基于EWC的在线雷达目标识别方法与流程

本发明属于雷达技术领域，特别涉及一种基于ewc的在线雷达目标识别方法，即基于弹性权重巩固(elasticweightconsolidation,ewc)的在线雷达目标识别方法，适用于在线学习雷达目标识别任务。

背景技术

随着现代战争先进技术的发展，雷达目标识别技术的需求愈加强烈；雷达高分辨距离像(highresolutionrangeprofile，hrrp)是用宽带雷达信号获取的目标散射点子回波在雷达射线上投影的向量和的幅度波形，高分辨距离像hrrp样本反映着在一定雷达视角时，目标上散射体(如机头、机翼、机尾方向舵、进气孔、发动机等等)的雷达散射截面积(rcs)沿雷达视线(rlos)的分布情况，体现了散射点的相对几何关系；因此，hrrp样本包括了目标丰富的结构信息，比如目标尺寸，散射点结构等，对目标识别与分类很有价值。

基于深度学习的目标检测方法近年来发展十分迅速，卷积神经网络作为深度学习中的一种，成为当前语音分析和图像识别领域的研究热点，卷积神经网络的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量，其优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程；卷积网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。

目前，由于雷达的特殊性，需要在线对不断获取的数据进行识别；随着数据的增加，许多算法在对新数据的训练识别过程中会对以往的数据特征产生遗忘，导致对以往数据的识别能力迅速下降。

技术实现要素：

针对上述现有技术存在的不足，本发明的目的在于提出一种基于ewc的在线雷达目标识别方法，该种基于ewc的在线雷达目标识别方法利用高分辨距离像hrrp对目标的特征进行提取和识别，特别是利用弹性权重巩固(elasticweightconsolidation,ewc)来防止当前数据训练过程中对以往数据特征的遗忘，使得雷达在对当前数据训练识别的同时还能保证对以往数据的识别能力，并且保留以往数据的特征。

本发明的技术思路：通过hrrp数据集进行短时傅里叶变换后的数据，训练端到端的卷积神经网络模型，并在每批数据训练中加入ewc提高网络模型对数据特征的记忆能力，保证对当前数据识别能力的同时保持对以往数据特征的识别能力。

为达到上述技术目的，本发明采用如下技术方案予以实现。

一种基于ewc的在线雷达目标识别方法，包括以下步骤：

步骤1，确定第p批原始雷达高分辨距离像训练数据sp和第p批原始雷达高分辨距离像测试数据tp，以及确定第p批原始雷达高分辨距离像训练数据sp的目标类别lp和第p批原始雷达高分辨距离像测试数据tp的目标类别tlp；p＝1,2,…,p，p>1；

步骤2，建立卷积神经网络模型，并根据第p批原始雷达高分辨距离像训练数据sp，得到训练好的卷积神经网络；

步骤3，根据训练好的卷积神经网络，得到第p批原始雷达高分辨距离像训练数据sp中m个数据的fisher信息矩阵；m≥1；

步骤4，根据第p批原始雷达高分辨距离像训练数据sp中m个数据的fisher信息矩阵，确定第p'+1批数据更新后的卷积神经网络模型mp'+1；p'＝1,2,3,…,p-1，p'+1＝2,3,…,p，p'的初始值为1，p'+1的初始值为2；

步骤5，令p'的值加1，重复步骤4，直到p'＝p-1，p'+1＝p，进而得到第p批数据更新后的卷积神经网络模型mp，然后将p'的值初始化为1；

步骤6，确定第1批原始雷达高分辨距离像测试数据t1的目标类别tl1至第p批原始雷达高分辨距离像测试数据tp的目标类别tlp，并根据第p批数据更新后的卷积神经网络模型mp，得到第1批原始雷达高分辨距离像测试数据的预测目标类别l1至第p批原始雷达高分辨距离像测试数据的预测目标类别l′p；

步骤7，若le与tle相等，e＝1,2,…,p，则说明识别出了第e批原始雷达高分辨距离像训练数据中的目标，并记为第e'个类别识别正确目标，e'的初始值为1，并令e'的值加1；若le与tle不相等，则说明第e批原始雷达高分辨距离像测试数据的目标类别识别错误，舍弃该次结果；

