本發(fā)明屬于雷達(dá)技術(shù)領(lǐng)域，具體的說是涉及一種基于深度自編碼網(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)：

雷達(dá)一維距離像具有獲取容易，可反映目標(biāo)散射中心在雷達(dá)視線上的分布，體現(xiàn)目標(biāo)結(jié)構(gòu)特征的優(yōu)點(diǎn)，因此被廣泛應(yīng)用于實(shí)時(shí)雷達(dá)目標(biāo)識(shí)別領(lǐng)域。近年來，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。通過深度學(xué)習(xí)方法可獲取目標(biāo)大量的高層次特征，但這些高層次特征并不是全都有利于目標(biāo)分類，因此可將傳統(tǒng)模式識(shí)別方法中的特征選擇融入深度學(xué)習(xí)框架中，首先對(duì)深度學(xué)習(xí)獲得的特征進(jìn)行特征篩選；隨后考慮到集成化分類器的分類效果優(yōu)于單一分類器，利用adaboost集成化學(xué)習(xí)方法訓(xùn)練多個(gè)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分類識(shí)別，集成各個(gè)分類結(jié)果以進(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adaboost-bp算法的深度加噪自編碼網(wǎng)絡(luò)模型目標(biāo)識(shí)別方法。

本發(fā)明的技術(shù)方案是：一種新的基于adaboost-bp算法的深度加噪自編碼網(wǎng)絡(luò)模型雷達(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)：

由高分辨率雷達(dá)獲取各飛行目標(biāo)的一維距離像數(shù)據(jù)，并將一維距離像數(shù)據(jù)按照1:1比例隨機(jī)劃分，構(gòu)成訓(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表示目標(biāo)類別總數(shù)，ni表示第i類目標(biāo)的一維距離像數(shù)目，為數(shù)據(jù)集合中樣本總數(shù)；令表示訓(xùn)練樣本數(shù)據(jù)集，其中表示第i類目標(biāo)的第j幅一維距離像樣本，且一維距離像的維數(shù)為m；令表示訓(xùn)練樣本數(shù)據(jù)集所對(duì)應(yīng)的標(biāo)簽集，其中yij＝[yij(1),yij(2),...,yij(k)]^t采用1-of-k編碼方式。

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

對(duì)s1中獲得的訓(xùn)練樣本集合x⁽⁰⁾中的每幅一維距離像均進(jìn)行256點(diǎn)的fft變換，保留變換后的正頻率分量，隨后將其進(jìn)行能量歸一化，并將歸一化后的樣本頻域像記為：

s3、構(gòu)建深度加噪自編碼網(wǎng)絡(luò)(daen)：

利用深度學(xué)習(xí)的理論，使用三個(gè)加噪自動(dòng)編碼器網(wǎng)絡(luò)疊加，構(gòu)建一個(gè)深度加噪自動(dòng)編碼網(wǎng)絡(luò)，首先對(duì)輸入樣本數(shù)據(jù)x⁽¹⁾進(jìn)行加噪處理，然后以無監(jiān)督逐層訓(xùn)練的方式利用梯度下降法訓(xùn)練該網(wǎng)絡(luò)，接著將每一層自動(dòng)編碼器網(wǎng)絡(luò)的輸出，經(jīng)加噪處理后作為下一層自動(dòng)編碼器網(wǎng)絡(luò)的輸入，訓(xùn)練結(jié)束后將三層自動(dòng)編碼器網(wǎng)絡(luò)的輸出特征進(jìn)行融合，得到新的訓(xùn)練樣本特征集x⁽⁵⁾；

s4、對(duì)融合特征子集x⁽⁵⁾進(jìn)行特征選擇：

利用relieff算法和相關(guān)性度量算法對(duì)s3所得的融合特征集x⁽⁵⁾進(jìn)行篩選，減少分類無關(guān)特征和冗余特征，特征篩選后的集合記為x⁽⁶⁾；

