基于多通道复用卷积神经网络的雷达目标识别方法与流程

1.本发明属于雷达目标识别技术，具体涉及一种基于多通道复用卷积神经网络的雷达目标识别方法。


背景技术：

2.雷达目标识别是指通过提取雷达目标回波中的目标特征，并利用其对目标进行分类识别的一种技术。在军事战争环境日益复杂，以及敌对目标和任务日益多元化的今天，雷达作为一种重要的传感器，在军事上发挥着重要价值，使用雷达对敌对目标进行检测和有效识别，也成为了战场信息感知的重要手段。
3.自动提取雷达深层特征进行目标识别的传统方法主要有支持向量机、极限学习机，但上述的方法目标识别的准确率都较低。近年来人工智能技术发展迅猛，基于深度学习的雷达目标识别方法，因其具有较高的识别率和鲁棒性，而逐渐成为研究热点。
4.另一方面，由于战场环境的限制，用于对雷达目标进行识别的设备往往存储计算资源都十分有限，很多对于存储计算资源需求较高的深度学习算法都难以在移植到小型化设备上进行使用。因此，网络模型的轻量化成为了一个重要的问题。
5.专利cn202011067886.3公开了一种基于二维加权残差卷积神经网络的雷达目标识别方法，该方法使用toeplitz矩阵将一维雷达目标信号二维化，使用加权残差模块组成的网络对信号进行分类。该方法存在大量尺寸较大的卷积核以及尺寸较大的权值计算全连接层，使得网络需求较高的计算量。专利cn201911062937.0公开了一种神经网络模型的量化方法、装置及计算机可读存储介质，该方法对目标卷积核进行拆分，得到多个子卷积核，并利用多个量化卷积核替代目标卷积核，但是卷积模块中存在实现相似功能的相同结构，使得网络存在冗余，导致算力的浪费。


