CN109086700B - 基于深度卷积神经网络的雷达一维距离像目标识别方法 - Google Patents

Abstract

本发明公开了基于深度卷积神经网络的雷达一维距离像目标识别方法，包括以下步骤：采集数据集，对采集到的数据进行预处理，从预处理后的数据中提取特征，设立阈值将采集到的雷达HRRP信号分成低信噪比和高信噪比样本两个部分，构建基于稳健玻尔兹曼的特征增强算法，构建基于卷积神经网络和基于LSTM的双向循环神经网络的HRRP目标识别模型，使用梯度下降算法对构建的网络模型的参数进行微调，得到有效的目标识别模型。本发明构建小样本稳健性和噪声稳健性的雷达HRRP自动目标识别技术具有很强的工程实用性，从特征提取和分类器的设计方面，提出了一种基于卷积神经网络+循环神经网络的雷达一维距离像目标识别模型。

Description

基于深度卷积神经网络的雷达一维距离像目标识别方法

技术领域

本发明属于雷达目标识别领域，涉及一种基于深度卷积神经网络的雷达一维距离像目标识别方法。

背景技术

雷达自动目标识别是依据电磁散射理论，通过提取雷达回波信号中的特征，并对特征进行处理，来确定雷达目标所属的种类、型号等属性。自从20世纪60年代以来，美国专门建立了“弹道导弹预警系统”，从此便将雷达识别列入了重要开发计划，随后又将HRRP(高分辨率距离像)自动目标识别列入重要研发计划，并且在美国的高校内建立了雷达识别平台，在这个基础上，美国的多所高校运用雷达仿真软件建立用于仿真的HRRP信号，并以此为基础建立了很多完备的多目标HRRP数据库。随后，在90年代，俄罗斯也针对雷达识别领域建立了完备的目标数据库，这些都为雷达目标的识别奠定了坚实的基础。经过多年发展，雷达的自动识别已经能在完备的数据库中达到很好的效果。随着技术的发展，在实际的雷达目标识别中，待识别的目标一般不是出自于雷达HRRP数据库，而是实际作战中的高速非合作目标，因此雷达HRRP自动目标识别的内容逐步从合作目标、完备目标数据库识别发展向非合作目标的HRRP自动识别过渡。相比合作目标、完备HRRP数据库的雷达HRRP目标识别，高速非合作目标的识别存在两大难题：1.小样本识别；2.低信噪比HRRP稳健识别，小样本识别难题指的是当训练样本个数接近或小于样本维度时产生的诸如参数估计不准确、分类器的识别性能以及推广性能急剧下降等一系列问题。解决这些问题最简单的办法是增加训练样本数量，然而通常对于高速非合作的敌方目标(如战斗机等)，雷达很难检测并持续跟踪获得大量HRRP样本，无法满足很多分类器估计模型参数的基本要求，导致算法失效。低信噪比HRRP稳健识别的成因是在实际工程中，用于训练样本库中的HRRP数据集通常由合作情况下的实验获取或者直接由电磁仿真程序生成，其信噪比较高；但测试阶段一般在实际战场条件下进行，一方面此时电磁环境非常复杂，目标回波中总会含有一定的噪声导致所获取的HRRP信噪比较低，而高信噪比下训练，低信噪比下识别是雷达实际工作应用中不可避免的模式。因此解决高信噪比下训练低信噪比下测试是非常有意义的。

发明内容

为解决上述问题，本发明针对上述提到的高速非合作目标HRRP识别中存在的不足，构建小样本稳健性和噪声稳健性的雷达HRRP目标自动识别技术具有很强的工程实用性，从特征提取和分类器的设计方面，提出了一种基于深度卷积神经网络的雷达一维距离像目标识别技术。

为实现上述目的，本发明的技术方案为基于深度卷积神经网络的雷达一维距离像目标识别方法，包括以下步骤：

S1：采集数据集，将N个雷达采集到的HRRP数据集依据目标的种类进行合并，其中目标的种类为5，每种种类的数据分别在不同的数据段里选择训练样本和测试样本，在训练集和测试集样本的选取过程中，保证所选取的训练集的数据与雷达所成姿态涵盖测试数据集与雷达所成的姿态，各类目标训练集和测试集的样本数的比例为8:2，将挑选的数据集记作

其中X_i表示第i个样本，y_k表示第k种目标，i₀表示样本总数。

S2：对S1采集到的数据进行预处理，对挑选的数据集T中的每一个样本使用补偿对齐法进行对齐，然后再对对齐的样本加入小强度的高斯随机噪声，随机左右平移很小的单位扩充数据集，再对扩充后的数据集进行能量归一化得到归一化后的数据；

S3：从预处理后的数据中提取特征，对S2预处理后的数据进行幂次变换，并将幂次变换的结果进行横向相连，再对幂次变换后的数据进行谱图特征提取；

S4：设立一个阈值将采集到的雷达HRRP信号分成低信噪比和高信噪比样本两个部分；

S5：构建基于稳健玻尔兹曼的特征增强算法，算法利用信噪比较高的训练样本特征包含的先验信息，对信噪比较低的样本特征进行特征增强；

S6：构建基于卷积神经网络和基于LSTM(长短期记忆网络)的双向循环神经网络的HRRP目标识别模型，实现雷达HRRP的自动识别功能；

S7：对经过步骤S6构建好的模型，使用梯度下降算法对构建的卷积池化和循环神经网络的模型参数进行微调，使用训练数据迭代num_steps步后，得到有效的目标识别模型，其中损失函数使用的是交叉熵损失，其表达式为：