s5、構(gòu)建bp神經(jīng)網(wǎng)絡(luò)弱分類器：

構(gòu)建若干個(gè)含一層隱含層的簡(jiǎn)單bp神經(jīng)網(wǎng)絡(luò)，其個(gè)數(shù)由樣本訓(xùn)練迭代的次數(shù)決定。以s4中所述特征集合x⁽⁶⁾作為輸入，輸入層節(jié)點(diǎn)數(shù)為樣本特征的維數(shù)，隱含層的節(jié)點(diǎn)數(shù)為h，輸出層為softmax分類器，輸出節(jié)點(diǎn)數(shù)為k，網(wǎng)絡(luò)初值采用隨機(jī)初始化；

s6、根據(jù)訓(xùn)練樣本的類別標(biāo)簽y，使用adaboost-bp算法，對(duì)s5中所構(gòu)建的bp神經(jīng)網(wǎng)絡(luò)弱分類器進(jìn)行調(diào)參，調(diào)整訓(xùn)練樣本和弱分類器的權(quán)重，根據(jù)訓(xùn)練誤差容納值，迭代t次，訓(xùn)練得到t個(gè)弱分類器，然后將t個(gè)弱分類器按照權(quán)重值進(jìn)行線性疊加組成一個(gè)強(qiáng)分類器模型。

s7、采用步驟s6中獲得的強(qiáng)分類器模型對(duì)輸入樣本進(jìn)行目標(biāo)識(shí)別。

本發(fā)明的技術(shù)方案是：首先對(duì)獲取目標(biāo)的一維距離像數(shù)據(jù)，進(jìn)行時(shí)頻轉(zhuǎn)換和能量歸一化等預(yù)處理操作，并以此作為原始特征；其次利用深度學(xué)習(xí)理論構(gòu)建深度加噪自動(dòng)編碼網(wǎng)絡(luò)(daen)，將原始特征進(jìn)行加噪處理，并將其作為自動(dòng)編碼器的輸入，采用非監(jiān)督貪婪訓(xùn)練法逐層訓(xùn)練自動(dòng)編碼器網(wǎng)絡(luò)，從而提取輸入樣本的各層特征子集；隨后將各層的特征子集相融合構(gòu)成新的訓(xùn)練樣本特征集；將融合后的樣本特征集通過relieff算法和recorre算法進(jìn)行特征選擇，減少特征間的無關(guān)特性，并降低特征間的冗余性；然后將篩選后的樣本特征集合作為bp神經(jīng)網(wǎng)絡(luò)構(gòu)成的弱分類器的輸入，利用adaboost-bp算法調(diào)整訓(xùn)練樣本和弱分類器的權(quán)重，使弱分類器線性組合構(gòu)成強(qiáng)分類器；最后利用強(qiáng)分類器模型對(duì)輸入樣本進(jìn)行目標(biāo)識(shí)別。

進(jìn)一步地，所述步驟s3的具體方法是：

s31、構(gòu)造第一層加噪自動(dòng)編碼器，記daen1。將s2所述的頻域像集合進(jìn)行加噪處理，令其中a＝rand(1)，即將第i類目標(biāo)的第j個(gè)樣本的第r個(gè)特征元素值與閾值a相比較，元素值小于時(shí)置0，大于時(shí)置1，加噪處理可實(shí)現(xiàn)將樣本的某些維特征隨機(jī)的設(shè)為0或1，加噪處理后的頻域一維距離像記為以此作為daen1的輸入，則daen1的編碼輸入層節(jié)點(diǎn)數(shù)為k1＝128，隱藏層節(jié)點(diǎn)數(shù)為m1，輸出層節(jié)點(diǎn)數(shù)為k1，記daen1的隱層節(jié)點(diǎn)激活值為

