一种基于元学习的少样本空中目标ISAR图像分类方法

一种基于元学习的少样本空中目标isar图像分类方法
技术领域
1.本发明涉及逆合成孔径雷达(isar)成像遥感应用领域，尤其是涉及一种基于元学习的少样本空中目标isar图像分类方法。


背景技术：

2.逆合成孔径雷达(inverse synthetic aperture radar，isar)是一种基于雷达技术的成像方法，可以对运动目标进行高分辨率的成像。由于isar可以在远距离、恶劣天气条件下对目标进行高分辨率成像，同时可以对复杂的目标进行重构和分析，isar被广泛应用于目标识别、导航、制导、侦察等领域。
3.基于深度学习方法的isar目标分类是利用深度学习模型对isar图像进行特征提取和分类，实现对目标的高精度识别。和传统的isar目标识别分类方法相比，基于深度学习方法具有以下优点：(1)通过大量的数据自动学习特征，不需要人工设计特征；(2)具有很强的泛化能力，可以适应不同类型的目标；(3)可以处理高维数据，适用于isar图像的复杂特征提取。因此，isar基于深度学习方法的目标识别分类方法在军事和民用领域都有重要的应用价值。
4.然而，由于需要对目标进行跟踪和运动补偿等复杂操作，获取isar图像往往需要耗费较多的人力与时间。同时，由于目标在运动过程中存在着多样性和变化性，isar图像获取难度大。并且，即便是同一类目标，也可能出现不同姿态、旋转、遮挡等情况，导致了isar图像数据的分布不均和数据量不足。因此在利用isar图像进行目标识别分类时，会面临数据量不足，即少样本的问题，需要采用少样本目标识别技术进行处理，以提高识别准确率和鲁棒性。


技术实现要素：

5.本发明的目的是为了提供一种基于元学习的少样本空中目标isar图像分类方法，将元学习方法应用于isar少样本空中目标isar图像分类任务，以提高模型在少样本条件下对空中目标分类的精度。
6.本发明的目的可以通过以下技术方案来实现：
7.一种基于元学习的少样本空中目标isar图像分类方法，包括以下步骤：
8.s1、isar仿真成像，数据集制作：进行空中目标三维建模，计算出典型空中目标模型的回波数据，并从仿真回波数据中恢复出空中目标的isar图像，获得多种空中目标isar仿真图像数据集；
9.s2、数据预处理和划分：对获取的空中目标isar仿真图像进行预处理，生成飞机类型标签，并将数据集划分为元训练数据集、元测试数据集，其中，元训练数据集被划分为元训练支撑集和元训练查询集，元测试数据集被划分为元测试支撑集和元测试查询集；
10.s3、搭建meta-isar模型：搭建基于神经网络的元学习分类网络模型meta-isar，模型结构包括基于基学习器的内循环网络和基于元学习器的外循环网络，其中，所述基学习
器用于进行空中目标isar图像分类任务的特征提取和分类操作，基学习器提取的特征输入元学习器中，用于生成适用于新任务的快速学习策略；
11.s4、元学习迭代训练：使用空中目标isar元训练数据集，对meta-isar模型进行迭代训练，最小化损失函数直至模型收敛，其中，所述meta-isar模型的训练包括内循环和外循环两个部分，内循环在单个任务上进行，通过梯度更新调整模型参数，外循环在多个任务上进行，不断调整模型的初始参数；
12.s5、模型测试和性能评估：利用训练好的meta-isar模型，在空中目标isar图像元测试数据集上进行测试，获取分类准确率，并综合评估模型性能。
13.所述s1包括以下步骤：
14.s11、建立空中目标三维模型，所述空中目标为不同类型的飞机，通过三维建模软件，对目标飞机进行精准三维建模；
15.s12、剖分面元，通过使用电磁仿真软件对空中目标三维模型进行三角面元剖分，以确保快速高效的散射计算；
16.s13、利用电磁仿真进行高效快速计算，利用双向射线追踪法计算空中目标模型的回波数据；
17.s14、isar成像：通过成像算法，从仿真回波数据中恢复出空中目标多角度isar图像，获得多种类型的空中目标isar仿真图像数据集。
