基于信噪比领域知识网络的高分辨距离像目标识别方法转让专利
申请号 : CN202110032909.5
文献号 : CN112882010B
文献日 : 2022-04-05
发明人 : 王鹏辉 , 陈婷 , 刘宏伟 , 丁军 , 陈渤 , 邓心慰
申请人 : 西安电子科技大学
摘要 :
本发明提出了一种基于信噪比领域知识网络的高分辨距离像目标识别方法。其步骤为：(1)构建信噪比领域知识网络；(2)生成训练数据集；(3)生成辅助数据集；(4)对训练数据集进行预处理；(5)生成自适应卷积核；(6)训练信噪比领域知识网络；(7)目标识别。本发明通过构建信噪比领域知识网络，有效利用了回波信号的领域知识中的信噪比信息，能够自适应地根据输入的目标信噪比信息调整网络参数，具有噪声稳健性。而且本发明构造的网络是一种端到端的模型，易训练和使用，识别准确率高，收敛速度快。
权利要求 :
1.一种基于信噪比领域知识网络的高分辨距离像目标识别方法，其特征在于，构造信噪比领域知识网络，利用目标高分辨距离像回波与回波信噪比信息训练该网络，该方法的步骤包括如下：
(1)构建信噪比领域知识网络：
(1a)搭建一个由第一全连接层，第二全连接层、第三全连接层、输出层组成的信噪比自适应卷积核生成子网络；将第一至第三全连接层的权重维度大小分别设置为1×64、64×
768，768×1536；
(1b)搭建一个16层的回波特征提取子网络，其结构依次为：输入层，第一卷积层，第一池化层，第一激活层，第二卷积层，第二池化层，第二激活层，第三卷积层，第三池化层，第三激活层，第四卷积层，第四池化层，第四激活层，第一全连接层，第二全连接层，softmax层；
设置各层参数如下：将第一至第四卷积层的卷积核个数分别设置为8、16、32和32，卷积核大小均设置为1×3，卷积核移动步长均设置为1；第一至第四池化层的池化策略均采用最大池化方法，池化卷积核大小均设置为2×2，池化卷积核移动步长均设置为2；第一至第四激活层均采用ReLu激活函数；第一至第二全连接层的神经元个数分别设置为512和64；
softmax层采用softmax函数用于计算输入样本被识别为每一类的概率；
(1c)将信噪比自适应卷积核生成子网络和回波特征提取子网络组成信噪比领域知识网络；
(2)生成训练数据集：
(2a)提取P个类别目标的一维高分辨距离像回波组成无噪数据集，每个类别至少包含
8000个一维高分辨距离像回波，P≥3；
(2b)对无噪数据集独立添加20次高斯噪声，使每次加噪后数据集的信噪比分别为‑
9dB、‑8dB、‑7dB、‑6dB、‑5dB、‑4dB、‑3dB、‑2dB、‑1dB，0dB、1dB、2dB、3dB、4dB、5dB、6dB、7dB、
8dB、9dB、10dB；
(2c)将加噪后的所有数据集组成训练数据集；
(3)生成辅助数据集：
将训练数据集中每一个回波信号的信噪比作为该回波信号的辅助信息，将训练数据集中所有回波信号的辅助信息组成辅助数据集；
(4)对训练数据集进行预处理：
(4a)对训练数据集中的每个回波进行包络对齐；
(4b)将包络对齐后的训练数据集中每个回波的幅度进行模二范数归一化处理，得到训练集；
(5)生成自适应卷积核：
将辅助数据集输入到信噪比自适应卷积核生成子网络中，经过第一层全连接层，得到一个维度为1×64的信噪比信息特征，再经过第二层全连接层，得到一个维度为1×768的信噪比信息特征，再经过第三层全连接层，得到一个维度为1×1536的信噪比信息特征，最后经过输出层，将信噪比角信息特征维度转换为1×3×16×32，即生成一个具有16个输入通道，32个输出通道，卷积核维度为1×3的自适应卷积核；
(6)训练信噪比领域知识网络：
(6a)采用高斯初始化方法，对回波特征提取子网络中第一卷积层、第二卷积层、第四卷积层中卷积核的权重进行初始化；
(6b)将训练集输入到回波特征提取子网络的输入层，依次经过网络的第一卷积层，第一池化层，第一激活层后得到第一回波特征，将第一回波特征再依次通过回波特征提取子网络的第二卷积层，第二池化层，第二激活层后得到第二回波特征；
(6c)将步骤(5)得到的自适应卷积核作为回波特征提取子网络的第三卷积层的卷积核，对第二回波特征进行卷积操作，再经过第三池化层，第三激活层，得到第三回波特征；
(6d)将第三回波特征通过回波特征提取子网络的第四卷积层，第四池化层，第四激活层，第一全连接层，第二全连接层，softmax层后输出信噪比领域知识网络的预测分类标签；
(6e)利用交叉熵损失函数，计算预测分类标签与目标真实类别标签间的损失值，再利用反向传播算法迭代更新网络参数，直到交叉熵损失函数收敛为止，得到训练好的信噪比领域知识网络；
(7)目标识别：
(7a)估计待识别目标的一维高分辨距离像回波的信噪比信息；
(7b)对待识别目标的一维高分辨距离像回波进行包络对齐，再进行模二范数归一化处理；
(7c)将处理后的目标回波与信噪比信息，分别输入到训练好的信噪比领域知识网络模型中回波特征提取子网络与信噪比自适应卷积核生成子网络中，通过softmax层计算出待识别目标被识别为各类的概率，并选择最高概率对应的类别作为识别结果。