其中p_i表示对应样本的标签，a_i表示模型计算得到的概率值，num_steps＝30000。

优选地，所述S2具体为：

S2.1：对步骤S1中的数据集T中的样本进行对齐，T中的每个数据样本皆为256维度，原始数据样本表示为：X＝[x₁,x₂…,x₂₅₆]；

S2.1.1：新的数据样本将三个原始样本按照横向粘贴在一起构成一个256*3的数据集，表示为X′＝abs([X,X,X])＝[x′₁,x′₂,…,x′₇₆₈]，其中，abs()为对其中每个元素的值取绝对值；

S2.1.2：构建一个256维的序列Y＝[y₁,y₂…,y₂₅₆]，其中，y_i＝exp(k||i-128.5||₂)其中k表示控制因子，||·||₂表示求二范数操作；

S2.1.3：求

得到d之后，从X'中取出第d+1到第d+256个连续的点作为对齐后的数据X″＝[x′_d+1,x′_d+2…,x′_d+256]；

S2.1.4：将S1中数据集T中的每一个样本重复步骤S2.1.1，S2.1.2，S2.1.3得到对齐后的样本数据，记为T₁；’

S2.2：将对齐的数据T₁进行能量归一化，用对齐的数据除以他们自身的范数实现对数据的能量归一化

优选地，所述S3具体为：

S3.1：对经过S2.2处理的数据T₂进行幂次变换，得到x_power＝(X^∴)^r，其中r为幂次变换的次数，(.)^r表示将括号内的向量中每一个元素分别取r次方，其中幂次变换r分别取0.3,0.4,0.5,0.6,0.7，并将幂次变换后的结果横向相连，

横向拼成一个新的特征X^∵＝[(X^∴)^0.3,(X^∴)^0.4,(X^∴)^0.5,(X^∴)^0.6,(X^∴)^0.7]；

S3.2：谱图特征提取，由如下公式得到：

X_spectrogram(m,n)＝|STFT(X^∵)|²，

其中，STFT(·)表示对括号内的信号做离散短时傅里叶变换，|·|²表示对内部的矩阵的每一个元素取模再平方；变换后将二维谱图特征中的每一个元素取绝对值得到最终的特征，得到：

X'_spectrogram＝abs(X_sepctrogram)。

优选地，所述S4具体为，设立阈值将HRRP信号分为高信噪比样本和低信噪比样本两个部分，HRRP的信噪比定义为：

其中，P_l表示原始测试HRRP在第l个距离单元内的功率，256表示距离单元个数，

表示添加噪声的功率。设定阈值为20，即当SNR≥20dB时，判断为高信噪比样本，当SNR＜20dB时，判定为低信噪比样本。

优选地，所述S5具体为：

S5.1：构建模型，基于稳健玻尔兹曼机特征增强算法的能量函数定义如下：

其中，第一行描述了噪声以及控制高信噪比HRRP特征模型和噪声模型之间的交互，f表示高信噪比HRRP数据的特征集，fi表示第i个高信噪比HRRP数据特征节点，h表示高信噪比HRRP数据特征的隐含层，hi表示第i个高信噪比HRRP数据特征的隐含节点，s表示控制噪声的指示变量，si表示第i个控制噪声的节点，g表示噪声的隐含层，gi表示噪声的隐含节点，

表示表示低信噪比HRRP数据的特征，μ表示耦合因子，控制高信噪比HRRP数据特征和低信噪比HRRP数据特征的耦合程度，第二行描述了高信噪比HRRP的高斯受限玻尔兹曼机模型，第三行表示噪声的受限玻尔兹曼机模型，其中

表示噪声在第i个节点的均值和方差，b_i、σ_i表示高斯受限玻尔兹曼机模型第i个可视节点的均值和方差，c_j表示高斯受限玻尔兹曼机模型第j个隐藏节点的偏移量，W_ij表示高斯受限玻尔兹曼机模型第i个可视节点到第j个隐藏节点权重，d_i表示受限玻尔兹曼机模型第i个可视节点的偏移量，e_k表示受限玻尔兹曼机模型第k个隐藏节点的偏移量，U_ik表示受限玻尔兹曼机模型第i个可视节点到第k个隐藏节点权重，λ₁，λ₂表示权重因子；

S5.2：利用步骤S4提取的高信噪比HRRP样本提取的特征训练学习一个高斯受限玻尔兹曼机模型，将训练所得的模型参数作为基于先验知识的稳健玻尔兹曼机特征增强算法中高斯受限玻尔兹曼机模型部分的初始化参数，再在高信噪比HRRP中加入噪声，提取特征，训练得到基于先验知识的稳健玻尔兹曼机特征增强算法的所有参数；

S5.3：判断经过S3处理后的样本是属于低信噪比样本还是属于高信噪比样本，若是属于高信噪比样本，则不作处理，若是属于低信噪比样本，则将从低信噪比样本中提取的特征经过S5.1和S5.2构造的玻尔兹曼机模型作特征增强处理得到增强的特征。

优选地，所述S6具体为：

S6.1：将S3和S4所提取的特征图数据集记为x，x作为卷积神经网络的输入，在送进输入网络之前，x为64*960的固定大小的谱图送入神经网络，雷达谱图是单通道的特征，在训练和测试的过程中每次送入网络一个batch＝128张图片，神经网络的输入为一个64*960*128的谱图；

S6.2.1：使用4个卷积层和4个池化层交替连接，组成卷积神经网络，每个卷积层使用p_i个大小为m_i×n_i的卷积核进行卷积操作，对于每个卷积层的输入x_i，卷积之后得到输出

其中p_i表示第i个卷积层，卷积核的个数，m_i,n_i表示第i个卷积层的卷积核大小，y_i表示输入x_i与卷积核执行卷积操作，并经过激活函数f(·)后的输出值，

表示第i个卷基层第j个卷积核的权重和偏置，其中，p₁＝64,m₁×n₁＝5*5；p₂＝32,m₂×n₂＝5*5；p₃＝16,m₃×n₃＝3*3；p₄＝1,m₄×n₄＝3*3；

初始化为服从标准正态分布的权重分布；

全部设置为常数1；激活函数f(x)采用relu激活函数，

S6.2.2：池化层池化窗口大小为3*3，偏移值为2，池化方法采用最大池化方法。提取卷积核视野内最最大化的特征，对于卷积层卷积得到的输出y_i进行池化可以得到y_pooli＝max(y_i)，i＝1,2,3,4其中y_i代表第i个卷基层的输出，即第i个池化层的输入，max(y_i)代表从当池化窗口从y_i上滑动的时候，在滑动的视野内提取最大值组成池化特征图；

S6.2.3：在卷积池化的过程中，特征图均使用全0填充，卷积过程中卷积核的移动步长设置为1，池化过程中池化窗口的移动步长设置为2，根据公式y_length＝(x_length/步长)，y_length＝(x_length/步长)，经过S5.1处理后的特征图在经过四层卷积池化层之后变为4*60*p₄＝4*60*1，其中，1代表池化特征图的深度，x_length代表输入图像的长度，x_width代表输入图像的宽度，y_length代表输出图像的长度，y_width代表输出图像的宽度；

S6.2.4经过S6.2.1,6.2.2和6.2.3处理后第四个池化层的输出为4*60*1，由于batch＝128，故y_pool4＝(128,4,60,1)，其中，第一维代表batch，即每次送入神经网络的谱图数量，4,60,1分别代表第四个池化层输出的谱图的长度、宽度及深度；

S6.3：构建基于LSTM的循环神经网络，具体为：

S6.3.1：双向循环神经网络的主体结构为两个单向循环神经网络的结合，在每一个时刻t，输入同时提供给这两个方向相反的循环神经网络，输出为这两个单向循环神经网络共同决定，设置n_inputs＝60,n_steps＝4,n_hidden_units＝128，n_class＝5,其中n_inputs＝60输入层神经元数目，即谱图特征中每行60列的数值，n_steps＝4代表4行的数据，以一行一行像素值处理，便是4行；n_hidden_units＝12表示隐层的神经元数目，n_class＝5表示输出层的神经元数目，即代表所挑选的类别数目为5类；

S6.3.2：对双向循环神经网络的权重和偏置进行初始化，输入层和隐层之间的权重记为Weights1，其维度为shape＝(n_inputs,n_hidden_units),隐层和输出层之间的权重记为Weights2，其维度为shape＝(n_hidden_units，n_class)，权重初始化采用与卷积神经网络相同的标准正太分布，输入层和隐层之间的偏置记为biases1，其维度为shape＝(n_hidden_units)，隐层和输出层之间的偏置记为biases2，其维度为shape＝(n_class)，均初始化为常量1，双向的初始状态皆记为state＝0，双向循环神经网络的所有时刻共享权重，偏置和初始状态state；

S6.3.3：将通过步骤S5得到的4*60的特征谱图按列拆分，拆分出来的每一列作为一个序列，每一个序列由4个像素组成的向量，双向循环神经网络不同时刻的输入分别是拆分出来的batch个序列，从第四个池化层得到的特征图为三维，通过tensorflow中的reshape函数将输入数据变成(batch*n_steps，n_inputs)二维的适合循环神经网络输入层的形式，将reshape后的数据记作X1_in，则第一层的输出为X1_out＝tanh(X1_in*Weights1+biases1)，同时作为隐层的输入，其中tanh()是激活函数，

lstm_fw_cell＝tf.contrib.rnn.BasicLSTMCell(n_hidden_units,forget_bias＝1.0)

lstm_bw_cell＝tf.contrib.rnn.BasicLSRMCell(n_hidden_units,forget_bias＝1.0)

outputs,_,_＝tf.contrib.rnn.static_bidirectional_rnn(lstm_fw_cell,lstm_bw_cell,X1_out)

其中，lstm_fw_cell代表前向的循环神经网络，lstm_bw_cell代表反向循环神经网络，forget_bias＝1.0代表LSTM不会忘记任何信息，outputs,_,_分别代表X1_out经过的输出，前向循环神经网络被更新后的状态和反向循环神经网络被更新后的状态；取输出序列中的最后一个X2_out＝outputs[-1]，作为输出层的输入，a＝tanh(X2_out*Weights2+biases2)，为双向循环神经网络每一个时刻batch个输出的组合，输出的batch中的每一个序列的维度是n_class，a＝{a₁,a₂,a₃,a₄,a₅}；

S6.4：构建softmax层，将a作为softmax分类器的输入特征，进行分类，假设用于训练的雷达HRRP样本来自5个不同的目标，训练得到softmax回归模型的参数集θ之后，雷达测试HRRP样本的特征a对应于第i个目标的概率值p(a|i)定义为：

其中，i表示目标的标号，i＝1,2,…,5，5为总目标数，θ_i表示对应于目标i的参数，

表示归一化向量，使雷达测试HRRP样本a对应于所有目标模型的概率和为1；

S6.5：通过最大后验概率来对样本进行判决，将测试样本分类到最大目标条件似然值所对应的目标c中：

代表模型判断a属于5个类别分别会有一个对应的概率，从判断的5个概率中挑选最大概率所属的类别赋给c，即为目标模型。

本发明的至少有如下具体有益效果：

1.本发明可以解决在目标HRRP样本较少情况下，通过对数据的预处理使数据集得到扩充，提高模型在小数据集下的识别效果。

2.本发明使用稳健玻尔兹曼机对低信噪比HRRP样本所提取的特征进行特征增强，改善了系统的噪声鲁棒性，能够得到较稳定的HRRP样本特征，使模型可以在低信噪比样本条件下取得较好的识别效果。

3.本发明构建了深度卷积神经网络和双向循环神经网络，发掘了数据的空间结构特性和内在特征，可取得较好的识别结果。

附图说明

图1为本发明实施例的基于深度卷积神经网络的雷达一维距离像目标识别方法的步骤流程图；

图2为本发明实施例的基于深度卷积神经网络的雷达一维距离像目标识别方法中基于先验知识的稳健玻尔兹曼机特征增强算法示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。

参见图1，为本发明实施例的本发明的技术方案为基于深度卷积神经网络的雷达一维距离像目标识别方法的步骤流程图，包括以下步骤：

S1：采集数据集，将N个雷达采集到的HRRP数据集依据目标的种类进行合并，其中目标的种类为5，每种种类的数据分别在不同的数据段里选择训练样本和测试样本，在训练集和测试集样本的选取过程中，保证所选取的训练集的数据与雷达所成姿态涵盖测试数据集与雷达所成的姿态，各类目标训练集和测试集的样本数的比例为8:2，将挑选的数据集记作

其中X_i表示第i个样本，y_k表示第k种目标，i₀表示样本总数。

S2：对S1采集到的数据进行预处理，对挑选的数据集T中的每一个样本使用补偿对齐法进行对齐，然后再对对齐的样本加入小强度的高斯随机噪声，随机左右平移很小的单位扩充数据集，再对扩充后的数据集进行能量归一化得到归一化后的数据；

S3：从预处理后的数据中提取特征，对S2预处理后的数据进行幂次变换，并将幂次变换的结果进行横向相连，再对幂次变换后的数据进行谱图特征提取；

S4：设立一个阈值将采集到的雷达HRRP信号分成低信噪比和高信噪比样本两个部分；

S5：构建基于稳健玻尔兹曼的特征增强算法，算法利用信噪比较高的训练样本特征包含的先验信息，对信噪比较低的样本特征进行特征增强；

S6：构建基于卷积神经网络和基于LSTM的双向循环神经网络的HRRP目标识别模型，实现雷达HRRP的自动识别功能；

S7：对经过步骤S6构建好的模型，使用梯度下降算法对构建的卷积池化和循环神经网络的模型参数进行微调，使用训练数据迭代num_steps步后，得到有效的目标识别模型，其中损失函数使用的是逻辑斯特损失函数，其表达式为：

其中p_i表示对应样本的标签，a_i表示模型计算得到的概率值，num_steps＝30000。

在具体实施例中，S2具体为：

S2.1：对步骤S1中的数据集T中的样本进行对齐，T中的每个数据样本皆为256维度，原始数据样本表示为：X＝[x₁,x₂…,x₂₅₆]；

S2.1.1：新的数据样本将三个原始样本按照横向粘贴在一起构成一个256*3的数据集，表示为X′＝abs([X,X,X])＝[x′₁,x′₂,…,x′₇₆₈]，其中，abs()为对其中每个元素的值取绝对值；

S2.1.2：构建一个256维的序列Y＝[y₁,y₂…,y₂₅₆]，其中，y_i＝exp(k||i-128.5||₂)其中k表示控制因子，||·||₂表示求二范数操作；

S2.1.3：求

得到d之后，从X'中取出第d+1到第d+256个连续的点作为对齐后的数据X″＝[x′_d+1,x′_d+2…,x′_d+256]；

S2.1.4：将S1中数据集T中的每一个样本重复步骤S2.1.1，S2.1.2，S2.1.3得到对齐后的样本数据，记为T₁；’

S2.2：将对齐的数据T₁进行能量归一化，用对齐的数据除以他们自身的范数实现对数据的能量归一化

S3具体为：

S3.1：对经过S2.2处理的数据T₂进行幂次变换，得到x_power＝(X^∴)^r，其中r为幂次变换的次数，(.)^r表示将括号内的向量中每一个元素分别取r次方，其中幂次变换r分别取0.3,0.4,0.5,0.6,0.7，并将幂次变换后的结果横向相连，

横向拼成一个新的特征X^∵＝[(X^∴)^0.3,(X^∴)^0.4,(X^∴)^0.5,(X^∴)^0.6,(X^∴)^0.7]；

S3.2：谱图特征提取，由如下公式得到：

X_spectrogram(m,n)＝|STFT(X^∵)|²，

其中，STFT(·)表示对括号内的信号做离散短时傅里叶变换，|·|²表示对内部的矩阵的每一个元素取模再平方；变换后将二维谱图特征中的每一个元素取绝对值得到最终的特征，得到：