18.所述空中目标的飞机类型包括：空中客车a320，f/a-18战斗攻击机，f-35战斗机，f117a短波雷达隐形飞机，j-20战斗机，b-2轰炸机，globalhawk全球鹰无人侦察机，sr-71侦察机，苏-47战斗机，yf-23战斗机。
19.所述s2包括以下步骤：
20.s21、对原始isar仿真图像进行预处理，调整图像大小；
21.s22、对每种类型的空中目标进行标记，生成飞机类型标签；
22.s23、划分元训练数据集(meta-training set)和元测试数据集(meta-test set)，将元训练数据集(meta-training set)标记为d
tr
，元测试数据集(meta-test set)标记为d
te
，元训练数据集d
tr
用于训练元学习模型，即在该数据集上训练模型参数，使得模型能够快速适应新任务；而元测试数据集d
te
则用于评估训练好的元学习模型在新任务上的泛化能力，即在该数据集上测试模型的分类准确率等性能指标。其中，在少样本条件的元学习中，元训练数据集d
tr
和元测试数据集d
te
中包含的空中目标的种类互不相交，即d
tr
ιd
te
＝φ。
23.s24、对元训练数据集和元测试数据集分别划分支撑集和查询集：对于每一个n-way k-shot的元任务(task)，从任务的训练样本中选择k个样本作为支撑集(support set)，剩余样本作为查询集(query set)，支撑集用于在元学习算法的内循环中更新模型参数，查询集用于在元学习算法的外循环中评估模型性能。
24.所述划分元训练数据集和元测试数据集具体为：将空中客车a320、f/a-18战斗攻击机、f-35战斗机、f117a短波雷达隐形飞机、j-20战斗机这5类空中目标的数据划分为元训练数据集，对剩余的5类空中目标：b-2轰炸机、globalhawk全球鹰无人侦察机、sr-71侦察机、苏-47战斗机、yf-23战斗机，归入元测试数据集。
25.所述s3包括以下步骤：
26.s31、构建特征提取器的卷积模块；
27.s32、搭建基学习器(base learner)框架，所述基学习器以isar仿真图像为输入，输出分类结果，包括特征提取器和分类器，其中，所述特征提取器由卷积模块级联而成；
28.s33、搭建元学习器(meta learner)框架，在外循环中，元学习器基于基学习器提取的特征，使用多个任务的共性信息更新基学习器的权重参数和学习率等超参数，从而提高基学习器的泛化能力和快速适应新任务的能力。
29.所述卷积模块的结构包括3
×
3卷积层、批量归一化、relu激活函数以及2
×
2最大池化层。
30.所述s4包括以下步骤：
31.s41、定义meta-isar模型需要学习的超参数：基学习器的网络参数θ和基学习器中的学习率α
*
，同时，随机初始化基学习器网络参数θ；
32.s42、从任务分布中采样一个任务批次
33.s43、对于任务批次里面的每一个任务从中随机采样k个样本：
34.d＝{x(i)，y(i)}
35.其中，x(i)是第i个样本，y(i)是该样本对应的标签，d是k个样本对应的数据集；
36.s44、定义模型损失函数，使用交叉熵损失函数对模型进行训练，并计算模型在元训练数据集上的损失，模型损失函数为：
[0037][0038]
其中，f
θ
是基学习器对应的网络函数；
[0039]
s45、进行反向传播，计算基学习器网络参数的梯度，梯度为：
[0040][0041]
s46、通过梯度下降算法，根据损失函数更新基学习器网络参数和学习率，以最小化损失函数：
[0042][0043]
s47、不断迭代步骤s42-s46，直至遍历完当前批次里的所有任务，完成内循环网络中参数θ的更新；
[0044]
s48、使用梯度下降方法，根据内循环网络得到的更新好的参数，在外循环网络中对初始化参数以及学习率进行更新；
[0045][0046]
其中，β是外循环中的学习率；
[0047]
s49、不断迭代执行步骤s42-s48，直至模型收敛。
[0048]
所述s5包括以下步骤：
[0049]
s51、使用空中目标isar元测试数据集对训练好的meta-isar模型进行测试；
[0050]
s52、计算模型在元测试数据集上的分类准确率，其中，所述分类准确率定义为正确分类的样本数占总样本数的比例：
[0051][0052]
s53、综合评估模型性能：综合评估模型的分类准确率和泛化能力，并与传统机器学习k-近邻算法(k-nearest neighbor，knn)进行比较，计算meta-isar模型的学习增益(learning gain)，确定模型的性能和有效性；
[0053]
s54、优化模型：根据性能评估结果，对meta-isar模型进行优化和改进，提高其性能和泛化能力。
[0054]
所述学习增益定义为：
[0055][0056]
其中，acc
meta
是meta-isar模型在元测试数据集上的分类准确率，acc
knn
是k-近邻算法在isar仿真图像数据集上的分类准确率。
[0057]
与现有技术相比，本发明具有以下有益效果：
[0058]
(1)本发明的基于元学习的少样本空中目标isar图像分类方法，针对isar图像不容易获取、数据量小等问题，将元学习应用到少样本条件下空中目标isar图像分类任务中，通过元学习技术学习如何更好地学习，从而提高了模型在少量数据上的泛化性能。
[0059]
(2)本发明的模型在元训练和元测试阶段都面临着完全不同的空中目标，实验结果表明本发明在5-way 10-shot任务中模型的分类精度可以高达98.20％，即，本发明提高了模型在少样本条件下对空中目标分类的精度。
[0060]
(3)本发明通过采用基于元学习的模型，对isar图像进行特征提取和分类，实现对空中目标的高效、准确的识别，对于军事、民用等领域具有重要的应用前景。
附图说明
[0061]
图1是本发明的方法流程图；
[0062]
图2是本发明实施例中isar仿真成像，数据集制作的流程图；
[0063]
图3是本发明实施例中isar仿真生成样本图像的示意图；
[0064]
图4是本发明实施例中数据集的划分方式示意图；
[0065]
图5是本发明实施例中基学习器的网络结构示意图；
[0066]
图6是本发明实施例中元学习器与基学习器整体网络架构示意图；
[0067]
图7是本发明实施例中元学习器与基学习器之间交互，策略更新与快速适应新任务的过程示意图；
[0068]
图8是本发明实施例中meta-isar模型框架示意图；
[0069]
图9是本发明实施例中利用本发明方法得到的空中目标isar图像分类准确率的结果图。
具体实施方式
[0070]
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于
下述的实施例。
[0071]
本实施例提供一种基于元学习的少样本空中目标isar图像分类方法，如图1所示，包括以下步骤：
[0072]
s1、isar仿真成像，数据集制作：进行空中目标三维建模，计算出典型空中目标模型的回波数据，并从仿真回波数据中恢复出空中目标的isar图像，获得多种空中目标isar仿真图像数据集。
[0073]
如图2所示，s1主要由三维建模，面元剖分，barp算法计算回波，bp后向传播成像四个部分组成，具体包括以下步骤：
[0074]
s11、建立空中目标三维模型，空中目标为不同类型的飞机，通过三维建模软件，对目标飞机进行精准三维建模。
[0075]
本实施例中，空中目标的飞机类型包括：空中客车a320，f/a-18战斗攻击机，f-35战斗机，f117a短波雷达隐形飞机，j-20战斗机，b-2轰炸机，globalhawk全球鹰无人侦察机，sr-71侦察机，苏-47战斗机，yf-23战斗机。
[0076]
通过三维建模软件，对10类目标飞机进行精准三维建模，部分实例可见图2第一步三维建模部分。
[0077]
s12、剖分面元，通过使用电磁仿真软件对空中目标三维模型进行三角面元剖分，以确保快速高效的散射计算；考虑到目标三维结构的复杂性，将其剖分成平面三角网格(面元)，实例可见图2第二步网格剖分部分。
[0078]
s13、利用电磁仿真进行高效快速计算，利用双向射线追踪法bart(bidirectional analytical ray tracing)计算空中目标模型的回波数据。
[0079]
s14、isar成像：通过bp(back-projection)成像算法，从仿真回波数据中恢复出空中目标多角度isar图像，获得10类空中目标isar仿真图像数据集。
[0080]
表1展示了本实例中isar成像过程的具体参数，图3展示了本实例中以globalhawk全球鹰无人侦察机为例，isar仿真全方位角生成样本示意图。
[0081]
表1 isar成像参数设置
[0082]
参数名称参数数值中心频率9.65ghz带宽300mhz采样点数241距离向分辨率0.5m方位向积累角1.78
°
方位维采样点数241方位向分辨率0.5m俯仰角135
°
[0083]
s2、数据预处理和划分：对获取的空中目标isar仿真图像进行预处理，生成飞机类型标签，并将数据集划分为元训练数据集、元测试数据集，其中，元训练数据集被划分为元训练支撑集和元训练查询集，元测试数据集被划分为元测试支撑集和元测试查询集。
[0084]
具体的，s2包括以下步骤：
[0085]
s21、对原始isar仿真图像进行预处理，，将原始图像的大小统一调整为88
×
88像
素。
[0086]
s22、对每种类型的空中目标进行标记，生成飞机类型标签。
[0087]
s23、划分元训练数据集(meta-training set)和元测试数据集(meta-test set)，将元训练数据集(meta-training set)标记为d
tr
，元测试数据集(meta-test set)标记为d
te
，元训练数据集d
tr
用于训练元学习模型，即在该数据集上训练模型参数，使得模型能够快速适应新任务；而元测试数据集d
te
则用于评估训练好的元学习模型在新任务上的泛化能力，即在该数据集上测试模型的分类准确率等性能指标。其中，在少样本条件的元学习中，元训练数据集d
tr
和元测试数据集d
te
中包含的空中目标的种类互不相交，即d
tr
ιd
te
＝φ。
[0088]
具体来说，本实施例将空中客车a320、f/a-18战斗攻击机、f-35战斗机、f117a短波雷达隐形飞机、j-20战斗机这5类空中目标的数据划分为元训练数据集d
tr
，对剩余的5类空中目标：b-2轰炸机、globalhawk全球鹰无人侦察机、sr-71侦察机、苏-47战斗机、yf-23战斗机，归入元测试数据集d
te
。
[0089]
表2展示了元训练数据集d
tr
和元测试数据集d
te
具体的划分情况与各个种类飞机对应的样本数量。
[0090]
表2isar成像参数设置
[0091][0092]
s24、对元训练数据集和元测试数据集分别划分支撑集和查询集：对于每一个n-way k-shot的元任务(task)，从任务的训练样本中选择k个样本作为支撑集(support set)，剩余样本作为查询集(query set)，支撑集用于在元学习算法的内循环中更新模型参数，查询集用于在元学习算法的外循环中评估模型性能。
[0093]
元训练数据集d
tr
和元测试数据集d
te
中，均需要进行支撑集和查询集的划分。元训练集数据中的元任务用于训练元学习模型，在每一个元任务中，都需要按照上述步骤划分出支撑集和查询集，从而得到元训练支撑集和元训练查询集元测试数据集中的元任务用于测试元学习模型的泛化能力，同样也需要按照上述步骤划分出支撑集和查询集，从而得到元测试支撑集和元测试查询集
[0094]
图4展示了元训练数据集d
tr
，元测试数据集d
te
，元训练支撑集元训练查询集元测试支撑集元测试查询集概念之间的关系。
[0095]
s3、搭建meta-isar模型：搭建基于神经网络的元学习分类网络模型meta-isar，模型结构包括基于基学习器的内循环网络和基于元学习器的外循环网络。
[0096]
具体的，s3包括以下步骤：
[0097]
s31、构建特征提取器的卷积模块：对于每个卷积模块，采用3
×
3卷积层、批量归一化、relu激活函数以及2
×
2最大池化层构建，对应图5的特征提取器中的每一个块。
[0098]
s32、搭建基学习器(base learner)框架。在meta-isar模型中，基学习器是内循环的组成部分，用于处理具体任务的特征提取和分类操作。基学习器以isar仿真图像为输入，输出分类结果，包括特征提取器和分类器，其中，特征提取器由卷积模块级联(串联)而成，分类器由一个全连接层后接softmax函数组成。基学习器整体的网络结构可见图5。
[0099]
s33、搭建元学习器(meta learner)框架。在meta-isar模型中，元学习器是外循环的组成部分，用于综合多个任务的共性信息，生成适用于新任务的快速学习策略。在外循环中，元学习器基于基学习器提取的特征，使用多个任务的共性信息更新基学习器的权重参数和学习率等超参数，从而提高基学习器的泛化能力和快速适应新任务的能力。
[0100]
在meta-isar框架中，基学习器提取出的特征被输入到元学习器中，即将其网络中的结果反馈给元学习器，元学习器根据得到的反馈，指导基学习器网络的参数初始化以及学习率的设置，生成适用于新任务的快速学习策略。这个过程可以通过元学习器更新基学习器的权重参数和学习率超参数来实现，从而加快新任务的学习速度。图6展示了元学习器与基学习器整体网络架构。
[0101]
图7展示了元学习器与基学习器之间交互，策略更新与快速适应新任务的过程。更具体地说，基学习器本身依赖于与任务相关的矩阵来计算损失，并在其内部迭代更新。基学习器通过随机梯度下降的方法，运行n步得到反馈并传给元学习器后，元学习器计算外循环的梯度，根据反馈更新模型。优化后的元学习器进一步生成更好的元知识，这些元知识作为模型的一部分输入到基学习器中，从而形成一个优化循环。
[0102]
s4、元学习迭代训练：使用空中目标isar元训练数据集，对meta-isar模型进行迭代训练，最小化损失函数直至模型收敛，其中，所述meta-isar模型的训练包括内循环和外循环两个部分，内循环在单个任务上进行，通过梯度更新调整模型参数，外循环在多个任务上进行，不断调整模型的初始参数。
[0103]
具体的，s4包括以下步骤：
[0104]
s41、定义meta-isar模型需要学习的超参数：基学习器的网络参数θ和基学习器中的学习率α
*
，同时，随机初始化基学习器网络参数θ；
[0105]
s42、从任务分布中采样一个任务批次
[0106]
s43、对于任务批次里面的每一个任务从中随机采样k个样本：
[0107]
d＝{x(i)，y(i)}
[0108]
其中，x(i)是第i个样本，y(i)是该样本对应的标签，d是k个样本对应的数据集；
[0109]
s44、定义模型损失函数，使用交叉熵损失函数对模型进行训练，并计算模型在元训练数据集上的损失，模型损失函数为：
[0110]
[0111]
其中，f
θ
是基学习器对应的网络函数；
[0112]
s45、进行反向传播，计算基学习器网络参数的梯度，梯度为：
[0113][0114]
s46、通过梯度下降算法，根据损失函数更新基学习器网络参数和学习率，以最小化损失函数：
[0115][0116]
s47、不断迭代步骤s42-s46，直至遍历完当前批次里的所有任务，完成内循环网络中参数θ的更新；
[0117]
s48、使用梯度下降方法，根据内循环网络得到的更新好的参数，在外循环网络中对初始化参数以及学习率进行更新；
[0118][0119]
其中，β是外循环中的学习率；
[0120]
s49、不断迭代执行步骤s42-s48，直至模型收敛。
[0121]
图8为meta-isar模型框架示意图，通过不断迭代训练任务，可以得到一个经过学习的学习函数，而这个学习函数可以生成基学习器中需要使用分类函数，用于少样本isar的分类任务。在图8中，共有n个训练任务，经过神经网络的训练，得到了一个模型学习到的“学习函数”，这个学习函数可以生成分类函数，当把测试任务中的样本传递给分类函数时，分类函数就可以输出对应的预判断的空中目标的类型，在例子中，测试任务中查询集的样本类别为全球鹰globalhawk战斗机，而分类函数也将其判断为全球鹰globalhawk战斗机，与样本标签一致。
[0122]
s5、模型测试和性能评估：利用训练好的meta-isar模型，在空中目标isar图像元测试数据集上进行测试，获取分类准确率，并综合评估模型性能。
[0123]
具体的，s5包括以下步骤：
[0124]
s51、使用空中目标isar元测试数据集对训练好的meta-isar模型进行测试。
[0125]
s52、计算模型在元测试数据集上的分类准确率，其中，分类准确率acc定义为正确分类的样本数占总样本数的比例：
[0126][0127]
经过计算，可以得到各个类别在不同的n-way k-shot任务下的准确率结果。在少样本学习中，n-way k-shot是一种评估模型性能的方式。n-way表示样本的类别数，k-shot表示在每个任务中，每个种类所提供的训练样本数。
[0128]
具体来说，对于一个n-way k-shot分类任务，模型的训练集通常包含n个类别，每个类别都包含k个样本。模型通过学习这k个样本来学习每个类别的特征。在测试时，模型需要对n个类别中的每个类别进行分类，每个类别只提供一个或者少于k个样本。评估模型的性能是看模型能够正确分类多少个测试样本。
[0129]
例如，在一个5-way 1-shot的分类任务中，训练集包含5个类别，每个类别只有1个
训练样本。测试集也包含5个类别，每个类别只有1个测试样本。模型需要根据训练样本学习每个类别的特征，然后在测试时对测试样本进行分类，评估模型的性能是看模型能够正确分类多少个测试样本。
[0130]
在本实例中，训练和测试任务，所含样本的类别都各为5，分别对应元训练数据集d
tr
和元测试数据集d
te
。因此本实施例中，训练和测试任务均为5-way k-shot任务，以下表3是模型的测试准确率的实验结果：
[0131]
表3 meta-isar测试准确率实验结果
[0132]
5-way k-shotmeta-isar测试准确率5-way k-shotmeta-isar测试准确率k＝175.70％k＝695.07％k＝282.90％k＝796.00％k＝388.13％k＝896.44％k＝490.40％k＝997.90％k＝593.95％k＝1098.20％
[0133]
s53、综合评估模型性能：综合评估模型的分类准确率和泛化能力，并与传统机器学习k-近邻算法(k-nearest neighbor，knn)进行比较，计算meta-isar模型的学习增益(learning gain)，确定模型的性能和有效性。
[0134]
学习增益定义为：
[0135][0136]
其中，acc
meta
是meta-isar模型在元测试数据集上的分类准确率(测试准确率)，acc
knn
是k-近邻算法在isar仿真图像数据集上的分类准确率(测试准确率)。
[0137]
在本实施例中，经过实验获得了k-近邻算法的分类准确率，在此基础上，计算本发明的元学习模型在不同任务中取得的学习增益，如表4与图9所示。图9中，左栏为meta-isar和knn方法在不同的5-way k-shot少样本任务场景下的测试准确率，右栏为相对于knn方法，meta-isar模型对应的学习增益。
[0138]
从表4可以看出，在所有的少样本任务中，meta-isar的学习增益都远远大于1，当k＝6时，学习增益为4.267，可以看出相比较于传统的机器学习的方法，meta-isar框架在少样本isar图像空中目标分类的任务中有明显的性能优势。
