具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

本申请实施例中提供一种雷达目标识别模型的训练方法，本申请实施例中的识别方法，可应用于终端中，也可应用于服务器中，还可以是运行于终端或服务器中的软件等。终端可以是平板电脑、笔记本电脑、台式计算机等，但并不局限于此。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。参照图1，该方法主要包括以下步骤：

步骤110、获取包括多种类别的飞机的HRRP训练样本数据集；所述HRRP训练样本数据集中的各个训练样本带有分类标签，所述分类标签用于标记所述飞机的类别信息；

本申请实施例中，在获取雷达目标识别模型的训练数据时，采集多个类别的飞机的HRRP数据，然后将每个飞机对应的HRRP数据划分为多个数据段，得到一个HRRP序列作为一个训练样本，并为该训练样本标记它所对应的飞机类别作为分类标签。具体地，在获取训练数据集时，获取多个训练样本和他们分别对应的分类标签，例如获取的训练数据可以记为X＝{x(1),x(2),...,x(n)}，其中的x(n)表示第n个训练样本的HRRP数据，而第n个训练样本的HRRP数据又被划分为序列，故训练数据集又可以表示为{x₁(n),x₂(n),...,x_T(n)}，训练数据集对应的分类标签集可以记为Y＝{y(1),y(2),...,y(n)}。需要说明的是，本申请实施例中的飞机类别可以按照飞机的型号来区分，不同外形结构的飞机可以认为属于不同的类别。

步骤120、将所述训练样本输入到聚类模块中，得到所述训练样本在特征空间中的非线性映射变换数据；

本申请实施例中，雷达目标识别模型包括聚类模块。具体地，聚类模块中可以用于执行以下步骤：首先，对获取的训练样本，即HRRP数据进行非线性映射变换，从而得到训练样本在特征空间中的非线性映射变换数据。聚类模块进行非线性变换的公式可以表示为：

f_φ:x_i→z_i；

其中，x_i是HRRP数据，φ是模型需要学习的参数，是在特征空间中相对于x_i的嵌入(即非线性映射变换数据)，f_φ可通过神经网络进行参数学习。

步骤130、在所述特征空间中对所述非线性映射变换数据进行聚类，得到多个聚类中心的聚类数据；

本申请实施例中，聚类模块的作用就是将HRRP序列聚类到不同的信号区域，并获得其对应的区域向量，也即聚类中心的聚类数据。本申请实施例中，在特征空间中，可以同时学习K个聚类中心，参照图2，一般来说，K可以取3，也就是对HRRP聚类时的3个典型信号区域，分别为噪声区域、上升沿区域和下降沿区域。对于聚类模块来说，可以通过定义聚类损失L_c来衡量聚类的准确性，具体地，可以通过KL散度算法确定聚类损失L_c，记为第二损失值。

步骤140、将所述训练样本输入到区域分解模块中，得到所述训练样本各个聚类中心的特征数据；

步骤150、基于所述注意机制模块为所述特征数据分配权重，并根据分配权重后的所述特征数据确定所述训练样本的预测结果；

本申请实施例中，可以将训练样本输入到区域分解模块的RNN中，利用每个HRRP数据中距离单元之间的时间相关性提取特征数据，并且经过注意机制模块来提高对聚类中心区域的关注度。注意机制的目标是通过分配较大的权重给目标区域(聚类中心区域)的输出，来帮助模型将注意力集中在目标区域更具判别性的序列特征上。而根据提取的特征数据，雷达目标识别模型可以预测得到对应的类别输出结果，记为预测结果。

步骤160、根据所述预测结果和所述分类标签，确定所述雷达目标识别模型预测的第一损失值，并确定聚类的第二损失值；

本申请实施例中，在获取到雷达目标识别模型输出的预测结果后，根据预测结果和分类标签可以评估模型预测的准确性。对于模型来说，其预测结果的准确性可以通过损失函数(Loss Function)来衡量，损失函数是定义在单个训练样本上的，用于衡量一个训练样本的预测误差，具体是通过单个训练样本的分类标签和模型对该训练样本的预测结果确定该训练样本的损失值。而实际训练时，一个训练样本集有很多训练样本，因此一般采用代价函数(Cost Function)来衡量训练样本集的整体误差，代价函数是定义在整个训练样本集上的，用于计算所有训练样本的预测误差的平均值，能够更好地衡量出神经网络模型的预测效果。对于一般的模型来说，基于前述的代价函数，再加上衡量模型复杂度的正则项即可作为训练的目标函数，基于该目标函数便能求出整个训练样本集的损失值。常用的损失函数种类有很多，例如0-1损失函数、平方损失函数、绝对损失函数、对数损失函数等均可以作为机器学习模型的损失函数，在此不再一一阐述。本申请实施例中，可以选用交叉熵损失函数来确定第一损失值。