X'_spectrogram＝abs(X_sepctrogram)。

S4具体为，设立阈值将HRRP信号分为高信噪比样本和低信噪比样本两个部分，HRRP的信噪比定义为：

其中，P_l表示原始测试HRRP在第l个距离单元内的功率，256表示距离单元个数，

表示添加噪声的功率。设定阈值为20，即当SNR≥20dB时，判断为高信噪比样本，当SNR＜20dB时，判定为低信噪比样本。

S5.1：构建模型，基于稳健玻尔兹曼机特征增强算法的能量函数定义如下：

其中，第一行描述了噪声以及控制高信噪比HRRP特征模型和噪声模型之间的交互，f表示高信噪比HRRP数据的特征，h表示高信噪比HRRP数据特征的隐含层节点，s表示控制噪声的指示变量，g表示噪声的隐含层节点，si表示第i个控制噪声的节点，gi表示噪声的隐含节点，

表示低信噪比HRRP数据的特征，μ表示耦合因子，控制高信噪比HRRP数据特征和低信噪比HRRP数据特征的耦合程度；第二行描述了高信噪比HRRP的高斯受限玻尔兹曼机模型，第三行表示噪声的受限玻尔兹曼机模型，其中

表示噪声在第i个节点的均值和方差，b_i、σ_i表示高斯受限玻尔兹曼机模型第i个可视节点的均值和方差，cj表示高斯受限玻尔兹曼机模型第j个隐藏节点的偏移量，W_ij表示高斯受限玻尔兹曼机模型第i个可视节点到第j个隐藏节点权重，d_i表示受限玻尔兹曼机模型第i个可视节点的偏移量，e_k表示受限玻尔兹曼机模型第k个隐藏节点的偏移量，U_ik表示受限玻尔兹曼机模型第i个可视节点到第k个隐藏节点权重，λ₁，λ₂表示权重因子；

S5.2：利用步骤S4提取的高信噪比HRRP样本提取的特征训练学习一个高斯受限玻尔兹曼机模型，将训练所得的模型参数作为基于先验知识的稳健玻尔兹曼机特征增强算法中高斯受限玻尔兹曼机模型部分的初始化参数，再在高信噪比HRRP中加入噪声，提取特征，训练得到基于先验知识的稳健玻尔兹曼机特征增强算法的所有参数；

S5.3：判断经过S3处理后的样本是属于低信噪比样本还是属于高信噪比样本，若是属于高信噪比样本，则不作处理，若是属于低信噪比样本，则将从低信噪比样本中提取的特征经过S5.1和S5.2构造的玻尔兹曼机模型作特征增强处理得到增强的特征。

S6具体为：

S6.1：将S3和S4所提取的特征图数据集记为x，x作为卷积神经网络的输入，在送进输入网络之前，x为64*960大小的谱图，固定大小的谱图送入神经网络，雷达谱图是单通道的特征，在训练和测试的过程中每次送入网络一个batch＝128张图片，神经网络的输入为一个64*960*128的谱图；

S6.2.1：使用4个卷积层和4个池化层交替连接，组成卷积神经网络，每个卷积层使用p_i个大小为m_i×n_i的卷积核进行卷积操作，对于每个卷积层的输入x_i，卷积之后得到输出

其中p_i表示第i个卷积层，卷积核的个数，m_i,n_i表示第i个卷积层的卷积核大小，y_i表示输入x_i与卷积核执行卷积操作，并经过激活函数f(·)后的输出值，

表示第i个卷基层第j个卷积核的权重和偏置，其中，p₁＝64,m₁×n₁＝5*5；p₂＝32,m₂×n₂＝5*5；p₃＝16,m₃×n₃＝3*3；p₄＝1,m₄×n₄＝3*3；

初始化为服从标准正态分布的权重分布；

全部设置为常数1；激活函数f(x)采用relu激活函数，

S6.2.2：池化层池化窗口大小为3*3，偏移值为2，池化方法采用最大池化方法。提取卷积核视野内最最大化的特征，对于卷积层卷积得到的输出y_i进行池化可以得到y_pooli＝max(y_i)，i＝1,2,3,4其中y_i代表第i层的输出，即第i个池化层的输入，max(y_i)代表从当池化窗口从y_i上滑动的时候，在滑动的视野内提取最大值组成池化特征图；

S6.2.3：在卷积池化的过程中，特征图均使用全0填充，卷积过程中卷积核的移动步长设置为1，池化过程中池化窗口的移动步长设置为2，根据公式y_length＝(x_length/步长)，y_width＝(x_width/步长)，经过S5.1处理后的特征图在经过四层卷积池化层之后变为4*60*p₄＝4*60*1，其中，1代表池化特征图的深度，x_length代表输入图像的长度，x_width代表输入图像的宽度，y_length代表输出图像的长度，ywidth代表输出图像的宽度；

S6.2.4经过S6.2.1,6.2.2和6.2.3处理后第四个池化层的输出为4*60*1，由于batch＝128，故ypool4＝(128,4,60,1)，其中，第一维代表batch，即每次送入神经网络的谱图数量，14,14,1分别代表第四个池化层输出的谱图的长度、宽度及深度；

S6.3：构建基于LSTM的循环神经网络，具体为：

S6.3.1：双向循环神经网络的主体结构为两个单向循环神经网络的结合，在每一个时刻t，输入同时提供给这两个方向相反的循环神经网络，输出为这两个单向循环神经网络共同决定，设置n_inputs＝60,n_steps＝4,n_hidden_units＝128，n_class＝5,其中n_inputs＝60输入层神经元数目，即谱图特征中每行60列的数值，n_steps＝4代表4行的数据，以一行一行像素值处理，便是4行；n_hidden_units＝12表示隐层的神经元数目，n_class＝5表示输出层的神经元数目，即代表所挑选的类别数目为5类；

S6.3.2：对双向循环神经网络的权重和偏置进行初始化，输入层和隐层之间的权重记为Weights1，其维度为shape＝(n_inputs,n_hidden_units),隐层和输出层之间的权重记为Weights2，其维度为shape＝(n_hidden_units，n_class)，权重初始化采用与卷积神经网络相同的标准正态分布，输入层和隐层之间的偏置记为biases1，其维度为shape＝(n_hidden_units)，隐层和输出层之间的偏置记为biases2，其维度为shape＝(n_class)，均初始化为常量1，双向的初始状态皆记为state＝0，双向循环神经网络的所有时刻共享权重，偏置和初始状态state；

S6.3.3：将通过步骤S5得到的4*60的特征谱图按列拆分，拆分出来的每一列作为一个序列，每一个序列未由14个像素组成的向量，双向循环神经网络不同时刻的输入分别是拆分出来的batch个序列，从第四个池化层得到的特征图为三维，通过tensorflow中的reshape函数将输入数据变成(batch*n_steps，n_inputs)二维的适合循环神经网络输入层的形式，将reshape后的数据记作X1_in，则第一层的输出为X1_out＝tanh(X1_in*Weights1+biases1)，同时作为隐层的输入，其中tanh()是激活函数，

lstm_fw_cell＝tf.contrib.rnn.BasicLSTMCell(n_hidden_units,forget_bias＝1.0)

lstm_bw_cell＝tf.contrib.rnn.BasicLSRMCell(n_hidden_units,forget_bias＝1.0)

outputs,_,_＝tf.contrib.rnn.static_bidirectional_rnn(lstm_fw_cell,lstm_bw_cell,X1_out)

其中，lstm_fw_cell代表前向的循环神经网络，lstm_bw_cell代表反向循环神经网络，forget_bias＝1.0代表LSTM不会忘记任何信息，outputs,_,_分别代表X1_out经过的输出，前向循环神经网络被更新后的状态和反向循环神经网络被更新后的状态；取输出序列中的最后一个X2_out＝outputs[-1]，作为输出层的输入，a＝tanh(X2_out*Weights2+biases2)，为双向循环神经网络每一个时刻batch个输出的组合，输出的batch中的每一个序列的维度是n_class，a＝{a₁,a₂,a₃,a₄,a₅}；

S6.4：构建softmax层，将a作为softmax分类器的输入特征，进行分类，假设用于训练的雷达HRRP样本来自5个不同的目标，训练得到softmax回归模型的参数集θ之后，雷达测试HRRP样本的特征a对应于第i个目标的概率值p(a|i)定义为：

其中，i表示目标的标号，i＝1,2,…,5，5为总目标数，θ_i表示对应于目标i的参数，

表示归一化向量，使雷达测试HRRP样本a对应于所有目标模型的概率和为1；

S6.5：通过最大后验概率来对样本进行判决，将测试样本分类到最大目标条件似然值所对应的目标c中：

代表模型判断a属于5个类别分别会有一个对应的概率，从判断的5个概率中挑选最大概率所属的类别赋给c，即为目标模型。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.基于深度卷积神经网络的雷达一维距离像目标识别方法，其特征在于，包括以下步骤：

S1：采集数据集，将N个雷达采集到的HRRP数据集依据目标的种类进行合并，其中目标的种类为5，每种种类的数据分别在不同的数据段里选择训练样本和测试样本，在训练集和测试集样本的选取过程中，保证所选取的训练集的数据与雷达所成姿态涵盖测试数据集与雷达所成的姿态，各类目标训练集和测试集的样本数的比例为8:2，将挑选的数据集记作

其中X_i表示第i个样本，y_k表示第k种目标，i₀表示样本总数；

S2：对S1采集到的数据进行预处理，对挑选的数据集T中的每一个样本使用补偿对齐法进行对齐，然后再对对齐的样本加入小强度的高斯随机噪声，随机左右平移很小的单位扩充数据集，再对扩充后的数据集进行能量归一化得到归一化后的数据；

S3：从预处理后的数据中提取特征，对S2预处理后的数据进行幂次变换，并将幂次变换的结果进行横向相连，再对幂次变换后的数据进行谱图特征提取；

S4：设立一个阈值将采集到的雷达HRRP信号分成低信噪比和高信噪比样本两个部分；

S5：构建基于稳健玻尔兹曼机的特征增强算法，算法利用信噪比较高的训练样本特征包含的先验信息，对信噪比较低的样本特征进行特征增强；

S6：构建基于卷积神经网络和基于LSTM的双向循环神经网络的HRRP目标识别模型，实现雷达HRRP的自动识别功能；

S7：对经过步骤S6构建好的模型，使用梯度下降算法对构建的卷积池化和循环神经网络的模型参数进行微调，使用训练数据迭代num_steps步后，得到有效的目标识别模型，其中损失函数使用的是交叉熵损失，其表达式为：

其中p_i表示对应样本的标签，a_i表示模型计算得到的概率值，num_steps＝30000；

所述S2具体为：

S2.1：对步骤S1中的数据集T中的样本进行对齐，T中的每个数据样本皆为256维度，原始数据样本表示为：X＝[x₁,x₂…,x₂₅₆]；

S2.1.1：新的数据样本将三个原始样本按照横向粘贴在一起构成一个256*3的数据集，表示为X′＝abs([X,X,X])＝[x′₁,x′₂,…,x′₇₆₈]，其中，abs()为对其中每个元素的值取绝对值；

S2.1.2：构建一个256维的序列Y＝[y₁,y₂…,y₂₅₆]，其中，y_i＝exp(k||i-128.5||₂)其中k表示控制因子，||·||₂表示求二范数操作；

S2.1.3：求

得到d之后，从X'中取出第d+1到第d+256个连续的点作为对齐后的数据X″＝[x′_d+1,x′_d+2…,x′_d+256]；

S2.1.4：将S1中数据集T中的每一个样本重复步骤S2.1.1，S2.1.2，S2.1.3得到的对齐后的样本数据集记为T₁；

S2.2：将对齐的数据T₁进行能量归一化，用对齐的数据除以他们自身的范数现对数据的能量归一化，根据归一化公式对每一个样本实施公式

将归一化后的数据集记作T₂；

所述S3具体为：

S3.1：对经过S2.2处理的数据T₂中的每一个样本进行幂次变换，得到x_power＝(X^∴)^r，其中r为幂次变换的次数，(.)^r表示将括号内的向量中每一个元素分别取r次方，其中幂次变换r分别取0.3,0.4,0.5,0.6,0.7，并将幂次变换后的结果横向相连，横向拼成一个新的特征

X^∵＝[(X^∴)^0.3,(X^∴)^0.4,(X^∴)^0.5,(X^∴)^0.6,(X^∴)^0.7]；

S3.2：谱图特征提取，由如下公式得到：X_spectrogram(m,n)＝|STFT(X^∵)|²，

其中，STFT(·)表示对括号内的信号做离散短时傅里叶变换，|·|²表示对内部的矩阵的每一个元素取模再平方；变换后将二维谱图特征中的每一个元素取绝对值得到最终的特征，得到：

X'_spectrogram＝abs(X_sepctrogram)；

所述S4具体为，设立阈值将HRRP信号分为高信噪比样本和低信噪比样本两个部分，HRRP的信噪比定义为：

其中，P_l表示原始测试HRRP在第l个距离单元内的功率，256表示距离单元个数，

表示接收机在未接收到信号时的热噪声方差，设定阈值为20，即当SNR≥20dB时，判断为高信噪比样本，当SNR＜20dB时，判定为低信噪比样本；

所述S5具体为：

S5.1：构建模型，基于稳健玻尔兹曼机特征增强算法的能量函数定义如下：

其中，第一行描述了噪声以及控制高信噪比HRRP特征模型和噪声模型之间的交互，f表示高信噪比HRRP数据的特征，h表示高信噪比HRRP数据特征的隐含层节点，s表示控制噪声的指示变量，s_i表示第i个控制噪声的节点，

g_k表示噪声的隐含节点，g表示噪声的隐含层节点，

表示表示低信噪比HRRP 数据的特征，μ表示耦合因子，控制高信噪比HRRP数据特征和低信噪比HRRP数据特征的耦合程度；第二行描述了高信噪比HRRP的高斯受限玻尔兹曼机模型，第三行表示噪声的受限玻尔兹曼机模型，其中

特表示噪声在第i个节点的均值和方差，b_i、σ_i表示高斯受限玻尔兹曼机模型第i个可视节点的均值和方差，c_j表示高斯受限玻尔兹曼机模型第j个隐藏节点的偏移量，W_ij表示高斯受限玻尔兹曼机模型第i个可视节点到第j个隐藏节点权重，d_i表示受限玻尔兹曼机模型第i个可视节点的偏移量，e_k表示受限玻尔兹曼机模型第k个隐藏节点的偏移量，U_ik表示受限玻尔兹曼机模型第i个可视节点到第k个隐藏节点权重，λ₁，λ₂表示权重因子；

S5.2：利用步骤S4提取的高信噪比HRRP样本提取的特征训练学习一个高斯受限玻尔兹曼机模型，将训练所得的模型参数作为基于先验知识的稳健玻尔兹曼机特征增强算法中高斯受限玻尔兹曼机模型部分的初始化参数，再在高信噪比HRRP中加入噪声，提取特征，训练得到基于先验知识的稳健玻尔兹曼机特征增强算法的所有参数；

S5.3：判断经过S3处理后的样本是属于低信噪比样本还是属于高信噪比样本，若是属于高信噪比样本，则不作处理，若是属于低信噪比样本，则将从低信噪比样本中提取的特征经过S5.1和S5.2构造的玻尔兹曼机模型作特征增强处理得到增强的特征；

所述S6具体为：

S6.1：将S3和S4所提取的特征图数据集记为x，x作为卷积神经网络的输入，在送进输入网络之前，x为64×960固定大小的谱图送入神经网络，雷达谱图是单通道的特征，在训练和测试的过程中每次送入网络一个batch＝128张图片，神经网络的输入为一个64*960*128的三维矩阵，

S6.2.1：使用4个卷积层和4个池化层交替连接，组成卷积神经网络，每个卷积层使用p_i个大小为m_i×n_i的卷积核进行卷积操作，对于每个卷积层的输入x_i，卷积之后得到输出