[0139]
表4meta-isar学习增益结果
[0140][0141]
s54、优化模型：根据性能评估结果，对meta-isar模型进行优化和改进，提高其性能和泛化能力。
[0142]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依据本发明的构思在现有技术的基础上通过逻辑分析、推理、或者有限的实验可以得到的技术方案，皆应在权利要求书所确定的保护范围内。

技术特征：
1.一种基于元学习的少样本空中目标isar图像分类方法，其特征在于，包括以下步骤：s1、isar仿真成像，数据集制作：进行空中目标三维建模，计算出典型空中目标模型的回波数据，并从仿真回波数据中恢复出空中目标的isar图像，获得多种空中目标isar仿真图像数据集；s2、数据预处理和划分：对获取的空中目标isar仿真图像进行预处理，生成飞机类型标签，并将数据集划分为元训练数据集、元测试数据集，其中，元训练数据集被划分为元训练支撑集和元训练查询集，元测试数据集被划分为元测试支撑集和元测试查询集；s3、搭建meta-isar模型：搭建基于神经网络的元学习分类网络模型meta-isar，模型结构包括基于基学习器的内循环网络和基于元学习器的外循环网络，其中，所述基学习器用于进行空中目标isar图像分类任务的特征提取和分类操作，基学习器提取的特征输入元学习器中，用于生成适用于新任务的快速学习策略；s4、元学习迭代训练：使用空中目标isar元训练数据集，对meta-isar模型进行迭代训练，最小化损失函数直至模型收敛，其中，所述meta-isar模型的训练包括内循环和外循环两个部分，内循环在单个任务上进行，通过梯度更新调整模型参数，外循环在多个任务上进行，不断调整模型的初始参数；s5、模型测试和性能评估：利用训练好的meta-isar模型，在空中目标isar图像元测试数据集上进行测试，获取分类准确率，并综合评估模型性能。2.根据权利要求1所述的一种基于元学习的少样本空中目标isar图像分类方法，其特征在于，所述s1包括以下步骤：s11、建立空中目标三维模型，所述空中目标为不同类型的飞机，通过三维建模软件，对目标飞机进行精准三维建模；s12、剖分面元，通过使用电磁仿真软件对空中目标三维模型进行三角面元剖分；s13、利用电磁仿真进行高效快速计算，利用双向射线追踪法计算空中目标模型的回波数据；s14、isar成像：通过成像算法，从仿真回波数据中恢复出空中目标多角度isar图像，获得多种类型的空中目标isar仿真图像数据集。3.根据权利要求2所述的一种基于元学习的少样本空中目标isar图像分类方法，其特征在于，所述空中目标的飞机类型包括：空中客车a320，f/a-18战斗攻击机，f-35战斗机，f117a短波雷达隐形飞机，j-20战斗机，b-2轰炸机，globalhawk全球鹰无人侦察机，sr-71侦察机，苏-47战斗机，yf-23战斗机。4.根据权利要求1所述的一种基于元学习的少样本空中目标isar图像分类方法，其特征在于，所述s2包括以下步骤：s21、对原始isar仿真图像进行预处理，调整图像大小；s22、对每种类型的空中目标进行标记，生成飞机类型标签；s23、划分元训练数据集和元测试数据集，其中，在少样本条件的元学习中，元训练数据集和元测试数据集中包含的空中目标的类型互不相交；s24、对元训练数据集和元测试数据集分别划分支撑集和查询集：对于每一个n-way k-shot的元任务，从任务的训练样本中选择k个样本作为支撑集，剩余样本作为查询集，支撑集用于在元学习算法的内循环中更新模型参数，查询集用于在元学习算法的外循环中评估
