专利汇可以提供一种基于深度自编码网络的雷达一维距离像目标识别方法专利检索,专利查询,专利分析的服务。并且本 发明 属于雷达技术领域,具体的说是涉及一种基于深度自编码网络的雷达一维距离像目标识别方法。本发明首先将目标一维距离像转换到频域进行预处理,通过对频域样本数据进行加噪处理,将每个样本随机选择某些特征强置为0或1,可减少高维数据输入时数据缺失和异常干扰的影响。随后通过构建一个深度自编码网络,提取样本的高层特征表达,并将各层特征进行融合拼接。然后利用ReliefF 算法 和相关性度量方法剔除高维拼接特征中的分类无关特征和冗余特征。最后考虑到AdaBoost集成化学习方法可以有效提高任意弱分类器的 精度 ,本发明以三层BP神经网络作为弱分类器,并使用AdaBoost‑BP算法进行目标分类器训练,从而有效地提升系统目标识别率。,下面是一种基于深度自编码网络的雷达一维距离像目标识别方法专利的具体信息内容。
1.一种基于深度自编码网络的雷达一维距离像目标识别方法,其特征在于,包括以下步骤:
S1、获取样本数据:
由高分辨率雷达获取各飞行目标的一维距离像数据,并将一维距离像数据按照1:1比例随机划分,构成训练数据集和测试数据集;将训练数据集合记为: 其中K表示目标类别总数,Ni表示第i类目标的一维距离像数目, 为训练数据集合中样本总数;令 表示训练样本数据集,其中
表示第i类目标的第j幅一维距离像样本,且一维距离像
的维数为m;令 表示训练样本数据集所对应的标签集,其中yij=[yij(1),yij(2),...,yij(K)]T采用1-of-K编码方式;
S2、对获得的样本数据进行预处理:
对S1中获得的训练样本集合X(0)中的每幅一维距离像均进行256点的FFT变换,保留变换后的正频率分量,随后将其进行能量归一化,并将归一化后的样本频域像记为:
S3、构建深度加噪自编码网络:
利用深度学习的理论,使用三个加噪自动编码器网络叠加,构建一个深度加噪自动编码网络,首先对输入样本数据X(1)进行加噪处理,然后以无监督逐层训练的方式利用梯度下降法训练该网络,接着将每一层自动编码器网络的输出,经加噪处理后作为下一层自动编码器网络的输入,训练结束后将三层自动编码器网络的输出特征进行融合,得到新的训练(5)
样本特征集X ;
S4、对融合特征子集X(5)进行特征选择:
利用ReliefF算法和相关性度量算法对S3所得的融合特征集X(5)进行筛选,具体为:采用ReliefF算法去除分类无关特征,采用相关性度量算法剔除冗余特征,特征筛选后的集合记为X(6);
S5、构建BP神经网络弱分类器:
构建若干个含一层隐含层的简单BP神经网络,其个数由样本训练迭代的次数决定;该神经网络以S4中所述特征筛选后的集合X(6)作为输入,输入层节点数为样本特征的维数,隐含层的节点数为H,输出层为softmax分类器,输出节点数为K,网络初值采用随机初始化;
S6、根据训练样本的类别标签Y,使用AdaBoost-BP算法,对S5中所构建的BP神经网络弱分类器进行调参,调整训练样本和弱分类器的权重,根据训练误差容纳值,迭代T次,训练得到T个弱分类器,然后将T个弱分类器按照权重值进行线性叠加组成一个强分类器模型;
S7、采用步骤S6中获得的强分类器模型对输入样本进行目标识别。
2.根据权利要求1所述的一种基于深度自编码网络的雷达一维距离像目标识别方法,其特征在于,所述步骤S3的具体方法是:
S31、构造第一层加噪自动编码器,记DAEN1;将S2所述的样本频域像集合 进行加噪处理,令 其中a=rand(1),即将第i类目标的第j个样本的
第r个特征元素值与阈值a相比较,元素值小于 时置0,大于 时置1,加噪处理可实现将样本的某些维特征随机的设为0或1,加噪处理后的频域一维距离像记为 以此作为DAEN1的输入,则DAEN1的编码输入层节点数为k1=128,隐藏层节点数为m1,输出层节点数为k1,记DAEN1的隐层节点激活值为
S32、构造第二层加噪自动编码器,记为DAEN2;将S31所述DAEN1的隐层节点激活值 经加噪处理,并作为DAEN2的输入,即DAEN2的输入层节点数为k2=m1,隐藏层节点数为m2,输出层节点数为k2,记DAEN2的隐层节点激活值为
