一种基于无监督学习的特征表征方法及装置与流程

本发明涉及目标识别，特别涉及一种基于无监督学习的特征表征方法及装置。

背景技术：

1、目标电磁散射特性特征的研究是解决识别问题中非常关键的环节，识别特征是识别流程中必不可缺少的一部分。

2、相关技术中，由于传统特征提取算法的特征表达能力有限，导致不同场景下特征的可分性存在较大差异。

3、基于此，目前亟需一种基于无监督学习的特征表征方法及装置来解决上述技术问题。

技术实现思路

1、为了显著提高雷达目标特征的可分性，本发明实施例提供了一种基于无监督学习的特征表征方法及装置。

2、第一方面，本发明实施例提供了一种基于无监督学习的特征表征方法，包括：

3、获取雷达目标的特性数据；

4、将所述特性数据输入预先训练好的特征生成模型，输出得到利于分类的新特征；其中，所述特征生成模型是通过目标特征集合对参数优化后的神经网络进行训练得到的，所述目标特征集合是通过对初始特征集合进行构建得到的，所述初始特征集合是通过对所述特性数据进行滑窗特征提取得到的。

5、优选地，所述对所述特性数据进行滑窗特征提取，包括：

6、对所述特性数据进行预处理，得到不存在无效值和野值的标准数据；

7、基于雷达采样频率，确定目标滑窗特征的参数；

8、基于所述参数对所述标准数据进行特征提取，得到所述初始特征集合。

9、优选地，所述参数包括滑窗窗长和步长；

10、优选地，所述对初始特征集合进行构建，包括：

11、基于目标类型对所述初始特征集合中的目标特征点进行分类；

12、基于预设的方案对分类后的特征及进行处理，得到所述目标特征集合；其中，所述目标特征集合包括训练集和验证集。

13、优选地，所述各个目标特征点的个数为均等划分。

14、优选地，所述神经网络是通过如下公式建立的：

15、

16、a(2)＝f(z(2))

17、

18、a(3)＝f(z(3))

19、

20、式中，s为隐含层的神经元数量；p为输出层的神经元数量；w为神经网络的权重；b为神经网络的偏置；f(x)为激活函数；z为神经单元加权输入的变量；a为神经单元的输出变量；x为神经网络的输入向量。

21、优选地，所述神经网络是通过如下公式对参数进行优化更新的：

22、

23、mt＝β1mt-1+(1-β1)gt

24、vt＝β2vt-1+(1-β2)gt2

25、

26、

27、

28、

29、式中，gt为参数梯度；为损失函数；mt为t时刻梯度在动量形势下的一阶矩估计；vt为梯度在动量形势下的二阶矩估计；β1和β2均为衰减系数；和均为梯度偏差纠正后的移动平均值；θt+1为更新后的参数；η为学习率；ε为常数，用于避免分母为0；n为样本个数，为预测结果，y为真实结果。

30、第二方面，本发明实施例还提供了一种基于无监督学习的特征表征装置，包括：

31、获取模块，用于获取雷达目标的特性数据；

32、输出模块，用于将所述特性数据输入预先训练好的特征生成模型，输出得到利于分类的新特征；其中，所述特征生成模型是通过目标特征集合对参数优化后的神经网络进行训练得到的，所述目标特征集合是通过对初始特征集合进行构建得到的，所述初始特征集合是通过对所述特性数据进行滑窗特征提取得到的。

33、第三方面，本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。

34、第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。

35、本发明实施例提供了一种基于无监督学习的特征表征方法及装置，通过基于雷达回波信号进行滑窗特征提取，构建多种特征组合的特征集，每个窗长提取得到的所有特征构成特征集的一个样本点，采用编码器-解码器架构进行神经网络搭建，通过端到端的神经网络进行无监督训练，以获取得到编码器输出信息，即特征集的表征结果。通过上述方法为后续目标识别提供更有效的特征子集。

技术特征：

1.一种基于无监督学习的特征表征方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述对所述特性数据进行滑窗特征提取，包括：

3.根据权利要求2所述的方法，其特征在于，所述参数包括滑窗窗长和步长。

4.根据权利要求1所述的方法，其特征在于，所述对初始特征集合进行构建，包括：

5.根据权利要求4所述的方法，其特征在于，所述目标特征点的个数为均等划分。

6.根据权利要求1所述的方法，其特征在于，所述神经网络是通过如下公式建立的：

7.根据权利要求4所述的方法，其特征在于，所述神经网络是通过如下公式对参数进行优化更新的：

8.一种基于无监督学习的特征表征装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-7中任一项所述的方法。

技术总结
本发明提供了一种基于无监督学习的特征表征方法及装置，其中方法包括：获取雷达目标的特性数据；将所述特性数据输入预先训练好的特征生成模型，输出得到利于分类的新特征；其中，所述特征生成模型是通过目标特征集合对参数优化后的神经网络进行训练得到的，所述目标特征集合是通过对初始特征集合进行构建得到的，所述初始特征集合是通过对所述特性数据进行滑窗特征提取得到的。本方案，能够通过构建编码器解码器架构的自编码器网络对特征进行生成，得到有利于分类的新特征。

技术研发人员：李波,任红梅,盛晶
受保护的技术使用者：北京环境特性研究所
技术研发日：
技术公布日：2024/2/25