令e分别取1至p，进而得到第1个类别识别正确目标至第个类别识别正确目标，将此时得到的个类别识别正确目标为一种基于ewc的在线雷达目标识别结果。

本发明与现有技术相比具有如下优点：

第一，本发明解决了传统神经网络不能时序处理多个任务的缺点，提出了实用有效的方法使得在时序训练模型过程中保证了先前任务的重要性，使得在学习新的任务的同时保持了对以往任务的记忆性和识别能力。

第二，本发明利用深度网络模型结构提取雷达高分辨距离像特征，对于大批量的雷达高分辨距离像数据而言，可以自动学习数据中的特征，特别是数据的高维特征进行识别，提高了运算效率。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细说明。

图1是本发明的一种基于ewc的在线雷达目标识别方法实现流程图；

图2a是yark-42飞机的实测场景图；

图2b是cessnacitations/ⅱ飞机的实测场景图；

图2c是an-26飞机的实测场景图；

图3是本发明对三类飞机任务a识别的性能变化曲线图；

图4是本发明对三类飞机任务b识别的性能变化曲线图。

具体实施方式

参照图1，为本发明的一种基于ewc的在线雷达目标识别方法实现流程图；其中所述基于ewc的在线雷达目标识别方法，包括以下步骤：

步骤1，获取训练样本和测试样本，对数据初始化。

确定高分辨雷达，所述高分辨雷达接收其检测范围内目标回波数据，然后从所述目标回波数据中随机抽取n个数据作为第p批原始雷达高分辨距离像训练数据sp，在所述目标回波数据中除去抽取的n个数据外再随机抽取n'个数据，作为第p批原始雷达高分辨距离像测试数据tp，p＝1,2,…,p，p表示获取原始雷达高分辨距离像训练数据和原始雷达高分辨距离像测试数据的总批数。

(1a)第p批原始雷达高分辨距离像训练数据sp＝{s1,s2,…,sn,…,sn}，其中sn表示第p批原始雷达高分辨距离像训练数据sp中第n个距离像，sn＝[sn1,sn2,…,sni,…,snd]^t，[·]^t表示矩阵的转置，sni表示第p批原始雷达高分辨距离像训练数据sp中第n个距离像在第i个距离单元内的值，n＝1,2,…,n，n表示第p批原始雷达高分辨距离像训练数据sp包括的距离像总个数，即第p批原始雷达高分辨距离像训练数据sp包括的训练样本总个数，i＝1,2,…,d，d表示第p批原始雷达高分辨距离像训练数据sp中每个高分辨距离像包括的距离单元总个数(即单个样本向量维度)。

(1b)计算第p批原始雷达高分辨距离像训练数据sp中第n个高分辨距离像sn的重心wn：

(1c)将第p批原始雷达高分辨距离像训练数据sp中第n个高分辨距离像sn的中心搬移至其重心wn，并计算得到移动后第n个高分辨距离像在第i个距离单元处的值xni，其表达式为：

其中，fft表示快速傅里叶变换，ifft表示逆快速傅里叶变换，sni表示第p批原始雷达高分辨距离像训练数据sp中第n个高分辨距离像在第i个距离单元的值，cn表示第p批原始雷达高分辨距离像训练数据sp中第n个高分辨距离像sn的中心，φ[wn]表示第p批原始雷达高分辨距离像训练数据sp中第n个高分辨距离像sn的重心wn所对应的相位，φ[cn]表示第p批原始雷达高分辨距离像训练数据sp中第n个高分辨距离像sn的中心cn所对应的相位，a表示第p批原始雷达高分辨距离像训练数据sp中第n个高分辨距离像sn的中心cn所在距离单元与第p批原始雷达高分辨距离像训练数据sp中第n个高分辨距离像sn的重心wn所在距离单元之间的距离，e表示指数函数，j表示虚数单位。

(1d)令i取1至d，重复执行(1c)，进而分别得到移动后第n个高分辨距离像在第1个距离单元处的值xn1至移动后第n个高分辨距离像在第d个距离单元处的值xnd，记为移动后第n个高分辨距离像xn，xn＝[xn1,xn2,…,xni,…,xnd]，然后将i的值初始化为1。

(1e)令n分别取1至n，重复执行(1c)和(1d)，进而分别得到移动后第1个高分辨距离像x1至移动后第n个高分辨距离像xn，记为移动后第p批原始雷达高分辨距离像训练数据xp，xp＝{x1,x2,…,xn,…,xn}，xn＝[xn1,xn2,…,xni,…,xnd]。

以1,2,…,d作为横坐标，以x1,x2,…,xn,…,xn作为纵坐标，将移动后第p批原始雷达高分辨距离像训练数据xp绘制成二维平面图，记为第p个样本回波波形图，根据第p个样本回波波形图对第p批原始雷达高分辨距离像训练数据sp添加目标类别，记为第p批原始雷达高分辨距离像训练数据sp的目标类别lp。

(1f)第p批原始雷达高分辨距离像测试数据tp，tp＝{t1,t2,…,tn′,…,tn′}，其中tn′表示第p批原始雷达高分辨距离像测试数据tp中第n′个距离像，tn＝[tn′1,tn′2,…,tn′i′,…,tn′d′]^t，[·]^t表示矩阵的转置，sn′i′表示第p批原始雷达高分辨距离像测试数据tp中第n′个距离像在第i′个距离单元的值，n′＝1,2,…,n′，n′表示第p批原始雷达高分辨距离像测试数据tp包括的距离像总个数，即第p批原始雷达高分辨距离像测试数据tp包括的训练样本总个数，i′＝1,2,…,d′，d′表示第p批原始雷达高分辨距离像测试数据tp中每个高分辨距离像包括的距离单元总个数(即单个样本向量维度)。

(1g)计算第p批原始雷达高分辨距离像测试数据tp中第n′个高分辨距离像tn′的重心wn′：

(1h)将第p批原始雷达高分辨距离像测试数据tp中第n′个高分辨距离像tn′的中心搬移至其重心wn′，并计算得到移动后第n′个高分辨距离像在第i′个距离单元处的值xn′i′′，其表达式为：

其中，fft表示快速傅里叶变换，ifft表示逆快速傅里叶变换，tn′i′表示第p批原始雷达高分辨距离像测试数据tp中第n′个高分辨距离像在第i′个距离单元的值，cn′表示第p批原始雷达高分辨距离像测试数据tp中第n′个高分辨距离像tn′的中心，φ[wn′]表示第p批原始雷达高分辨距离像测试数据tp中第n′个高分辨距离像tn′的重心wn′所对应的相位，φ[cn′]表示第p批原始雷达高分辨距离像测试数据tp中第n′个高分辨距离像tn′的中心cn′所对应的相位，a表示第p批原始雷达高分辨距离像测试数据tp中第n′个高分辨距离像tn′的中心cn′所在距离单元与第p批原始雷达高分辨距离像测试数据tp中第n′个高分辨距离像tn′的重心wn′所在距离单元之间的距离，e表示指数函数，j表示虚数单位。

(1i)令i′取1至d′，重复执行(1h)，进而分别得到移动后第n′个高分辨距离像在第1个距离单元处的值xn′1′至移动后第n′个高分辨距离像在第d′个距离单元处的值xn′d′′，记为移动后第n′个高分辨距离像xn′′，xn′＝[xn′1′,xn′2′,…,xn′i′′,…,xn′d′′]，然后将i′的值初始化为1。

(1j)令n′分别取1至n′，重复执行(1h)和(1i)，进而分别得到移动后第1个高分辨距离像x1′至移动后第n′个高分辨距离像xn′′，记为移动后第p批原始雷达高分辨距离像测试数据tp′，tp′＝{x1′,x2′,…,xn′′,…,xn′′}，xn′＝[xn′1′,xn′2′,…,xn′i′′,…,xn′d′′]。

以1,2,…,d作为横坐标，以xn′1′,xn′2′,…,xn′i′′,…,xn′d′′作为纵坐标，将移动后第p批原始雷达高分辨距离像测试数据tp′绘制成二维平面曲线图，记为第p个样本回波曲线图，根据第p个样本回波曲线图对第p批原始雷达高分辨距离像测试数据tp添加目标类别，记为第p批原始雷达高分辨距离像测试数据tp的目标类别tlp。