2.根据权利要求1所述的基于信噪比领域知识网络的高分辨距离像目标识别方法，其特征在于，步骤(4a)中所述包络对齐的步骤如下：第一步，按照下式，计算训练数据集中每个回波信号的重心：其中，Wi表示训练数据集中第i个回波信号的重心，xi,n表示训练数据集中第i个回波信号中的第n个数据，n表示回波信号中数据的序号，1≤n≤N，N表示训练数据集中回波信号的长度；
第二步，按照下式，计算训练数据集中每个回波信号的平移量：其中，di表示训练数据集中第i个回波信号的平移量， 表示向下取整操作；
第三步，当di≥0时，将训练数据集中第i个回波信号中所有数据循环向左平移|di|位，当di≤0时，将训练数据集中第i个回波信号中所有数据循环向右平移|di|位，||表示取绝对值操作。
3.根据权利要求1所述的基于信噪比领域知识网络的高分辨距离像目标识别方法，其特征在于，步骤(6e)中所述交叉熵损失函数如下：其中，H表示交叉熵损失函数，Ypre表示信噪比领域知识网络的预测分类标签，Ytrain表示训练数据集中目标样本的真实类别标签，k＝1,2,…，P，k表示训练集中目标样本的类别序号，log表示以10为底的对数操作。
4.根据权利要求2所述的基于信噪比领域知识网络的高分辨距离像目标识别方法，其特征在于，步骤(7b)中所述包络对齐的步骤如下：第一步，按照下式，计算待识别目标的每个回波信号的重心：其中，Wj表示待识别目标的第j个回波信号的重心，xj,m表示待识别目标的第j个回波信号中的第m个数据，m表示待识别目标的回波信号中数据的序号，1≤m≤M，M表示待识别目标的回波信号的长度；
第二步，按照下式，计算待识别目标的每个回波信号的平移量：其中，dj表示待识别目标的第j个回波信号的平移量；
第三步，当dj≥0时，将待识别目标的第j个回波信号中的数据循环向左平移|dj|位，当dj＜0时，将待识别目标的第j个回波信号中的数据循环向右平移|dj|位。
说明书 :
基于信噪比领域知识网络的高分辨距离像目标识别方法
技术领域
[0001] 本发明属于雷达技术领域，更进一步涉及雷达自动目标识别RATR技术领 域中的一种基于信噪比领域知识网络的高分辨距离像目标识别方法。本发明可以 在低信噪比场
景下，对空中、地面运动的不同目标进行实时识别。
景下，对空中、地面运动的不同目标进行实时识别。
背景技术
[0002] 高分辨距离像是用宽带雷达信号获取的目标散射点子回波在雷达射线上投 影的向量和，它提供了目标散射点沿距离方向的分布情况，是目标重要的结构特 征，对于分类
很有价值。实际军事对战中，目标的高分辨距离像回波中总是不可 避免的含有噪声，尤其
对于战场环境中远距离的非合作目标，采集到的目标回波 的信噪比通常较低，而训练阶段
所使用的样本是在合作场景下录取得到的或者是 通过电磁仿真生成的，具有很高的信噪
比，此时，使用高信噪比训练样本训练的 分类器不再适用于低信噪比的测试样本，两者之
间的失配将导致系统识别性能严 重下降。目前针对雷达高分辨距离像噪声稳健识别问题，
已经有一些工作开展了 相关研究。
很有价值。实际军事对战中，目标的高分辨距离像回波中总是不可 避免的含有噪声，尤其
对于战场环境中远距离的非合作目标，采集到的目标回波 的信噪比通常较低，而训练阶段
所使用的样本是在合作场景下录取得到的或者是 通过电磁仿真生成的，具有很高的信噪
比，此时，使用高信噪比训练样本训练的 分类器不再适用于低信噪比的测试样本，两者之
间的失配将导致系统识别性能严 重下降。目前针对雷达高分辨距离像噪声稳健识别问题，
已经有一些工作开展了 相关研究。
[0003] 中国人民解放军国防科技大学在其申请的专利文献“一种噪声环境下的雷达 目标HRRP鲁棒识别方法”(专利申请号：CN201910975871.8，申请公开号： CN110824450A)中提
出了一种噪声环境下雷达高分辨距离像识别方法。该方法的 具体步骤是：第一步，获取目
标高分辨距离像分为训练样本集和测试样本集；第 二步，对每类目标的部分训练样本加入
不同信噪比的噪声后归一化；第三步，构 造并训练一个由残差块、感知器和降噪自编码层
组成的卷积神经网络，利用降噪 自编码器来降低噪声对目标识别的影响；第四步，将待训
练目标回波输入到训练 好的卷积神经网络得到识别结果。该方法利用深度学习来获得稳
定的抗噪声识别 模型，可有效降低噪声对识别的干扰，但是该方法仍然存在不足之处是：
该方法 利用降噪自编码器来降低高分辨距离像回波中噪声的影响，而降噪自编码器的方
法原理是通过最小化重构误差的方法来实现去噪过程的，无法根据输入回波具体 的信噪
比信息对模型结构进行调整，利用高信噪比训练样本训练的降噪自编码器 模型不再适用
于低信噪比的测试样本，存在模型失配问题。
出了一种噪声环境下雷达高分辨距离像识别方法。该方法的 具体步骤是：第一步，获取目
标高分辨距离像分为训练样本集和测试样本集；第 二步，对每类目标的部分训练样本加入
不同信噪比的噪声后归一化；第三步，构 造并训练一个由残差块、感知器和降噪自编码层
