1.一种基于孪生复网络的少样本雷达车辆目标识别方法，其特征在于，包括以下步骤：S1、获取样本数据：

由调频连续波雷达获取车辆目标在运动过程中的二维距离‑速度像数据，将获取的数据随机分为训练数据集和测试数据集，训练数据集记为：

0 0 h×w×N

X＝{xij|i＝1，2，...，K；j＝1，2，...，Ni}∈c其中K代表总的目标类别数，Ni为第i类目标的训练样本数， 为训练样本集0

合中总样本数，x ij表示第i类目标的第j幅二维距离‑速度像样本，h和w分别表示图像的长和高，训练数据集的样本标签表示为：

1 1 h×w×N

X＝{xij|i＝1，2，...，K；j＝1，2，...，Ni}∈C

1 0

式中xij表示样本xij的类别标签；

S2、对获得的训练数据集进行预处理：

0 0

从训练数据集X中，每类样本集X i选出一张样本作为该样本集的锚点，对剩下的每一幅样本二维图像进行组合，通过与其他与它不同类的样本两两配对，构成正负样本对：S3、构建复数卷积网络：

0 0

复数卷积网络的输入是样本实虚部{R(xij)，I(xij)}，网络第一层为批归一化层：将输

0 0

入的批量样本进行复数批归一化，输出归一化后的实虚部{R(x1ij)，I(x1ij)}；复数批归一化层利用二维随机变量分布的均值和方差来实现(0‑1)分布：BN(x)＝γx+β

其中x为复数输入，V为协方差，E(x)为均值，γ和β为该层的两个可以训练的超参数；

第二层为复数卷积层，由卷积层、激活函数层和批归一化层组成，复数卷积层输出是和

0 0

输入相同大小的多通道复数特征图像{R(x2ij)，I(x2ij)}；其中卷积层是依据复数卷积公式来搭建的：

W*h＝(A*x‑B*y)+i(B*x+A*y)其中W是复数样本，A为W的实部，B为W的虚部；h是卷积核，x为h的实部，y为h的虚部；通过公式变换，即通过分开对实部和虚部的卷积来实现复数卷积；激活函数层采用复数RELU函数：

CReLU＝ReLU(R(z))+iReLU(I(z))第三层为复数卷积层，与第二层结构相似，区别在于第三层是将输入的多通道图像进

0 0

行合并，输出单通道复数特征图像{R(x3ij)，I(x3ij)}；

第四层为跳跃连接层，是将第三层输入的特征复数图像求幅度，然后与原始只经过一0

次批归一化层的输入图像的幅度相加，得到最终网络的实数输出图像{R(xout ij)，I0

(xoutij)}：

S4、构建实数卷积网络：

0 0

实数卷积网络的输入为复数卷积网络的输出{R(xoutij)，I(xoutij)}或者是正负样本对

0 0

应的锚样本{R(xi1)，I(xi1)}，实数卷积网络的的前五层是实数卷积层，实数卷积层由卷积层、激活函数层和批归一化层组成，实数卷积网络的后三层是全连接层，对生成的多通道特征图像进行降维，最终输出是10维的归一化特征向量outij或outi1；

S5、构建孪生复网络：

通过步骤S3和S4构造两组复数卷积网络和四组实数卷积网络，彼此参数共享构成孪生复网络；两组复数卷积网络的输入是正负样本对Pair，四组实数卷积网络的输入是正负样本对通过复数网络的输出以及它们分别对应的锚样本，最终得到的输出是四个10维的归一化特征向量，通过向量乘法即得到它们之间的类内相似度sp和类间相似度sn，然后依据样本标签信息，利用circle loss得到网络的loss值：其中 为输入的第j个类间相似度向量，L是输入的类间相似度向量个数， 为输入的第i个类内相似度向量，K是输入的类内相似度向量个数； 是 的权重， 是 的权重，两者相加为1；

S6、根据训练样本集，采用梯度下降法分别更新两种网络的参数，迭代至网络loss收敛，得到训练好的孪生复网络模型；

S7、采用步骤S6中训练好的孪生复网络模型，对采集的车辆数据样本进行目标识别。