CN110334741A - 基于循环神经网络的雷达一维距离像识别方法 - Google Patents

Abstract

本发明公开了一种基于循环神经网络的雷达一维距离像识别方法，其步骤为：建立训练数据集和验证数据集；对训练数据集和验证数据集进行预处理；构建循环神经网络模型，并将其作为分类器；将预处理后的训练数据集作为输入数据，训练循环神经网络模型，并更新权重参数，得到训练后的循环神经网络对应的权重参数；构建雷达一维距离像目标识别模型，采用目标识别模型对目标数据进行识别，得到目标对应的类别。本发明利用循环神经网络作为雷达一维距离像目标识别的分类器，具有识别精度高，运算速度快的优点。同时，在低信噪比条件下仍然能保证较高的识别率，为雷达目标识别系统的准确性和稳健性提供良好的保障。

Description

基于循环神经网络的雷达一维距离像识别方法

技术领域

本发明属于信号处理技术领域，尤其涉及一种基于循环神经网络的雷达一维距离像识别方法，用于雷达信号处理技术领域。

背景技术

随着雷达技术的逐步发展，现代雷达的带宽及其分辨率不断提高，宽带雷达的分辨率一般小于观测目标尺寸，根据散射点模型理论，此时目标的回波形式由点目标回波转变成目标等效散射中心沿雷达视线方向的回波总和，即目标重要结构部件的回波总和。因此，宽带雷达的回波中包含了大量的目标结构信息，可用于实现对目标的准确分类，通常将这类由宽带雷达接收的高分辨率雷达回波称为目标的高分辨一维距离像(HighResolution Range Profile，HRRP)，简称为雷达一维距离像。

高分辨一维距离像因其获取简单，易进行工程实现的优点，被广泛应用于对地海空目标的识别之中，因而近年来基于雷达一维距离像的目标识别研究发展较为迅速。20世纪90年代初，机器学习专家提出了利用雷达一维距离像进行目标识别的基本框架，其核心部分包括数据预处理、特征提取以及分类器设计等。该框架基于目标雷达一维距离像自身的物理特性，通过生成平均距离像以应对雷达一维距离像中普遍存在的姿态敏感性，并利用机器学习算法作为识别算法的基础。

以上述通用框架为基础，国内外许多机构开始对雷达一维距离像目标识别领域开展研究，研究方向主要针对雷达一维距离像特性分析，特征提取和用于目标识别的分类器设计。而在分类器设计中，较为主要的两个研究方向为提取高质量特征后利用支持向量机、K近邻分类器或人工神经网络等机器学习方法进行分类器的设计，以及基于对目标雷达一维距离像统计建模方法的贝叶斯分类器设计。

针对目标雷达一维距离像的高质量特征提取，研究人员提出了基于具有平移不变性双谱特征的目标雷达一维距离像识别的方法。此后，有学者提出了径向积分双谱、轴向积分双谱和圆周积分双谱等快速计算双谱特征的方法，上述方法降低了特征向量的维度，改善了分类器的性能。同时，基于特征空间描述与核函数的分类方法也被应用于雷达一维距离像识别当中，例如使用非线性核函数的支持向量机模型，以及最大间隔函数支持向量机模型，核函数可以用于消除目标雷达一维距离像的平移敏感性，有助于分类器识别性能的提升。然而，对雷达一维像进行特征提取的计算量较大，并且基于特征提取的目标识别系统在目标识别阶段仍然需要对样本进行繁复的特征计算，使得系统的识别效率有所下降。

在基于统计建模方法的贝叶斯分类器研究中，研究人员也取得了大量的成果。Jacobs于2000年提出对目标雷达一维距离像进行统计建模的思想，假设进行幂次变换后的雷达一维距离像在每个距离单元服从独立的高斯分布，并使用贝叶斯分类器对目标数据进行识别，其性能超过了当时较为常用的模板匹配方法以及最近邻分类方法。同年，Webb提出雷达一维距离像在每个距离单元服从独立Gamma分布的假设，利用混合统计分布模型取得了较好的分类结果。在此之上，Du等人对目标雷达一维距离像进行统计分析后，认为距离单元间服从独立分布的假设是不充分的，并在此基础上设计了基于Gamma分布和高斯混合分布的雷达一维距离像模型。此后，改进的概率主成分分析(Probabilistic PrincipalComponent Analysis，PPCA)模型和因子分析(Factor Analysis，FA)模型也被应用于雷达一维距离像的统计识别中。统计模型还被应用在基于多姿态目标雷达一维距离像联合识别的方法中，由于目标在短时间内运动引发的姿态变化可以被视为目标结构的状态变化，利用雷达一维距离像序列之间的结构信息进行统计建模是可行的。利用隐马尔可夫模型可以有效地描述上述序列变化，可以对局部序列变化的平稳性和非平稳性进行很好的描述，但上述方法在识别时同样需要多幅连续录取的雷达一维距离像，应用条件相对苛刻。隐马尔可夫模型同样可以进行单幅雷达一维距离像的识别，Du，Pan等人提出数种改进的隐马尔可夫模型，使其可以被利用在独立的雷达一维距离像识别之中，并取得了较好的识别结果。基于统计建模的目标识别方法识别精度高，但统计建模中通常会构造目标样本的先验分布，这使得统计模型的优化空间降低。同时，统计模型对每个目标类别至少需要进行一次建模，通过贝叶斯分类器进行分类，这种识别方式在分类数较多的目标识别任务的训练与测试中，均存在较为严重的效率问题。

发明内容

为了解决上述问题，本发明的目的是提出一种基于循环神经网络的雷达一维距离像识别方法。本发明公开的方法识别精度高，对噪声稳健性强，同时在识别时不需要对测试数据进行大量的预处理和特征提取计算，也无需对样本建立概率模型以及引入先验分布，仅使用单幅雷达一维距离像即可进行识别，在提升识别精度的同时大幅改善了识别效率问题。

实现本发明的基本思路是：首先利用宽带雷达采集目标一维距离像数据，建立训练数据集；随后，对宽带雷达录取的雷达一维距离像数据进行预处理并提取特征；接着，构建基于循环神经网络的雷达一维距离像目标识别模型作为分类器；然后，利用采集到的目标一维距离像数据训练循环神经网络模型，在训练结束后保存模型结构和权重信息；最后，使用保存的模型结构与权重信息对新采集的目标一维距离像数据进行识别。

为了达到上述目的，本发明采用以下技术方案予以解决。

一种基于循环神经网络的雷达一维距离像识别方法，包括以下步骤：

步骤1，宽带雷达录取目标的一维距离像数据，建立训练数据集和验证数据集。

步骤2，分别对训练数据集和验证数据集进行预处理，对应得到预处理后的训练数据集和验证数据集。

步骤3，构建循环神经网络模型，并将其作为雷达一维距离像目标识别模型的分类器。

步骤4，将预处理后的训练数据集作为输入数据，训练循环神经网络模型，并更新权重参数，得到训练后的循环神经网络对应的权重参数。

步骤5，根据训练后的循环神经网络对应的权重参数和循环神经网络模型，构建雷达一维距离像目标识别模型；将宽带雷达采集的目标一维距离像数据作为目标数据，采用雷达一维距离像目标识别模型对目标数据进行识别，得到目标对应的类别。

与现有技术相比，本发明的有益效果为：

(1)本发明无需对目标数据进行大量的数据预处理和特征提取计算，不需要对训练样本建立概率模型和引入先验分布，仅使用单幅雷达一维距离像即可进行识别，同时，该方法可以通过GPU等硬件设备对目标识别模型的训练和测试进行加速，可显著提高目标识别系统的工作效率。

(2)本发明具有良好的识别性能以及噪声稳健性，循环神经网络模型能够有效地提取目标雷达一维距离像中的结构特征信息，提升数据的利用效率和模型的优化空间，因而相对现有技术在目标识别性能以及噪声稳健性方面有显著的提升。

附图说明

下面结合附图和具体实施例对本发明做进一步详细说明。

图1为本发明的基于循环神经网络的雷达一维距离像识别方法的流程示意图；

图2为本发明的循环神经网络模型结构图；

图3为本发明与传统目标识别方法中的支持向量机方法以及隐马尔可夫模型方法在不同信噪比条件下的识别性能对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1，对本发明的实施例及效果作进一步详细描述。

步骤1，宽带雷达录取目标的一维距离像数据，建立训练数据集和验证数据集。

具体的，步骤1包含以下子步骤：

子步骤1.1，宽带雷达录取目标的一维距离像数据，其中，目标的一维距离像数据的总类别数为C，且目标的一维距离像数据对应的类别已知。

子步骤1.2，将目标的每类一维距离像数据划分为训练数据和验证数据，并对应建立训练数据集和验证数据集；

其中，验证数据集用于检验模型性能而不参与训练，并且保证训练数据集中样本的录取姿态角应尽可能覆盖所有待识别样本可能存在的录取姿态角范围。

所述将目标的每类一维距离像数据划分为训练数据和验证数据，其具体为：对目标的每类一维距离像数据，训练数据集与验证数据集中数据的个数比为8∶2。其中，训练数据集记为D_T＝{(X_i，Y_i)_T}，i＝1，2，…N，N表示训练数据集样本总数，X_i表示第i个训练样本向量，样本长度为L个距离单元，Y_i表示样本X_i对应的分类标签，标签是长度C的独热向量，(X_i，Y_i)_T代表训练数据集中一个样本与标签组成的数据对；验证数据集记为D_V＝{(X_j，Y_j)_V}，j＝1，2，…M，M表示验证数据集样本总数，X_j表示第j个验证样本向量，Y_j表示样本X_j对应的分类标签，分类标签是长度为C的独热向量，(X_j，Y_j)_V代表验证数据集中一个样本与标签组成的数据对。

步骤2，分别对训练数据集和验证数据集进行预处理，对应得到预处理后的训练数据集和验证数据集；

具体的，步骤2包含以下子步骤：

子步骤2.1，对训练数据集中的样本进行对齐；具体包含以下子步骤为：

子步骤2.1.1，对于D_T中的训练样本向量X_i，当i＝1时，训练样本向量视为对齐完成，当i＝2，3，…N时，对标号小于i的所有训练样本向量求和，得到和向量X_p：

子步骤2.1.2，计算训练样本向量X_i与和向量X_p的循环互相关函数R(τ)：

其中，X_p(l)为样本向量X_p中的第l个元素，l＝1，2，…L，τ为循环互相关函数的自变量，mod为基础函数。

求使互相关函数R(τ)取得极大值的自变量τ₀：

即得到训练样本向量X_i中的循环移位数τ₀。

子步骤2.1.3，设定训练样本向量X_i＝[x₁，x₂，…，x_L]，采用训练样本向量X_i中的循环移位数τ₀，对训练样本向量X_i进行循环移位对齐，得到对齐后的训练样本向量

其中，表示X_i中的第1+τ₀个元素；

则对齐后的训练数据集记为

重复子步骤2.1.1-2.1.3，对验证数据集中的验证样本进行对齐，得到对齐后的验证数据集为

子步骤2.2，对所有对齐后的训练样本向量进行能量归一化，得到归一化后的训练样本向量：

其中，||·||₂表示求2范数运算；

则归一化后的训练数据集为

子步骤2.3，对归一化后的训练数据集中的样本依次进行批次化处理和切片化处理，得到预处理后的训练数据集；

所述批次化处理为：

从归一化后的训练数据集中随机抽取一个大小为B的数据批次，每个数据批次的样本为训练数据集中的单个样本组合的样本矩阵，记作其维度为B×L；

所述切片化处理为：设定切片长度为Q，对每个数据批次的样本进行切片化处理，得到预处理后的样本向量为：

其中，表示的一个切片，p＝1，2，…P，每一个切片长度为P＝L/Q。

对每个数据批次的样本对应的标签进行批次化处理，得到批次化后的标签向量：

其中，的维度为B×C，预处理后的训练数据集为

进而得到预处理后的训练数据集

子步骤2.4，对验证数据集依次进行批次化处理和切片化处理，得到预处理后的验证数据集为

步骤3，构建循环神经网络模型，并将其作为雷达一维距离像目标识别模型的分类器。

具体的，参照图2，步骤3包含以下子步骤：

构建循环神经网络模型：设置循环神经网络模型的门结构采用长短期记忆网络(Long Short-Term Memory，LSTM)或门控循环单元(Gated Recurrent Unit，GRU)，输入层神经元个数为Q，时间展开步数为P，隐藏层神经元个数为Z，输出分类概率预测向量长度为C，设定LSTM内部在初始时刻的短时隐藏状态矩阵为H⁽⁰⁾，LSTM内部在初始时刻的长时隐藏状态矩阵为C⁽⁰⁾；其中，LSTM门结构根据当前时刻的输入数据切片和上一时刻的隐藏状态，计算下一时刻的隐藏状态。

LSTM门结构计算方式为：

H^(p)，C^(p)＝LSTMCell⁽¹⁾(X^(p)，H^(p-1)，C^(p-1))，

其中，LSTMCell⁽¹⁾表示LSTM门结构的一次前向计算，p＝1，2，…，P，X^(p)表示p时刻的输入数据切片矩阵，其维度为B×Q，H^(p-1)表示LSTM内部在p-1时刻的短时隐藏状态矩阵，其维度为B×Z；C^(p-1)表示LSTM内部在p-1时刻的长时隐藏状态矩阵，其维度为B×Z。

