CN109871907A - 基于sae-hmm模型的雷达目标高分辨率距离像识别方法 - Google Patents

Abstract

本发明属于雷达自动目标识别领域，具体是一种基于SAE‑HMM模型的雷达目标高分辨率距离像识别方法，主要解决现有雷达目标距离像识别技术中依赖人工经验提取特征，技术要求高，识别精度差，分类过程中未能充分利用序列之间信息的问题。主要实现步骤是：将雷达高分辨率距离像数据进行标准化预处理；使用稀疏自编码器对预处理后的雷达目标距离像数据进行提取特征并降维；提取后的目标特征数据进行PCA降维处理后训练高斯混合模型‑隐马尔科夫模型(SAE‑HMM)，确定模型参数；使用前向算法计算各目标数据的后验概率，使用最大后验概率确定目标类别，完成目标识别任务。本发明利用堆栈稀疏自编码器优异的特征提取性能，结合隐马尔科夫模型能够实现对目标的高效识别。

Description

基于SAE-HMM模型的雷达目标高分辨率距离像识别方法

技术领域

本发明属于雷达自动目标识别领域，具体是一种基于SAE-HMM模型的雷达目标高分辨率距离像识别方法。

背景技术

雷达目标高分辨率距离像(High Resolution Range Profile,HRRP)提供了目标沿雷达视线方向上的散射点分布状况，反映了目标的形状、大小、结构等信息，并且其成像简单易于获取、数据量小、运算复杂度低等优势成为雷达目标识别技术的研究热点。

根据散射点模型理论，当目标姿态变化时，目标HRR像也会随着姿态角的变化而发生相应的改变，即姿态敏感性。由于姿态敏感性的存在导致，同一目标在不同姿态角时，HRR像的差异很大，给识别带来困难。但实际上，目标HRR像的变化也反映了目标自身结构在雷达视线上变化，是一种与目标结构相关的有序渐变，也反映了目标自身的结构信息。研究表明，当目标姿态角变化较为缓慢时，相邻HRR像之间的差异也较小；但当目标姿态角变化较大时，距离像间的差异较大。

基于HMM的目标识别中，由于在目标姿态角变化较小的范围内，产生的HRRP序列之间差异较小，可以认为是平稳随机过程，对应于隐马尔科夫模型的一个状态；目标姿态角变化较大时，可以看成是经过多个小角度变化过程产生，使用隐马尔科夫模型的状态转换来表示。这样，对于一系列不同姿态角下的目标HRR像序列，可以使用隐马尔科夫模型对其进行建模。在基于HMM的HRRP识别中，数据维数较高，需要进行降维特征提取。使用Relax算法从目标HRR像中提取目标散射点位置信息最为识别特征。使用提取目标HRR像散射点位置信息与强度信息作为识别特征。结合时域特征和功率谱特征作为识别特征。这些特征大多依赖于研究人员的经验,并且特征维数较高。

发明内容

基于以上技术存在的不足，本发明提出一种基于SAE-HMM(堆栈稀疏自编码器隐马尔科夫模型)的雷达目标高分辨率距离像识别方法，使用堆栈稀疏自编码器自主提取目标高分辨率距离像特征，同时，通过设计特定的自编码器结构还能在实现特征提取的同时对数据进行降维，使用隐马尔科夫模型对目标姿态变化过程进行建模，显著提高分类识别性能。

为了实现上述功能，本发明将采用以下技术方案：

由于深层神经网络(DNN)包含多个隐含层能够对输入数据进行复杂的非线性变换，将其映射到高维空间，使得数据的可分性增强。通过堆栈稀疏自编码器构建深层神经网络，实现对输入信号的特征提取，同时通过特殊的网络结构，能够完成特征提取和降维过程，隐马尔科夫模型能够对目标的姿态变化进行建模，结合多个高分辨率距离像序列充分利用序列之间的相关性，因而能够提高目标识别的精度。

基于以上原理，本发明的完成步骤如下：

(1)对雷达目标高分辨率距离像数据进行标准化预处理，使每个样本数据变为零均值，单位方差；

(2)使用预处理后的数据逐层训练稀疏自编码器，使用堆栈稀疏自编码器提取目标特征。稀疏自编码器网络通过最小化网络代价函数来训练，其代价函数下式所示：

式中a_j(x)表示输入为x的条件下神经元j的激活度，表示神经元j的平均激活状态，x_i表示输入数据，表示重建数据。代价函数包含三项内容：第一项为最小化重构误差约束，使用均方差损失函数；第二项为权重衰减约束，使得网络倾向于学习小一点的权重，更小的权重意味着网络的不会因为输入的微小改变而产生较大变化，增强网络的鲁棒性；第三项为稀疏性约束，稀疏性约束使得网络的神经元平均激活度接近于给定的参数，从而获得输入信号的潜在结构；

