CN110109109A - 基于多分辨率注意力卷积网络的hrrp目标识别方法 - Google Patents

Abstract

本发明公开了一种基于多分辨率注意力卷积网络的雷达高分辨距离像目标识别方法，主要解决现有技术识别率低的问题，其实现方案为：1)获取Q类目标的高分辨距离像数据得到训练样本集和测试样本集；2)对高分辨距离像数据预处理得到二维时频数据；3)构建多分辨率注意力卷积网络对二维时频数据进行特征提取并分类；4)使用训练样本集训练多分辨率注意力卷积网络；5)将测试样本输入到训练好的多分辨率注意力卷积网络，得到样本的识别结果。本发明充分利用了不同分辨率的高分辨距离像的频域和时域信息，显著提高了识别率，增加了系统鲁棒性，可用于环境检测和航迹跟踪。

Description

基于多分辨率注意力卷积网络的HRRP目标识别方法

技术领域

本发明属于雷达技术领域，特别涉及一种高分辨距离像HRRP目标识别方法，可用于环境检测和航迹跟踪。

背景技术

雷达的距离分辨率正比于匹配滤波后的接收脉冲宽度，且雷达发射信号的距离单元长度满足：ΔR为雷达发射信号的距离单元长度，c为光速，τ为匹配接收的脉冲宽度，B为雷达发射信号的带宽；雷达发射信号带宽越宽则能提供更高的距离分辨率。实际上雷达距离分辨率的高低是相对于观测目标而言的，当所观测目标沿雷达视线方向的尺寸为L时，如果L＜＜ΔR，则对应的雷达回波信号宽度与雷达发射脉冲宽度(匹配处理后的接收脉冲)近似相同，通常称为“点”目标回波，这类雷达为低分辨雷达；如果L＞＞ΔR，则目标回波成为按目标特性在距离上延伸的“一维距离像”，这类雷达为高分辨雷达；＜＜表示远远小于，＞＞表示远远大于。

高分辨雷达工作频率相对于一般目标位于高频区，发射宽带相干信号，雷达通过对目标发射电磁波，接收目标回波数据。通常回波特性采用简化的散射点模型计算得到，即采用忽略多次散射的波恩一级近似。

高分辨雷达回波中呈现出的起伏和尖峰，反映着在一定雷达视角时目标上散射体如机头、机翼、机尾方向舵、进气孔、发动机等等的雷达散射截面积RCS沿雷达视线RLOS的分布情况，体现了散射点在径向的相对几何关系，常称为高分辨距离像HRRP。因此，该HRRP样本包含目标重要的结构特征，对目标识别与分类很有价值。

目前，已经发展出许多针对高分辨距离像数据的目标识别方法，包括使用较为传统的支持向量机直接对目标进行分类，使用基于限制玻尔兹曼机的特征提取方法先将数据投影到高维空间中再用分类器分类数据。但上述各种方法由于仅仅利用了信号的时域特征，导致目标识别准确率不高。

