CN115062754B 一种基于优化胶囊的雷达目标识别方法 （杭州电子科技大学）

本发明公开一种基于优化胶囊的雷达目标低了网络中可训练的参数量还提升了一定的识2S3:将经过数据扩充的HRRP样本传入SimS4:将经过SimSiam模块提取到的高维特征传入卷积S5:将经过卷积模块提取到的特征输入基于SE层的基础胶囊网络中，基于SE层的有效S7:设计损失函数，初始化SimSiam模块、卷积模为了在预训练过程中避免过拟合并且获得HRRP数可供无监督预训练的样本能够在先前的训练集基础上增加8倍的数据量，进而在一定程度3HRPP数据输入前的随机数据增强函数，期望表示关于HRRP样本x和随机数据增强方法们需要最小化每一个HRRP样本x的期望再将公式(3-5-1)代入公式此时代表在第r次迭代更新时某个HRRP样本x的特征表示是由样本x通过随机数据增强根据公式(3-5-5)对变换后的第二个子问题做一次随机数据增强r',公式如下：n:⃞,(T'x)(3-5-6)4其中θr是公式(3-5-2)方程的解，和表示两种不同的作用于某个HRRP样本的数据批归一化层和ReLU激活函数三个部分；首先第一个卷积组对SimSiam模块提取出的高维特输入HRRP特征中第k个通道的全局响应值的计算表其中δ表示第二个全连接层FC2的激活函数Sigmoid，作用是将输出的通道权重归一化最后通过重标定操作将通道权重sk和经过卷积计算后的三维特征图F相乘，得到特征共K个通道。5S5.1:深度卷积胶囊层，利用作用于特征Fse每个通道的深度可分卷积操作来提取更有的向量神经元的具体方法是将K个通道的HRRP特征中每8个通道合并为一个矢量表示的胶础胶囊组为路由层的输入且具备在训练过程中学到的HRRP的各种属性；胶囊构建完成之数对基础胶囊进行非线性激活，使向量保持原来的方向，同时将其模长收缩到0和1之间；S5.2:自注意力路由层：自注意力路由层包含了嵌入在两个相邻胶囊层之间的所有仿Fs的权重矩阵，FATT为通过全连接层输出的特征向量；通过最大后验概率将测试HRRP样本6S7.1:损失函数设计为交叉熵；通过使用训练数据计算损失函数相对于参数的梯度来37大多数的开发环境都部署在大型的服务器端，需要消耗大量的内存资源和较强的计算能在小型的嵌入式开发设备上具有更高的可靠性，我们通常需要将适配的模型方法进行优[0005]我们提出了一种基于SimSiam-CapsNet结构的高效轻量化的深度学习模型，并通角度详细捕捉HRRP目标的不同层次的可分信息，增加了网络的稀疏性。同时将更鲁棒的8[0012]S5:将经过卷积模块提取到的特征输入基于SE层的基础胶囊网络中，基于SE层的此时可供无监督预训练的样本能够在先前的训练集基础上增加8倍的数据量，进而在一定[0023]S3.1:将通过不同的数据增强方络、投影器和预测器组成的SimSiam模块，在经过随机数据增强处理后进入编码器进行编码，通过最大化来自同一HRRP样本的不同视图的特征向量之间的一致性来进行特征匹配，9表示HRPP数据输入前的随机数据增强函数，期望表示关于HRRP样本x和随机数据增强方本x的特征表达即编码器输出的特征向量zi。使用均η,我们需要最小化每一个HRRP样本x的期望再将公式(3-5-1)代入公[0034]此时代表在第r次迭代更新时某个HRRP样本x的特征表示是由样本x通过随机数据[0035]根据公式(3-5-5)对变换后的第二个子问题做一次随机数据增强r',公式如下：[0039]其中θr是公式(3-5-2)方程的解，和表示两种不同的作用于某个HRRP样本的[0044]S4.1:卷积模块第一部分的卷积调[0045]S4.2:卷积模块第二个部分为SE层，将S输入HRRP特征中第k个通道的全局响应值的计算表[0049]其中δ表示第二个全连接层FC2的激活函数Sigmoid，作用是将输出的通道权重归[0050]最后通过重标定操作将通道权重sk和经过卷积计算后的三维特征图F相乘，得到胶囊的向量神经元的具体方法是将K个通道的HRRP特征中每8个通道合并为一个矢量表示存在的概率与向量胶囊长度的关系，并让高层的预测胶囊进行预测分类，采用特别的[0057]S5.2:自注意力路由层：自注意力路[0067]S7.1:损失函数设计为交叉熵。通式降低网络的参数量和计算开销，为日后模型的在节能计算领域的工程化应用提供便利。首先利用深度可分卷积替代常规的CNN来构建基础胶囊，大大减少了胶囊参数量的同时还因素共同决定的，在利用HRRP进行目标[0085]原始HRRP样本经过强度归一化和重心对齐法处理之后幅值已经被限制在0-1之那么此时可供无监督预训练的样本能够在先前的训练集基础上增加8倍的数据量，进而在[0089]S3.1:将通过不同的数据增强方络、投影器和预测器组成的SimSiam模块，在经过随机数据增强处理后进入编码器进行编码，通过最大化来自同一HRRP样本的不同视图的特征向量之间的一致性来进行特征匹配，表示HRPP数据输入前的随机数据增强函数，期望表示关于HRRP样本x和随机数据增强方本x的特征表达即编码器输出的特征向量zi。使用均η,我们需要最小化每一个HRRP样本x的期望再将公式(3-5-1)代入公[0100]此时代表在第r次迭代更新时某个HRRP样本x的特征表示是由样本x通过随机数据[0101]根据公式(3-5-5)对变换后的第二个子问题做一次随机数据增强r',公式如下：[0105]其中θr是公式(3-5-2)方程的解，和表示两种不同的作用于某个HRRP样本的[0110]S4.1:卷积模块第一部分的卷积调[0111]S4.2:卷积模块第二个部分为SE层，将S输入HRRP特征中第k个通道的全局响应值的计算表[0115]其中δ表示第二个全连接层FC2的激活函数Sigmoid，作用是将输出的通道权重归[0116]最后通过重标定操作将通道权重sk和经过卷积计算后的三维特征图F相乘，得到[0119]S5:将经过卷积模块提取到的特征输入基于SE层的基础胶囊网络中，基于SE层的胶囊的向量神经元的具体方法是将K个通道的HRRP特征中每8个通道合并为一个矢量表示存在的概率与向量胶囊长度的关系，并让高层的预测胶囊进行预测分类，采用特别的[0123]S5.2:自注意力路由层：自注意力路[0133]S7.1:损失函数设计为交叉熵。通进行数据扩充，那么此时可供无监督预训练的样本能够在先前的训练集基础上增加8倍的投影器提取HRRP样本高质量的主要特征表示，有助于对比预测任务获取通用的一致性表[0150]S4.1:卷积模块中卷积调整层中的每个卷入为则经过ReLU之后对应的输出e.(6.)表示为：体方法是将K个通道的HRRP特征中每8个通道合并为一个矢量表示的胶囊s，将得到基础胶注意力路由层的输入且具备在训练过程中学到的HRRP编码某类HRRP目标存在的