本發(fā)明屬于雷達(dá)技術(shù)領(lǐng)域，具體的說(shuō)是涉及一種基于深度置信網(wǎng)絡(luò)的雷達(dá)一維距離像目標(biāo)識(shí)別方法。

背景技術(shù)：

通過(guò)雷達(dá)回波數(shù)據(jù)對(duì)目標(biāo)類別進(jìn)行判別是遠(yuǎn)距離目標(biāo)識(shí)別的有效途徑之一。其中，雷達(dá)一維距離像反映了目標(biāo)散射中心在雷達(dá)視線上的分布，體現(xiàn)了目標(biāo)的形狀結(jié)構(gòu)等物理信息，且可利用高分辨雷達(dá)方便的獲取，因此被廣泛用于雷達(dá)目標(biāo)識(shí)別領(lǐng)域。近年來(lái)，基于深度學(xué)習(xí)的識(shí)別方法在圖像識(shí)別領(lǐng)域取得良好的效果。有別于傳統(tǒng)的人為設(shè)定特征的方式，使用深度模型可從一維距離像中自動(dòng)學(xué)習(xí)到有利于分類的目標(biāo)高階特征，因此，研究基于深度網(wǎng)絡(luò)模型的一維像目標(biāo)識(shí)別方法有望進(jìn)一步提高目標(biāo)識(shí)別率。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是，針對(duì)雷達(dá)目標(biāo)一維距離像，提供一種新的基于深度置信網(wǎng)絡(luò)模型的目標(biāo)識(shí)別方法。

本發(fā)明的技術(shù)方案是：一種基于深度置信網(wǎng)絡(luò)的雷達(dá)一維距離像目標(biāo)識(shí)別方法，其特征在于，包括以下步驟：

s1、獲取樣本數(shù)據(jù)：

由寬帶雷達(dá)獲取各目標(biāo)在飛行過(guò)程中的一維距離像數(shù)據(jù)，將獲取的一維距離像數(shù)據(jù)隨機(jī)分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，將訓(xùn)練數(shù)據(jù)集合記為：

其中，k代表總的目標(biāo)類別數(shù)，ni為第i類目標(biāo)的訓(xùn)練樣本數(shù)，為訓(xùn)練樣本集合中總樣本數(shù)，表示第i類目標(biāo)的第j幅一維距離像樣本，l為一維距離像的維數(shù)；設(shè)表示樣本的類別標(biāo)簽向量，則訓(xùn)練樣本標(biāo)簽集合記為

s2、對(duì)獲得的樣本數(shù)據(jù)進(jìn)行預(yù)處理：

對(duì)步驟s1中獲得的樣本集合x(chóng)⁽⁰⁾中的每幅一維距離像樣本先進(jìn)行256點(diǎn)的fft變換并保留變換后的正頻率分量，隨后將該頻域數(shù)據(jù)進(jìn)行能量歸一化，定義預(yù)處理操作后得到樣本頻域像為，樣本頻域像集合記為

s3、對(duì)樣本集進(jìn)行主成分分析：

對(duì)步驟s2中得到的樣本頻域像將每幅一維像樣本投影變換到低維的特征子空間中，得到其投影特征子像p為特征子像維數(shù)；

s4、獲取融合特征矢量：

用鏈接層將步驟s2中獲得的樣本頻域像和步驟s3中獲得的投影特征子像進(jìn)行拼接，得到融合特征矢量：

s5、構(gòu)建深度置信網(wǎng)絡(luò)：

利用深度學(xué)習(xí)的方法，使用三個(gè)多層受限玻爾茲曼機(jī)來(lái)構(gòu)建含三個(gè)隱含層的深度置信網(wǎng)絡(luò)，采用非監(jiān)督逐層貪婪訓(xùn)練法依次訓(xùn)練網(wǎng)絡(luò)的每一層，融合特征矢量作為玻爾茲曼機(jī)的輸入，并在每個(gè)玻爾茲曼機(jī)的輸入層之前增加一個(gè)鏈接層，鏈接層完成將前兩層的輸出拼接并構(gòu)成新的融合特征矢量輸入到下一層玻爾茲曼機(jī)，獲得三個(gè)玻爾茲曼機(jī)的權(quán)值矩陣；

s6、構(gòu)建一個(gè)5層的深度神經(jīng)網(wǎng)絡(luò)：

根據(jù)步驟s5獲得的三個(gè)玻爾茲曼機(jī)的權(quán)值矩陣，經(jīng)過(guò)擴(kuò)展后獲得深度神經(jīng)網(wǎng)絡(luò)輸入層的權(quán)值矩陣初始值，最后一層為一個(gè)softmax分類器，softmax分類器層的初始權(quán)值隨機(jī)生成；

