买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:北京理工大学
摘要:本发明涉及一种基于混合模型融合的宽带雷达目标HRRP识别方法,属于雷达目标识别技术领域。包括:1采集数据集并划分测试集与训练集;2将标志位L_done、C_done置0;3利用训练集分别对F‑CNN模型的两个子模型CNN与LightGBM模型进行训练;4利用F‑CNN模型识别测试集种类,具体为:经训练后子模型处理,得到分类结果A与B。判断标志位是否均为1;若不是,则等待;若是,则将结果A与B输入决策树合并,输出即为F‑CNN模型识别结果;所述方法可根据HRRP信号对探测目标进行有效分类;在不同信噪比下的识别准确率均有明显提升;显著降低了模型的复杂度,提升了推理速度。
主权项:1.一种基于混合模型融合的宽带雷达目标HRRP识别方法,依托于CNN和LightGBM模型;LightGBM模型包括人工特征提取单元、特征组合形成单元以及LightGBM分类器;CNN模型基本网络结构由多个层组成,每一层具有多个相互独立的神经元,其特征在于:包括如下步骤:步骤1:采集HRRP数据并处理得到数据集,再划分测试集与训练集;其中,所采集的数据集中包含多个HRRP数据样本,将数据集划分得到测试集与训练集,训练集内样本数据按照目标类别进行分组,得到其对应的类别标签信息;步骤2:将标志位L_done、C_done初始化为0;步骤3:利用训练集分别对F-CNN模型的两个子模型,CNN与LightGBM模型进行训练;通过不断调整参数获得适用于雷达目标识别的最优模型;其中,利用训练集对LightGBM模型进行训练,具体包括如下子步骤:步骤3.a1人工特征提取单元提取人工特征;其中,人工特征包括:目标强散射中心数目、目标散射重心、目标宽度、散射中心分布熵和二阶中心矩;步骤3.a1中的目标强散射中心数目是指距离像包络中峰值的数目,该特征通过阈值判决法获得;目标散射重心是指衡量样本形态偏斜程度的统计量,该特征通过距离像的加权比获得;目标宽度是指目标HRRP最左侧强散射点与最右侧强散射点之间的宽度,该特征通过左右两侧强散射点的索引下标之差获得;散射中心分布熵是指反映散射中心分布的集中情况,该特征通过用HRRP的幅值代替熵函数中的概率值获得;二阶中心距是指目标HRRP最左侧强散射点与最右侧强散射点之间的宽度,该特征通过以为离散概率分布函数加权获得;步骤3.a2判断各特征的数据分布及HRRP数据之间的关系,形成特征组合,绘制散布矩阵图;步骤3.a2中,根据步骤3.a1提取的目标强散射中心数目、目标散射重心、目标宽度、散射中心分布熵和高阶中心矩的数值,形成特征组合,并绘制各类特征间的散布矩阵图;同一特征间采用直方图,不同特征间采用散点分布;步骤3.a3构建LightGBM分类器并基于该分类器进行训练得到决策树,再将人工特征输入决策树进行目标分类与识别,输出目标类别,并设置标志位L_done为1;步骤3.a3中,基于LightGBM分类器进行训练,具体为:每次训练均拟合模型的负梯度,用加权损失函数的负梯度拟合本轮损失的近似值,进而拟合一个回归树;再针对回归树上的叶子节点,求加权损失函数值并使函数值最小,得到决策树;训练完成后,再将人工特征输入决策树,得到目标类别;利用步骤1所分的训练集对CNN模型进行训练,得到目标类别具体包括CNN模型构建与参数优化两个阶段;步骤3.b1构建CNN模型,输出目标类别,具体包括以下子步骤:①将训练集HRRP数据样本作为输入放入CNN模型;②使用卷积核与可加偏置对输入进行卷积,经过卷积层得到特征映射;③对卷积层输出的特征映射进行池化,即对卷积层输出中的邻域进行加权求和,加偏置再经过激励函数在池化层得到特征映射;④重复步骤②与步骤③过程再得到一个卷积层与一个池化层,直至输出的特征映射已变为一维数组;⑤将步骤④的结果输入至两层全连接层,且在每一个全连接层之前加入dropout层;⑥将步骤⑤的结果输入至分类器层得到CNN模型的分类结果,并将C_done置1;步骤3.b2)对CNN模型进行参数优化;使用划分的训练集对CNN模型进行训练,得到最优CNN模型参数;步骤4:使用步骤1划分的测试集作为F-CNN模型的输入,输出测试集样本对应的目标类别,具体包括以下子步骤:步骤4.1)将测试集数据分别输入经步骤3训练后得出的两个子模型,CNN模型与Light_GBM模型中;步骤4.2)两子模型输出的分类结果分别记为结果A与结果B,判断两个标志位L_done与C_done是否均为1;若不是,则继续等待;若是,则将结果A与B输入决策树合并,输出F-CNN模型的分类结果;步骤4.3)将L_done与C_done置为0。
全文数据:
权利要求:
百度查询: 北京理工大学 一种基于混合模型融合的宽带雷达目标HRRP识别方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。