组成的卷积神经网络，利用降噪 自编码器来降低噪声对目标识别的影响；第四步，将待训
练目标回波输入到训练 好的卷积神经网络得到识别结果。该方法利用深度学习来获得稳
定的抗噪声识别 模型，可有效降低噪声对识别的干扰，但是该方法仍然存在不足之处是：
该方法 利用降噪自编码器来降低高分辨距离像回波中噪声的影响，而降噪自编码器的方
法原理是通过最小化重构误差的方法来实现去噪过程的，无法根据输入回波具体 的信噪
比信息对模型结构进行调整，利用高信噪比训练样本训练的降噪自编码器 模型不再适用
于低信噪比的测试样本，存在模型失配问题。
[0004] 潘晓燕学者在发表的“雷达高分辨距离像的去噪方法和基于子空间的噪声稳 健识别方法研究”中提出一种基于PCA子空间的最小重构误差方法。该方法的具 体步骤是：第
一步，给出相同维度和不同维度子空间的距离的定义；第二步，将 目标回波进行特征分解，
得到噪声子空间与信号子空间，计算两个子空间的距离 并与传统主成分分析方法相结合,
重构信号子空间；第三步，釆用实测数据验证 了基于PCA子空间距离的识别方法相比于传
统最小重构误差方法在识别性能及 噪声稳健性上具有优势，但是该方法仍然存在不足之
处是：该方法实现过程中需 要进行特征值分解，特征值分解要求输入数据矩阵的长与宽必
须是相等的，同时 特征值分解过程本身非常耗时，这会导致该方法在实时性方面的性能较
差。
一步，给出相同维度和不同维度子空间的距离的定义；第二步，将 目标回波进行特征分解，
得到噪声子空间与信号子空间，计算两个子空间的距离 并与传统主成分分析方法相结合,
重构信号子空间；第三步，釆用实测数据验证 了基于PCA子空间距离的识别方法相比于传
统最小重构误差方法在识别性能及 噪声稳健性上具有优势，但是该方法仍然存在不足之
处是：该方法实现过程中需 要进行特征值分解，特征值分解要求输入数据矩阵的长与宽必
须是相等的，同时 特征值分解过程本身非常耗时，这会导致该方法在实时性方面的性能较
差。
发明内容
[0005] 本发明的目的是针对上述现有技术存在的不足，提出了一种基于信噪比领域 知识网络的高分辨距离像目标识别方法，用于解决现有技术中存在的无法根据输 入回波具
体的信噪比信息对模型结构进行调整导致的模型失配的问题以及复杂 模型不能满足目标
识别实时性要求的问题。
体的信噪比信息对模型结构进行调整导致的模型失配的问题以及复杂 模型不能满足目标
识别实时性要求的问题。
[0006] 实现本发明目的的思路是，为有效利用目标回波信号的领域知识中的信噪比 信息，通过构造信噪比自适应卷积核生成子网络，利用目标信噪比信息生成自适 应卷积核，
不同的信噪比信息会产生不同的自适应卷积核，通过自适应卷积核引 入信噪比对目标回
波识别的影响，使得本发明所构造的网络可以根据输入的信噪 比自动调整网络参数，从而
具有克服模型失配问题的能力；通过构造回波特征提 取子网络对目标回波进行特征提取，
将信噪比信息生成自适应卷积核作为回波特 征提取子网络的卷积核，将两个网络之间建
立联系，构成一个端到端的信噪比领 域知识网络，容易训练，操作简单，满足实时性的要
求。
不同的信噪比信息会产生不同的自适应卷积核，通过自适应卷积核引 入信噪比对目标回
波识别的影响，使得本发明所构造的网络可以根据输入的信噪 比自动调整网络参数，从而
具有克服模型失配问题的能力；通过构造回波特征提 取子网络对目标回波进行特征提取，
将信噪比信息生成自适应卷积核作为回波特 征提取子网络的卷积核，将两个网络之间建
立联系，构成一个端到端的信噪比领 域知识网络，容易训练，操作简单，满足实时性的要
求。
[0007] 本发明实现的具体步骤包括如下：
[0008] (1)构建信噪比领域知识网络：
[0009] (1a)搭建一个由第一全连接层，第二全连接层、第三全连接层、输出层 组成的信噪比自适应卷积核生成子网络；将第一至第三全连接层的权重维度大小 分别设置为1×
64、64×768，768×1536；
64、64×768，768×1536；
[0010] (1b)搭建一个16层的回波特征提取子网络，其结构依次为：输入层， 第一卷积层，第一池化层，第一激活层，第二卷积层，第二池化层，第二激活层， 第三卷积层，第三池化
层，第三激活层，第四卷积层，第四池化层，第四激活层， 第一全连接层，第二全连接层，
softmax层；
层，第三激活层，第四卷积层，第四池化层，第四激活层， 第一全连接层，第二全连接层，
softmax层；
[0011] 设置各层参数如下：将第一至第四卷积层的卷积核个数分别设置为8、16、 32和32，卷积核大小均设置为1×3，卷积核移动步长均设置为1；第一至第四池 化层的池化策略
均采用最大池化方法，池化卷积核大小均设置为2×2，池化卷积 核移动步长均设置为2；第
一至第四激活层均采用ReLu激活函数；第一至第二 全连接层的神经元个数分别设置为512
和64；softmax层采用softmax函数用于 计算输入样本被识别为每一类的概率；
均采用最大池化方法，池化卷积核大小均设置为2×2，池化卷积 核移动步长均设置为2；第
一至第四激活层均采用ReLu激活函数；第一至第二 全连接层的神经元个数分别设置为512
和64；softmax层采用softmax函数用于 计算输入样本被识别为每一类的概率；
[0012] (1c)将信噪比自适应卷积核生成子网络和回波特征提取子网络组成信噪 比领域知识网络；
[0013] (2)生成训练数据集：
[0014] (2a)提取P个类别目标的一维高分辨距离像回波组成无噪数据集，每个 类别至少包含8000个一维高分辨距离像回波，P≥3；
[0015] (2b)对无噪数据集独立添加20次高斯噪声，使每次加噪后数据集的信 噪比分别为‑9dB、‑8dB、‑7dB、‑6dB、‑5dB、‑4dB、‑3dB、‑2dB、‑1dB，0dB、 1dB、2dB、3dB、4dB、5dB、6dB、
7dB、8dB、9dB、10dB；
7dB、8dB、9dB、10dB；
[0016] (2c)将加噪后的所有数据集组成训练数据集；
[0017] (3)生成辅助数据集：
[0018] 将训练数据集中每一个回波信号的信噪比作为该回波信号的辅助信息，将训 练数据集中所有回波信号的辅助信息组成辅助数据集；
[0019] (4)对训练数据集进行预处理：
[0020] (4a)对训练数据集中的每个回波进行包络对齐；
[0021] (4b)将包络对齐后的训练数据集中每个回波的幅度进行模二范数归一化 处理，得到训练集；
[0022] (5)生成自适应卷积核：
[0023] 将辅助数据集输入到信噪比自适应卷积核生成子网络中，经过第一层全连接 层，得到一个维度为1×64的信噪比信息特征，再经过第二层全连接层，得到一 个维度为1×
768的信噪比信息特征，再经过第三层全连接层，得到一个维度为 1×1536的信噪比信息特
征，最后经过输出层，将信噪比角信息特征维度转换为 1×3×16×32，即生成一个具有16
个输入通道，32个输出通道，卷积核维度为1×3 的自适应卷积核；
768的信噪比信息特征，再经过第三层全连接层，得到一个维度为 1×1536的信噪比信息特
征，最后经过输出层，将信噪比角信息特征维度转换为 1×3×16×32，即生成一个具有16
个输入通道，32个输出通道，卷积核维度为1×3 的自适应卷积核；
[0024] (6)训练信噪比领域知识网络：
[0025] (6a)采用高斯初始化方法，对回波特征提取子网络中第一卷积层、第二 卷积层、第四卷积层中卷积核的权重进行初始化；
[0026] (6b)将训练集输入到回波特征提取子网络的输入层，依次经过网络的第 一卷积层，第一池化层，第一激活层后得到第一回波特征，将第一回波特征再依 次通过回波特征
提取子网络的第二卷积层，第二池化层，第二激活层后得到第二 回波特征；
提取子网络的第二卷积层，第二池化层，第二激活层后得到第二 回波特征；
[0027] (6c)将步骤(5)得到的自适应卷积核作为回波特征提取子网络的第三 卷积层的卷积核，对第二回波特征进行卷积操作，再经过第三池化层，第三激活 层，得到第三回波特
征；
征；
[0028] (6d)将第三回波特征通过回波特征提取子网络的第四卷积层，第四池化 层，第四激活层，第一全连接层，第二全连接层，softmax层后输出信噪比领域 知识网络的预测分类
标签；
标签；
[0029] (6e)利用交叉熵损失函数，计算预测分类标签与目标真实类别标签间的 损失值，再利用反向传播算法迭代更新网络参数，直到交叉熵损失函数收敛为止， 得到训练好的信
噪比领域知识网络；
噪比领域知识网络；
[0030] (7)目标识别：
[0031] (7a)估计待识别目标的一维高分辨距离像回波的信噪比信息；
[0032] (7b)对待识别目标的一维高分辨距离像回波进行包络对齐，再进行模二 范数归一化处理；
[0033] (7c)将处理后的目标回波与信噪比信息，分别输入到训练好的信噪比领 域知识网络模型中回波特征提取子网络与信噪比自适应卷积核生成子网络中，通 过softmax层计
算出待识别目标被识别为各类的概率，并选择最高概率对应的类 别作为识别结果。
算出待识别目标被识别为各类的概率，并选择最高概率对应的类 别作为识别结果。
[0034] 本发明与现有技术相比具有以下优点：
[0035] 第一，由于本发明构造了信噪比领域知识网络，该网络包含信噪比自适应卷积核 生成子网络和回波特征提取子网络，同时利用信噪比信息和目标高分辨距离像回波对 构
造的信噪比领域知识网络进行训练，克服了现有技术无法根据输入回波具体的信噪 比信
息对模型结构进行调整，存在利用高信噪比训练样本训练的模型不再适用于低信 噪比的
测试样本的模型失配问题，使得本发明能够自适应的根据输入的目标信噪比信 息调整网
络参数，具有噪声稳健性的特点，提高了识别的准确率。
造的信噪比领域知识网络进行训练，克服了现有技术无法根据输入回波具体的信噪 比信
息对模型结构进行调整，存在利用高信噪比训练样本训练的模型不再适用于低信 噪比的
测试样本的模型失配问题，使得本发明能够自适应的根据输入的目标信噪比信 息调整网
络参数，具有噪声稳健性的特点，提高了识别的准确率。