(3)使用主成分分析(PCA)对于堆栈稀疏自编码器提取的特征进行处理，去除各维度的相关性，并降维；

(4)对(3)中提取的特征数据进行角域分帧处理，使得同一角域内雷达目标不发生散射点偏移，帧内样本数据较为稳定；

(5)使用分帧后的数据训练高斯混合模型-隐马尔科夫模型，确定隐马尔科夫模型的参数，隐马尔科夫模型的一个状态对应一个角域内的数据；

(6)根据训练得到的模型参数使用前向算法计计算测试数据在各目标隐马尔科夫模型下的生成后验概率值，根据最大生成后验概率确定测试样本所属目标类别。

由于采用上述技术方案，本发明与现有技术相比，具有以下技术特征：

1、本发明采用堆栈稀疏自编码器构建DNN自主提取序列特征信息，其特征维度相比原始数据大大降低，在测试中大大降低了识系统的内存需求和计算资源，而现有技术大多采用频谱幅度、功率谱、差分功率谱、高阶谱等人工手动提取特征，虽然识别性能较好，但由于这些特征的维度相比于原始高分辨率距离像数据维度并没有减少，有些还会增加。

2、本发明使用堆栈稀疏自编码器构建DNN提取特征，利用高斯混合模型-隐马尔科夫模型对目标姿态变化进行建模，能够充分利用各序列所反映的目标特征信息，识别性能相对于单一样本方法更加优异。而现有技术大多采用单个目标序列样本实现分类识别，但由于HRRP数据的特殊性，单一样本并不能完全表征目标的所有信息，同一目标各序列样本之间存在一定关联性。

附图说明

图1是本发明目标识别流程框图。

图2是原始HRRP二维PCA投影。

图3是SAE-1特征二维PCA投影。

图4是SAE-2特征二维PCA投影。

具体实施方式

以下将依照附图对本发明作进一步的说明：

根据图1所示，本发明具体步骤如下：

步骤1，对于雷达目标高分辨率距离像数据由于其自生的特殊性存在平移敏感性和强度敏感性，首先对其进行预处理，消除这些敏感性对识别的干扰。具体实现是对其进行标准化处理使其每个序列样本变成零均值单位方差。

步骤2，使用预处理后的数据逐层训练堆栈稀疏自编码器，自编码器编码层采用sigmoid激活函数，表达式为：f(x)＝1/(1+exp(-x))，解码器采用线性激活函数，表达式为：g(x)＝Wx+b，稀疏自编码器通过最小化网络代价函数来训练，其代价函数为：

式中a_j(x)表示输入为x的条件下神经元j的激活度，表示神经元j的平均激活状态，x_i表示输入数据，表示重建数据。代价函数包含三部分内容：第一项为最小化重构误差约束，本文均方差损失函数；第二项为权重衰减约束，使得网络倾向于学习小一点的权重，更小的权重意味着网络的不会因为输入的微小改变而产生较大变化，增强网络的鲁棒性；第三项为稀疏性约束，稀疏性约束使得网络的神经元平均激活度接近于给定的参数，从而获得输入信号的潜在结构。

堆栈稀疏自编码器的训练步骤为：首先使用输入数据训练第一个稀疏自编码器，训练完成后，将自编码器其编码输出部分作为第二个自编码器的输入，训练第二个稀疏自编码器，。在整个过程中，稀疏自编码器训练完成后，去掉解码器部分，将编码器输出作为输入训练下一个自编码器，直到所有编码器都训练完成，然后将所有自编码器解码器部分去掉，编码部分连接起来构成堆栈稀疏自编码器，堆栈稀疏自编码器的顶层输出即为特征，堆栈稀疏自编码器网络结构一般是靠近输入的层隐含层神经元数目多，靠近输出的神经元少，因而，在提取特征的同时能够同时实现降维处理。

步骤3：对于堆栈稀疏自编码器提取的特征进行主成分分析处理，去掉特征各维之间的相关性，并进一步降维。

步骤4：对于步骤3处理过的特征按照不发生散射点越距单元走动的角度为角度，对各目标特征样本进行均匀分帧处理。

步骤5：散射点越距单元走动意味着目标在雷达照射下的姿态发生变化，隐马尔科夫模型的状态变换能够用来描述这种目标姿态的变化，各目标每一帧对应一个隐马尔科夫模型的状态，5个状态构成一个隐马尔科夫模型，使用多个隐马尔科夫模型对目标的姿态变化进行建模。隐马尔科夫模型训练过程如下：首先对每一帧的数据进行K均值聚类，将聚类结果作为HMM模型的发射概率初始参数，初始化HMM模型转移矩阵和初始状态矩阵，然后采用(前向后向算法)Baum-Welch算法训练模型的发射概率参数，状态转移矩阵和初始状态矩阵，当模型的性能不在增加或达到最大迭代次数时，终止训练，保留模型参数。

