基于多通道卷积神经网络的红外目标识别方法

技术特征：
1.一种基于多通道卷积神经网络的红外目标识别方法，其特征在于：包括如下步骤：s1:获取目标多波段红外辐射强度序列；s2:对目标多波段红外辐射强度序列进行预处理；s3：构造多通道卷积神经网络识别模型；s4：依据损失函数，对多通道卷积神经网络模型进行训练；s5:将预处理后的目标多波段红外辐射强度序列输入到训练后的通道卷积神经网络识别模型中，获取目标识别结果。2.根据权利要求1所述的基于多通道卷积神经网络的红外目标识别方法，其特征在于：s1中，目标的多波段红外辐射强度序列是通过目标红外仿真系统进行仿真得到。3.根据权利要求1所述的基于多通道卷积神经网络的红外目标识别方法，其特征在于：s2中，包括如下步骤：s21:将目标多波段红外辐射强度序列进行归一化；s22：将归一化的目标多波段红外辐射强度序列分成n个单波段红外辐射强度序列，其中n为波段数量。4.根据权利要求1所述的基于多通道卷积神经网络的红外目标识别方法，其特征在于：s3中，多通道卷积神经网络模型包括m个通道，每个通道都包含输入模块和三层卷积模块，m个通道通过融合模块连接，最后通过分类模块输出结果,m为通道数量。5.根据权利要求4所述的基于多通道卷积神经网络的红外目标识别方法，其特征在于：输入模块将归一化处理后的单个波段辐射强度序列作为输入，每个波段对应一个通道。6.根据权利要求4所述的基于多通道卷积神经网络的红外目标识别方法，其特征在于：卷积模块，包括卷积层和池化层，对输入模块的输入特征进行卷积操作和最大池化操作，其中，最后一层卷积模块中未设置池化层。7.根据权利要求4所述的基于多通道卷积神经网络的红外目标识别方法，其特征在于：融合模块，包括如下融合步骤：s01：通过一维卷积将每个通道内的所有特征向量融合成一个特征；s02:将m个通道的特征向量拼接在一起；计算过程如下：f
m
＝conv1([f1；f2；
…
；f
t
])，m∈[1，m]其中，f表示每个通道卷积模块输出的特征向量，t为特征向量个数，conv1表示卷积核大小为1的卷积操作，f表示融合模块输出的特征。8.根据权利要求4所述的基于多通道卷积神经网络的红外目标识别方法，其特征在于：分类模块，包括flatten层、全连接层和softmax分类层。9.根据权利要求1所述的基于多通道卷积神经网络的红外目标识别方法，其特征在于，s4中，损失函数为交叉熵函数，定义为：
其中，其中n表示输入样本的大小，j表示类别数量，y表示预测类别，对应实际类别，采用adam算法反向更新参数。10.根据权利要求9所述的基于多通道卷积神经网络的红外目标识别方法，其特征在于：s5中，输入为预处理后的目标多波段红外辐射强度序列，输出为其类别及概率，即所述目标的识别结果。

技术总结
本发明公开了红外信号处理技术领域的一种基于多通道卷积神经网络的红外目标识别方法，包括如下步骤：S1:获取目标多波段红外辐射强度序列；S2:对目标多波段红外辐射强度序列进行预处理；S3：构造多通道卷积神经网络识别模型；S4：依据损失函数，对多通道卷积神经网络模型进行训练；S5:将预处理后的目标多波段红外辐射强度序列输入到训练后的通道卷积神经网络识别模型中，获取目标识别结果。本发明利用多层卷积网络捕捉目标序列中富含关键信息的特征，并通过多通道的设计对应处理多波段数据，提高了识别性能，使得待识别目标在出现噪声干扰、数据缺失、波段不匹配等情况时，仍然能够稳定识别目标。够稳定识别目标。够稳定识别目标。


技术研发人员：饶鹏 张晟豪 张浩 陈忻
受保护的技术使用者：中国科学院上海技术物理研究所
技术研发日：2022.08.11
技术公布日：2022/12/1