步骤2，建立卷积神经网络模型。

该卷积神经网络模型由三层卷积层和两层全连接层构成，其构建步骤如下：

(2a)构建第一层卷积层：该第一层卷积层用于对移动后第p批原始雷达高分辨距离像训练数据xp进行一维卷积，第一层卷积层中包括c¹个卷积核，且将第一层的c¹个卷积核记为用于与移动后第p批原始雷达高分辨距离像训练数据xp进行卷积；的大小设置为m¹×1×c¹，其中m¹表示第一层卷积层中每个卷积核窗口的大小，1≤m¹≤d。

设置第一层卷积层的卷积步长为l¹，1≤l¹≤d-1，为了减少下采样过程，通常设置l¹＝2；将移动后第p批原始雷达高分辨距离像训练数据xp与第一层卷积层中的c¹个卷积核分别进行卷积，得到第一层卷积层c¹个卷积后的结果，并记为第一层卷积层的c¹个特征图计算公式如下：

其中，表示第一层卷积层的c¹个特征图，xp表示移动后第p批原始雷达高分辨距离像训练数据，表示第一层卷积层中的c¹个卷积核，表示第一层卷积层的全1偏置，*表示卷积操作，f()表示激活函数，f(z¹)＝max(0,z¹),max()表示求取最大值操作。

(2b)构建第二层卷积层：第二层卷积层包含c²个卷积核，并将第二层卷积层的c²个卷积核定义为用于与第一层卷积层的c¹个特征图进行卷积，第二层卷积层的c²个卷积核大小设置为m²×c¹×c²，其中m²为第二层卷积层中每个卷积核窗口的大小，设置第二层卷积层的卷积步长为l²，本实施例中设置l²＝2。

将第一层卷积层的c¹个特征图与第二层卷积层的c²个卷积核分别进行卷积，得到第二层卷积层c²个卷积后的结果，并记为第二层卷积层的c²个特征图其计算公式如下：

其中，表示第二层卷积层的全1偏置，*表示卷积操作，f()表示激活函数，f(z²)＝max(0,z²),

(2c)构建第三层卷积层：该第三层卷积层用于对第二层卷积层的c²个特征图进行卷积，定义该第三层卷积层的卷积核为第三层卷积层的卷积核包含c³个卷积核，且第三层卷积层的卷积核的大小设置为m³×c²×c³,其中m³表示第三层卷积层中每个卷积核窗口的大小，设置第三层卷积层的卷积步长为l³，本实施例中设置l³＝2。

将第二层卷积层的c²个特征图与第三层卷积层的卷积核分别进行卷积，得到第三层卷积层c³个卷积后的结果，并记为第三层卷积层的c³个特征图其计算公式如下：

其中，表示第三层卷积层的全1偏置，*表示卷积操作，f()表示激活函数，f(z³)＝max(0,z³),

(2d)构建第四层全连接层：先将第三层卷积层的c³个特征图分别拉长变换为长度为的列向量，进而得到拉长变换后的c³个列向量，每个列向量包括个神经元从而得到拉长变换后的个神经元；第四层全连接层设置有h个神经元，用于将拉长变换后的c³个列向量与第四层全连接层的权值矩阵和第四层全连接层的全1偏置进行非线性处理变换，得到第四层全连接层非线性变换后的数据结果其计算表达式为：

其中，表示由拉长变换后的个神经元与第四层全连接层的h个神经元相连接的权值矩阵，表示第四层全连接层的全1偏置，·表示矩阵相乘，f()表示激活函数，f(z⁴)＝max(0,z⁴),

(2e)构建第五层全连接层：第五层全连接层设置有h′个神经元，用于将第四层全连接层输出的第四层全连接层非线性变换后的数据结果与该第五层全连接层的权值矩阵和第五层全连接层的全1偏置进行线性变换，得到第五层全连接层线性变换后的数据结果

其中，所述第五层全连接层线性变换后的数据结果其计算表达式为：

其中，w⁵表示由第四层全连接层的h个神经元与第五层全连接层的h′个神经元相连接构成的h×h′维矩阵，表示第五层全连接层的全1偏置。

得到第五层全连接层线性变换后的数据结果后，说明卷积神经网络构建完成，记为训练好的卷积神经网络。

步骤3，计算ewc的fisher信息矩阵。

从第五层全连接层线性变换后的数据结果中随机抽取m个数据，分别计算抽取的m个数据对所有卷积层和全连接的参数的一阶偏导数，并对每个一阶偏导数结果计算其平方并求和，得到m个数据的一阶导函数平方和，每个数据的一阶导函数平方和都为对应数据的fisher信息矩阵，进而得到第p批原始雷达高分辨距离像训练数据sp中m个数据的fisher信息矩阵，其中第p批原始雷达高分辨距离像训练数据sp中第j个数据的fisher信息矩阵为fpj，其公式如下：