模型性能。5.根据权利要求4所述的一种基于元学习的少样本空中目标isar图像分类方法，其特征在于，所述划分元训练数据集和元测试数据集具体为：将空中客车a320、f/a-18战斗攻击机、f-35战斗机、f117a短波雷达隐形飞机、j-20战斗机这5类空中目标的数据划分为元训练数据集，对剩余的5类空中目标：b-2轰炸机、globalhawk全球鹰无人侦察机、sr-71侦察机、苏-47战斗机、yf-23战斗机，归入元测试数据集。6.根据权利要求1所述的一种基于元学习的少样本空中目标isar图像分类方法，其特征在于，所述s3包括以下步骤：s31、构建特征提取器的卷积模块；s32、搭建基学习器框架，所述基学习器以isar仿真图像为输入，输出分类结果，包括特征提取器和分类器，其中，所述特征提取器由卷积模块级联而成；s33、搭建元学习器框架，在外循环中，元学习器基于基学习器提取的特征，使用多个任务的共性信息更新基学习器的超参数。7.根据权利要求6所述的一种基于元学习的少样本空中目标isar图像分类方法，其特征在于，所述卷积模块的结构包括3
×
3卷积层、批量归一化、relu激活函数以及2
×
2最大池化层。8.根据权利要求1所述的一种基于元学习的少样本空中目标isar图像分类方法，其特征在于，所述s4包括以下步骤：s41、定义meta-isar模型需要学习的超参数：基学习器的网络参数θ和基学习器中的学习率α
*
，同时，随机初始化基学习器网络参数θ；s42、从任务分布中采样一个任务批次s43、对于任务批次里面的每一个任务从中随机采样k个样本：d＝{x
(i)
，y
(i)
}其中，x
(i)
是第i个样本，y
(i)
是该样本对应的标签，d是k个样本对应的数据集；s44、定义模型损失函数，使用交叉熵损失函数对模型进行训练，并计算模型在元训练数据集上的损失，模型损失函数为：其中，f
θ
是基学习器对应的网络函数；s45、进行反向传播，计算基学习器网络参数的梯度，梯度为：s46、通过梯度下降算法，根据损失函数更新基学习器网络参数和学习率，以最小化损失函数：s47、不断迭代步骤s42-s46，直至遍历完当前批次里的所有任务，完成内循环网络中参数θ的更新；s48、使用梯度下降方法，根据内循环网络得到的更新好的参数，在外循环网络中对初
始化参数以及学习率进行更新；其中，β是外循环中的学习率；s49、不断迭代执行步骤s42-s48，直至模型收敛。9.根据权利要求1所述的一种基于元学习的少样本空中目标isar图像分类方法，其特征在于，所述s5包括以下步骤：s51、使用空中目标isar元测试数据集对训练好的meta-isar模型进行测试；s52、计算模型在元测试数据集上的分类准确率，其中，所述分类准确率为正确分类的样本数占总样本数的比例；s53、综合评估模型性能：综合评估模型的分类准确率和泛化能力，并与传统机器学习k-近邻算法进行比较，计算meta-isar模型的学习增益，确定模型的性能和有效性；s54、优化模型：根据性能评估结果，对meta-isar模型进行优化和改进。10.根据权利要求9所述的一种基于元学习的少样本空中目标isar图像分类方法，其特征在于，所述学习增益定义为：其中，acc
<eta
是meta-isar模型在元测试数据集上的分类准确率，acc
knn
是k-近邻算法在isar仿真图像数据集上的分类准确率。

技术总结
本发明涉及一种基于元学习的少样本空中目标ISAR图像分类方法，包括以下步骤：S1、ISAR仿真成像，制作数据集；S2、对数据集进行预处理并划分为训练集和测试集；S3、搭建基于神经网络的元学习分类网络模型Meta-ISAR，模型结构包括基于基学习器的内循环网络和基于元学习器的外循环网络，其中，基学习器用于进行图像分类任务的特征提取和分类操作，基学习器提取的特征输入元学习器中，用于生成适用于新任务的快速学习策略；S4、元学习迭代训练；S5、利用训练好的模型，在元测试数据集上进行测试，获取分类准确率，并综合评估模型性能。与现有技术相比，本发明具有泛化能力强、识别准确率高、鲁棒性好等优点。鲁棒性好等优点。鲁棒性好等优点。


技术研发人员：王峰 金晶
受保护的技术使用者：复旦大学
技术研发日：2023.08.01
技术公布日：2023/10/15