[0036] 第二，由于本发明将目标信噪比信息输入到构造的信噪比自适应卷积核生成子网 络中生成自适应卷积核，通过自适应卷积核在信噪比自适应卷积核生成子网络和回波 特
征提取子网络两个子网络间建立联系，构成一个端到端的信噪比领域知识网络，在 输入端
直接将目标信噪比信息和目标高分辨距离像回波同时输入到信噪比领域知识 网络中的信
噪比自适应卷积核生成子网络和回波特征提取子网络，输出端直接输出待 识别目标的类
别，克服了现有技术在训练和测试过程操作流程复杂，不能满足目标识 别实时性要求的问
题，使得本发明具有良好的并行处理能力，信噪比领域知识网络可 以更快收敛，实时性方
面的性能有所提升。
征提取子网络两个子网络间建立联系，构成一个端到端的信噪比领域知识网络，在 输入端
直接将目标信噪比信息和目标高分辨距离像回波同时输入到信噪比领域知识 网络中的信
噪比自适应卷积核生成子网络和回波特征提取子网络，输出端直接输出待 识别目标的类
别，克服了现有技术在训练和测试过程操作流程复杂，不能满足目标识 别实时性要求的问
题，使得本发明具有良好的并行处理能力，信噪比领域知识网络可 以更快收敛，实时性方
面的性能有所提升。
附图说明
[0037] 图1是本发明的流程图；
[0038] 图2是本发明构造的信噪比领域知识网络结构示意图；
[0039] 图3是本发明仿真实验结果图。
具体实施方式
[0040] 以下结合附图和具体实施例，对本发明作进一步详细描述。
[0041] 由于雷达是在检测跟踪到目标后进行识别的，检测跟踪过程当中获取的雷达 目标回波信号的重要的领域知识可以用来帮助提升识别的性能，而领域知识中信 噪比信息
对于雷达高分辨距离像回波识别影响很大，因此如何在雷达高分辨距离 像回波识别过程
中充分利用回波样本领域知识中信噪比信息提升识别性能，并满 足实时性要求，是一个亟
需解决的问题。为了解决这个问题，本发明提出了一种 基于信噪比领域知识网络的高分辨
距离像目标识别方法。
对于雷达高分辨距离像回波识别影响很大，因此如何在雷达高分辨距离 像回波识别过程
中充分利用回波样本领域知识中信噪比信息提升识别性能，并满 足实时性要求，是一个亟
需解决的问题。为了解决这个问题，本发明提出了一种 基于信噪比领域知识网络的高分辨
距离像目标识别方法。
[0042] 参照图1，对本发明实现的具体步骤作进一步详细描述。
[0043] 步骤1.构建信噪比领域知识网络。
[0044] 搭建一个由第一全连接层，第二全连接层、第三全连接层、输出层组成的信 噪比自适应卷积核生成子网络；将第一至第三全连接层的权重维度大小分别设置 为1×64、64
×768，768×1536。
×768，768×1536。
[0045] 搭建一个16层的回波特征提取子网络，其结构依次为：输入层，第一卷积 层，第一池化层，第一激活层，第二卷积层，第二池化层，第二激活层，第三卷 积层，第三池化层，第
三激活层，第四卷积层，第四池化层，第四激活层，第一 全连接层，第二全连接层，softmax
层。
三激活层，第四卷积层，第四池化层，第四激活层，第一 全连接层，第二全连接层，softmax
层。
[0046] 设置各层参数如下：将第一至第四卷积层的卷积核个数均设置为8、16、32 和32，卷积核大小均设置为1×3；第一至第四池化层的池化策略均采用最大池化 方法，池化卷积
核大小为2×2；第一至第四激活层均采用ReLu激活函数，第一 至第二全连接层的神经元个
数分别设置为512和3；softmax层采用softmax函数 用于计算输入样本被识别为每一类的
概率。
核大小为2×2；第一至第四激活层均采用ReLu激活函数，第一 至第二全连接层的神经元个
数分别设置为512和3；softmax层采用softmax函数 用于计算输入样本被识别为每一类的
概率。
[0047] 将信噪比自适应卷积核生成子网络和回波特征提取子网络组成信噪比领域 知识网络。
[0048] 参照图2，对本发明构建信噪比领域知识网络的结构作进一步详细描述。
[0049] 在图2中信噪比领域知识网络具有两个输入端，从图2中由最左边的输入端、 卷积池化层1、卷积池化层2、卷积池化层3、卷积池化层4、全连接层所构成的 网络为回波特征提
取子网络。从图2中由最上方的信噪比输入端、1个神经元的 第一全连接层、64个神经元的
第二全连接层、768个神经元的第三全连接层、1536 个神经元的第四全连接层所构成的网
络为信噪比自适应卷积核生成子网络。回波 特征提取子网络的卷积核权重张量设置如图2
所示，第一至第四卷积层的卷积核 权重张量分别为1×3×1×16、1×3×16×16、1×3×16
×16、1×3×16×16，信噪比自适 应卷积核生成子网络的输出作为回波特征提取子网络的
第二层卷积层的卷积核 权重。
取子网络。从图2中由最上方的信噪比输入端、1个神经元的 第一全连接层、64个神经元的
第二全连接层、768个神经元的第三全连接层、1536 个神经元的第四全连接层所构成的网
络为信噪比自适应卷积核生成子网络。回波 特征提取子网络的卷积核权重张量设置如图2
所示，第一至第四卷积层的卷积核 权重张量分别为1×3×1×16、1×3×16×16、1×3×16
