基于深度置信网络的变体飞机高分辨距离像恢复方法与流程

本发明属于雷达
技术领域：
，更进一步涉及目标识别
技术领域：
中的一种基于深度置信网络的变体飞机高分辨距离像恢复方法。本发明采用深度置信网络实现对变体飞机的高分辨距离像的恢复。
背景技术：
：雷达高分辨距离像是一维图像，是宽带雷达获取的目标散射中心距离像在雷达视线上投影的矢量和。高分辨距离像不仅包含了目标的尺寸和散射中心等结构信息，还具有容易获取以及处理简单的优点，因此在雷达目标识别领域受到了广泛关注。飞机的外形并不是一直不变的，例如由于作战环境的不同，飞机的外形会发生不同的变化，副油箱的挂载以及武器的挂载都会使得飞机外形发生变化，相应地会引起雷达高分辨距离像的变化，人们将这类发生形变的飞机称为变体飞机。变体飞机外形结构的变化使得其高分辨距离像随之改变，因而将与库内同类型的非变体飞机的高分辨距离像之间存在失配，最终导致对变体飞机高分辨距离像的识别性能严重下降，甚至失去识别能力。提高识别性能需要去除变体飞机高分辨距离像中的变体部分，将变体飞机的高分辨距离像恢复成不含变体的高分辨距离像。对变体飞机高分辨距离像的恢复能够显著降低变体部分的影响。目前现有的关于变体飞机的高分辨距离像恢复方法是首先建立变体目标高分辨距离像的数学模型，然后对模型进行求解，得到变体目标高分辨距离像的变体部分，进而分离出变体部分，最终得到不含变体的高分辨距离像。西安电子科技大学在其申请的专利文献“基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法”(专利申请号：201810978483.0，申请公布号：cn109190693a)中提出了一种基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法。该方法首先建立变体目标高分辨距离像的数学模型，定义变体目标数学模型中各个变量的先验概率和其先验概率参数的先验分布，然后通过块稀疏贝叶斯学习迭代求解模型获取变体目标高分辨距离像中的变体成分，再从变体目标高分辨距离像中去除变体成分，实现对变体目标的高分辨距离像的恢复，最后用自适应高斯分类器对恢复出的去除变体成分后的高分辨距离像进行识别。该方法存在的不足之处是，对于稀疏度较小的高分辨距离像难以有效消除变体部分的影响，对变体目标的高分辨距离像的恢复效果相对较差。朱文强在其发表的论文“基于结构稀疏先验的变体目标识别方法研究”(西安电子科技大学2017-06-01)中提出了一种基于结构稀疏先验的变体目标识别方法，该方法利用变体分量具有块稀疏的特点,对变体分量单独建模,并分离出变体分量,实现对变体目标的高分辨距离像的恢复，得到对变体目标的高分辨距离像恢复后的高分辨距离像，然后再利用自适应高斯分类器进行识别,改善了对变体目标的识别性能。该方法存在的不足之处是，模型中使用了矩阵求逆，计算量较大，因此效率相对较低。技术实现要素：本发明的目的是针对上述现有技术存在的不足，提出了一种基于深度置信网络的变体飞机高分辨距离像恢复方法。实现本发明目的的思路是，构建并训练深度置信网络，利用训练好的深度置信网络对变体飞机的高分辨距离像和非变体飞机的高分辨距离像的共性特征进行学习，并将变体飞机的高分辨距离像恢复成非变体飞机的高分辨距离像。本发明实现的具体步骤包括如下：(1)构建深度置信网络：(1a)搭建一个三层深度置信网络，其结构依次为第一层受限玻尔兹曼机→第二层玻尔兹曼机→反向传播网络；(1b)设置深度置信网络的参数如下：将第一层受限玻尔兹曼机的隐含层输入节点设置为128，输出节点设置为200，批尺寸设置为200，迭代次数设置为3，学习率设置为0.002；将第二层受限玻尔兹曼机的隐含层输入节点设置为200，输出节点设置为250，批尺寸设置为200，迭代次数设置为3，学习率设置为0.002；将反向传播网络的隐含层输入节点设置为250，输出节点设置为h，h为高分辨距离像数据的维数；(2)生成训练样本集和测试样本集：(2a)将雷达接收到的每个类别的飞机目标在发生形变之前所有方位角下的非变体高分辨距离像数据，组成该类别飞机目标的非变体样本集，将雷达接收到的每个类别飞机目标在发生形变后所有方位角下的变体高分辨距离像数据，组成该类别飞机目标的变体样本集；(2b)按照方位角变化等间隔地从每个类别飞机目标的变体样本集中抽取一半的变体高分辨距离像数据构成变体样本子集，记录抽取的变体高分辨距离像数据的方位角，从每个类别飞机目标的非变体样本集中抽取相同方位角下的非变体高分辨距离像数据作为期望样本集，将抽取的变体样本子集和其所对应的期望样本集组成训练样本集；(2c)将变体样本集中剩余的变体高分辨距离像数据组成测试样本集；(3)对样本集进行标准化预处理：(3a)利用重心公式计算训练样本集和测试样本集中每个高分辨距离像数据的重心；(3b)用重心对齐公式，对训练样本集和测试样本集中每个高分辨距离像数据进行重心对齐，得到对齐后的训练样本集和测试样本集；(3c)用对齐后的训练样本集和测试样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模二范数，得到归一化后的训练样本集和测试样本集；(4)训练深度置信网络：(4a)将归一化后的训练样本集输入到深度置信网络中，逐层无监督的训练深度置信网络中的两层受限玻尔兹曼机，得到预训练后的深度置信网络；(4b)将预训练后的深度置信网络中的受限玻尔兹曼机的输出数据输入到反向传播网络中，利用均方误差公式计算反向传播网络的输出数据与其对应的非变体高分辨距离像数据之间的均方误差，从深度置信网络的顶层向下传播该误差，微调深度置信网络的参数，直到迭代4次为止，得到训练好的深度置信网络；(5)恢复变体高分辨距离像数据：将归一化后的测试样本集中的变体高分辨距离像数据输入到训练好的深度置信网络中，网络输出该变体高分辨距离像数据恢复出的非变体高分辨距离像数据。本发明与现有技术相比具有以下优点：第一，由于本发明通过构建并训练深度置信网络，利用训练好的深度置信网络对变体飞机的高分辨距离像和非变体飞机的高分辨距离像的共性特征进行学习，克服了现有技术由于对于稀疏度较小的高分辨距离像难以有效消除变体部分的影响，对变体目标的高分辨距离像的恢复效果相对较差的问题，使得本发明提高了对变体飞机的高分辨距离像进行恢复的稳健性。第二，由于本发明将归一化后的测试样本集中的所有样本输入到训练好的深度置信网络中，得到对测试样本集中的变体飞机高分辨距离像恢复后的高分辨距离像，克服了现有技术由于变体飞机外形结构的变化使得其高分辨距离像随之改变，因而将与库内同类型的非变体飞机的高分辨距离像之间存在失配的问题，使得本发明能够有效的去除变体飞机的高分辨距离像的变体部分，显著降低了变体飞机的高分辨距离像与对应的非变体飞机高分辨距离像之间的失配程度。附图说明图1是本发明的流程图；图2是本发明生成高分辨距离像样本集步骤中，非变体飞机与其对应的变体飞机的高分辨距离像图；图3是本发明的仿真实验结果图。具体实施方式下面结合附图对本发明做进一步的描述。参照图1，对本发明实现的具体步骤做进一步的描述。步骤1，构建深度置信网络。搭建一个三层深度置信网络，其结构依次为第一层受限玻尔兹曼机→第二层玻尔兹曼机→反向传播网络。设置深度置信网络的参数如下。将第一层受限玻尔兹曼机的隐含层输入节点设置为128，输出节点设置为200，批尺寸设置为200，迭代次数设置为3，学习率设置为0.002。