一种基于早期学习指导的半监督HRRP噪声标签过滤方法

本发明属于雷达，具体涉及一种基于早期学习指导的半监督hrrp噪声标签过滤方法。

背景技术：

1、雷达目标识别是指利用目标的雷达回波信号实现对目标类型的判定。高分辨距离像(hrrp，high resolution range profile)是通过宽带信号获取的目标散射点子回波在雷达视线上投影的矢量和，其中包含了目标的结构尺寸和结构信息。hrrp具有易获取、易存储、易处理等优点，使得基于hrrp的雷达目标识别已成为当前的研究热点。现有基于hrrp的目标识别方法均是假设数据集的标签完全正确，然而在实际环境中很难满足这一假设。

2、在实际环境中，采集非合作目标hrrp数据受众多因素影响。首先，电子干扰和欺骗技术会对hrrp数据采集造成严重影响。电子干扰会导致雷达系统对目标的追踪出现偏差，电子欺骗会生成虚假的雷达回波信号，这两者都会导致hrrp数据产生噪声标签。其次，复杂的实际环境也是影响hrrp数据采集的重要因素之一。在目标密集或视线受阻的环境中，雷达系统可能会将来自不同目标的信号错误地看作是单一目标，或者将多个目标的信号混合，从而产生噪声标签。此外，对方的伪装和欺骗策略也会使得雷达系统难以获取准确的目标信息。通过使用伪装手段来隐藏真实目标，使的雷达系统收集到有误的hrrp数据。最后，人为因素也不容忽视。在hrrp数据的采集和标注过程中，操作员的误判或误操作也将导致噪声标签。

3、综上，实际数据采集场景复杂，对于非合作目标的宽带回波数据采集存在错标、误标和未知标签等情况，这将导致现有的hrrp目标识别方法性能急剧退化甚至失效。

技术实现思路

1、为了解决现有技术中存在的上述问题，本发明提供了一种基于早期学习指导的半监督hrrp噪声标签过滤方法。本发明要解决的技术问题通过以下技术方案实现：

2、本发明提供了一种基于早期学习指导的半监督hrrp噪声标签过滤方法，包括：

3、s1：构建具有噪声标签的hrrp训练数据集及深度神经网络模型；

4、s2：将所述hrrp训练数据集输入所述深度神经网络模型进行多轮预训练，获得预训练后的网络模型；

5、s3：利用预训练后的网络模型对所述hrrp训练数据集进行预测，根据模型预测结果的置信度将所述hrrp训练数据集划分为两个数据集x和u；

6、s4：利用所述数据集x和u构建已知标签数据集和未知标签数据集以形成半监督训练数据集，并对所述半监督训练数据集中的数据进行数据增强；

7、s5：利用数据增强后的数据对所述预训练后的网络模型进行半监督训练；

8、s6：利用半监督训练后的网络模型生成所述未知标签数据集的标签，并对所述半监督训练后的网络模型进行全监督训练，获得全监督训练后的网络模型；

9、s7：利用所述全监督训练后的网络模型对待识别的hrrp数据进行目标识别。

10、在本发明的一个实施例中，构建具有噪声标签的hrrp训练数据集，包括：

11、构建具有噪声标签的hrrp训练数据集其中，n为所述hrrp训练数据集的数据总数，xi表示第i条hrrp数据，表示数据xi对应的目标信息标签，标签的正确与否未知且所述hrrp训练数据集中的一部分标签为错误标签。

12、在本发明的一个实施例中，预训练过程中使用的损失函数为广义交叉熵损失函数，所述广义交叉熵损失函数的表达式为：

13、

14、其中，表示广义交叉熵损失，fy(x；θ)为将数据样本x输入所述深度神经网络模型获得的标签类别预测概率，θ表示模型参数，q为预设常数。

15、在本发明的一个实施例中，所述s3包括：

16、利用所述预训练后的网络模型对所述hrrp训练数据集进行预测，根据模型预测结果将所述hrrp训练数据集划分为两个数据集x和u，其中，将模型预测置信度大于置信度阈值p的数据归入数据集x，将模型预测置信度小于置信度阈值p的样本归入数据集u；