发明内容

本发明目的在于针对上述现有技术存在的不足，提出一种基于多分辨率注意力卷积网络的HRRP目标识别方法，以利用信号的时域特征和频域特征，提高目标的识别的准确率。

为达到上述技术目的，本发明的实现步骤包括如下：

(1)获取Q类目标的雷达回波在雷达视线上沿着距离维的高分辨距离像数据x，和标签值y，并建立训练集D_P和测试集D_A；

(2)对x依次进行归一化、重心对齐和均值归一化处理，得到预处理后的高分辨距离像数据x”'；

(3)对x”'进行不同分辨率TL_i下的短时傅里叶变换，得到不同分辨率下高分辨距离像的时频数据(x””)_i，i＝1,2,3,…,n，n为正整数；

(4)设定n个二维卷积神经网络，利用该网络计算(x””)_i的特征向量f_i；

(5)设定1个具有一层全连接层的注意力模型,利用该模型计算特征向量f_i的加权特征g；

(6)利用softmax分类器对加权特征g进行分类，得到分类结果z；

(7)利用训练集D_P训练多分辨率注意力卷积网络；

(8)将测试集D_A输入到训练好的多分辨率注意力卷积网络中进行目标识别，得到雷达高分辨距离像目标识别结果。

本发明与现有技术相比具有如下优点：

第一，本发明采用多分辨率短时傅里叶变换，对雷达高分辨率距离像生成多分辨率的时-频域二维数据，能在不同尺度上提取到目标的关键特征，具有较强的鲁棒性。

第二，本发明引入了注意力模型，能够自适应地从多个分辨率中选择当前目标的最优分辨率，并对其给予较大权重，因此能自适应选择最优分辨率进行目标识别。

第三，目标识别率高，传统针对高分辨距离像数据的目标识别方法一般只是用传统分类器直接对原始数据进行分类得到识别结果，没有提取数据的高维特征，导致识别率不高，而本发明使用的卷积神经网络可以组合各层的初级特征，从而得到更高层的特征进行识别。

附图说明

图1是本发明的实现流程图；

图2是本发明实验中不同样本在不同分辨率下输出的权值构成的热力图；

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细说明。

参照图1，本发明的实现步骤如下：

步骤1，建立训练集D_P和测试集D_A。

获取Q类目标的雷达回波在雷达视线上沿着距离维的高分辨距离像数据x和类别标签值y，x的大小为1×N，N为HRRP距离单元个数，y∈{1,2,3,…,Q}，Q为类别总数；

依据训练集应尽量包含目标各个角度的数据，且测试集与训练集的样本不重复出现的划分规则，建立训练集D_P和测试集D_A,其表示式为：

其中P为训练集样本个数，A为测试集样本个数，x_j为训练集D_P中第j个高分辨距离像数据,y_j为x_j对应的标签值，x_r为测试集D_A中第r个高分辨距离像数据,y_r为x_r对应的标签值，j∈{1,2,3,…,P}，r∈{1,2,3,…,A}。

步骤2，对高分辨距离像数据x进行预处理。

(2a)对高分辨距离像数据x进行归一化处理，得到归一化处理后的数据x'：

其中，||·||₂表示求二范数；

(2b)对归一化处理后的数据x'进行重心对齐，得到重心对齐后的数据x”：

x”＝IFFT{FFT(x')e^{-j{φ[W]-φ[C]k}}}，

其中，W表示归一化处理后的数据重心，C表示归一化处理后的数据中心，φ(W)表示归一化处理后的数据重心对应相位，φ(C)表示归一化处理后的数据中心对应相位，k表示W与C之间的相对距离，IFFT表示逆快速傅里叶变换操作，FFT表示快速傅里叶变换操作，e表示指数函数，j表示虚数单位；

(2c)对重心对齐后的数据x”进行均值归一化处理，得到均值归一化处理后的数据x”'：

x”'＝x”-mean(x”)，

其中，mean(x”)表示重心对齐后的数据x”的均值，均值归一化处理后的数据x”'为1×N维矩阵，N为HRRP的距离单元个数。

步骤3，对x”'进行不同分辨率TL_i下的短时傅里叶变换，得到不同分辨率下高分辨距离像的时频数据(x””)_i：

(x””)_i＝STFT{T(x”'),TL_i}，

其中，STFT{T(x”'),TL_i}表示时间窗窗长为TL_i的短时傅里叶变换，为了使不同分辨率下变换后的数据宽度一致，对每一个样本均匀补TL_i-1个零，分布在x”'的首部和尾部，窗口重叠设置为TL_i-1个点，即每次窗口滑动1个点，可保证不同分辨率下短时傅里叶变化后数据宽度不变,该补零操作记为T(x”')，短时傅里叶变换后的数据(x””)_i的大小为H×N，H表示快速傅里叶变换的点数,N为HRRP距离单元个数，H与TL_i均为2的整数次幂,且取值相互无关，i∈{1,2,3,…,n}，n为正整数。