将第二层受限玻尔兹曼机的隐含层输入节点设置为200，输出节点设置为250，批尺寸设置为200，迭代次数设置为3，学习率设置为0.002。将反向传播网络的隐含层输入节点设置为250，输出节点设置为h，h为高分辨距离像数据的维数。步骤2，生成训练样本集和测试样本集。将雷达接收到的每个类别的飞机目标在发生形变之前所有方位角下的非变体高分辨距离像数据，组成该类别飞机目标的非变体样本集，将雷达接收到的每个类别飞机目标在发生形变后所有方位角下的变体高分辨距离像数据，组成该类别飞机目标的变体样本集。按照方位角变化等间隔地从每个类别飞机目标的变体样本集中抽取一半的变体高分辨距离像数据构成变体样本子集，记录抽取的变体高分辨距离像数据的方位角，从每个类别飞机目标的非变体样本集中抽取相同方位角下的非变体高分辨距离像数据作为期望样本集，将抽取的变体样本子集和其所对应的期望样本集组成训练样本集。将变体样本集中剩余的变体高分辨距离像数据组成测试样本集。参照图2，对非变体样本集和变体样本集中的高分辨距离像做进一步的描述。图2(a)是从非变体样本集中随机选取的一幅非变体飞机的高分辨距离像图，横坐标为距离单元，纵坐标为高分辨距离像的幅度，雷达接收到的高分辨距离像中的支撑区，是基于高分辨距离像的目标识别方法的主要依据。图2(b)为变体样本集中与图2(a)对应的变体飞机的高分辨距离像图，横坐标为距离单元，纵坐标为高分辨距离像的幅度。对比图2(a)和图2(b)可以看出，图2(b)中的高分辨距离像图的支撑区与图2(a)相比发生了很大的变化，变体飞机的高分辨距离像相对于非变体飞机的高分辨距离像产生了明显的形变，存在严重的失配情况。步骤3，对样本集进行标准化预处理：利用重心公式计算训练样本集和测试样本集中每个高分辨距离像数据的重心。所述的重心公式如下。其中，ck是样本集中第k个高分辨距离像数据的重心，k＝1,2,…,k，k为样本集中高分辨距离像数据的总数，h是高分辨距离像数据的维度，xk(i)是样本集中第k个高分辨距离像数据的第i个元素，i＝1,2,…,h。用重心对齐公式，对训练样本集和测试样本集中每个高分辨距离像数据进行重心对齐，得到对齐后的训练样本集和测试样本集。所述的重心对齐公式如下。其中，dk是对样本集中第k个高分辨距离像数据进行重心对齐后的高分辨距离像数据，circshift表示右循环移位操作，xk是样本集中第k个高分辨距离像数据，ceil表示向上取整操作。用对齐后的训练样本集和测试样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模二范数，得到归一化后的训练样本集和测试样本集。步骤4，训练深度置信网络。将归一化后的训练样本集输入到深度置信网络中，逐层无监督的训练深度置信网络中的两层受限玻尔兹曼机，得到预训练后的深度置信网络。所述的逐层无监督的训练深度置信网络中的两层受限玻尔兹曼机的具体步骤如下。第1步，将归一化后的训练样本集输入到第一层受限玻尔兹曼机中，利用对比散度算法对该层受限玻尔兹曼机的神经元状态进行更新，然后对神经元状态进行吉布斯采样，再计算每个神经元状态被激活的概率，最后根据该概率利用随机梯度法对第一层受限玻尔兹曼机的参数进行更新，多次迭代以上过程直到算法收敛，得到第一层受限玻尔兹曼机的输出数据。第2步，将第一层受限玻尔兹曼机的输出数据输入到第二层受限玻尔兹曼机中，利用对比散度算法对该层受限玻尔兹曼机的神经元状态进行更新，然后对神经元状态进行吉布斯采样，再计算每个神经元状态被激活的概率，最后根据该概率利用随机梯度法对第二层受限玻尔兹曼机的参数进行更新，多次迭代以上过程直到算法收敛，得到第二层受限玻尔兹曼机的输出数据。将预训练后的深度置信网络中的受限玻尔兹曼机的输出数据输入到反向传播网络中，利用均方误差公式计算反向传播网络的输出数据与其对应的非变体飞机高分辨距离像之间的误差，从深度置信网络的顶层向下传播该误差，微调深度置信网络的参数，直到迭代4次为止，得到训练好的深度置信网络。所述的均方误差公式如下。其中，e表示反向传播网络的输出数据与其对应的非变体高分辨距离像数据之间的均方误差，‖·‖2表示求模二范数操作，ym表示归一化后的训练样本集中第m个方位角下的变体高分辨距离像数据所对应的反向传播网络的输出数据，m＝1,2,…,m,m表示训练样本集中变体高分辨距离像数据对应的方位角的个数，表示归一化的训练样本集中第m个方位角下的非变体高分辨距离像数据。步骤5，恢复变体高分辨距离像数据。将归一化后的测试样本集中的变体高分辨距离像数据输入到训练好的深度置信网络中，网络输出该变体高分辨距离像数据恢复出的非变体高分辨距离像数据。下面结合仿真实验对本发明的效果做进一步的描述。1.仿真实验条件本发明仿真实验采用三类飞机目标的高分辨距离像来检测本发明的方法。其中录取三类飞机目标高分辨距离像的雷达的具体参数为：中心频率5520mhz，带宽400mhz。三类飞机目标的参数如表1所示：表1三类飞机目标的参数飞机长度(m)宽度(m)高度(m)雅克-4236.3834.889.83安-2623.8029.208.58奖状14.4015.904.91其中，“雅克-42”飞机目标包含七段高分辨距离像数据，“安-26”飞机目标包含七段高分辨距离像数据，“奖状”飞机目标包含五段高分辨距离像数据。所有高分辨距离像均为128维。本实验选取“雅克-42”飞机目标的第二段和第五段高分辨距离像数据、“奖状”飞机目标的第六段和第七段高分辨距离像数据以及“安-26”飞机目标的第五段和第六段高分辨距离像数据作为训练样本的期望样本集，将上述非变体样本集中的高分辨距离像数据人为的加入变体分量后作为训练样本的变体样本集，然后将训练样本的变体样本集和期望样本集中组成训练样本集，将其余数据段的高分辨距离像数据作为测试样本的期望样本集，将测试样本的期望样本集中的高分辨距离像数据人为的加入变体分量后作为测试样本的变体样本集，将测试样本的变体样本集和期望样本集组成测试样本集，训练样本集包含156000个训练样本，测试样本集包含78000个测试样本，其中训练样本集中每类飞机包含52000个变体飞机的高分辨距离像，测试样本集中每类飞机包含26000个变体飞机的高分辨距离像。本发明的仿真实验的硬件测试平台为：intelcorei7cpu，主频3.4ghz，内存16gb，软件平台为：windows7操作系统和spyder(python3.6)。2.实验内容及结果分析本发明的仿真实验用本发明的方法对测试样本集中的变体飞机的高分辨距离像进行恢复。首先用训练样本集对卷积神经网络进行训练，然后将测试样本集输入到训练好的卷积神经网络中，得到对测试样本集中的变体飞机高分辨距离像恢复后的高分辨距离像。参照图3对恢复后的高分辨距离像图做进一步的描述。图3为本发明的方法对图2(b)中的变体飞机的高分辨距离像进行恢复后，得到的恢复后的高分辨距离像图，横坐标为距离单元，纵坐标为高分辨距离像的幅度，对比图2(a)和图3可以看出，本发明的方法对变体飞机的高分辨距离像进行恢复后消除了变体部分带来的影响，能够恢复出不含变体的高分辨距离像。综上所述，由本发明的仿真实验结果证明本发明的方法有效的消除了变体飞机高分辨距离像的变体部分，显著降低了变体飞机的高分辨距离像与对应的非变体飞机的高分辨距离像的失配程度，实验验证了本发明的方法的有效性。当前第1页12