s32、構(gòu)造第二層加噪自動(dòng)編碼器，記為daen2。將s31所述特征矢量經(jīng)加噪處理，并作為daen2的輸入，即daen2的輸入層節(jié)點(diǎn)數(shù)為k2＝m1，隱藏層節(jié)點(diǎn)數(shù)為m2，輸出層節(jié)點(diǎn)數(shù)為k2，記daen2的隱層節(jié)點(diǎn)激活值為

s33、構(gòu)造第三層加噪自動(dòng)編碼器，記為daen3。將s32所述特征矢量經(jīng)加噪處理，作為daen3的輸入，即daen3的輸入層節(jié)數(shù)為k3＝m2；隱藏層結(jié)點(diǎn)數(shù)為m3，輸出層的節(jié)點(diǎn)數(shù)為k3，記daen3的隱層節(jié)點(diǎn)激活值為

進(jìn)一步的，所述步驟s4的具體方法為：

s41、用鏈接層將s31、s32、s33所述的輸出特征集合進(jìn)行拼接融合，記為：x⁽⁵⁾＝[x⁽²⁾；x⁽³⁾；x⁽⁴⁾]，其中表示融合特征集合中一維距離像的特征維數(shù)；

s42、實(shí)現(xiàn)relieff算法，去除分類無關(guān)特性。將每個(gè)特征的權(quán)重初始化為零，重復(fù)迭代n次，每次在訓(xùn)練樣本集x⁽⁵⁾中隨機(jī)取出一個(gè)樣本r，然后從每類目標(biāo)的樣本集中各找出樣本r的前k個(gè)近鄰樣本，計(jì)算不同近鄰樣本和r在每個(gè)特征a(a＝1,2,...,m)上的差異值，并更新每個(gè)特征的權(quán)重，第a個(gè)特征的權(quán)重更新表達(dá)式為：

其中n為樣本個(gè)數(shù)，diff(a,r1,r2)表示樣本r1和樣本r2在特征a上的差異，其計(jì)算公式如式(2)，mj(c)表示樣本r在c類中的第j個(gè)最鄰近樣本。

s43、根據(jù)s42相關(guān)性的計(jì)算和樣本權(quán)值表達(dá)式的更新，得到每個(gè)特征的權(quán)重值wi，將權(quán)值大于設(shè)定閾值δ的特征加入到初始狀態(tài)為空的集合f'，得到去除分類無關(guān)特征之后的樣本集合為：其中p表示去除無關(guān)特征后的樣本特征維數(shù)。

s44、實(shí)現(xiàn)相關(guān)特征剔除算法。計(jì)算樣本集合f'中任意兩個(gè)特征之間的冗余度c，計(jì)算公式如式(3)，如果集合f'中的兩個(gè)特征冗余度大于閾值ct，則將兩特征中relief權(quán)值較小的特征刪除，得到剔除冗余特征后的新的樣本集合x⁽⁶⁾，記為：d表示剔除冗余特征后的樣本特征維數(shù)。

其中，ai代表第i個(gè)樣本在特征a上的取值，

進(jìn)一步的，所述步驟s6的具體方法為：

s61、將s44中所述特征集x⁽⁶⁾作為bp神經(jīng)網(wǎng)絡(luò)弱分類器的輸入，初始化樣本權(quán)重為：隨機(jī)初始化bp神經(jīng)網(wǎng)絡(luò)的權(quán)值矩陣；

s62、根據(jù)標(biāo)簽集y，利用梯度下降法對(duì)樣本進(jìn)行有監(jiān)督訓(xùn)練，實(shí)現(xiàn)bp神經(jīng)網(wǎng)絡(luò)弱分類，計(jì)算其誤差為：

其中ht(xij)表示第t個(gè)弱分類器對(duì)第i類目標(biāo)的第j個(gè)樣本的預(yù)測(cè)輸出，一般要求即弱分類器的識(shí)別率不小于

s63、更新分類器的權(quán)重，更新表達(dá)式如式(5)：

s64、確定弱分類器ht(t＝1,2,…,t),設(shè)當(dāng)前輸出預(yù)測(cè)函數(shù)為ht(xij)，則訓(xùn)練數(shù)據(jù)樣本的權(quán)重更新表達(dá)式記為：

