Page 169 - 当代控制理论及应用技术概论

第四章 智能识别与控制研究

从而完成较好的识别效果。
预训练（Pre-training）结合微调（Fine-tuning）的方法由 2014 年 Bengio 等
人在 NIPS 上发表的论文进行了详细阐述。该论文提到，将深度学习应用到图像
处理领域时，会观察到第一层提取到的特征是类似于 Gabor 滤波器和色彩斑点之

类的局部特征，通常情况下第一层提取到的与具体的图像数据集的关系不是特别
大，而网络的最后一层则是与选定数据集及其任务目标是紧密相关的，该论文将
第一层提取到的特征称为一般特征（general feature），而将最后一层提取到的特
征称为特定特征（specificfeature）。特征迁移使得模型的泛化能力有所提升，即使

在数据集非常大的时候也有较好的效果，但随着参数被固定的层数 n 增加，两个相
似度小的任务之间的迁移难度就会比数据集相似度大的任务之间迁移难度更大。
（二）识别模型迁移
在保证仿真 RCS 数据的真实性的基础上，通过在仿真数据集上预训练模型，

通过梯度下降的优化方法保证预训练效果的同时，在真实数据集上对模型进行微
调。在微调阶段，保留全连接模块之前的空间卷积模块和双向 GRU 模块的参数，
只对全连接模块进行训练。在实际操作中，可通过在深度学习框架中设置层的冻
结参数为 true 来完成操作。针对类数不同识别任务，可以调整 softmax 回归的维度，

根据测试数据集的大小可以适当增加全连接层的层数。
为了达到较好的训练效果，在源域上训练的 epoch 数设置为 800。然后，将
模型迁移到真实的 RCS 数据集（目标域）中完成最终识别任务，在目标域中，
对模型前端的空间卷积模块和双向 GRU 模块进行冻结，仅仅训练全连接模块即

可，训练轮数 epoch 设置为 150。本章接下来将会对模型最终识别效果进行详细
阐述。
（三）模型训练与评估
为了验证搭建的深度学习模型对于飞行目标识别任务的有效性，使用准确

率（Accuracy）、查准率（Precision）和召回率（Recall）三项指标并结合混淆矩
阵进行模型的评估。评估所用的训练数据集（Training Set）为仿真模拟并结合数
据增强方法产生的 RCS 数据集。另外，由于本节使用迁移学习的方法，因此训
练数据集即为迁移学习理论中的源域（Source Domain）。验证数据集（Validation

Set）为训练数据集中分割出的一部分，与训练数据集的比例为 1：10。测试数据
集为飞行试验中采集得到的真实 RCS 数据，在迁移学习理论中，测试集即为目

161
161