 本 发明的方法对测试样本集进行识别的平均正确识别率为90.38， 相比于使用自适应高斯 分类器对测试样本集进行识别的平均正确识别率提升了19.10。 0077 综上所述， 由本发明的仿真实验结果证明本发明的方法显著降低了变体部分对变 体飞机的高分辨距离像的识别带来的影响， 有效地提高了对变体飞机的高分辨距离像的平 均正确识别率， 实验验证了本发明的方法的有效性。 说明书 6/6 页 9 CN 109946667 A 9 图1 说明书附图 1/2 页 10 CN 109946667 A 10 图2 说明书附图 2/2 页 11 CN 109946667 A 11 。