s7、根據(jù)訓(xùn)練樣本標(biāo)簽集合y，采用梯度下降法對(duì)步驟s6構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)，迭代s步后，得到最后的深度網(wǎng)絡(luò)模型；

s8、采用步驟s7中獲得的深度網(wǎng)絡(luò)模型對(duì)輸入樣本進(jìn)行目標(biāo)識(shí)別。

本發(fā)明總的技術(shù)方案，如圖2所示，針對(duì)一維距離像的數(shù)據(jù)特點(diǎn)，首先對(duì)數(shù)據(jù)進(jìn)行時(shí)頻轉(zhuǎn)換及能量歸一化等預(yù)處理操作獲得樣本頻域特征作為原始特征；其次對(duì)樣本數(shù)據(jù)進(jìn)行主成分分析，提取樣本子空間特征向量；然后利用深度學(xué)習(xí)的方法，使用三個(gè)多層受限玻爾茲曼機(jī)(rbm)來(lái)構(gòu)建含三個(gè)隱含層的深度置信網(wǎng)絡(luò)(dbn)，采用非監(jiān)督逐層貪婪訓(xùn)練法依次訓(xùn)練網(wǎng)絡(luò)的每一層，其中在每個(gè)rbm的輸入層之前增加一個(gè)鏈接層，鏈接層完成將前兩層的輸出拼接并構(gòu)成新的融合特征矢量；隨后在網(wǎng)絡(luò)輸出層接一層softmax分類器，利用帶標(biāo)簽樣本數(shù)據(jù)采用bp算法對(duì)這個(gè)含三層隱含層的dbn網(wǎng)絡(luò)進(jìn)行全局參數(shù)微調(diào)；最后利用該深度網(wǎng)絡(luò)對(duì)輸入樣本進(jìn)行目標(biāo)識(shí)別。

進(jìn)一步的，所述步驟s3的具體方法為：

s31、根據(jù)步驟s2獲得的預(yù)處理后的樣本矩陣計(jì)算樣本均值：獲得樣本集的協(xié)方差矩陣：

s32、對(duì)矩陣c作奇異值分解：c＝uλv^t，其中u和v分別為左、右奇異矩陣；λ為奇異值對(duì)角矩陣，其對(duì)角元素按從大到小的順序排列λ1≥λ2≥...λk；

s33、取λ中前p個(gè)較大奇異值對(duì)應(yīng)的p列左奇異向量構(gòu)成特征子空間投影矩陣：

aeig＝[u1u2…up]

其中，p值的確定方式是取前p個(gè)特征值之和占全體特征值總和的比例大于設(shè)定的門(mén)限φ，即：

s34、獲取某一維像樣本投影到特征子空間中，得到其投影特征子像為：

進(jìn)一步的，所述步驟s5的具體方法為：

s51、構(gòu)造第一個(gè)受限玻爾茲曼機(jī)，記為rbm1；其輸入是步驟s4中獲得的樣本融合特征矢量即rbm1的可視層結(jié)點(diǎn)數(shù)為v1＝128+p；rbm1的隱藏層結(jié)點(diǎn)數(shù)為h1，以隱層各結(jié)點(diǎn)激活值作為rbm1的輸出，記為

s52、用鏈接層將步驟s51中rbm1的輸出與步驟s4中得到的融合特征矢量進(jìn)行拼接，得到新的特征矢量：

s53、構(gòu)造第二個(gè)受限玻爾茲曼機(jī)，記為rbm2；其輸入是步驟s52中得到的拼接后特征矢量即rbm2的可視層結(jié)點(diǎn)數(shù)為v2＝v1+h1；rbm2的隱藏層結(jié)點(diǎn)數(shù)為h2，以隱層各結(jié)點(diǎn)激活值作為rbm2的輸出，記為

s54、用鏈接層將步驟s53中rbm2的輸出與步驟s51中獲得的rbm1的輸出進(jìn)行拼接，得到新的特征矢量：

s55、構(gòu)造第三個(gè)受限玻爾茲曼機(jī)，記為rbm3；其輸入步驟s54中拼接后特征矢量即rbm3的可視層結(jié)點(diǎn)數(shù)為v3＝h1+h2；rbm3的隱藏層結(jié)點(diǎn)數(shù)為h3，以隱層各結(jié)點(diǎn)激活值作為rbm3的輸出，記為

s56、采用吉布斯采樣方法依次對(duì)步驟s51、s53、s55中構(gòu)造的三個(gè)受限玻爾茲曼機(jī)進(jìn)行參數(shù)訓(xùn)練，得到三個(gè)rbm的權(quán)值矩陣分別為

進(jìn)一步的，所述步驟s6的具體方法為：

構(gòu)造一個(gè)5層的深度神經(jīng)網(wǎng)絡(luò)，其中最后一層為一個(gè)softmax分類器，設(shè)置網(wǎng)絡(luò)從輸入層到輸出層的各層結(jié)點(diǎn)數(shù)目分別為：v1、v2、v3、h3、k；前三層網(wǎng)絡(luò)的權(quán)值矩陣初始值分別由矩陣擴(kuò)展后得到，第三層到第四層的權(quán)值初值為softmax分類器層的初始權(quán)值隨機(jī)生成。

進(jìn)一步的，所述v1＝132，h1＝100；v2＝232，h2＝100；v3＝200，h3＝100。

進(jìn)一步的，所述步驟s6中前三層網(wǎng)絡(luò)的權(quán)值矩陣初始值的擴(kuò)展方式為：

其中，為en代表一個(gè)n×n維的單位矩陣，0m×n代表一個(gè)m×n的零矩陣。

本發(fā)明的有益效果是：本發(fā)明將目標(biāo)一維距離像的頻域特征和子空間特征合并，構(gòu)成的新特征矢量被作為輸入數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練及識(shí)別，該合并特征矢量對(duì)樣本信息進(jìn)行了擴(kuò)充有利于提高模型精度。構(gòu)造的含三層隱含層的深度置信網(wǎng)絡(luò)，其每一層輸入都由前兩層的輸出并聯(lián)而成，該結(jié)構(gòu)可以使得學(xué)習(xí)到的網(wǎng)絡(luò)參數(shù)并不獨(dú)立依賴于當(dāng)前層次而是取決于不同層次的特征信息，進(jìn)一步提高輸出特征對(duì)原始信息的表達(dá)能力，提高了識(shí)別率。并以此模型對(duì)5類仿真飛機(jī)目標(biāo)一維距離像數(shù)據(jù)進(jìn)行了識(shí)別測(cè)試，正確識(shí)別率達(dá)到92％。

附圖說(shuō)明

圖1為深度置信網(wǎng)絡(luò)的網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖；

圖2為基于深度置信網(wǎng)絡(luò)的雷達(dá)一維距離像目標(biāo)識(shí)別流程圖。

具體實(shí)施方式

下面結(jié)合附圖及實(shí)施例，詳細(xì)描述本發(fā)明的技術(shù)方案：

實(shí)施例

利用雷達(dá)目標(biāo)后向散射仿真軟件產(chǎn)生5類飛機(jī)目標(biāo)的一維距離像仿真數(shù)據(jù)。5類目標(biāo)分別為：an-26、b-1b、b-52、f-15、tu-16。對(duì)每類目標(biāo)按姿態(tài)角0.01度為間隔，從0度到180度共產(chǎn)生18000幅一維像數(shù)據(jù)，每1度范圍的100幅像中隨機(jī)取70幅用于構(gòu)成訓(xùn)練數(shù)據(jù)集，其余30幅構(gòu)成測(cè)試數(shù)據(jù)集，每幅像的維數(shù)為320。

對(duì)訓(xùn)練集中的每幅像先進(jìn)行256點(diǎn)的fft變換并保留變換后的正頻率分量(128維)，隨后將該128維的頻域數(shù)據(jù)進(jìn)行能量歸一化，該預(yù)處理操作后得到樣本頻域像記為：用表示樣本的類別標(biāo)簽向量。例如，樣本的類別標(biāo)簽向量為y3j＝[00100]。則訓(xùn)練樣本標(biāo)簽集合記為

對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行預(yù)處理后的樣本矩陣為：其中，k＝5，nk＝12600。

計(jì)算訓(xùn)練樣本均值：樣本協(xié)方差矩陣：n＝12600×5＝63000。

對(duì)矩陣c作奇異值分解：c＝uλv^t，其中u和v分別為左、右奇異矩陣；λ為奇異值對(duì)角矩陣，其對(duì)角元素按從大到小的順序排列λ1≥λ2≥...λk。

確定子空間維數(shù)p：本數(shù)據(jù)集運(yùn)算后子空間維數(shù)確定為p＝4，取u矩陣中前p列向量構(gòu)成特征子空間投影矩陣：aeig＝[u1u2…up]。