×16、1×3×16×16，信噪比自适 应卷积核生成子网络的输出作为回波特征提取子网络的
第二层卷积层的卷积核 权重。
[0050] 回波特征提取子网络和信噪比自适应卷积核生成子网络组成信噪比领域知 识网络，两个子网络同时参与网络的前向传播过程和误差反向传播过程，信噪比 领域知识网络
的所有权重参数均迭代更新。
的所有权重参数均迭代更新。
[0051] 步骤2.生成训练数据集。
[0052] 提取M个类别目标的一维高分辨距离像回波组成无噪数据集，每个类别至 少包含8000个一维高分辨距离像回波，M≥3。
[0053] 对无噪数据集独立添加20次高斯噪声，使每次加噪后数据集的信噪比分别 为‑9dB、‑8dB、‑7dB、‑6dB、‑5dB、‑4dB、‑3dB、‑2dB、‑1dB，0dB、1dB、2dB、 3dB、4dB、5dB、6dB、7dB、
8dB、9dB、10dB。
8dB、9dB、10dB。
[0054] 将加噪后的所有数据集组成训练数据集。
[0055] 步骤3.生成辅助数据集。
[0056] 将训练数据集中每一个回波信号的信噪比作为该回波信号的辅助信息，将训 练数据集中所有回波信号的辅助信息组成辅助数据集。
[0057] 步骤4.对训练数据集进行预处理。
[0058] 对训练数据集中的每个回波进行包络对齐。
[0059] 所述包络对齐步骤如下：
[0060] 第一步，按照下式，计算训练数据集中每个回波的重心：
[0061]
[0062] 其中，Wi表示训练数据集中第i个回波的重心，xi,n表示训练数据集中第i 个回波中的第n个数据，n表示回波中数据的序号，1≤n≤N，N表示回波的长 度。
[0063] 第二步，按照下式，计算训练数据集中每个回波的平移量：
[0064]
[0065] 其中，di表示训练数据集中第i个回波的平移量， 表示向下取整操作。
[0066] 第三步，当di≥0，将第i个回波中的数据循环向左平移|di|位，当di≤0， 则将第i个回波中的数据循环向右平移|di|位，||表示取绝对值操作。
[0067] 将包络对齐后的训练数据集中每个回波的幅度进行模二范数归一化处理，得 到训练集。
[0068] 步骤5.生成自适应卷积核。
[0069] 将辅助数据集输入到信噪比自适应卷积核生成子网络中，训练辅助信息数据 集经过信噪比自适应卷积核生成子网络中的第一层全连接层，得到一个维度为1 ×64的信噪
比信息特征，再经过第二层全连接层，得到一个维度为1×768的信 噪比信息特征，再经过
第三层全连接层，得到一个维度为1×1536的信噪比信息 特征，最后经过输出层，将信噪比
角信息特征维度转换为1×3×16×32，即生成一 个具有16个输入通道，32个输出通道，卷
积核维度为1×3的自适应卷积核。
比信息特征，再经过第二层全连接层，得到一个维度为1×768的信 噪比信息特征，再经过
第三层全连接层，得到一个维度为1×1536的信噪比信息 特征，最后经过输出层，将信噪比
角信息特征维度转换为1×3×16×32，即生成一 个具有16个输入通道，32个输出通道，卷
积核维度为1×3的自适应卷积核。
[0070] 步骤6.训练信噪比领域知识网络。
[0071] 采用高斯初始化方法，对回波特征提取子网络中第一卷积层、第二卷积层、 第四卷积层中卷积核的权重初始化。
[0072] 将训练集输入到回波特征提取子网络的输入层，依次经过网络的第一卷积 层，第一池化层，第一激活层，输出第一回波特征，将第一回波特征再依次通过 回波特征提取子
网络的第二卷积层，第二池化层，第二激活层，输出第二回波特 征。
网络的第二卷积层，第二池化层，第二激活层，输出第二回波特 征。
[0073] 将自适应卷积核作为回波特征提取子网络的第三卷积层的卷积核，利用自适 应卷积核对第二回波特征进行卷积操作，再经过第三池化层，第三激活层，得到 第三回波特
征。
征。
[0074] 将第三回波特征依次通过回波特征提取子网络的第四卷积层，第四池化层， 第四激活层，第一全连接层，第二全连接层，softmax层，得到信噪比领域知识 网络的预测分类
标签。
标签。
[0075] 利用交叉熵损失函数，计算预测分类标签与目标真实类别标签间的损失，交 叉熵损失函数如下：
[0076]
[0077] 其中，H表示交叉熵损失函数，Ypre表示信噪比领域知识网络的预测分类标 签，Ytrain表示训练数据集中目标样本的真实类别标签，k＝1,2,…，P，k表示训练 集中目标样本
的类别序号，log表示以10为底的对数操作。
的类别序号，log表示以10为底的对数操作。
[0078] 利用反向传播算法迭代更新网络参数，直到交叉熵损失函数收敛为止，得到 训练好的信噪比领域知识网络。
[0079] 步骤7.目标识别。
[0080] 估计待识别目标的一维高分辨距离像回波的信噪比信息。
[0081] 对待识别目标的一维高分辨距离像回波进行包络对齐，再进行模二范数归一 化处理。
[0082] 所述包络对齐步骤如下：
[0083] 第一步，按照下式，计算待识别目标的每个回波信号的重心：