其中表示第t個(gè)bp神經(jīng)網(wǎng)絡(luò)弱分類器對(duì)訓(xùn)練樣本xij的預(yù)測(cè)輸出。

s65、計(jì)算強(qiáng)分類函數(shù)。將t個(gè)弱分類器的權(quán)重進(jìn)行歸一化處理，則輸出強(qiáng)分類器的判別結(jié)果表達(dá)式為：

本發(fā)明的有益效果是：

本發(fā)明首先將目標(biāo)一維距離像轉(zhuǎn)換到頻域進(jìn)行預(yù)處理，通過對(duì)頻域樣本數(shù)據(jù)進(jìn)行加噪處理，將每個(gè)樣本隨機(jī)選擇某些特征強(qiáng)置為0或1，可減少高維數(shù)據(jù)輸入時(shí)數(shù)據(jù)缺失和異常干擾的影響。隨后通過構(gòu)建一個(gè)深度自編碼網(wǎng)絡(luò)，提取樣本的高層特征表達(dá)，并將各層特征進(jìn)行融合拼接。然后利用relieff算法和相關(guān)性度量方法剔除高維拼接特征中的分類無關(guān)特征和冗余特征。最后考慮到adaboost集成化學(xué)習(xí)方法可以有效提高任意弱分類器的精度，本發(fā)明以三層bp神經(jīng)網(wǎng)絡(luò)作為弱分類器，并使用adaboost-bp算法進(jìn)行目標(biāo)分類器訓(xùn)練，從而有效地提升系統(tǒng)目標(biāo)識(shí)別率。

附圖說明

圖1為基于adaboost-bp算法的daen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)合實(shí)例詳細(xì)說明本發(fā)明的技術(shù)方案。

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。每類目標(biāo)以0.01度姿態(tài)角為間隔，產(chǎn)生18000幅一維像數(shù)據(jù)，每幅距離像的維數(shù)是320維。按照固定比例1:1隨機(jī)產(chǎn)生訓(xùn)練數(shù)據(jù)集合和測(cè)試數(shù)據(jù)集合。記訓(xùn)練數(shù)據(jù)集合為：其中k＝5，ni＝9000。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。訓(xùn)練樣本標(biāo)簽集合記為記對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行預(yù)處理后的樣本矩陣為：

構(gòu)建第一層加噪自動(dòng)編碼器(daen1)，輸入節(jié)點(diǎn)128個(gè)，隱含層節(jié)點(diǎn)150個(gè)，輸出節(jié)點(diǎn)128個(gè)。對(duì)訓(xùn)練數(shù)據(jù)集x⁽¹⁾進(jìn)行加噪處理，記加噪處理后的矩陣為：以為daen1的輸入數(shù)據(jù)，使用梯度下降法訓(xùn)練編碼器，使重構(gòu)誤差最小，然后計(jì)算daen1隱含層的激活函數(shù)(sigmoid函數(shù))輸出值，以此構(gòu)成特征向量集

構(gòu)建第二層加噪自動(dòng)編碼器(daen2)，輸入節(jié)點(diǎn)150個(gè)，隱含層節(jié)點(diǎn)200個(gè)，輸出節(jié)點(diǎn)150個(gè)。同樣對(duì)x⁽²⁾特征集進(jìn)行加噪處理，并作為daen2的輸入，使用梯度下降法訓(xùn)練編碼器，使重構(gòu)誤差最小，然后計(jì)算daen2隱含層的輸出值構(gòu)成特征向量集合

構(gòu)建第三層加噪自動(dòng)編碼器(daen3)，輸入節(jié)點(diǎn)200個(gè)，隱含層節(jié)點(diǎn)150個(gè)，輸出節(jié)點(diǎn)200個(gè)。對(duì)x⁽³⁾進(jìn)行加噪處理，并以此作為daen3的輸入，使用梯度下降法訓(xùn)練編碼器，使重構(gòu)誤差最小，然后計(jì)算其隱含層的輸出值，構(gòu)成特征向量集合