步骤4，对时频数据(x””)_i设定n个二维卷积神经网络CNN，并计算(x””)_i的特征向量f_i。

(4a)设定每个二维卷积神经网络CNN依次包括三层卷积-池化层和一层全连接层，其结构参数如下：

第一层卷积-池化层，卷积层含有C个卷积核K₁，卷积核的大小为H×G₁，卷积步长为G₁，卷积层偏置为b₁，H为快速傅里叶变换的点数，G₁为适当的正整数使得卷积运算不重叠,C为正整数，池化层的下采样处理的核窗口大小为1×L₁，L₁为适当正整数；

第二层卷积-池化层，卷积层含有C个卷积核K₂，卷积核的大小为1×G₂,G₂为适当的正整数使得卷积运算不重叠，卷积层偏置为b₂，池化层的下采样处理的核窗口大小为1×L₂，L₂为适当正整数；

第三层卷积-池化层，卷积层含有2C个卷积核K₃，卷积核的大小为1×G₃,G₃为适当的正整数使得卷积运算不重叠，卷积层偏置为b₃，池化层的下采样处理的核窗口大小为1×L₃，L₃为适当正整数；

第四层全连接层，全连接层输出层神经元个数为B，B≥N,N为HRRP距离单元个数；

(4b)利用二维卷积神经网络CNN计算(x””)_i的特征向量f_i，实现如下：

(4b1)用第一层卷积层，对时频数据(x””)_i进行卷积和下采样，得到下采样后的第一层特征图

其中，max(·)代表MaxPolling函数，Z_S(·)代表高斯归一化函数，f_a(·)表示RELU函数，表示卷积操作；

(4b2)用第二层卷积层，对下采样后的第一层特征图进行卷积和下采样，得到下采样后的第二层特征图

(4b3)用第三层卷积层，对下采样后的第二层特征图进行卷积和下采样，得到下采样后的第三层特征图

(4b4)用第四层全连接层，对下采样后的第三层特征图进行非线性变换，得到特征向量f_i：

式中，为全连接层的权值矩阵，表示偏置。

步骤5，设定注意力模型,计算特征向量f_i的加权特征g。

(5a)设注意力模型是由一层全连接层实现，且在不同分辨率下的特征向量f_i共享同一个注意力模型；

(5b)计算特征向量f_i的加权特征g：

(5b1)计算特征向量f_i的注意力值oⁱ：

oⁱ＝tanh(W_att×f_i ^T)，

式中W_att为注意力网络的权值矩阵，tanh(·)为双曲正切函数，f^T表示f的转置,i＝1,2,3,...,n，n为正整数；

(5b2)根据注意力值oⁱ计算注意力值oⁱ的权重α_i：

式中，exp(·)为指数函数，α_i为数值标量；

(5b3)根据权重α_i计算特征向量f_i的加权特征向量g：

步骤6,利用softmax分类器对加权特征g进行分类，得到分类结果z。

(6a)计算类别概率分布v：

v＝softmax(W_soft×g^T+b^s)，

其中W_soft为全连接层的权值，g^T为加权特征向量g的转置，b^s为该全连接层的偏置，softmax(·)为softmax函数；

(6b)根据概率分布v计算识别结果z：

z＝argmax(v)，

式中argmax(·)为argmax函数，用于取v中最大值的下标，z∈{1,2,3,…,Q}，Q为目标类别总数。

步骤7,利用训练集D_P训练多分辨率注意力卷积网络。

(7a)随机打乱训练集D_P中样本的排列顺序，D_P中共有P个样本；

(7b)设定最大迭代次数EP和批样本数BS，使得BS能整除P，EP为大于10的正整数，迭代次数越大则模型识别率越高；

(7c)设定迭代次数计数初始值CT＝0，设定当前位置SP＝1；

(7d)从训练集D_P中选取批样本DM_P：

(7d1)从当前位置SP往后依次在训练集D_P中取BS个样本，构成批样本DM_P：

其中x_j为训练集D_P中第j个高分辨距离像数据，y_j为x_j对应的标签值；

(7d2)更新当前位置SP为：SP＝SP+BS-1；