步骤170、根据所述第一损失值和所述第二损失值，对所述雷达目标识别模型的参数进行更新，得到训练好的雷达目标识别模型。

具体地，本申请实施例中对雷达目标识别模型的参数进行更新时，可以选用梯度下降法(Gradient Descent，GD)，梯度下降法是为目标函数求取全局最小值的一种常用迭代算法，它的种类有很多，例如批量梯度下降法(Batch Gradient Descent，BGD)、随机梯度下降法(Stochastic Gradient Descent，SGD)、小批量梯度下降法(Mini-batch GradientDescent，MBGD)等等。本申请实施例中，可以选用随机梯度下降法，其学习速率比较快，效果也十分良好。本申请实施例中，模型训练的收敛条件可以设置为满足迭代次数或者验证数据集的预测精度达到要求，例如当某次参数更新前后，预测结果的差异值小于预设阈值，则可以认为模型的性能满足要求，此时则停止雷达目标识别模型的参数更新，从而将当前的模型作为训练好的雷达目标识别模型。另外，可选地，本申请实施例中，在确定损失值时，还可以考虑前述的第二损失值，对第一损失值和第二损失值求和，得到第三损失值，然后根据第三损失值对模型进行训练，训练的具体过程类似，在此不再赘述。

参照图3，本申请实施例中，还提供一种雷达目标识别方法，类似地，该方法同样可应用于终端中，也可应用于服务器中，还可以应用于终端或服务器中的软件，用于实现一部分的软件功能。图3是本申请实施例中提供的一种雷达目标识别方法的一个可选的流程图，图3中的方法包括步骤310至步骤320。

步骤310、获取待识别的目标飞机的HRRP数据；

步骤320、将所述HRRP数据输入到如图1所示的雷达目标识别模型的训练方法训练得到的雷达目标识别模型中，得到所述目标飞机的类别识别结果。

本申请实施例中，对于待识别的目标飞机，可以通过采集其HRRP数据，输入到训练好的雷达目标识别模型，从而得到对应的类别识别结果。本申请实施例中，采用上述方法训练得到的模型在进行预测时，准确度可以达到92.85％，相对于现有技术中MaximumCorrelation Coefficient(MCC)、Adaptive Gaussian Classifier(AGC)、Hidden MarkovModel(HMM)、Fully Connected Network(FCN)等方法得到的预测精度都要高，可见本申请实施例中的识别效果更好，模型性能更好。

下面参照附图详细描述根据本申请实施例提出的基于雷达高分辨距离像的目标识别装置。

参照图4，本申请实施例中提出的基于雷达高分辨距离像的目标识别装置，所述装置采用雷达目标识别模型进行识别，所述雷达目标识别模型包括聚类模块、区域分解模块和注意机制模块，所述装置包括：

第一获取模块101，用于获取包括多种类别的飞机的HRRP训练样本数据集；所述HRRP训练样本数据集中的各个训练样本带有分类标签，所述分类标签用于标记所述飞机的类别信息；

输入模块102，用于将所述训练样本输入到聚类模块中，得到所述训练样本在特征空间中的非线性映射变换数据；

聚类模块103，用于在所述特征空间中对所述非线性映射变换数据进行聚类，得到多个聚类中心的聚类数据；

处理模块104，用于将所述训练样本输入到区域分解模块中，得到所述训练样本各个聚类中心的特征数据；

预测模块105，用于基于所述注意机制模块为所述特征数据分配权重，并根据分配权重后的所述特征数据确定所述训练样本的预测结果；

计算模块106，用于根据所述预测结果和所述分类标签，确定所述雷达目标识别模型预测的第一损失值，并确定聚类的第二损失值；

更新模块107，用于根据所述第一损失值和所述第二损失值，对所述雷达目标识别模型的参数进行更新，得到训练好的雷达目标识别模型；

第二获取模块108，用于获取待识别的目标飞机的HRRP数据；

识别模块109，用于将所述HRRP数据输入到训练好的雷达目标识别模型中，得到所述目标飞机的类别识别结果。

可以理解的是，上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

参照图5，本申请实施例提供了另一种基于雷达高分辨距离像的目标识别装置，包括：

至少一个处理器201；

至少一个存储器202，用于存储至少一个程序；

当至少一个程序被至少一个处理器201执行时，使得至少一个处理器201实现的雷达目标识别模型的训练方法。

同理，上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

本申请实施例还提供了一种计算机可读存储介质，其中存储有处理器201可执行的程序，处理器201可执行的程序在由处理器201执行时用于执行上述的雷达目标识别模型的训练方法或者雷达目标识别方法。

同理，上述方法实施例中的内容均适用于本计算机可读存储介质实施例中，本计算机可读存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或方框有时能以相反顺序被执行。此外，在本申请的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。

此外，虽然在功能性模块的背景下描述了本申请，但应当理解的是，除非另有相反说明，功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本申请是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本申请。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本申请的范围，本申请的范围由所附权利要求书及其等同方案的全部范围来决定。

功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。

尽管已经示出和描述了本申请的实施方式，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本申请的范围由权利要求及其等同物限定。

以上是对本申请的较佳实施进行了具体说明，但本申请并不限于实施例，熟悉本领域的技术人员在不违背本申请精神的前提下可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。