(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210959515.9 (22)申请日 2022.08.11 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 黄钰林　裴季方　王陈炜　刘小钰　 杨建宇　张寅　杨海光　张永超　 (74)专利代理 机构 成都虹盛汇泉专利代理有限 公司 51268 专利代理师 王伟 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G01S 7/41(2006.01) G01S 13/90(2006.01) (54)发明名称 一种基于递归设计的轻量级小样本雷达目 标识别方法 (57)摘要 本发明公开了一种基于递归设计的轻量级 小样本雷达目标识别方法， 首先在训练阶段， 将 少量带标签样本输入到网络中， 其特征图通过由 深度可分离卷积和协调注意力机制组成的轻量 级多级交叉融合CNN， 利用聚类间距离的损失构 建特征嵌入空间和训练特征嵌入网络， 再利用 LM‑SoftMax提升分类器和训练最后几个卷积层， 最后通过聚类间距离的损失和LM ‑SoftMax的损 失组合交替双损失更新网络， 进一步优化网络， 从而实现目标识别。 本发明的方法可以有效利用 双损失交替优化的方式， 学习鉴别类别间与类别 内的有效特征， 在小样本背景下实现雷达目标精 确识别， 与其他小样本目标识别方法相比， 可 以 有效地提高小样本情况下的网络识别精度和鲁 棒性。 权利要求书2页 说明书5页 附图2页 CN 115331038 A 2022.11.11 CN 115331038 A 1.一种基于递归设计的轻量级 小样本雷达目标识别方法， 具体步骤如下： 步骤一、 在训练阶段， 少量带标签样本输入到网络 中， 其特征图通过由深度可分离卷积 和协调注意力机制组成的轻量级 多级交叉融合CN N； 步骤二、 利用聚类间距离的损失构建特 征嵌入空间和训练特 征嵌入网络； 步骤三、 利用LM ‑SoftMax提升分类 器和训练最后几个卷积层； 步骤四、 通过聚类间距离的损失和LM ‑SoftMax的损失组合交替双损失更新网络， 进一 步优化网络， 从而实现目标识别。 2.根据权利要求1所述的一种基于递归设计的轻量级小样本雷达目标识别方法， 其特 征在于， 所述 步骤二中： 设一个有N个样本和K个类别的分类识别任务， 利用主成分分析(principal  component   analysis， PCA)技术从展平特征图中提取第k类目标的相互特征mk， 对于所有第k类目标中 的样本{x1,x2,...,xi}， 采用欧式距离来计算其中一个样本xi和相互特征mk之间的距离， 可 表示为： d(xi,mk)＝|| ζ(xi)‑mk||2                       (1) 其中， ||·||2表示L2范数操作， ξ( ·)表示展平特 征图在PCA操作后的输出； 不同目标类别mk和ml的相互特 征间的欧氏距离可以由式(2)计算所 得： d′(mk,ml)＝‑||mk‑ml||2                       (2) 其中， ml指第l类目标的相互特 征； 则用于鉴别特 征的聚类间距离的损失可以由式(3)计算： 其中， mi指第i类目标的相互特 征， 指第k类目标中的第i个样本 。 3.根据权利要求1所述的一种基于递归设计的轻量级小样本雷达目标识别方法， 其特 征在于， 所述 步骤三中： 设一个有N个样本和K个类别的分类识别任务， 假设在输入标准SoftMax前网络的输出 向量为 fi为向量 的第i个元素， 输入网络的样 本为xi， 那么将样 本xi预测 为类别yi的概率表示为： 其中， k∈[1,K]为样本标签， 标准SoftMax的损失函数 可由式(5)计算： 当样本xi的类别预测正确时， 对于k∈[1,K]， 式(5)的意 义可由式(6)表示： 其中， 指输入样本xi的中间嵌入， 和Wk指多层卷积的权重向量， 上标T为矩阵转 置；权　利　要　求　书 1/2 页 2 CN 115331038 A 2LM‑SoftMax需要 其中， 指 和x之间的 角度， θk为Wk与x之间的角度， m是 预先设定的一个正整数； LM‑SoftMax需要严格的不 等式约束， 如式(7)所示： 其中， ψ( θ )＝( ‑1)qcos(mθ )‑2q， 且θ∈[(qπ/m),((q+1)π/m)]， q是范围在[0,m ‑1]的正整 数， LM‑SoftMax可由式(8)计算： 其中， yk指预测标签为第k类； LM‑SoftMax的损失函数 可由式(9)表示： 4.根据权利要求1所述的一种基于递归设计的轻量级小样本雷达目标识别方法， 其特 征在于， 所述 步骤四中： 通过在每一步训练中逐步控制两种损失所占的比例来训练整个网络， 在第t步训练时， 若LM‑SoftMax的损失为主导损失， 那么在第t步的总损失可表示 为： 其中， α 为调整在(t ‑1)步训练时， 聚类间距 离的损失 所占总损失比例的参数， 为 LM‑SoftMax的损失， 在第一步训练t＝1时， 总损失初始化为 若聚类间距离的损失 为主导损失， 在第t步的总损失则表示 为： 其中， β 为调整在(t ‑1)步训练时， LM ‑SoftMax的损失 所占总损失比例的参数。权　利　要　求　书 2/2 页 3 CN 115331038 A 3