一种小样本雷达自动目标识别方法、装置和计算机设备

本技术涉及雷达目标识别，特别是涉及一种小样本雷达自动目标识别方法、装置和计算机设备。

背景技术：

1、雷达通过发射电磁波并接收处理目标回波从而实现对被测目标的探测、跟踪和测距等功能，其自诞生以来在军事和民用两个方面一直发挥着至关重要的作用，尤其是在军事方面，随着现代信息化战争的发展，信息成为主导战争的重要因素之一，只能探测目标的位置、方位和速度等信息的传统雷达已经不能满足现代战争对目标多方面信息的需求，在这种趋势下，雷达自动目标识别(radar automatic target recognition,ratr)技术应运而生。合成孔径雷达(synthetic aperture radar,sar)系统通过对被测目标的散射点回波进行相干处理，得到目标的高分辨率图像。与红外和光学成像系统相比，由于电磁波的穿透性，sar成像系统能够在诸多极端条件下进行工作，例如大雾、雨雪等恶劣天气。由于sar成像系统具有全天时、全天候在极端条件下工作的优点，其受到众多研究者的青睐，是目前的一个研究热点。除此之外，sar系统搭载方便，能够搭载在汽车、飞机和卫星上对目标区域进行成像，在民用和军事领域都具有广泛的应用。

2、sar图像具有能够同时反应目标距离向和横向上的散射点分布信息的优点，因此，基于sar图像的雷达自动目标识别技术近年来受到众多研究者的关注并逐渐成为雷达领域的研究热点。在数据预处理的基础上，可以将目标识别方法大致分为特征提取和分类器设计两部分。传统的sar目标识别方法通过人为手工提取或设计分辨能力强的特征，然后根据提取或设计特征的特点设计相匹配的分类器，最终实现对sar目标的有效识别。虽然上述传统方法在一定程度上取得了一些成果，但是，只有具备一定先验基础的研究人员才能够设计出代表性强的特征，而且人为提取设计特征费时费力。近年来，研究者们做了大量的工作来提取表征能力强的特征，但是，低层次的视觉特征与高层次的语义表示之间的语义鸿沟使得上述传统的sar目标识别方法性能受限。近年来，深度学习作为一项快速发展的技术，在很多领域都取得了令人满意的结果。在sar图像雷达目标自动识别领域，深度学习的方法因其良好的泛化性能被研究者们广泛地应用到sar目标识别任务中，并表现出了一定地先进性。深度学习也可理解为“特征学习”或者“表示学习”，其能够实现自动提取表征能力强的特征，与传统的sar图像识别方法相比，避免了繁琐的人工提取特征的过程，并在一定程度上提升了识别性能。然而，上述基于深度学习的sar图像目标识别方法需要大量的标注数据进行训练，一旦训练数据不足往往会出现严重的过拟合问题，最终导致模型泛化能力下降，雷达目标识别性能降低。

3、实际上，小样本问题在sar图像目标识别领域是普遍存在的——sar图像目标识别领域的小样本问题是指在获取少量sar图像的条件下，模型能够利用少量的训练样本进行快速地学习并具有良好的泛化能力。sar图像目标识别领域小样本问题主要由以下两个原因造成：第一，针对非合作目标，我们能够获取的目标sar图像很少，而且，在紧急情况下，往往要求模型在获取少量样本信息的条件下就能够对目标做出快速准确的识别；第二，对sar图像目标进行标注需要一定的先验知识和经验，这就导致只有一部分掌握雷达先验知识和工作经验的人才能够参与到sar图像目标的标注工作中。因此，需要一种新的sar图像识别方法，提升小样本条件下sar图像识别模型的泛化能力，提高小样本条件下sar图像目标识别的准确率。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种小样本雷达自动目标识别方法、装置和计算机设备，以便解决小样本条件下雷达目标识别存在的识别准确率低和泛化能力差的问题。