計(jì)算訓(xùn)練集中每幅頻域像在特征子空間的投影特征子像為：

將樣本頻域像和投影特征子像進(jìn)行拼接，得到融合特征矢量：

如圖1所示，構(gòu)造第一個(gè)受限玻爾茲曼機(jī)，記為rbm1?？梢晫咏Y(jié)點(diǎn)數(shù)為v1＝132，隱藏層結(jié)點(diǎn)數(shù)為h1＝100，其輸入是樣本融合特征矢量隱層各結(jié)點(diǎn)激活值輸出記為

將rbm1的輸出與融合特征矢量進(jìn)行拼接，得到新的特征矢量：

構(gòu)造第二個(gè)受限玻爾茲曼機(jī)，記為rbm2。可視層結(jié)點(diǎn)數(shù)為v2＝v1+h1＝232，隱藏層結(jié)點(diǎn)數(shù)為h2＝100，其輸入是拼接后特征矢量隱層各結(jié)點(diǎn)激活值輸出記為

將rbm2的輸出與rbm1的輸出進(jìn)行拼接，得到新的特征矢量：

構(gòu)造第三個(gè)受限玻爾茲曼機(jī)，記為rbm3?？梢晫咏Y(jié)點(diǎn)數(shù)為v3＝h1+h2＝200，隱藏層結(jié)點(diǎn)數(shù)為h3＝100，其輸入是拼接后特征矢量隱層各結(jié)點(diǎn)激活值輸出記為

使用matlabdeeplearntoolbox工具箱中的dbntrain.m函數(shù)采用吉布斯采樣方法依次對(duì)rbm1、rbm2、rbm3三個(gè)受限玻爾茲曼機(jī)進(jìn)行參數(shù)訓(xùn)練，得到三個(gè)rbm的權(quán)值矩陣分別為

構(gòu)造一個(gè)5層的深度神經(jīng)網(wǎng)絡(luò)dnn，其中最后一層為一個(gè)softmax分類器。設(shè)置網(wǎng)絡(luò)從輸入層到輸出層的各層結(jié)點(diǎn)數(shù)目分別為：v1＝132、v2＝232、v3＝200、h3＝100、k＝5。第一層到第二層之間的網(wǎng)絡(luò)權(quán)值矩陣初始化為：

第二層到第三層之間的網(wǎng)絡(luò)權(quán)值矩陣初始化為：

第三層到第四層之間的網(wǎng)絡(luò)權(quán)值矩陣初始化為：其中，e132×132代表132維的單位矩陣，e100×100代表100維的單位矩陣，0100×132代表100行132列的零矩陣。最后一層softmax分類器層的初始權(quán)值隨機(jī)生成。

根據(jù)訓(xùn)練樣本的類別標(biāo)簽y，使用matlabdeeplearntoolbox工具箱中的nntrain.m函數(shù)采用梯度下降法對(duì)該5層的dnn網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)，迭代s＝200步后，得到最后的網(wǎng)絡(luò)模型。

對(duì)測(cè)試集合中的某待測(cè)試一維像數(shù)據(jù)對(duì)其進(jìn)行時(shí)頻變換和歸一化等預(yù)處理操作，得到頻域像z⁽¹⁾。

通過(guò)特征子空間投影變換得到測(cè)試樣本的特征子像：

將頻域像與特征子像拼接得到測(cè)試樣本的融合特征矢量：z⁽³⁾＝[z⁽¹⁾,z⁽²⁾]^t。

將融合特征矢量z⁽³⁾作為dnn網(wǎng)絡(luò)的輸入，使用matlabdeeplearntoolbox工具箱中的nnpredict.m函數(shù)對(duì)輸入數(shù)據(jù)進(jìn)行前向預(yù)測(cè)，得到輸出層矢量為r＝[r1,r2,...,rk]^t，則預(yù)測(cè)待識(shí)別樣本的類別號(hào)為即輸出層的k個(gè)神經(jīng)元輸出值中最大值對(duì)應(yīng)的類別。

采用仿真數(shù)據(jù)驗(yàn)證本發(fā)明的基于深度置信網(wǎng)絡(luò)的一維像目標(biāo)識(shí)別方法的正確識(shí)別率。仿真產(chǎn)生了5類飛機(jī)目標(biāo)在不同姿態(tài)角度下的一維距離像數(shù)據(jù)，將仿真數(shù)據(jù)按7：3的比例隨機(jī)分為了訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。則對(duì)測(cè)試數(shù)據(jù)集中的各樣本進(jìn)行識(shí)別，5類目標(biāo)的平均正確識(shí)別率為92％。