(7d3)将更新后的SP与训练集样本总数P进行比较，若SP等于P，则重置当前位置SP为1，并更新迭代次数：CT＝CT+1；

(7e)计算批样本DM_P的交叉熵损失loss：

式中<·,·>为求向量内积操作，onehot(·)为独热编码函数，v_j为x_j的预测类别概率分布；

(7f)利用BP算法通过交叉熵损失loss对多分辨率注意力卷积网络的参数进行优化；

(7g)重复(7d)至(7f)，直到迭代次数CT等于设定的最大迭代次数EP，则训练完成。

步骤8，对测试集D_A中的测试样本x_r进行类别识别。

遍历测试集D_A，对D_A中的每一个高分辨距离像数据x_r输入到多分辨率注意力卷积网络得到识别结果z_r，z_r∈{1,2,3,…,Q}，Q为类别总数。

本发明的效果可通过以下仿真实验进一步验证说明:

(一)实验条件

1.实验数据

实验所用的数据是3类飞机的高分辨距离像实测数据，3类飞机型号分别为奖状(715)，安26(507)，雅克42(922)，获得的3类高分辨距离成像数据，分别是奖状(715)飞机的高分辨距离成像数据、安26(507)飞机的高分辨距离成像数据和雅克42(922)飞机的高分辨距离成像数据，将3类高分辨距离成像数据分成训练样本集和测试样本集，然后为练样本集和测试样本集中的所有高分辨距离成像数据分别加上相应的类别标签；训练样本集中包含140000个训练样本，测试样本集中包含5200个测试样本，其中训练样本中含有第1类高分辨成像数据52000个，第2类高分辨成像数据52000个，第3类高分辨成像数据36000个，测试样本中含有第1类高分辨成像数据2000个，第2类高分辨成像数据2000个，第3类高分辨成像数据1200个。

2.实验环境

仿真实验的软件环境：操作系统为ubuntu 16.04，处理器为Intel(R)Core(TM)i5-7300HQ，处理器的主频率为2.50GHz；软件平台为：python 3.5、tensorflow 1.10。

3.模型参数设置

仿真实验中，设置了四个不同的短时傅里叶变换窗长，分别为4、8、16、32。通过短时傅里叶变换，每个样本生成了二维时域-频域的数据，大小均为32*256。第一层卷积网络有32个32*6的卷积核，第二层有32个1*9的卷积核，第三层有64个1*9的卷积核。全连接层输出为300维，即特征向量为300维。注意力模型输入300维，输出一个权重标量,对特征向量加权后得到最终300维的加权特征向量。

(二)实验内容与结果

实验1.对本发明中的注意力权重分布进行可视化，结果为图2。图2中x轴为测试本编号，1～2000、2001～4000、4001～5200分别为第一类、第二类、第三类目标的测试样本编号，y轴为分辨率轴，短时傅里叶变换窗长分别为4，8，16，32。注意力权重在图2中表现为灰度图像，0为黑色，1为白色，灰色介于0～1之间。从图2中可看出对不同分辨率，注意力权重不同，最大权重对应的分辨率即本发明选择出的最优分辨率。

实验2.用本发明方法与4个单分辨率卷积网络识别模型分别对实验数据中的测试样本进行目标识别，并计算平均识别率，结果见表1。

4个单分辨率卷积网络识别模型分别为：

窗长为4的单分辨率卷积网络识别模型，

窗长为8的单分辨率卷积网络识别模型，

窗长为16的单分辨率卷积网络识别模型，

窗长为32的单分辨率卷积网络识别模型。

表1本发明与不同单分辨率卷积网络识别模型的平均识别率对照表

方法	平均识别率(％)
		窗长为4的单分辨率卷积网络识别模型	94.2
窗长为8的单分辨率卷积网络识别模型	95.3
		窗长为16的单分辨率卷积网络识别模型	95.31
窗长为32的单分辨率卷积网络识别模型	94.67
		本发明	96.02