對(duì)三層自動(dòng)編碼器的隱含層輸出特征進(jìn)行拼接，由此得到新的特征集合并將其作為待篩選的數(shù)據(jù)集，利用relieff算法，得到每個(gè)特征的權(quán)重wi，將權(quán)值大于設(shè)定閾值δ＝0.2的特征加入到初始狀態(tài)為空的集合f'，然后計(jì)算f'中任意兩個(gè)特征之間的冗余度c，若則將兩特征中relief權(quán)值較小c>ct＝0.6的特征刪除，得到新的去除冗余特征后的樣本集其中表示特征剔除后樣本集中第i類目標(biāo)的第j個(gè)樣本的特征向量，剔除后特征維數(shù)為d。

構(gòu)建t個(gè)bp神經(jīng)網(wǎng)絡(luò)弱分類器，輸入節(jié)點(diǎn)數(shù)為d，隱含層節(jié)點(diǎn)數(shù)218，輸出層節(jié)點(diǎn)數(shù)為5，其中t由訓(xùn)練樣本迭代的次數(shù)決定，以x⁽⁶⁾作為待分類訓(xùn)練特征集，根據(jù)訓(xùn)練樣本的類別標(biāo)簽y，對(duì)于每一個(gè)弱分類器均采用梯度下降法進(jìn)行訓(xùn)練，使其對(duì)每一個(gè)測(cè)試樣本輸出預(yù)測(cè)結(jié)果。

采用adaboost-bp算法調(diào)整各分類器和訓(xùn)練樣本權(quán)重值，設(shè)置分類誤差為0.05，訓(xùn)練樣本共迭代4次，得到4個(gè)弱分類器，設(shè)第t個(gè)弱分類器ht(xij)的預(yù)測(cè)輸出為γt＝[κ1,κ2,κ3,κ4,κ5]^t，則該測(cè)試樣本的預(yù)測(cè)類標(biāo)簽為：kt＝argmax{γt}，即輸出層的5個(gè)神經(jīng)元最大輸出值所對(duì)應(yīng)的標(biāo)號(hào)，將各弱分類器的判決結(jié)果按照權(quán)重加權(quán)表決，得到強(qiáng)分類器判決表達(dá)：

表示對(duì)4個(gè)弱分類器的預(yù)測(cè)輸出進(jìn)行加權(quán)求和，然后取加權(quán)后向量中的最大值所對(duì)應(yīng)的標(biāo)號(hào)作為輸出結(jié)果，其中權(quán)重系數(shù)則強(qiáng)分類器h(xij)即目標(biāo)分類網(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⁾。

將z⁽¹⁾輸入到三層加噪自動(dòng)編碼網(wǎng)絡(luò)中，分別得到daen1、daen2、daen3各層所提取的特征矢量分別為z⁽²⁾、z⁽³⁾、z⁽⁴⁾。

將各層特征拼接得到測(cè)試樣本的融合特征矢量：z⁽⁵⁾＝[z⁽²⁾；z⁽³⁾；z⁽⁴⁾]。

根據(jù)訓(xùn)練樣本中被刪除的特征編號(hào)，將z⁽⁵⁾矢量中對(duì)應(yīng)特征刪除，得到新的特征矢量z⁽⁶⁾，并將其作為上述訓(xùn)練好的4個(gè)bp神經(jīng)網(wǎng)絡(luò)分類器的輸入，通過前向預(yù)測(cè)得到4個(gè)分類器的預(yù)測(cè)輸出t＝1,2,3,4。

將4個(gè)神經(jīng)網(wǎng)絡(luò)分類器結(jié)果進(jìn)行加權(quán)，得到最終判別結(jié)果為：