CN115273050B 一种深度可分离融合卷积神经网络的有限样本弹道目标识别方法 （中国人民解放军空军工程大学）

一种深度可分离融合卷积神经网络的有限深度可分离融合卷积神经网络的有限样本弹道步骤2的DSFCNN网络的可训练参数θ初2步骤1：从高分辨雷达中获取含有个种类弹道目标HRRP样本，随机挑选总样本中的表示DSFCNN网络的模型结构；所述步骤2的一维深度可分离融合卷积层依次由三个有序的模块组成：用于通道变换HRRP样本输入到DSFCNN网络中，将每个批次训练样本的Softmax分类器的输出和真实标签习损失函数的导数带入随机梯度下降算法公式，使用随机梯度下降算法完成1个批次的可2.根据权利要求1所述的一种深度可分离融合卷积神经网络的有限样本弹道目标识别对输入的弹道目标HRRP每个距离单元的信号强度归一化到[0,1]3.根据权利要求2所述的一种深度可分离融合卷积神经网络的有限样本弹道目标识别4.根据权利要求3所述的一种深度可分离融合卷积神经网络的有限样本弹道目标识别对于步骤2.3中第l个一维深度可分离融合卷积层的第k个输出特征图进行最大池化操35.根据权利要求4所述的一种深度可分离融合卷积神经网络的有限样本弹道目标识别最后一个卷积模块的输出经过平坦层的拉平操作，所有特征作为Softmax分类器的输入，Softmax分类器的神经元个数与待分类目标的类别总数相等，对于每个弹道目标HRRP样本(x(k),y(k))，x(k)和y(k)分别表示弹道目标HRRP样本数据和对应真实标签，Softmax分类器第q个神经元的输出表示的是将样本x(k)判断为第q个类别的概6.根据权利要求5所述的一种深度可分离融合卷积神经网络的有限样本弹道目标识别4[0003]自动的特征提取和有效的目标识别是雷达自动目标识别(RadarAutomatic“DUL,LIUX,LIB,etal.HRRPClutterRejectionViaOne_ClassClassifierWithHausdorffDistance[J].IeeeTAeroElecSys,2020,56(4):2517_26.”提出了使用主要散射体强度和位置联合特征和基于Hausdorff距离K_中心单分类器的HRRP数据的拒绝算法，该方法在不同的信噪比和参数值下能较好地消除虚警率；针对基于HRRP的群目标识别问题，文献“GUOPC,LIUZ,WANGJJ.RadargrouptargetrecognitionbasedonHRRPsandweightedmeanshiftclustering[J].JSystEngElectron,2020,31(6):1152_9.”提出了加权均值漂移和支持向量机的群目标识别算法，该方法具有计算复杂度低、自动参数设置和抗噪声鲁棒性等优势；针对传统的特征提取方法忽略HRRP不同区域存在不同重要性信息的问题，文献“DUCA,TIANL,CHENB,etal.Region_factorizedrecurrentattentionalnetworkwithdeepclusteringforradarHRRPtargetrecognition[J]forradarHRRPtargetrecognitionandrejection[J].EurasipJournalonAdvancesinSignalProcessing,2019.”利用深度卷积神经网络(ConvolutionalNeuralLIY,WANGYH,etal.PolarimetricHRRPRecognitionBasedonConvLSTMWith5L,YUYZ,etal.RadarHRRPTargetRecognitionModelBasedonaStackedCNNBi_RNNWithAttentionMechanism[J].IeeeTransactionsonGeoscienceandRemoteRangeProfileShipRecognitionUsingTwo_ChannelConvolutionalNeuralNetworksConcatenatedwithBidirectionalLongShort_TermMemory[J].RemoteX,SONGY,etal.One_dimensionalconvolutionalneuralnetworksforhigh_resolutionrangeprofilerecognitionviaadaptivelyfeaturerecalibratingandautomaticallychannelpruning[J].InternationalJournalofIntelligent有益的通道，削弱有害或者冗余通道，并使用改进的人工蜂群算法(ArtificialBee[0005]上述基于CNN的HRRP识别方法虽然解决了特定条件下的HRRP识别问题，但仍然存价敏感剪枝卷积神经网络的弹道目标识别[J].北京航空航天大学学报,2021,47(11):2387_98.”和文献“XIANGQ,WANGX,SONGY,etal.One_dimenneuralnetworksforhigh_resolutionrangeprofilerecognitionviaadaptivelyfeaturerecalibratingandautomaticallychannelpruning[J].International[0007]上述基于CNN的HRRP识别方法缺乏针对有限样本条件下的HRRP识别问题研究。例是能获取的弹道目标样本数量较少，但上述基于CNN的HRRP识别方法使用的都是完备的数6目标HRRP样本输入到DSFCNN网络中，将每个批次训练样本的Softmax分类器的输出和真实样本学习损失函数的导数带入随机梯度下降算法公式，使用随机梯度下降算法完成1个批[0026]对于步骤2.3中第l个一维深度可分离融合卷积层的第k个输出特征图进行最大池78[0045]参照附图1_4所示，一种深度可分离融合卷积神经网络的有限样本弹道目标识别被随机划分成T＝ceil(N/B)个小批次，其中ceil(·)表示向上取整数，即M=M,,记[0052]一维卷积层将输入数据和窗口大小固定的卷积核进行卷一般卷积核的尺度远远小于输入数据的大小，因此卷积核以一定步长在输入数据上移动，道变换的逐点卷积核、Mish函数激活的深度卷积核和用于特征融合的逐点卷积核。用输入的特征图为其中D(1)＝E，则X"=",由于DSFCNN对所有的HRRP样和分别表示第一个逐点卷积核权重参数和偏置参数，9设深度卷积核的权重和偏置参数分别是和R"",产生的特征图为对特征图X,(l)进行补零操作，则深度卷积张量和分别表示第二个逐点卷积核权重参数和偏置P″[0074]最后一个卷积模块的输出X(L)经过平坦层的拉平操作将X(L)中所有特征图排列为示第k个弹道目标HRRP样本数据和对应真实标签，Softmax分类器第q个神经元的输出表示fθ,即：HRRP样本输入到DSFCNN网络中，将每个批次训练样本的Softmax分类器的输出和真实标签(X,",")eEM,及其对应的正例样本(X,",⃞")EM,和负例样本(X,",《")EM,,其中则在小批次数据集Mt上的Triplet损失函数为：样本学习损失函数的导数带入随机梯度下降算法公式，使用随机梯度下降算法完成1个批we度卷积和融合卷积等三个部分组成，则总的权重参数量为比较提出的有限样本学习损失函数JLD对于DSFCNN模型的影响效果，JLD的超参数γ分别取[0121](1)在其它超参数不变的情况下，随着各卷积