从表1可见，本发明所采用的多分辨率注意力机制的识别模型比现有采用单一分辨率的识别模型更有效，能显著提升识别率。

实验3.用本发明与现有的5种HRRP识别模型对实验数据中的测试样本进行目标识别，并计算每种方法的平均识别率，结果见表2。

5种HRRP识别模型包括三种传统的模型和两种深度学习模型，分别为：

最大相关系数MCC，

自适应高斯分类器AGC，

线性支持向量机LSVM，

深度信念网络DBN，

栈式相关自编码器结合支持向量机SCAE。

MCC和AGC是两个典型的统计识别模型；LSVM是一种高效的机器学习算法，旨在将结构风险降到最低,具有较好的泛化性能；DBN和SCAE是两个典型的深度神经网络模型。

表2本发明与现有不同雷达目标识别方法的平均识别率对照表

方法	平均识别率(％)
		最大相关分类器(MCC)	62.42
自适应高斯分类器(AGC)	85.63
		线性支持向量机(LSVM)	86.70
深度置信网络(DBN)	89.29
		栈式相关自编码器结合支持向量机(SCAE)	92.03
本发明	96.02

由表2可见，与其他方法对比，本发明方法的识别准确率最高，达到了为96.02％，显著优于其他方法。实验验证了本发明的正确性，有效性和可靠性。

Claims (7)

1.一种基于多分辨率注意力卷积网络的HRRP目标识别方法，包括以下步骤：

(1)获取Q类目标的雷达回波在雷达视线上沿着距离维的高分辨距离像数据x，和标签值y，并建立训练集D_P和测试集D_A；

(2)对x依次进行归一化、重心对齐和均值归一化处理，得到预处理后的高分辨距离像数据x”'；

(3)对x”'进行不同分辨率TL_i下的短时傅里叶变换，得到不同分辨率下高分辨距离像的时频数据(x””)_i，i＝1,2,3,…,n，n为正整数；

(4)设定n个二维卷积神经网络，利用该网络计算(x””)_i的特征向量f_i；

(5)设定1个具有一层全连接层的注意力模型,利用该模型计算特征向量f_i的加权特征g；

(6)利用softmax分类器对加权特征g进行分类，得到分类结果z；

(7)利用训练集D_P训练多分辨率注意力卷积网络；

(8)将测试集D_A输入到训练好的多分辨率注意力卷积网络中进行目标识别，得到雷达高分辨距离像目标识别结果。

2.如权利要求1所述的方法，其特征在于，在(1)中建立训练集D_P和测试集D_A其划分规则为：训练集应尽量包含目标各个角度的数据，且测试集与训练集的样本不重复出现，其表示式为：

其中P为训练集样本个数，A为测试集样本个数，x_j为高分辨距离像数据,y_j为x_j对应的标签值，j为样本下标。

3.如权利要求1所述的方法，其特征在于，(2)中对高分辨距离像数据x依次进行归一化、重心对齐和均值归一化处理，实现步骤如下：

(2a)对x进行归一化处理，得到归一化处理后的数据x'：

其中，||·||₂表示求二范数,

(2b)对归一化处理后的数据x'进行重心对齐，得到重心对齐后的数据x”：

x”＝IFFT{FFT(x')e^{-j{φ[W]-φ[C]k}}}，

其中，W表示归一化处理后的数据重心，C表示归一化处理后的数据中心，φ(W)表示归一化处理后的数据重心对应相位，φ(C)表示归一化处理后的数据中心对应相位，k表示W与C之间的相对距离，IFFT表示逆快速傅里叶变换操作，FFT表示快速傅里叶变换操作，e^(·)表示指数函数，j表示虚数单位；

