基于轻量化一维卷积神经网络的弹道目标识别方法

摘要

本发明公开了一种基于轻量化一维卷积神经网络的弹道目标识别方法，针对标准一维卷积神经网络存在的高计算复杂度问题，提出了分组融合卷积(GF‑DCNN)，首先将标准一维卷积和输入特征图平均拆分成多个组，各个卷积核只与同组内的输入特征图进行卷积运算，避免了使用全连接结构带来的高计算复杂度和过多的参数量。将标准一维卷积简单替换为分组卷积会造成识别效果相应降低，这主要是各组之间的特征信息没有有效的流通造成的，因此在分组卷积之后构建了线性融合层实现各组特征的有效流通。另外，在GF‑DCNN的训练方面，针对传统梯度下降训练算法未考虑梯度短时变化问题，借助diffGrad算法思想，引入表征梯度短时变化的AbsSig函数调节学习率，有效提升了模型识别正确率。