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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD