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！

摘要：本发明公开了一种基于任务经验迁移的雷达目标智能识别方法，属于雷达信号处理领域。构建了多类平衡中心余弦损失基础学习器结合任务损失倒数加权更新元学习器的元学习识别框架，设计了基础学习器中卷积神经网络的多类平衡余弦中心损失函数，通过引入Focal损失，避免了不同类别样本数不均衡所导致的样本数较少类别目标的识别率下降问题。基于平滑平均绝对误差损失函数，设计了元学习器参数的任务损失倒数加权更新方式，提升了对高相关度经验的借鉴程度，通过取小运算避免了元训练任务损失值过小而导致参数更新过程不收敛的问题。本发明方法提高了小样本条件下雷达目标高分辨距离像多类别识别正确率，具有推广应用价值。

主权项：1.基于任务经验迁移的雷达目标智能识别方法，其特征在于，包括以下步骤：步骤1深度元学习的数据集构建；依据待识别的N类目标的雷达高分辨距离像数据，构建元测试任务小样本训练数据集和元测试任务测试数据集，将待识别任务归为元测试任务集；依据与待识别目标数据不同类别或不同数据来源的M类非待识别目标积累数据，通过随机抽取N类目标数据构建元训练任务集，并将N类非待识别目标数据全部作为元训练任务训练数据集；步骤2元学习模型设计；将元学习模型设计为多类平衡中心余弦损失基础学习器和任务损失倒数加权更新元学习器的组合；多类平衡中心余弦损失基础学习器采用多类平衡余弦中心损失函数作为元训练任务的卷积神经网络损失函数；任务损失倒数加权更新元学习器基于平滑平均绝对误差损失函数，采用元训练任务损失值的倒数对元学习器参数进行加权修正更新；元学习模型的输入为元训练任务集，元学习模型的输出为更新后的模型参数；多类平衡中心余弦损失基础学习器的卷积神经网络构建中，设计了多类平衡余弦中心损失函数，在余弦距离和特征中心的基础上计算Focal损失，每个元训练任务的损失函数具体表示为 其中，m是梯度更新过程中样本数据的个数；xi表示第i个样本所对应的全连接层输出特征向量；yi是第i个样本的真实标签；Wj是第j类目标对应的权值向量；cyi表示第yi类目标的归一化特征中心向量；a、λ、s、α和γ为正的实参数；φ.,·表示两个同维度向量间的夹角；第j类目标的归一化特征中心向量cj的初始化可表示为 在训练的过程中，对cj的更新量为 其中，δ[·]表示单位冲激序列函数；任务损失倒数加权更新元学习器的学习目标函数中主要误差项设计为平滑平均绝对误差损失函数，第k个元训练任务的特性参数θBk与元学习器参数θM之间的误差Dk表示为 其中，||·||表示取欧几里得范数；任务损失倒数加权更新元学习器的参数更新方式为 其中，即为元学习器更新后的参数，min·,·表示取两个参数中的较小值；步骤3从元训练任务集中随机抽取K个元训练任务进行基础学习器训练；对第k个元训练任务，在多类平衡中心余弦损失基础学习器上利用元训练任务训练数据集进行分批次训练，通过卷积神经网络迭代更新优化，得到第k个元训练任务的特性参数θBk和损失值Lk；将K个元训练任务的特性参数和损失值正向传递给任务损失倒数加权更新元学习器，转入步骤4；步骤4任务损失倒数加权更新元学习器基于K个元训练任务的特性参数，利用相应的元训练任务损失值的倒数对元学习器参数θM进行加权修正更新，并将更新后的参数反馈给多类平衡中心余弦损失基础学习器；以为多类平衡中心余弦损失基础学习器的新初始化模型参数，重新执行步骤3进行新一轮的优化训练；步骤5循环执行步骤3和步骤4，直至达到Nc次循环结束，保存最后的任务损失倒数加权更新元学习器参数构建与多类平衡中心余弦损失基础学习器相同模型结构的卷积神经网络识别模型，将作为卷积神经网络识别模型的初始化参数，分批次导入元测试任务小样本训练数据集进行识别模型的训练更新，当卷积神经网络的多类平衡余弦中心损失函数收敛且不再下降时结束识别模型训练；利用训练好的卷积神经网络识别模型，对元测试任务测试数据集进行分类识别，评估待识别的N类目标的分类识别正确率。

全文数据：

权利要求：

百度查询： 中国人民解放军海军航空大学 基于任务经验迁移的雷达目标智能识别方法