买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安电子科技大学

摘要：本发明公开了一种基于长短期记忆LongShort‑TermMemory,LSTM‑双注意力模块DualAttentionModule,DAM的雷达高分辨距离像目标识别方法，利用双向LSTM网络作为基础网络，将双向LSTM网络的输出作为DAM的输入，DAM可以通过PAM提取目标沿雷达视线方向的投影结构特征，通过CAM提取目标投影结构沿方位向的连续变化特征，并将经PAM和CAM处理得到的特征进行融合，获取融合特征，相较于单一特征，融合特征对目标结构和姿态变化特性描述更为全面，进而利用融合特征实现目标的准确识别。

主权项：1.基于LSTM-DAM网络的雷达距离像目标识别方法，其特征在于，包括以下步骤：步骤1，连续获取雷达高分辨一维距离像数据，对该高分辨一维距离像数据依次进行能量中心对齐和取距离像实包络处理，得到预处理后的高分辨一维距离像数据，形成训练样本集X；其中，一个训练样本为一幅预处理后的高分辨一维距离像，且训练样本集X中包含目标的所有姿态角的回波数据；所述能量中心对齐的具体步骤如下：1.1对于第i次回波数据，计算该次回波的总能量Ei，其中i＝1,2,…,N；1.2从第i次回波数据的第一个数值开始累积能量，直到能量累积到总能量的一半Ei2时，记下当前的位置pi，其中i＝1,2,…,N；1.3以第1次回波作为基准，调整其余每次回波的能量中心的位置pi至第一次回波的位置；所述取距离像实包络为对第i次一维距离像数据为xi中每个元素取模值；其中，xi数据类型为复数；步骤2，搭建LSTM-DAM网络模型；采用训练样本集对所述LSTM-DAM网络模型的网络参数进行训练，得到训练好的LSTM-DAM网络；所述搭建LSTM-DAM网络模型，具体步骤为：2.1搭建双向LSTM网络结构，得到C1；2.2设计DAM结构，得到C2；C2包含PAM和CAM，其中，DAM为双注意力模块，PAM为位置注意力模块，CAM为通道注意力模块；2.3将1×1的卷积层、两层全连接层和softmax分类器级联，得到C3，其中，softmax分类器的函数表达式为其中，fxk表示网络判断输入样本属于第k类样本的概率，C表示数据集中的目标类别个数，xk为第二层全连接层神经元的第k个输出；将步骤2.1-2.3的结构依次级联，得到LSTM-DAM网络模型；所述采用训练样本集对所述LSTM-DAM网络模型的网络参数进行训练，具体步骤为：2.4初始化LSTM-DAM网络中LSTM网络、1×1卷积层、全连接层参数的权值和偏置为wold；2.5将训练样本集输入到LSTM网络，计算LSTM网络的输出；2.6将LSTM网络的输出输入到DAM，计算DAM输出的融合特征；2.7将DAM输出的融合特征经过1×1的卷积层、全连接层和softmax分类器，计算出LSTM-DAM网络输出的分类结果yk；2.8LSTM-DAM网络使用交叉熵函数Lwold作为损失函数，Lwold的表达式为： 其中，C为目标的类别个数，tk为LSTM-DAM网络输入样本的真实标签，ykwold为LSTM-DAM网络输出的分类结果，wold为LSTM-DAM网络的所有可训练参数；2.9对权值进行更新，更新公式为：wnew＝wold-ηΔLwold其中，wnew为更新后得到的新权值，wold为权值更新前的权值，η为学习率，ΔLwnew为损失函数Lwold对wold的偏导，即2.10令wold＝wnew；迭代执行步骤2.4-2.10，当相邻两次迭代损失函数差值的绝对值小于设定的阈值ε时，停止迭代，此时得到权值w的最优值，即得到训练好的LSTM-DAM网络的参数；步骤3，获取待识别目标回波数据，对该待识别目标回波数据进行能量中心对齐和取距离像实包络处理后，输入训练好的LSTM-DAM网络进行目标识别，输出识别结果；其中，待识别目标回波数据的目标类型包含于训练样本集中的目标类型中。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于LSTM-DAM网络的雷达距离像目标识别方法