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：电子科技大学

摘要：本发明属于目标识别技术领域，具体涉及一种基于嵌入预定的雷达一维像目标增量识别方法。本发明针对雷达一维像新目标识别中存在的灾难性遗忘问题，在嵌入空间中预分配虚拟类，从而为基础类保留空间，为新类预分配空间。在预训练阶段，分配虚拟类与基础类共同训练，增量学习阶段的新类别直接覆盖虚拟类的空间，不会占用基础类的空间，从而避免灾难性遗忘；同时我们设计了多个损失函数来压缩基础类的嵌入，为新类预留了更多的空间，从而保证新类的识别准确率。为了防止基础类空间被过度挤压，我们还通过流形混合预测了可能出现的新类。此外，在增量学习阶段，我们对新类别在全连接层的参数进行训练，提升了新类别的识别准确率。

主权项：1.一种基于嵌入预定的雷达一维像目标增量识别方法，其特征在于，包括以下步骤：S1、构建数据集：获取雷达目标一维像数据的幅度像数据，并划分为基础数据集和增量数据集，两个数据集包含不同的目标类型，定义基础数据集的目标类别数为N1，增量数据集的目标类别数为N2，总类别数N＝N1+N2，每类目标的样本数相同；S2、对S1的数据集进行归一化处理，将信号强度映射到-1，1上，获得训练集： 其中Ni代表类别数，Ni＝{N1，N2}；W代表采样点数；Ki代表第i类目标的训练样本数，Ki∈{Kbase_train，Knew_train}，Kbase_train表示基础数据集的训练样本数，Knew_train表示增量数据集的训练样本数；K该代表训练样本集合中总样本数；训练集的样本标签集表示为： 式中ytrainij表示样本xtrainij的类别标签；S3、构建预训练网络模型：包括一维残差网络和一层全连接层，其中一维残差网络由卷积层、批归一化层、relu激活函数、最大池化层以及4个残差块组成，一维残差网络为特征提取层，全连接层为分类层；一维残差网络的输入是基础数据集的训练样本： Ki＝Kbase_train输出是一个维度为Ki×N的预测结果logitstrain；S4、采用基础数据集的训练样本对S3构建的预训练网络进行训练，采用的损失函数为：L＝Ltrue+λbalanceLmask_true+Lvir+Lmask_vir+Lcent其中λbalance为超参数， 其中，Lce表示交叉熵损失，Lcenter表示中心损失，Ytrain表示样本的标签，表示与当前样本距离最近的虚拟类的标签，表示与样本z距离最近的基础类的标签，是基础数据集前N1类的预测结果，是当前样本在N2个虚拟类上的预测结果，表示虚拟样本z在虚拟类上的预测结果，表示是当前样本在N1个基础类上的预测结果： z＝g[λhxi+1-λhxi 其中λ∈[0,1]是超参数，表示基础类的分类器权重，hx是由一维卷积层、批归一化层、relu激活函数、最大池化以及一维残差网络的前两个残差块组成的网络，gx是由一维残差网络的后两个残差块、平均池化、全连接层组成，xi和xj是两个来自不同基础类的已知样本；采用梯度下降法更新网络参数，迭代多次直至收敛，得到训练后的预训练模型；S5、修改训练后的预训练模型，即冻结一维残差网络的参数；S6、通过增量学习，对修改训练后的预训练模型进行训练，具体为：使用增量数据集的训练样本Xtrain，Ki＝Knew_train，按照每次n类增量式地输入到S5中修改后的网络，一共输入N2个session，采用梯度下降法更新每个session中新类别的全连接层参数，迭代多次直至交叉熵损失收敛，将每个session中的n类样本对应的n个全连接层参数覆盖S5修改后的网络中n个虚拟类的全连接层参数，直到所有虚拟类都被覆盖，得到最后训练好的模型；S7、获取待识别的雷达目标一维像数据，输入到最后训练好的模型中进行识别。

全文数据：

权利要求：

百度查询： 电子科技大学 一种基于嵌入预定的雷达一维像目标增量识别方法