申请/专利权人：烟台大学

申请日：2024-01-16

公开（公告）日：2024-04-19

公开（公告）号：CN117572376B

主分类号：G01S7/41

分类号：G01S7/41;G06F18/214;G06F18/24;G06N3/0464;G06N3/084;G06N3/09;G06N5/04;G06N5/046

优先权：

专利状态码：有效-授权

法律状态：2024.04.19#授权;2024.03.08#实质审查的生效;2024.02.20#公开

摘要：本发明涉及无线电信号识别技术领域，具体公开了低信噪比弱小目标雷达回波信号识别装置及训练识别方法，雷达回波信号识别装置包括数据分块模块；数据分块模块后端设置有多通道深度神经网络模块；多通道深度神经网络模块后端设置有正向推理结果保存模块；正向推理结果保存模块后端设置有融合推理模块；融合推理模块后端设置有反馈训练接入模块；反馈训练接入模块后端连接在多通道深度神经网络模块上；多通道深度神经网络模块后端还设置有分类模型参数保存模块。采用该装置及训练和识别方法不仅可以得到很好的分类模型，还可以得到精确的分类识别结果，有效的区分信噪比低的强噪声和雷达弱小目标的回波数据。

主权项：1.低信噪比弱小目标雷达回波信号识别装置，其特征在于：所述雷达回波信号识别装置包括数据分块模块（1）；所述数据分块模块（1）后端设置有多通道深度神经网络模块（2）；所述多通道深度神经网络模块（2）后端设置有正向推理结果保存模块（3）；所述正向推理结果保存模块（3）后端设置有融合推理模块（4）；所述融合推理模块（4）后端设置有反馈训练接入模块（5）；所述反馈训练接入模块（5）后端连接在多通道深度神经网络模块（2）上；所述多通道深度神经网络模块（2）后端还设置有分类模型参数保存模块（6）；所述的低信噪比弱小目标雷达回波信号识别装置的训练方法，包括如下训练步骤：S1，对带有标签的输入数据输入到数据分块模块（1）中，得到分块的训练数据；S2，将分块的训练数据并行输入到多通道深度神经网络模块（2）中，通过多通道深度神经网络模块（2）中的网络结构和网络参数的正向推理运算，得到正向推理运算结果；S3，将每类输入数据的正向推理运算结果分批保存至正向推理结果保存模块（3）中，并将每批二维向量正向推理结果在每个维度上取平均值进行保存；S4，将保存的每类分批正向推理结果平均值逐个输入到融合推理模块（4）中，将正向推理结果平均值与输入数据的标签结果进行融合推理，得到融合推理结果并进行保存；S5，将融合推理结果逐个输入到反馈训练接入模块（5）中，将融合推理结果与正向推理结果的平均值做差，得到逐个的差值向量，将差值向量代入到反馈训练接入模块（5）中存储的多通道深度神经网络模型中，进行卷积神经网络对应的各层之间的反向推理算法的逐层反向推理，得到多通道深度神经网络模型新的网络模型参数；S6，将反馈训练接入模块（5）反向推理得到的多通道深度神经网络模型新的网络模型参数输入到多通道深度神经网络模块（2）中进行保存更新；S7，迭代步骤S2至S6，直至100次，将最后训练好的多通道深度神经网络模型的网络模型参数，发送至分类模型参数保存模块（6）中进行保存；所述步骤S1中带有标签的输入数据包括有经脉冲压缩后的雷达回波信号时域数据、经脉冲压缩后的雷达回波信号频域数据、雷达回波信号实部时域数据、雷达回波信号虚部时域数据、雷达回波信号频域数据；所述步骤S4中融合推理模块（4）的具体运算方法为：S4a，将正向推理结果保存模块（3）保存的相同标签结果随机抽取的10个训练输入数据的正向推理结果的平均值输入到融合推理模块（4）中；S4b，将正向推理结果平均值与保存的输入数据的标签结果进行基于DSmT框架中PCR5组合规则的融合推理，得到融合推理结果进行保存，并保存与分组的10个训练输入数据的对应关系；所述训练方法步骤S5中反馈训练接入模块（5）存储的多通道深度神经网络模型的随机初始参数为：卷积神经网络卷积层1的16个不同卷积核的随机初始参数、卷积神经网络卷积层2的32个不同卷积核的随机初始参数、卷积神经网络卷积层3的16个不同卷积核的随机初始参数、卷积神经网络池化层3的各个结点与卷积神经网络隐藏层100个结点之间的随机初始全连接参数、卷积神经网络隐藏层100个结点与卷积神经网络输出层2个结点之间的随机初始全连接参数；所述步骤S5中反馈训练接入模块（5）的具体运算方法为：S5a,将融合推理模块（4）保存的分组的10个训练输入数据的融合推理结果的平均值与正向推理结果保存模块（3）保存的同样的10个训练输入数据的正向推理结果的平均值做差，得到每个分组对应的逐个的差值向量；S5b，将每个分组对应的逐个的差值向量代入到反馈训练接入模块（5）保存的多通道深度神经网络模型中进行卷积神经网络对应的各层之间的反向推理算法的逐层反向推理，即按照卷积神经网络输出层到卷积神经网络隐藏层、卷积神经网络隐藏层到卷积神经网络池化层3、卷积神经网络池化层3到卷积神经网络卷积层3、卷积神经网络卷积层3到卷积神经网络池化层2、卷积神经网络池化层2到卷积神经网络卷积层2、卷积神经网络卷积层2到卷积神经网络池化层1、卷积神经网络池化层1到卷积神经网络卷积层1这样的顺序进行卷积神经网络对应的各层之间的反向推理算法的逐层反向推理，得到新的多通道深度神经网络模型参数，并保存更新；S5c，再随机选取10个输入训练数据，进行步骤S5a至S5b；S5d，迭代步骤S5c直至100次，得到训练好的多通道深度神经网络模型的网络模型参数，发送至分类模型参数保存模块（6）中进行保存。

全文数据：

权利要求：

百度查询： 烟台大学 低信噪比弱小目标雷达回波信号识别装置及训练识别方法

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