申请/专利权人:哈尔滨工业大学(威海)
申请日:2023-09-18
公开(公告)日:2023-12-08
公开(公告)号:CN117194951A
主分类号:G06F18/213
分类号:G06F18/213;G06F18/24;G06F18/15;G06N3/0464;G06N3/08;G06F18/27
优先权:
专利状态码:在审-实质审查的生效
法律状态:2023.12.26#实质审查的生效;2023.12.08#公开
摘要:本发明公开了基于联合特征提取与Stacking模型分类的HRRP目标识别方法,包括以下步骤:步骤1:获取HRRP数据,将HRRP数据取模并归一化处理;步骤2:提取归一化HRRP数据的非参数化特征;步骤3:将归一化后的HRRP数据输入到训练好的1D‑CNN模型中,获得HRRP数据的深层卷积特征;步骤4:将归一化后HRRP的几种非参数化特征和ConvHRRP特征进行融合,使用Stacking集成模型完成分类,得到HRRP目标识别结果。本发明结合HRRP的多种非参数化特征进行特征级融合,从而获得更加全面的特征表征,采用Stacking集成模型对多个基础分类器进行决策级融合,进一步提高了模型的识别精度和鲁棒性。其将1D‑CNN提取的HRRP参数化特征与多种HRRP非参数化特征联合使用,并结合Stacking集成分类方法,提高了HRRP目标识别精度。
主权项:1.基于联合特征提取与Stacking模型分类的HRRP目标识别方法,其特征在于,包括以下步骤:步骤1:获取HRRP数据,将HRRP数据取模并归一化处理,让数值限制在0到1之间,以消除HRRP数据的幅度敏感性;步骤2:提取归一化HRRP数据的非参数化特征,其包括功率谱、中心矩、回波能量、归一化标准差等特征;步骤3:将归一化后的HRRP数据输入到训练好的1D-CNN模型中,将网络中第一个全连接层的输出作为特征数据,获得HRRP数据的深层卷积特征,以下称为ConvHRRP;步骤4:将归一化后HRRP的几种非参数化特征和ConvHRRP特征进行融合,将联合特征数据输入到训练好的Stacking集成模型中,得到HRRP目标识别结果。
全文数据:
权利要求:
百度查询: 哈尔滨工业大学(威海) 基于联合特征提取与Stacking模型分类的HRRP目标识别方法
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。