[0084]
[0085] 其中，Wj表示待识别目标的第j个回波信号的重心，xj,m表示待识别目标的 第j个回波信号中的第m个数据，m表示待识别目标的回波信号中数据的序号， 1≤m≤M，M表示待
识别目标的回波信号的长度；
识别目标的回波信号的长度；
[0086] 第二步，按照下式，计算待识别目标的每个回波信号的平移量：
[0087]
[0088] 其中，dj表示待识别目标的第j个回波信号的平移量；
[0089] 第三步，当dj≥0时，将待识别目标的第j个回波信号中的数据循环向左平 移|dj|位，当dj＜0时，将待识别目标的第j个回波信号中的数据循环向右平移|dj| 位。
[0090] 将处理后的目标回波与信噪比信息，分别输入到训练好的信噪比领域知识网 络模型中回波特征提取子网络与信噪比自适应卷积核生成子网络中，通过 softmax层计算出
待识别目标被识别为各类的概率，并选择最高概率对应的类别 作为识别结果。
待识别目标被识别为各类的概率，并选择最高概率对应的类别 作为识别结果。
[0091] 1、仿真实验条件：
[0092] 本发明的仿真实验的硬件平台为：处理器为Intel(R)Core(TM)i7‑7700 CPU @3.60GHZ 3.60GHZ，主频为2.00GHz，内存16GB。
[0093] 本发明的仿真实验的软件平台为：Windows 10操作系统和python 3.6。
[0094] 本发明的仿真实验所使用的训练与测试样本均是用电磁仿真软件CST生成 的3类飞机目标的一维高分辨距离像回波数据，训练样本的回波数据的维度均为 1×128，每类飞
机的训练样本数均为8000，3类飞机的训练样本构成总训练样本， 训练样本总数为24000。
对总训练样本独立添加20次高斯噪声，使每次加噪后 数据集的信噪比分别为‑9dB、‑8dB、‑
7dB、‑6dB、‑5dB、‑4dB、‑3dB、‑2dB、‑1dB， 0dB、1dB、2dB、3dB、4dB、5dB、6dB、7dB、8dB、9dB、
10dB，将加噪后的 所有训练样本组成训练数据集。将训练数据集中每一个回波信号的信噪
比作为该 回波信号的辅助信息，将训练数据集中所有回波信号的辅助信息组成辅助数据
集。训练数据集样本总数与辅助数据集样本总数均为24000×20。
机的训练样本数均为8000，3类飞机的训练样本构成总训练样本， 训练样本总数为24000。
对总训练样本独立添加20次高斯噪声，使每次加噪后 数据集的信噪比分别为‑9dB、‑8dB、‑
7dB、‑6dB、‑5dB、‑4dB、‑3dB、‑2dB、‑1dB， 0dB、1dB、2dB、3dB、4dB、5dB、6dB、7dB、8dB、9dB、
10dB，将加噪后的 所有训练样本组成训练数据集。将训练数据集中每一个回波信号的信噪
比作为该 回波信号的辅助信息，将训练数据集中所有回波信号的辅助信息组成辅助数据
集。训练数据集样本总数与辅助数据集样本总数均为24000×20。
[0095] 本发明的仿真实验所使用的测试样本是用电磁仿真软件CST生成的3类飞 机目标的一维高分辨距离像回波数据，测试样本的回波数据的维度均为1×128， 每类飞机的测试
样本数均为500，3类飞机的测试样本构成总测试样本，测试样 本总数为1500。对总测试样
本加噪方式与总训练样本相同，将加噪后的所有测 试样本组成测试数据集。将将测试数据
集中每一个回波信号的信噪比作为该回 波信号的辅助信息，将测试数据集中所有回波信
号的辅助信息组成测试辅助数 据集。测试数据集样本总数与测试辅助数据集样本总数均
为1500×20。
样本数均为500，3类飞机的测试样本构成总测试样本，测试样 本总数为1500。对总测试样
本加噪方式与总训练样本相同，将加噪后的所有测 试样本组成测试数据集。将将测试数据
集中每一个回波信号的信噪比作为该回 波信号的辅助信息，将测试数据集中所有回波信
号的辅助信息组成测试辅助数 据集。测试数据集样本总数与测试辅助数据集样本总数均
为1500×20。
[0096] 2.实验内容及结果分析
[0097] 本发明仿真实验是采用本发明和传统方法中的卷积神经网络识别方法，分别 对3类飞机目标的一维高分辨距离像回波数据进行仿真实验。
[0098] 传统方法中的卷积神经网络识别方法是指：西安电子科技大学在其申请的专 利文献“基于一维卷积神经网络的雷达高分辨距离像目标识别方法”(专利申请 号：
CN201710838721.3，申请公布号：CN107728143A)中提出的雷达目标多普 勒像分类识别方
法。
CN201710838721.3，申请公布号：CN107728143A)中提出的雷达目标多普 勒像分类识别方
法。
[0099] 传统方法中的卷积神经网络识别方法中的卷积神经网络的具体结构如下：输 入层，第一卷积层，第一池化层，第一激活层，第二卷积层，第二池化层，第二 激活层，第三卷
积层，第三池化层，第三激活层，第四卷积层，第四池化层，第 四激活层，第一全连接层，第
二全连接层，softmax层。
积层，第三池化层，第三激活层，第四卷积层，第四池化层，第 四激活层，第一全连接层，第