(2c)对重心对齐后的数据x”进行均值归一化处理，得到均值归一化处理后的数据x”'：

x”'＝x”-mean(x”)，

其中，mean(x”)表示重心对齐后的数据x”的均值，均值归一化处理后的数据x”'为1×N维矩阵，N为HRRP的距离单元个数。

4.如权利要求1所述的方法，其特征在于，(3)中对x”'进行不同分辨率TL_i下的短时傅里叶变换，通过如下公式进行：

(x””)_i＝STFT{T(x”'),TL_i}，

其中，T(x”')表示对x”'首尾进行补均匀补TL_i-1个零的操作，STFT{T(x”'),TL_i}表示时间窗窗长为TL_i的短时傅里叶变换；(x””)_i为短时傅里叶变换后的数据，其大小为H×N，H为快速傅里叶变换的点数，N为HRRP的距离单元个数。

5.如权利要求1所述的方法，其特征在于，(4)中对(x””)_i设定二维卷积神经网络，并计算(x””)_i的特征向量f_i其实现如下：

(4a)设定每个二维卷积神经网络CNN依次包括三层卷积-池化层和一层全连接层，其结构参数如下：

第一层卷积-池化层，卷积层含有C个卷积核K₁，卷积核的大小为H×G₁，卷积步长为G₁，卷积层偏置为b₁，H为快速傅里叶变换的点数，G₁为适当的正整数使得卷积运算不重叠,C为正整数，池化层的下采样处理的核窗口大小为1×L₁，L₁为适当正整数；

第二层卷积-池化层，卷积层含有C个卷积核K₂，卷积核的大小为1×G₂,G₂为适当的正整数使得卷积运算不重叠，卷积层偏置为b₂，池化层的下采样处理的核窗口大小为1×L₂，L₂为适当正整数；

第三层卷积-池化层，卷积层含有2C个卷积核K₃，卷积核的大小为1×G₃,G₃为适当的正整数使得卷积运算不重叠，卷积层偏置为b₃，池化层的下采样处理的核窗口大小为1×L₃，L₃为适当正整数；

第四层全连接层，全连接层输出层神经元个数为B，B≥N,N为HRRP距离单元个数；

(4b)利用二维卷积神经网络CNN计算(x””)_i的特征向量f_i，实现如下：

(4b1)用第一层卷积层，对时频数据(x””)_i进行卷积和下采样，得到下采样后的第一层特征图

其中，max(·)代表MaxPolling函数，Z_S(·)代表高斯归一化函数，f_a(·)表示RELU函数，表示卷积操作；

(4b2)用第二层卷积层，对下采样后的第一层特征图进行卷积和下采样，得到下采样后的第二层特征图

(4b3)用第三层卷积层，对下采样后的第二层特征图进行卷积和下采样，得到下采样后的第三层特征图

(4b4)用第四层全连接层，对下采样后的第三层特征图进行非线性变换，得到特征向量f_i：

式中，为全连接层的权值矩阵，表示偏置。

6.如权利要求1所述的方法，其特征在于，(5)中计算特征向量f_i的加权特征g，具体实现如下：

(5a)计算特征向量f_i的注意力值oⁱ：

oⁱ＝tanh(W_att×f_i ^T)，

式中W_att为注意力网络的权值矩阵，tanh(·)为双曲正切函数，f^T表示f的转置,i＝1,2,3,...,n，n为正整数；

(5b)根据注意力值oⁱ计算注意力值oⁱ的权重α_i：

式中，exp(·)为指数函数，α_i为数值标量；

(5c)根据权重α_i计算特征向量f_i的加权特征向量g：

7.如权利要求1所述的方法，其特征在于，(6)中利用softmax分类器对加权特征g进行分类，具体实现如下：

(6a)计算类别概率分布v：

v＝softmax(W_soft×g^T+b^s)，

其中W_soft为全连接层的权值，g^T为加权特征向量g的转置，b^s为该全连接层的偏置，softmax(·)为softmax函数；

(6b)根据概率分布v计算识别结果z：

z＝argmax(v)，

式中argmax(·)为argmax函数，用于取v中最大值的下标，z∈{1,2,3,…,Q}，Q为目标类别总数。