技术实现要素：

6.本发明的目的在于提供一种具有更高识别率的同时更加节约计算资源的基于多通道复用卷积神经网络的雷达目标识别方法。
7.实现本发明目的的技术解决方案为：一种基于多通道复用卷积神经网络的雷达目标识别方法，包括以下步骤：
8.步骤1、基于奇偶交替循环右移矩阵，将一维雷达目标频域信号构造成二维数据；
9.步骤2、将上述经过步骤1处理好的数据，按照一定比例生成训练集和测试集；
10.步骤3、构造由多通道复用模块组成的卷积神经网络；
11.步骤4、将步骤2中生成好的训练集放入步骤3中构造的网络中进行训练；
12.步骤5、使用步骤2中生成好的训练集对步骤4中训练好的网络进行测试。
13.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于多通道复用卷积神经网络的雷达目标识别方法的步骤。
14.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于多通道复用卷积神经网络的雷达目标识别方法的步骤。
15.本发明与现有技术相比，其显著优点为：1)将一维雷达目标频域信号通过奇偶交替循环右移矩阵构造为二维矩阵信号，利用二维卷积神经网络更好地提取信号中的特征，矩阵中各频谱分布均匀从而抑制了过拟合问题，提升了网络的分类性能；2)多通道复用模块，使用了对应不同感受野的三个通道，从而可以提取出不同感受野下的特征结构；3)多通道复用模块中，全部使用小卷积核，对三个通道中部分结构、功能相似的卷积核进行了复用，权重系数的计算使用卷积下池化加全连接计算，从而减少了网络中的参数量，降低了网络的存储计算资源需求，使网络模型的训练更加迅速。
16.下面结合附图对本发明作进一步详细描述。
附图说明
17.图1为本发明提出的一种基于多通道复用卷积神经网络的雷达目标识别方法的流程图。
18.图2为地面侦察雷达目标频域信号的一维图。
19.图3为基于奇偶交替循环右移矩阵构造的二维信号图。
20.图4为本发明提出的多通道复用模块结构图。
21.图5为本发明所构建的网络结构图。
22.图6是本发明实施例1、2、3在测试集正确率对比图。
具体实施方式
23.本发明针对轻量化的设计需求，提出一种基于多通道复用卷积神经网络的雷达目标识别方法，节约了大量的计算资源，使得模型更适用于计算能力有限的场合使用。采用基于奇偶交替循环右移矩阵的方式构造二维数据，抑制了网络模型过拟合问题，提高了目标识别的准确率。
24.如图1、2、3所示，基于多通道复用卷积神经网络的雷达目标识别方法，包括以下步骤：
25.步骤1、基于奇偶交替循环右移矩阵，将一维雷达目标频域信号构造成二维数据；对长度为2m的一维雷达目标频域信号：
26.x＝[x1,x2,x3,
…
,x
n
,
…
,x
2m
],n＝1,2,3,
…
,2m
[0027]
将一维雷达目标频域信号x中n为奇数的元素构造成一个长度为m的向量x
o
：
[0028]
x
o
＝[x1,x3,x5,
…
,x
n
,
…
,x
2m
‑1],n＝1,3,5,
…
,2m
‑1[0029]
将其中n为偶数的元素构造成一个长度为m的向量x
e
：
[0030]
x
e
＝[x2,x4,x6,
…
,x
n
,
…
,x
2m
],n＝2,4,6,
…
,2m
[0031]
构造m
×
m的奇偶交替循环右移矩阵h
x
，矩阵中的第i行，i＝1,2,3,
…
,m，若i为奇数则为x
o
循环右移i
‑
1位，若i为偶数则为x
e
循环右移i
‑
1位，则矩阵h
x
为：
[0032][0033]
步骤2、将所有一维地面侦察雷达所测得的目标频域信号经过步骤1处理之后，按照数据类别进行分类，之后按照比例把每一类的数据分别分为训练集以及测试集。
[0034]
步骤3、构造由多通道复用模块组成的卷积神经网络；
[0035]
结合图2，所构建的多通道复用模块首先使用1
×
1卷积进行降维，随后使用3层3
×
3卷积，将每层3
×
3卷积的输出进行1
×
1卷积升维后加权(权重由升维后的输出经过4
×
4卷积下采样和全连接层计算得出)相加，最后加上残差结构，将模块输入与加权相加结果求和得到模块输出；结合图3，卷积神经网络结构沿着传播方向依次为1层多通道复用模块、1层卷积下采样层、3层多通道复用模块、1层卷积下采样层、3层多通道复用模块、1层卷积下采样层、2层多通道复用模块、1层卷积下采样层、1层多通道复用模块、1层卷积下采样层、1层多通道复用模块、1层最大池化层、2层全连接层以及一层softmax层。
[0036]
本发明所提出的多通道复用模块使用了3层3
×
3卷积层，将1层的输出作为3
×
3感受野通道，将2层的输出作为5
×
5感受野通道，将3层的输出作为7
×
7感受野通道，随后将三个通道的输出分别通过步长为4
×
4的卷积下采样层，再通过全连接层得到权重值，对三个通道的输出加权相加，最后加上残差结构，得到了多通道复用模块。
[0037]
多通道复用模块的3个通道对应了3中不同感受野的特征，通过3个3
×
3卷积实现7
×
7大小的感受野，通过2个3
×
3卷积实现5
×
5大小的感受野，根据算出的权值进行各个通道特征的融合，以提升卷积精度；同时加入残差结构以降低运算复杂度和减缓神经网络反向传播过程梯度消失以及梯度爆炸问题。卷积核的复用在有效提取多维度信息的同时，可以大幅减小网络中的参数量，从而减小了网络的计算量、加快了网络的训练时间。
[0038]
步骤4、将步骤2中划分的训练集作为步骤3所得到网络的输入，对步骤3所得的网络进行训练。训练网络所采用的优化器为adam optimizer，采用的损失函数为sparse categorical crossentropy，训练后保存训练模型。
[0039]
步骤5、使用步骤3所得的测试集对步骤4中训练好的网络模型进行测试。
[0040]
本发明提出基于奇偶交替循环右移的二维数据构造方式，在构造的数据可以有效抑制网络训练过程中的过拟合现象，提高分类的可靠性；此外，还提出一种多通道复用模块，使用复用卷积核的三个通道对目标数据进行不同感受野下的特征提取，并对三个通道提取的特征进行加权融合，同时使用残差结构以够大幅度降低运算复杂度并有效的减缓神经网络反向传播过程梯度消失以及梯度爆炸问题。该模块在提高网络对目标识别的正确率的同时，还可以降低网络的复杂度压缩网络模型需要的存储计算资源，减少训练时间。
[0041]
下面结合实施例对本发明作进一步详细描述。
[0042]
实施例1
[0043]
从长度为1024的一维地面侦察雷达目标频域信号中取2000个样本作为训练数据，2000个样本作为测试数据，使用toeplitz矩阵方法构建二维数据训练集与测试集，采用与
图5中神经网络深度相似的经典inception网络结构，训练后的模型用测试集进行测试得到结果。
[0044]
实施例2
[0045]
使用与实施例1中相同的训练集与测试集。网络采用与实施例1中类似的结构，采用常用的卷积核替代法进行网络简化。之后使用训练集对网络进行训练，训练后的模型用测试集进行测试得到结果。
[0046]
实施例3
[0047]
从一维地面侦察雷达目标频域信号中取与实施例1、2中相同的2000个训练数据，2000个测试数据，使用奇偶交替循环右移矩阵方法构建二维数据训练集与测试集。使用训练集对图4、图5所示的网络结构进行训练，得到训练后的模型，之后使用测试集对训练后的模型用进行测试得到结果。
[0048]
表1是实施例1、2、3测试集中正确率数据，图6是实施例1、2、3的训练集正确率对比图。
[0049]
表1
[0050][0051]
从图6可看出，本发明所提出的基于多通道复用卷积神经网络方法相较于另外两种网络方法，在测试集的正确率更高，同时也很大程度上抑制了由过拟合导致的测试正确率波动。
[0052]
表2是实施例1、2、3网络中的总参数量，表3是实施例1、2、3进行2000个数据测试所
需时间。
[0053]
表2
[0054] 实施例1实施例2实施例3模型的总参数量9,666,4138,954,4952,944,733
[0055]
表3
[0056] 实施例1实施例2实施例32000数据分类时长552s521s394s
[0057]
结合表2、表3，基于多通道复用卷积神经网络方法大大降低了存储计算资源需求，同时也提高了识别速度。