买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜中国人民解放军空军工程大学申请的专利一种深度可分离融合卷积神经网络的有限样本弹道目标识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115273050B 。

龙图腾网通过国家知识产权局官网在2025-06-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210767727.7，技术领域涉及：G06V20/60；该发明授权一种深度可分离融合卷积神经网络的有限样本弹道目标识别方法是由王晓丹;向前;宋亚飞;来杰;李睿;雷蕾设计研发完成，并于2022-07-01向国家知识产权局提交的专利申请。

本一种深度可分离融合卷积神经网络的有限样本弹道目标识别方法在说明书摘要公布了：本发明属于雷达技术领域，具体地涉及一种深度可分离融合卷积神经网络的有限样本弹道目标识别方法。包括：步骤1：从高分辨雷达中获取弹道目标HRRP样本，构建训练集和测试集，训练周期为Ω；步骤2：构建DSFCNN网络；步骤3：对步骤2的DSFCNN网络的可训练参数θ初始化；步骤4：构建有限样本学习损失函数，计算每个批次数据的损失函数值；步骤5：使用随机梯度下降算法完成1个批次的可训练参数更新，得到θ1；步骤6：令θ0＝θ1，重复步骤4和步骤5，最终得到参数θT，然后对测试数据集中的样本进行预测，并对预测结果进行统计；步骤7：令θ0＝θT，重复步骤6直至完成Ω个周期的训练，并保存测试集识别正确率最高时的模型参数。本发明的方法正确率高，鲁棒高。

本发明授权一种深度可分离融合卷积神经网络的有限样本弹道目标识别方法在权利要求书中公布了：1.一种深度可分离融合卷积神经网络的有限样本弹道目标识别方法，其特征在于：包括： 步骤1：从高分辨雷达中获取含有个种类弹道目标HRRP样本，随机挑选总样本中的80％构成训练集，将其余样本作为测试集，设置训练的周期总数为Ω； 步骤2：构建包括输入层、个卷积模块、平坦层和Softmax分类器的DSFCNN网络，其中卷积模块依次包括：一维深度可分离融合卷积层、批量归一化层、非线性激活层和池化层组成，设各个卷积模块的通道数分别是使用一维数组表示DSFCNN网络的模型结构； 所述步骤2的一维深度可分离融合卷积层依次由三个有序的模块组成：用于通道变换的逐点卷积核、Mish函数激活的深度卷积核和用于特征融合的逐点卷积核，具体的操作为： 步骤2.1：第一个逐点卷积核将经过输入层的输入特征图进行通道变换； 步骤2.2：对步骤2.1通道变换得到的特征图使用深度卷积进行进一步处理，对特征图进行补零操作，深度卷积使用Mish函数激活； 步骤2.3：第二个逐点卷积对步骤2.2深度卷积得到特征图进行融合变换； 步骤3：使用Kaiming初始化方法对步骤2的DSFCNN网络的可训练参数θ初始化，即将θ初始化为接近0的θ0，使得其中U表示均匀分布，nin为参数所在卷积层的输入通道数； 步骤4：构建有限样本学习损失函数，在步骤3初始化后，将步骤1训练集中的弹道目标HRRP样本输入到DSFCNN网络中，将每个批次训练样本的Softmax分类器的输出和真实标签带入有限样本学习损失函数，计算每个批次数据的损失函数值； 步骤5：对步骤4中可训练参数为θ0时的有限样本学习损失函数进行求导，将有限样本学习损失函数的导数带入随机梯度下降算法公式，使用随机梯度下降算法完成1个批次的可训练参数更新，得到θ1； 步骤6：令θ0＝θ1，重复步骤4和步骤5，逐次对个批次的数据进行训练，完成一个周期的训练，最终得到参数然后对测试数据集中的样本进行预测，并对预测结果进行统计； 步骤7：令重复步骤6直至完成Ω个周期的训练，并保存测试集识别正确率最高时的模型参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国人民解放军空军工程大学，其通讯地址为：710051 陕西省西安市灞桥区长乐东路甲字一号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。