2、一种小样本雷达自动目标识别方法，所述方法包括：

3、获取根据若干类小样本雷达目标的图像集划分得到的元训练集和元测试集；元训练集中包括：元训练集支撑集和元训练集质询集；元测试集中包括：元测试集支撑集和元测试集质询集；

4、将元训练集支撑集输入预先构建的学习器中，得到学习器的损失函数值，利用预先构建的元学习器根据学习器的损失函数值来更新学习器的参数，直至学习器的参数收敛；

5、将元训练集质询集输入参数收敛的学习器中，得到元学习器收敛时的元参数；元学习器收敛时的元参数包括：学习器的最优初始化项和最优学习率；其中，初始化项和学习率以不同的元学习率进行更新；

6、将元测试集支撑集输入参数收敛的学习器中，利用最优初始化参数和最优学习率来更新学习器的参数，得到训练好的学习器；

7、利用训练好的学习器进行雷达目标识别。

8、一种小样本雷达自动目标识别装置，所述装置包括：

9、数据集获取模块，用于获取根据若干类小样本雷达目标的图像集划分得到的元训练集和元测试集；元训练集中包括：元训练集支撑集和元训练集质询集；元测试集中包括：元测试集支撑集和元测试集质询集；

10、学习器参数更新模块，用于将元训练集支撑集输入预先构建的学习器中，得到学习器的损失函数值，利用预先构建的元学习器根据学习器的损失函数值来更新学习器的参数，直至学习器的参数收敛；

11、元学习器参数更新模块，用于将元训练集质询集输入参数收敛的学习器中，得到元学习器收敛时的元参数；元学习器收敛时的元参数包括：学习器的最优初始化项和最优学习率；其中，初始化项和学习率以不同的元学习率进行更新；

12、学习器参数优化模块，用于将元测试集支撑集输入参数收敛的学习器中，利用最优初始化参数和最优学习率来更新学习器的参数，得到训练好的学习器；

13、雷达目标识别模块，用于利用训练好的学习器进行雷达目标识别。

14、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

15、获取根据若干类小样本雷达目标的图像集划分得到的元训练集和元测试集；元训练集中包括：元训练集支撑集和元训练集质询集；元测试集中包括：元测试集支撑集和元测试集质询集；

16、将元训练集支撑集输入预先构建的学习器中，得到学习器的损失函数值，利用预先构建的元学习器根据学习器的损失函数值来更新学习器的参数，直至学习器的参数收敛；

17、将元训练集质询集输入参数收敛的学习器中，得到元学习器收敛时的元参数；元学习器收敛时的元参数包括：学习器的最优初始化项和最优学习率；其中，初始化项和学习率以不同的元学习率进行更新；

18、将元测试集支撑集输入参数收敛的学习器中，利用最优初始化参数和最优学习率来更新学习器的参数，得到训练好的学习器；

19、利用训练好的学习器进行雷达目标识别。

20、上述一种小样本雷达自动目标识别方法、装置和计算机设备，首先获取根据若干类小样本雷达目标的图像集划分得到的元训练集和元测试集；接着将元训练集支撑集输入预先构建的学习器中，得到学习器的损失函数值，利用预先构建的元学习器根据学习器的损失函数值来更新学习器的参数，直至学习器的参数收敛；然后将元训练集质询集输入参数收敛的学习器中，得到元学习器收敛时的元参数；元学习器收敛时的元参数包括：学习器的最优初始化项和最优学习率；其中，初始化项和学习率以不同的元学习率进行更新；接着将元测试集支撑集输入参数收敛的学习器中，利用最优初始化参数和最优学习率来更新学习器的参数，得到训练好的学习器；最后利用训练好的学习器进行雷达目标识别。本发明对现有的元学习方法进行改进，使得雷达目标识别模型的泛化能力以及识别准确率均得到了改善，有效缓解了小样本条件下雷达目标识别存在的识别准确率低和泛化能力差的问题。