S33、构造第三层加噪自动编码器,记为DAEN3;将S32所述DAEN2的隐层节点激活值 经加噪处理,作为DAEN3的输入,即DAEN3的输入层节数为k3=m2;隐藏层结点数为m3,输出层的节点数为k3,记DAEN3的隐层节点激活值为
3.根据权利要求2所述的一种基于深度自编码网络的雷达一维距离像目标识别方法,其特征在于,所述步骤S4的具体方法为:
S41、用链接层将S31、S32、S33的输出特征集合进行拼接融合,记为:X(5)=[X(2);X(3);X(4)],其中 表示融合特征集合中一维距离像的特征维数;
S42、实现ReliefF算法,去除分类无关特性:
将每个特征的权重初始化为零,重复迭代n次,每次在训练样本集X(5)中随机取出一个样本R,然后从每类目标的样本集中各找出样本R的前k个近邻样本,计算不同近邻样本和R在每个特征A(A=1,2,...,M)上的差异值,并更新每个特征的权重,第A个特征的权重更新表达式为:
其中n为样本个数,diff(A,R1,R2)表示样本R1和样本R2在特征A上的差异,其计算公式如式(2),Mj(C)表示样本R在C类中的第j个最邻近样本:
S43、根据S42相关性的计算和样本权值表达式的更新,得到每个特征的权重值Wi,将权值大于设定阈值δ的特征加入到初始状态为空的集合F',得到去除分类无关特征之后的样本集合为: 其中 P表示去除无关特征后的样本特征维数;
S44、实现相关特征剔除算法:
计算样本集合F'中任意两个特征之间的冗余度c,计算公式如式(3),如果集合F'中的两个特征冗余度大于阈值ct,则将两特征中Relief权值较小的特征删除,得到剔除冗余特征后的新的样本集合X(6),记为: D表示剔除冗余特征后的样本
特征维数:
其中,Ai代表第i个样本在特征A上的取值,
4.根据权利要求3所述的一种基于深度自编码网络的雷达一维距离像目标识别方法,其特征在于,所述步骤S6的具体方法为:
S61、将S44中所述剔除冗余特征后的新的样本集合X(6)作为BP神经网络弱分类器的输入,初始化样本权重为: 随机初始化BP神经网络的权值矩阵;
S62、根据标签集Y,利用梯度下降法对样本进行有监督训练,实现BP神经网络弱分类,计算其误差为:
其中ht(xij)表示第t个弱分类器对第i类目标的第j个样本的预测输出,一般要求即弱分类器的识别率不小于
S63、更新分类器的权重,更新表达式如式(5):
S64、确定弱分类器ht(t=1,2,…,T),设当前输出预测函数为ht(xij),则训练数据样本的权重更新表达式记为:
其中 表示第t个BP神经网络弱分类器对训练样本xij的预测输出;
S65、计算强分类函数:将T个弱分类器的权重进行归一化处理,则输出强分类器的判别结果表达式为:
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种疾病概率决策方法及其系统 | 2020-05-08 | 252 |
一种基于深度学习的轨道扣件缺陷识别算法 | 2020-05-08 | 934 |
一种基于深度学习的遥感影像自动标注方法 | 2020-05-08 | 685 |
一种基于脑-机接口系统辅助评估视觉定位的方法 | 2020-05-11 | 34 |
基于特征期望子图校正分类的异常视频清洗方法 | 2020-05-13 | 134 |
基于支持向量机的天气雷达电磁干扰回波识别方法 | 2020-05-13 | 570 |
一种基于互相关特征的乳腺超声图像多元分类系统及方法 | 2020-05-13 | 23 |
基于结构化语义表示的视觉问答方法 | 2020-05-13 | 822 |
一种基于多模态关系的网络谣言检测方法 | 2020-05-11 | 204 |
一种基于心率变异性的睡眠分期方法 | 2020-05-11 | 381 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。