其中，表示第五层全连接层线性变换后的数据结果中第j个数据，j＝1,...,m，fpj表示第p批原始雷达高分辨距离像训练数据sp中第j个数据的fisher信息矩阵，用于下一批数据更新卷积神经网络模型。

步骤4，获取第p'+1批原始雷达高分辨距离像训练数据sp+1、第p'+1批原始雷达高分辨距离像训练数据sp'+1的目标类别lp'+1；p'＝1,2,3,…,p-1，p'+1＝2,3,…,p，p'的初始值为1，p'+1的初始值为2。

然后计算第p'+1批原始雷达高分辨距离像训练数据sp'+1的ewc损失函数lossp'+1为：

其中，λ为权重系数，取值通常为(0,1)；qp'+1为第p'+1批原始雷达高分辨距离像训练数据sp'+1的参数变化值，计算公式为：

通过后向传播算法利用第p'+1批原始雷达高分辨距离像训练数据sp'+1的ewc损失函数lossp'+1对训练好的卷积神经网络进行更新训练，得到第p'+1批数据更新后的卷积神经网络模型mp'+1。

步骤5，令p'的值加1，重复步骤4，直到p'＝p-1，p'+1＝p，直到得到第p批数据更新后的卷积神经网络模型mp，然后将p'的值初始化为1。

步骤6，对于移动后第p批原始雷达高分辨距离像测试数据tp′和第p批原始雷达高分辨距离像测试数据tp的目标类别tlp，令p的值分别取1至p，进而得到移动后第1批原始雷达高分辨距离像测试数据t1′至移动后第p批原始雷达高分辨距离像测试数据tp′，以及第1批原始雷达高分辨距离像测试数据t1的目标类别tl1至第p批原始雷达高分辨距离像测试数据tp的目标类别tlp。

并将移动后第1批原始雷达高分辨距离像测试数据t1′至移动后第p批原始雷达高分辨距离像测试数据输入进训练好的卷积神经网络中，利用第p批数据更新后的卷积神经网络模型mp，分别对应得到第1批原始雷达高分辨距离像测试数据的预测目标类别l1′至第p批原始雷达高分辨距离像测试数据的预测目标类别l′p。

步骤7，若le′与tle相等，e＝1,2,…,p，说明第e批原始雷达高分辨距离像测试数据的目标类别识别正确，即认为识别出了第e批原始雷达高分辨距离像训练数据中的目标，记为第e'个类别识别正确目标，e'的初始值为1，并令e'的值加1；若le′与tle不相等，则说明第e批原始雷达高分辨距离像测试数据的目标类别识别错误，舍弃该次结果。

令e分别取1至p，进而得到第1个类别识别正确目标至第个类别识别正确目标，将此时得到的个类别识别正确目标为一种基于ewc的在线雷达目标识别结果。

本发明的效果通过以下对三类飞机的实测数据仿真进一步说明：

获得原始雷达高分辨距离像的雷达实测数据，实测场景参照图2a、图2b和图2c所示，其中图2a是yark-42飞机的实测场景图，图2b是cessnacitations/ⅱ飞机的实测场景图，图2c是an-26飞机的实测场景图。

仿真的时候，将获取的原始高分辨距离像分为两类：训练集合tr以及测试集合te，其中训练集合tr包含tra和trb。tra为任务a的训练数据，trb为任务b的训练数据；并且，训练集合tra和trb分别为高分辨距离像不同的方位角信息数据。

观察任务a和任务b的识别情况，结果如图3和图4所示，图3是本发明对三类飞机任务a识别的性能变化曲线图，图4是本发明对三类飞机任务b识别的性能变化曲线图。

从实验结果可以看出，当新任务到来时，模型不仅能够对当前新任务有良好的识别能力，如图4所示，而且依旧能够对先前任务有良好的识别能力，如见图3所示。

综上所述，仿真实验验证了本发明的正确性，有效性和可靠性。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围；这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。