本发明属于雷达,具体涉及一种基于原型生成的hrrp识别数据库构建方法。
背景技术:
1、雷达(radio detecting and ranging,radar)是一种具有全天时、全天候和远距离探测能力的无线电探测装置。雷达在进行工作时首先由天线发射电磁波,电磁波遇到目标后被反射并且被雷达接收机接收,最后通过对接收的雷达回波信号进行处理和分析便可以检测出目标是否存在并且判断目标所在的位置。雷达高分辨距离像(high resolutionrange profile,hrrp)是高分辨雷达获取的目标散射点子回波在雷达射线方向上投影的矢量和。hrrp数据是一维向量,也包含了目标丰富的结构和特征信息,并且易于获取、存储和进行处理,因此它被广泛应用于目标型号的识别任务。随着雷达软件与硬件技术的长足发展,雷达hrrp数据空前激增。一方面,海量数据为基于数据驱动的机器学习方法获取有价值信息提供了充分空间;另一方面,高维度、过冗余以及高噪声也是上述繁多、复杂数据的固有特性。为消除数据冗余、发现数据结构、提高数据质量,原型生成是一种行之有效的方式。通过寻找一个原型集来表示目标集,以从样本空间进行数据约简,在增强数据可用性的同时,提升机器学习算法的执行效率。
2、wang,zhu等人在2018年发表的文章《dataset distillation》将网络参数表述为原型集的函数,并将原型生成任务表述为一个双级优化问题。具体来说,方法核心是优化原型集,使在原型集上训练的深度网络模型在原始大数据集上的损失最小。然而,这种方法涉及一个嵌套的优化,需要在网络参数的多个优化步骤中展开原型集的递归计算图,因此需要昂贵的计算成本且性能一般。
3、zhao等人在2021年发表在international conference on learningrepresentations的文章《dataset condensation with gradient matching》提出,当网络训练的样本分别来自原始数据集和原型集时,对两个数据集的网络参数的梯度进行匹配,以解决递归计算图展开的问题。但该方法存在一些问题,首先其所采用梯度匹配方法不能有效的进行匹配,其次原型集优化的计算成本虽然相比wang所提出的方法有一定的减少但是还是较高,最后所优化的原型集代表性有限。
技术实现思路
1、为了解决现有技术中存在的上述问题,本发明提供了一种基于原型生成的hrrp识别数据库构建方法。本发明要解决的技术问题通过以下技术方案实现:
2、一种基于原型生成的hrrp识别数据库构建方法,包括:
3、步骤1:获取训练数据集;
4、步骤2:构建多形成函数f(x,h);
5、其中,所述多形成函数f(x,h)的运算规则为将原型集中的每个样本x切分为h个子样本,并将切分后的子样本调整为原始样本的大小;
6、步骤3:基于所述训练数据集利用所述多形成函数与单步参数匹配进行原型生成以获取原型集;
7、步骤4:利用所述多形成函数对所述原型集进行处理,得到hrrp识别数据库。
8、在本发明的一个实施例中,步骤1包括:
9、从雷达回波数据库中提取若干个高分辨距离像,并利用短时傅里叶变换计算每个高分辨距离像的谱图,将得到的若干个谱图组成训练数据集tr。
10、在本发明的一个实施例中,步骤3包括:
11、31)使用高斯分布初始化原型集并设置最大外层迭代次数k和最大内层迭代次数t;
12、其中,表示第k次外层迭代中第t次内层迭代的原型集,初始时,t与k均为0;
13、32)对深度神经网络进行初始化,并在所述训练数据集上利用随机化学习率对初始化后的深度神经网络预训练一个迭代轮次,得到当前第k次外层迭代的网络参数θk;
14、33)分别从所述原型集和训练数据集tr中的每个类别中各抽取一批样本和并利用所述多形成函数对进行处理,生成样本集
15、其中,c表示类别标签;
16、34)将和分别输入深度神经网络之后,利用反向传播算法分别得到网络参数θk的一阶梯度和
17、35)基于所述一阶梯度和利用单步参数匹配公式计算损失函数;
18、36)利用所述损失函数对当前原型集进行反向传播,以得到第k次外层迭代中第t+1次内层迭代的原型集
19、37)将输入深度神经网络中训练迭代若干次以更新网络参数θk;
20、38)令t=t+1,返回步骤33)进行下一轮内层迭代,直至达到最大内层迭代次数t,得到第k次外层迭代中第t-1次内层迭代的原型集
21、39)令k=k+1,并令第k+1次外层迭代中第1次内层迭代的原型集返回步骤32)开始下一轮外层迭代,直至达到最大外层迭代次数k,获得最终的原型集
22、在本发明的一个实施例中,在步骤35)中,所述损失函数的计算公式为:
23、
24、其中,c表示类别数目,λ的值为类别数目c,的表示如下:
25、
26、其中,al,bl表示网络第l层的梯度,l为深度神经网络的总层数,out表示网络第l层输出通道的数目,表示网络第l层第i个输出通道所包含网络参数的梯度。
27、在本发明的一个实施例中,在步骤36)中,利用所述损失函数对当前原型集进行反向传播的表达式为:
28、
29、其中,ηm为优化原型集的学习率,为第t次迭代的结果,表示使用loss对原型集求一阶导数。
30、本发明的有益效果:
31、1、本发明提供的方法针对雷达hrrp库内样本过多的情况,构建了多形成函数,并利用多形成函数与单步参数匹配,从而生成原型集;该方法考虑了原始数据集的数据规律性,在雷达hrrp库内样本过多时,相比于传统的方法,该方法可以在保证较低的计算复杂度的同时,挖掘出hrrp数据中最具价值的信息以得到高质量的hrrp识别数据库,节约了存储资源与计算资源;
32、2、本发明提供的方法无需展开昂贵的递归计算图,因此无需太高的计算成本;且该方法利用网络的早期模型来描述完整的特征空间,不仅节约了计算资源,而且增强了原型集的多样性。
33、以下将结合附图及实施例对本发明做进一步详细说明。
1.一种基于原型生成的hrrp识别数据库构建方法,其特征在于,包括:
2.根据权利要求1所述的基于原型生成的hrrp识别数据库构建方法,其特征在于,步骤1包括:
3.根据权利要求1所述的基于原型生成的hrrp识别数据库构建方法,其特征在于,步骤3包括:
4.根据权利要求3所述的基于原型生成的hrrp识别数据库构建方法,其特征在于,在步骤35)中,所述损失函数的计算公式为:
5.根据权利要求3所述的基于原型生成的hrrp识别数据库构建方法,其特征在于,在步骤36)中,利用所述损失函数对当前原型集进行反向传播的表达式为:
6.一种雷达目标识别方法,其特征在于,包括: