[发明专利]一种具有任务适应性的雷达个体识别系统有效
申请号: | 201911095053.5 | 申请日: | 2019-11-11 |
公开(公告)号: | CN111123232B | 公开(公告)日: | 2022-03-18 |
发明(设计)人: | 古有志;祁友杰;王文海;秦晋;张泽银;王欢;王史春;江迎波;张志猛;刘兴高 | 申请(专利权)人: | 浙江大学 |
主分类号: | G01S7/41 | 分类号: | G01S7/41;G06N3/04 |
代理公司: | 杭州求是专利事务所有限公司 33200 | 代理人: | 邱启旺 |
地址: | 310058 浙江*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 具有 任务 适应性 雷达 个体 识别 系统 | ||
1.一种具有任务适应性的雷达个体识别系统,包括依次相连的数据预处理模块、雷达个体识别网络结构搜索模块、雷达个体识别模型微调训练模块以及雷达个体识别辨识模块;
所述数据预处理模块,用以对雷达原始辐射源数据进行预处理,采用如下过程完成:
(1)从数据库中采集n个雷达个体辐射源数据样本对(X,Y),Y为X=(x1,x2,...,xd)所对应的标签,d为一个雷达个体辐射源数据的特征维度;
(2)对于非图像类型的数据,可将其补零并拼接成大小为的图像数据,表示向上取整,补零的个数为对于图像数据,直接进行后续操作;
(3)对拼接后的图像数据进行标准化处理,得到标准化数据
(4)将图像缩放到后续模块要求的大小;
雷达个体识别网络结构搜索模块,利用带有门控开关的梯度下降算法在预定义的操作集中优化过参数化网络的结构参数和卷积参数,根据网络结构参数进行剪枝搜索得到最具有任务适应性的网络结构,采用如下过程完成:
(1)定义过参数化网络的搜索操作模块集,包括:
(1.1)形如K×K_DeWConvE_IdentityY的深度可分离卷积模块:其中K表示卷积核大小,DeWConv表示深度可分离卷积,E表示扩展率,Identity表示该模块具有跳跃连接,Y为1表示模块有跳跃连接,Y为0表示模块无跳跃连接;DeWConv模块具体操作包括两个步骤,一是通道卷积DeWConvC,二是逐点卷积DeWConvP,通道卷积选择M个大小为K×K、深度为1的卷积核W,每个卷积核分别与一个输入特征通道进行卷积操作,因此M为输入特征图Y的通道数:
DeWConvC操作后的特征图的尺寸与通道数保持不变;DeWConvP逐点卷积操作阶段,选取N个大小为1×1,深度为M的卷积核W′,将DeWConvC操作后的特征图与选取的卷积核进行卷积操作:
DeWConv操作的主要想法是通过DeWConvC和DeWConvP的组成,既保留对特征图空间信息的学习和不同卷积核的组合,又能减少模型的参数量;假设感受野大小是s,则传统卷积操作的参数量为s2MN,DeWConv操作的参数量为s2M+MN,相比传统卷积操作大大减少;
(1.2)非线性变换层:网络中每个卷积层之后都将采用一种新颖的Swish-ReLU激活函数f(z)进行非线性变换,该函数表达式如下,其中z代表该层输入的特征图:
(1.3)池化层:用到了最大值池化和全局平均池化两种池化方式,全局平均池化用在最后一个卷积层之后,其他地方都采用最大值池化;
(1.4)稠密连接块:稠密连接块由多个连接层组成,连接层又是由卷积层、池化层和非线性变换层构成;稠密连接块中的每个连接层与其他所有连接层都相连接,其输入由之前的所有卷积层的输入构成,而其输出也将作为所有之后的卷积层的输入,用公式表示为:
lm=δm(lm-1,lm-2,...,l1) (5)
公式(5)中(lm-1,lm-2,...,l1)代表前面所有连接层的输出采用“concat”操作堆叠而成的特征图,δm()代表对输入特征图进行的由卷积和非线性变换组合而成的操作,其中卷积操作都先补零使输入输出的特征图大小一致;
(2)根据预定义的网络层数D构建深度为D的过参数网络F1,其中网络的每一层包含预定义操作模块集中的所有操作模块,层与层之间操作模块之间全连接,利用到路径二值化思想来解决将路径上的架构参数二值化,并使得在训练过程中只有一个路径处于激活状态的问题;这样一来GPU显存的需求就降到和正常训练一个水平;二值化开关门表示如下:
基于二值化开关门g,一个过参数网络层的输出为:
在过参数网络F1的输出后加上一层全连接层,用于将输出的特征图进行降维提纯,得到维数与类别数num_class相等的Logits向量(a1,a2,...anum_class),训练的损失函数为权重衰减项的交叉熵分类损失:
其中LossCE为交叉熵分类损失,batchsize为一个训练批次的样本数量,λ||w||2为权重惩罚项以减轻过拟合;
在训练这些二值化架构参数的时候,使用对应的二值化开关门的梯度来更新网络结构参数αi:
(3)设置模型优化器、学习率、模型迭代次数等训练参数,训练网络以致损失Loss收敛,根据网络结构参数将过参数网络F1进行“剪枝”,转化成任务最优的雷达个体识别单网络F2;
所述雷达个体识别模型微调训练模块,对上述雷达个体识别网络结构搜索模块搜索得到的单网络F2进一步在雷达个体辐射源数据集上进行训练微调,采用如下过程完成:
(1)继续使用损失函数Loss对单网络F2继续微调训练;
(2)采用阶梯下降的学习率LRfinetune;
其中lr为基础学习率,epoch为当前训练轮次,Step为学习率下降周期,MIter为训练总轮次;
(3)在线微调训练至损失函数值Loss收敛,选取最优网络参数,得到具有任务适应性的雷达个体识别最优模型Fopt;
所述雷达个体识别辨识模块,用以对新采集得到的雷达个体辐射源数据进行分类辨识;采用如下过程完成:
(1)对新采集的到的雷达个体辐射源数据样本Xt=(x1,x2,...,xd),d为雷达个体辐射源数据的特征维度;
(2)对于非图像类型的数据,可将其补零并拼接成大小为的图像数据,表示向上取整,补零的个数为对于图像数据,直接进行后续操作;
(3)对拼接后的图像数据进行标准化处理,得到标准化数据
其中,mean(X)是求均值函数,std(X)是求标准差函数;
(4)将图像缩放到后续模块要求的大小;
(5)将预处理后的数据作为预测输入,利用训练好的具有任务适应性的雷达个体识别最优模型Fopt进行预测:
其中,Fopt为训练好的具有任务适应性的雷达个体识别最优模型,为预测的雷达个体类别。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江大学,未经浙江大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201911095053.5/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种应急电源系统
- 下一篇:基于非指纹信号消除器的雷达辐射源深度学习识别方法