17、对数据集x中的样本标签进行更新，获得数据集x中每个数据更新后的标签：

18、

19、其中，为数据样本xi更新后的标签，表示数据集x中的数据样本xi的模型预测概率分布，表示预训练后的深度神经网络模型将数据样本xi预测为第k类的概率，argmax{}表示选取预测概率最大值对应的目标类型标签。

20、在本发明的一个实施例中，利用所述数据集x和u构建已知标签数据集和未知标签数据集以形成半监督训练数据集，包括：

21、将标签更新后的数据集x作为所述半监督学习训练集的已知标签数据集，记作

22、去除数据集u的标签，将所述数据集u作为所述半监督学习训练集的未知标签数据集，记作dunlabeled＝{x|x∈u}。

23、在本发明的一个实施例中，对所述半监督训练数据集中的hrrp数据进行数据增强，包括：

24、对已知标签数据集dlabeled进行弱数据增强，得到增强后的数据集对未知标签数据集dunlabeled分别进行弱数据增强和强数据增强，得到增强后的数据集和其中，所述弱数据增强表示对数据依次进行随机裁剪、平移和随机翻转操作，所述强数据增强表示对数据依次进行随机裁剪、平移、随机翻转、加噪和随机覆盖操作。

25、在本发明的一个实施例中，所述s5包括：

26、将增强后的数据集和输入预训练后的深度神经网络模型，利用半监督损失函数进行半监督训练，获得半监督训练后的网络模型，所述半监督损失函数表示为：

27、l＝lq+λlp，

28、其中，lp表示一致性正则化损失，lq表示交叉熵损失，λ表示预设系数，

29、

30、

31、其中，|·|表示取模操作，表示求平方和，表示模型对弱数据增强后的数据的预测概率分布，表示模型对强数据增强后的数据的预测概率分布，表示交叉熵损失函数。

32、在本发明的一个实施例中，所述s6包括：

33、利用半监督训练后的网络模型为未知标签数据集dunlabeled中的数据生成标签：

34、

35、其中，px表示数据x的模型预测概率；

36、得到生成标签后的数据集合并数据集和dlabeled作为新训练集dnew；

37、利用所述新训练集dnew和交叉熵损失函数对所述半监督训练后的网络模型进行全监督训练直至模型收敛，获得全监督训练后的网络模型。

38、本发明的另一方面还提供了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序用于执行上述实施例中任一项所述基于早期学习指导的半监督hrrp噪声标签过滤方法的步骤。

39、本发明的又一方面还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如执行上述实施例中任一项所述基于早期学习指导的半监督hrrp噪声标签过滤方法的步骤。

40、与现有技术相比，本发明的有益效果有：

41、1、本发明旨在解决雷达目标识别领域的噪声标签问题，提出一种基于早期学习引导的半监督hrrp噪声标签学习方法，填充了hrrp噪声标签目标识别领域的空白。通过使用广义交叉熵损失函数作为模型早期训练的损失函数，提高数据划分质量，为半监督学习提供良好的数据支撑；提出了一组适用于hrrp的数据增强方案，使用半监督学习框架实现对噪声标签的重塑，极大地降低了噪声标签对模型的影响。相比现有技术，本发明可以更好地降低噪声标签对模型的影响，同时具备更好的稳定性、可实施性。

42、2、现有方法在模型早期学习阶段均使用交叉熵损失函数，该损失函数鲁棒性低，对噪声标签敏感。本发明在模型早期学习训练阶段使用广义交熵损失函数，该损失函数具有更高的鲁棒性，对噪声标签不敏感，极大提高了数据划分可靠性。

43、3、本发明通过结合弱数据增强和强数据增强技术，让模型在不同程度的扰动下给出一致的预测，这种一致性正则化策略显著提高了模型的泛化能力。模型不仅需要在原始数据上表现良好，还需要对经过各种变换的数据保持稳定的预测，这使得训练出的模型具有更高的鲁棒性。在生成伪标签时，仅当模型对其预测非常自信(即预测概率超过一定阈值)时才会使用这些伪标签进行训练。这种机制减少了错误伪标签的引入，从而降低了模型学习到错误信息的风险。通过这种方式，能够更鲁棒地处理未标注数据，提高了模型的整体性能。算法流程相对简单、易于实现，不需要复杂的网络结构或额外的训练阶段，这种简洁性使得可以很容易的应用于实际工程。

44、以下将结合附图及实施例对本发明做进一步详细说明。