其中p_i表示第i个卷积层，卷积核的个数，m_i,n_i表示第i个卷积层的卷积核大小，y_i表示输入x_i与卷积核执行卷积操作，并经过激活函数f(·)后的输出值，W_ij，b_ij分别表示第i个卷积层的第j个卷积核的权重和偏置，其中，p₁＝64,m₁×n₁＝5*5；p₂＝32,m₂×n₂＝5*5；p₃＝16,m₃×n₃＝3*3；p₄＝1,m₄×n₄＝3*3；

初始化为服从标准正态分布的权重分布；

全部设置为常数1；激活函数f(x)采用relu激活函数，

S6.2.2：池化层池化窗口大小为3*3，偏移值为2，池化方法采用最大池化方法，提取卷积核视野内最最大化的特征，对于卷积层卷积得到的输出y_i进行池化可以得到y_pooli＝max(y_i)，i＝1,2,3,4其中y_i代表第i个卷基层的输出，即第i个池化层的输入，max(y_i)代表从当池化窗口从y_i上滑动的时候，在滑动的视野内提取最大值组成池化特征图；

S6.2.3：在卷积池化的过程中，特征图均使用全0填充，卷积过程中卷积核的移动步长设置为1，池化过程中池化窗口的移动步长设置为2，根据公式y_length＝(x_length/步长)，y_width＝(x_width/步长)，经过S5.1处理后的特征图在经过四层卷积池化层之后变为4*60*p₄＝4*60*1，其中，1代表池化特征图的深度，x_length代表输入图像的长度，x_width代表输入图像的宽度，y_length代表输出图像的长度，y_width代表输出图像的宽度；

S6.2.4经过S6.2.1,6.2.2和6.2.3处理后第四个池化层的输出为4*60*1，由于batch＝128，故y_poo_l4＝(128,4,60,1)，其中，第一维代表batch，即每次送入神经网络的谱图数量，4,60,1分别代表第四个池化层输出的谱图的长度、宽度及深度；

S6.3：构建基于LSTM的循环神经网络，具体为：

S6.3.1：双向循环神经网络的主体结构为两个单向循环神经网络的结合，在每一个时刻t，输入同时提供给这两个方向相反的循环神经网络，输出为这两个单向循环神经网络共同决定，设置n_inputs＝60，n_steps＝4，n_hidden_units＝128，n_class＝5，其中n_inputs＝60代表输入层神经元数目，即谱图特征中每行60列的数值，n_steps＝4代表4行的数据，以一行一行像素值处理，便是4行；n_hidden_units＝12表示隐层的神经元数目，n_class＝5表示输出层的神经元数目，即代表所挑选的类别数目为5类；

S6.3.2：对双向循环神经网络的权重和偏置进行初始化，输入层和隐层之间的权重记为Weights1，其维度为shape＝(n_inputs,n_hidden_units),隐层和输出层之间的权重记为Weights2，其维度为shape＝(n_hidden_units，n_class)，权重初始化采用与卷积神经网络相同的高斯分布，输入层和隐层之间的偏置记为biases1，其维度为shape＝(n_hidden_units)，隐层和输出层之间的偏置记为biases2，其维度为shape＝(n_class)，均初始化为常量1，双向的初始状态皆记为state＝0，双向循环神经网络的所有时刻共享权重，偏置和初始状态state；

S6.3.3：将通过步骤S5得到的4*60的特征谱图按列拆分，拆分出来的每一列作为一个序列，每一个序列未由4个像素组成的向量，双向循环神经网络不同时刻的输入分别是拆分出来的batch个序列，从第四个池化层得到的特征图为三维，通过tensorflow中的reshape函数将输入数据变成(batch*n_steps，n_inputs)二维的适合循环神经网络输入层的形式，将reshape后的数据记作X1_in，则第一层的输出为X1_out＝tanh(X1_in*Weights1+biases1)，同时作为隐层的输入，其中tanh()是激活函数，

lstm_fw_cell＝tf.contrib.rnn.BasicLSTMCell(n_hidden_units,forget_bias＝1.0)

lstm_bw_cell＝tf.contrib.rnn.BasicLSRMCell(n_hidden_units,forget_bias＝1.0)

outputs＝tf.contrib.rnn.static_bidirectional_rnn(lstm_fw_cell,lstm_bw_cell,X1_out)

其中，lstm_fw_cell代表前向的循环神经网络，lstm_bw_cell代表反向循环神经网络，forget_bias＝1.0代表LSTM不会忘记任何信息，outputs代表X1_out经过的输出；取输出序列中的最后一个X2_out＝outputs[-1]，作为输出层的输入，a＝tanh(X2_out*Weights2+biases2)，为双向循环神经网络每一个时刻batch个输出的组合，输出的batch中的每一个序列的维度是n_class，a＝{a₁,a₂,a₃,a₄,a₅}；

S6.4：构建softmax层，将a作为softmax分类器的输入特征，进行分类，假设用于训练的雷达HRRP样本来自5个不同的目标，训练得到softmax回归模型的参数集θ之后，雷达测试HRRP样本的特征a对应于第i个目标的概率值p(a|i)定义为：

其中，i表示目标的标号，i＝1,2,…,5，5为总目标数，θ_i表示对应于目标i的参数，

表示归一化向量，使雷达测试HRRP样本a对应于所有目标模型的概率和为1；

S6.5：通过最大后验概率来对样本进行判决，将测试样本分类到最大目标条件似然值所对应的目标c中：

代表模型判断a属于5个类别分别会有一个对应的概率，从判断的5个概率中挑选最大概率所属的类别赋给c，即为目标模型。

Images