一种基于RTN的高分辨一维像目标识别方法与流程

本发明属于信号处理领域，尤其涉及一种基于rtn的高分辨一维像目标识别方法。

背景技术：

1、随着雷达分辨率的提高和宽带雷达技术的发展，雷达回波可以提供更加可靠的目标特征。高分辨距离像（hrrp）作为宽带高分辨雷达成像技术的一大类，近年来成为研究的热点。卷积神经网络（convolutional neural network, cnn），是计算机视觉研究和应用领域中最具影响力的模型之一。同样，如果将时间看作一个空间维度，类似于二维图像的高度或宽度，cnn也可以对时间序列处理产生令人惊喜的效果。

2、基于卷积神经网络（cnn）的深度学习模型在目标识别领域表现优异, 但是当杂波、噪声对回波数据产生影响时，数据原有的分布被破坏，从而导致深度学习模型识别率大幅下降。

技术实现思路

1、为了解决上述问题，本发明提出了一种基于rtn的高分辨一维像目标识别方法，包括以下步骤：

2、步骤1：建立回波信号模型；根据回波信号模型生成目标回波数据，并对目标回波数据进行预处理，生成源域数据和目标域数据，将源域数据中的一部分数据和目标域数据中的一部分数据作为训练集，将源域数据中的另一部分数据和目标域数据中的另一部分数据作为测试集；所述源域数据带有标签信息，目标域数据没有标签信息；

3、步骤2：基于一维cnn模型构造改进的rtn模型；

4、步骤3：利用训练集对改进的rtn模型进行训练得到最终改进的rtn模型；

5、步骤4：将测试集输入最终改进的rtn模型，得到最终的目标识别结果。

6、进一步地，步骤2所述改进的rtn模型包括输入层、卷积层、全连接层、残差层、分类层和输出层；其中，输入层、卷积层基于一维cnn模型实现，输入层、卷积层和全连接层串行连接，卷积层得到的卷积结果输入全连接层；

7、在所述步骤3中，通过 sgd更新改进的rtn模型的参数，直到模型收敛，得到最终改进的rtn模型。

8、进一步地，所述步骤3具体包括：

9、使用交叉熵损失函数计算源域数据在输出层的交叉熵损失，计算目标域数据经过残差层后的残差层输出和源域数据输出的mk-mmd距离，使用熵损失函数计算目标域数据在分类层的熵损失，将上述计算结果汇总形成总损失值，使用sgd更新改进的rtn模型的参数。

10、进一步地，源域数据在输出层的交叉熵损失的计算公式为：

11、

12、

13、其中，表示源域数据的总个数，是输出层预测的关于源域数据的结果向量，是源域数据对应的真值向量，表示交叉熵损失函数。

14、进一步地，目标域数据经过残差层后的残差层输出和源域数据输出的mk-mmd距离的计算公式为：

15、

16、

17、其中，l= {fc1, fc2, output layer}，output layer表示输出层，输出层的数据是未激活状态；为第层的重要性权重；表示输入第层的数据的个数，为第n个数据对应的高斯核，为源域数据在第层的特征向量，为目标域数据在第层的特征向量；表示第层的mk-mmd距离。

18、进一步地，目标域数据在分类层的熵损失的计算公式为：

19、

20、

21、其中，表示目标域数据的总个数，源域数据和目标域数据一一对应，h表示熵损失函数。

22、进一步地，总损失值的计算公式为：

23、

24、其中，为总损失值，为距离的惩罚系数，为目标域数据在分类层的熵损失的惩罚系数。

25、进一步地，目标域数据中包括服从瑞利分布的海杂波。

26、本发明与现有技术相比，具备的优点在于：

27、本发明构建了基于残差迁移网络的hrrp目标识别模型；创新性地把联合分布自适应应用在了基于残差迁移网络的目标识别模型中，改善了基于cnn的雷达目标识别模型的泛化能力，增强模型在受杂波、噪声干扰背景下的识别能力，相对于传统方法的识别率提高了20%-30%。

技术特征：

1.一种基于rtn的高分辨一维像目标识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于rtn的高分辨一维像目标识别方法，其特征在于，步骤2所述改进的rtn模型包括输入层、卷积层、全连接层、残差层、分类层和输出层；其中，输入层、卷积层基于一维cnn模型实现，输入层、卷积层和全连接层串行连接，卷积层得到的卷积结果输入全连接层；

3.根据权利要求2所述的基于rtn的高分辨一维像目标识别方法，其特征在于，所述步骤3具体包括：

4.根据权利要求3所述的基于rtn的高分辨一维像目标识别方法，其特征在于，源域数据在输出层的交叉熵损失的计算公式为：

5.根据权利要求4所述的基于rtn的高分辨一维像目标识别方法，其特征在于，目标域数据经过残差层后的残差层输出和源域数据输出的mk-mmd距离的计算公式为：

6.根据权利要求5所述的基于rtn的高分辨一维像目标识别方法，其特征在于，目标域数据在分类层的熵损失的计算公式为：

7.根据权利要求6所述的基于rtn的高分辨一维像目标识别方法，其特征在于，总损失值的计算公式为：

8.根据权利要求7所述的基于rtn的高分辨一维像目标识别方法，其特征在于，目标域数据中包括服从瑞利分布的海杂波。

技术总结
本发明公开了一种基于RTN的高分辨一维像目标识别方法，包括：建立回波信号模型；生成训练集和测试集；基于一维CNN模型构造改进的RTN模型；利用训练集对改进的RTN模型进行训练得到最终改进的RTN模型；将测试集输入最终改进的RTN模型，得到最终的目标识别结果。本发明改善了基于CNN的雷达目标识别模型的泛化能力，增强模型在受杂波、噪声干扰背景下的识别能力。

技术研发人员：王国帅,刘云申,张弘,敖呈欢,陈帅,卢建
受保护的技术使用者：南京国睿防务系统有限公司
技术研发日：
技术公布日：2024/1/15