二全连接层，softmax层。
[0100] 卷积神经网络的各层参数设置如下：将第一至第四卷积层的卷积核个数均设 置为8、16、32和32，卷积核大小均设置为1×3；第一至第四池化层的池化策略 均采用最大池
化方法，池化卷积核大小为2×2；第一至第四激活层均采用ReLu 激活函数，第一至第二全
连接层的神经元个数分别设置为512和3；采用高斯初 始化方法，对传统卷积神经网络中第
一到第四卷积层中卷积核的权重初始化。
化方法，池化卷积核大小为2×2；第一至第四激活层均采用ReLu 激活函数，第一至第二全
连接层的神经元个数分别设置为512和3；采用高斯初 始化方法，对传统卷积神经网络中第
一到第四卷积层中卷积核的权重初始化。
[0101] 利用识别准确率和迭代轮次对两种方法的识别结果进行评价。
[0102] 将训练数据集与辅助数据集中所有样本均输入到信噪比领域知识网络中，完 成了信噪比领域知识网络的一轮训练，记迭代轮次为一次，每一轮迭代结束，将 测试数据集
与测试辅助数据集中所有样本输入到当前迭代训练后的网络中，得到 测试数据集中待识
别样本的类别，计算每一迭代轮次识别正确率，计算公式如下：
与测试辅助数据集中所有样本输入到当前迭代训练后的网络中，得到 测试数据集中待识
别样本的类别，计算每一迭代轮次识别正确率，计算公式如下：
[0103]
[0104] 其中，T表示测试数据集中待识别样本的数量，i表示迭代轮次的数目，prei,t表示第i轮次迭代中的第t个测试样本网络所判别的类别，labeli,t表示第i轮次迭 代中的迭代
第t个测试样本真实类别，当第i轮次迭代中的第t个测试样本网络所 判别的类别prei,t与
第i轮次迭代中的第t个测试样本真实类别labeli,t相等时， S(prei,t,labeli,t)等于1，否则
S(prei,t,labeli,t)等于0。
第t个测试样本真实类别，当第i轮次迭代中的第t个测试样本网络所 判别的类别prei,t与
第i轮次迭代中的第t个测试样本真实类别labeli,t相等时， S(prei,t,labeli,t)等于1，否则
S(prei,t,labeli,t)等于0。
[0105] 卷积神经网络识别方法的训练测试过程与本发明专利相同。将本发明方法与 卷积神经网络识别方法的每一轮次识别准确率结果绘制如图3所示。图3中横坐 标表示迭代
轮次，分别为20轮次、30轮次、40轮次、50轮次、60轮次，纵坐 标表示测试数据的识别准确
率。图3中带有垂直误差条的实线表示本发明方法得 到的测试数据的识别准确率与迭代轮
次的关系曲线，图3中带有垂直误差条的虚 线表示传统方法中的卷积神经网络识别方法得
到的测试数据的识别准确率与迭 代轮次的关系曲线。曲线线段上的每个点对应的纵坐标
的值表示多次训练的平均 识别准确率，每个点上绘制垂直误差条表示多次训练识别准确
率间的标准差。
轮次，分别为20轮次、30轮次、40轮次、50轮次、60轮次，纵坐 标表示测试数据的识别准确
率。图3中带有垂直误差条的实线表示本发明方法得 到的测试数据的识别准确率与迭代轮
次的关系曲线，图3中带有垂直误差条的虚 线表示传统方法中的卷积神经网络识别方法得
到的测试数据的识别准确率与迭 代轮次的关系曲线。曲线线段上的每个点对应的纵坐标
的值表示多次训练的平均 识别准确率，每个点上绘制垂直误差条表示多次训练识别准确
率间的标准差。
[0106] 如图3所示，本发明提出的方法相较于传统方法中的卷积神经网络识别方 法，在识别准确率上有一个明显的提升，迭代轮次为60时，本发明方法的识别 准确率为83.45％，
传统方法中的传统卷积神经网络方法的识别准确率仅为 81.57％，识别准确率提升约2％。
同时本发明方法具有更快收敛的效果，本发明 方法在迭代轮次为20时就接近收敛，而传统
的神经网络方法在迭代轮次比较低 时，识别准确率特别低，传统方法中的卷积神经网络识
别方法在迭代轮次为40 时才逐渐收敛。同时，最后对比两种方法的实验垂直误差条，可以
看出本发明提 出的方法的稳定性比传统方法中的卷积神经网络识别方法的稳定性更优。
传统方法中的传统卷积神经网络方法的识别准确率仅为 81.57％，识别准确率提升约2％。
同时本发明方法具有更快收敛的效果，本发明 方法在迭代轮次为20时就接近收敛，而传统
的神经网络方法在迭代轮次比较低 时，识别准确率特别低，传统方法中的卷积神经网络识
别方法在迭代轮次为40 时才逐渐收敛。同时，最后对比两种方法的实验垂直误差条，可以
看出本发明提 出的方法的稳定性比传统方法中的卷积神经网络识别方法的稳定性更优。
[0107] 本发明提出的基于信噪比领域知识网络的高分辨距离像目标识别方法具有 识别准确率高，稳定性好，收敛速度快等特点。本发明有效利用了回波信号的领 域知识中的信
噪比信息，具有良好的噪声稳健性能，能够在低噪声环境下，对空 中、地面运动的不同目标
进行实时识别，具有重要的实际意义。
噪比信息，具有良好的噪声稳健性能，能够在低噪声环境下，对空 中、地面运动的不同目标
进行实时识别，具有重要的实际意义。