步骤6：使用前向算法分别计算待测序列与各类目标HMM模型下的后验生成概率，选择最大后验生成概率的类别最为分类识别结果输出。

本发明的识别精度可通过实测仿真进一步说明：

测试数据采用4种飞机目标(B2、F117、J6、YF22)的一维距离像数据。雷达对飞机照射的方位角范围为0°～180°，方位角间隔为0.6°，4种飞机的总共1200个样本，按照1:1的比例间隔从样本集合中抽取训练数据集和测试数据集。

每类飞机目标姿态方位角均为180°，采用均匀分帧的方法划分数据，对于每类飞机使用5个隐马尔科夫模型描述其姿态变化的全过程，每个隐马尔科夫模型包含5个状态，每个HMM对应30个训练样本，每个状态对应6个训练样本，测试中使用5个样本为1组识别。

堆栈稀疏自编码器的网络结构为256-400-100-400-256，编码层单元激活函数为sigmoid，解码层激活函数为线性激活函数，训练算法采用共轭梯度下降算法，迭代次数分别为200、100，权重衰减均为0.001,稀疏因子为0.15、0.1。

分类识别结果如表1所示：

表1 识别性能对比表(％)

从表1可以看出，本发明的分类识别性能要优于使用单个样本的深度神经网络和使用堆栈稀疏自编码器特征的softmax分类器

图2、图3、图4为稀疏自编码器的特征提取二维可视化图与原始样本的可视化对比图，从图中可以看出，相比于原始序列，随着网络层数的增加，堆栈稀疏自编码器提取的特征可分性越来越强。

Claims (4)

1.一种基于SAE-HMM模型的雷达目标高分辨率距离像识别方法，其特征在于，包括如下步骤：

(1)对雷达目标高分辨率距离像数据进行标准化预处理，使每个样本数据变为零均值，单位方差；

(2)使用预处理后的数据逐层训练稀疏自编码器，使用堆栈稀疏自编码器提取目标特征。稀疏自编码器网络通过最小化网络代价函数来训练，其代价函数下式所示：

式中a_j(x)表示输入为x的条件下神经元j的激活度，表示神经元j的平均激活状态，x_i表示输入数据，表示重建数据。代价函数包含三项内容：第一项为最小化重构误差约束，使用均方差损失函数；第二项为权重衰减约束，使得网络倾向于学习小一点的权重，更小的权重意味着网络的不会因为输入的微小改变而产生较大变化，增强网络的鲁棒性；第三项为稀疏性约束，稀疏性约束使得网络的神经元平均激活度接近于给定的参数，从而获得输入信号的潜在结构；

(3)使用主成分分析(PCA)对于堆栈稀疏自编码器提取的特征进行处理，去除各维度的相关性，并降维；

(4)对(3)中提取的特征数据进行角域分帧处理，使得同一角域内雷达目标不发生散射点偏移，样本数据较为稳定；

(5)使用分帧后的数据训练高斯混合模型-隐马尔科夫模型模型，确定隐马尔科夫模型的参数，隐马尔科夫模型的一个状态对应一个角域内的数据；

(6)根据训练得到的模型参数使用前向算法计算计算测试数据在各目标隐马尔科夫模型下的生成后验概率值，根据最大生成后验概率确定测试样本所属目标类别。

2.根据权利要求1所述的一种基于SAE-HMM的雷达目标高分辨率距离像识别方法，其特征在于，步骤(4)中的角域分帧采用均匀分帧的方法划分数据，以散射点不发生越剧单元走动为角度对数据进行分帧。

3.根据权利要求1所述的一种基于SAE-HMM模型的雷达目标高分辨率距离像识别方法，其特征在于，步骤(2)中稀疏自编码器编码层使用sigmoid激活函数，解码层采用线性激活函数，使用共轭梯度下降算法训练网络。

4.根据权利要求1所述的一种基于SAE-HMM模型的雷达目标高分辨率距离像识别方法，其特征在于，步骤5中使用高斯混合模型描述隐马尔科夫模型的发射概率模型，模型训练使用前向-向后算法，即Baum-Welch算法。