则基于LSTM门结构构建的循环神经网络模型为：

H^(P)，C^(P)＝LSTMCell^(P)([X⁽¹⁾，X⁽²⁾，…，X^(P)]，H⁽⁰⁾，C⁽⁰⁾)，

O＝σ(H^(P)U+c)；

其中，LSTMCell^(P)为时间展开步数为P的完整循环神经网络模型；[X⁽¹⁾，X⁽²⁾，…，X^(P)]为各个时间输入数据切片的集合；U为输出层权重矩阵，其维度为Z×C；c为输出层权重矩阵对应的偏置向量，其长度为C；σ为Softmax激活函数；O为循环神经网络模型输出的分类概率预测向量，其维度为B×C。

设定GRU内部在初始时刻的短时隐藏状态矩阵为H_G ⁽⁰⁾，GRU门结构计算方式为：

H_G ^(p)＝GRUCell⁽¹⁾(X^(p)，H_G ^(p-1))；

其中，GRUCell⁽¹⁾表示GRU门结构的一次前向计算，X^(p)表示当前时间p的输入数据切片矩阵，其维度为B×Q，H_G ^(p-1)表示GRU内部在时间p-1的隐藏状态矩阵，其维度为B×Z，p＝1，2，…，P；

则基于GRU门结构构建的循环神经网络模型为：

H_G ^(P)＝GRUCell^(P)([X⁽¹⁾，X⁽²⁾，…，X^(P)]，H_G ⁽⁰⁾)，

O＝σ(H_G ^(P)U+c)；

其中，GRUCell^(P)为时间展开步数为P的完整循环神经网络模型，[X⁽¹⁾，X⁽²⁾，…，X^(P)]为各个时间输入数据切片的集合，U为输出层权重矩阵，其维度为Z×C，c为输出层权重矩阵对应的偏置向量，其长度为C，σ为Softmax激活函数，O为循环神经网络模型输出的分类概率预测向量，其维度为B×C。

即得到雷达一维距离像目标识别模型的分类器。

步骤4，将预处理后的训练数据集作为输入数据，训练循环神经网络模型，并更新权重参数，得到训练后的循环神经网络对应的权重参数；

具体的，步骤4包含以下步骤：

采用预处理后的训练数据集中的数据对，对循环神经网络模型进行训练。

首先，设定最大训练步数为E，每步从预处理后的训练数据集中随机抽取一个预处理后的样本向量输入循环神经网络模型，输出对应的分类概率预测向量并采用多类交叉熵损失函数计算训练损失，同时，对循环神经网络模型的权重参数进行更新和保存；每步训练均对上一步的权重参数进行更新和保存。

其次，每训练500步时，从预处理后的验证数据集中随机抽取一个验证批次的样本输入循环神经网络模型，输出分类概率预测向量并采用多类交叉熵损失函数计算验证损失。

最后，判断训练是否结束：若验证损失连续5次不下降，则终止训练；否则，继续训练至训练步数达到E；训练完成后，得到训练后的循环神经网络对应的权重参数。

所述采用多类交叉熵损失函数计算训练损失的计算公式为：

其中，表示训练损失，表示向量的第q个元素，表示向量的第q个元素，log(·)表示对数函数。

所述采用多类交叉熵损失函数计算验证损失的计算公式为：

其中，表示验证损失，表示向量的第q个元素，表示向量的第q个元素，log(·)表示对数函数。

当循环神经网络模型为基于LSTM门结构时，所述权重参数包含：LSTM内部的遗忘门与输入层神经元相连的权重矩阵及其对应的偏置向量，LSTM内部的输入门与输入层神经元相连的权重矩阵及其对应的偏置向量，LSTM内部的输出门与输入层神经元相连的权重矩阵及其对应的偏置向量，LSTM内部的选择门结构与输入层神经元相连的权重矩阵及其对应的偏置向量；LSTM内部的遗忘门与隐藏层神经元相连的权重矩阵及其对应的偏置向量，LSTM内部的输入门与隐藏层神经元相连的权重矩阵及其对应的偏置向量，LSTM内部的输出门与隐藏层神经元相连的权重矩阵及其对应的偏置向量，LSTM内部的选择门结构与隐藏层神经元相连的权重矩阵及其对应的偏置向量；输出层权重矩阵及其对应的偏置向量。

当循环神经网络模型为基于GRU门结构时，所述权重参数包含：GRU内部的重置门与输入层神经元相连的权重矩阵及其对应的偏置向量、GRU内部的更新门与输入层神经元相连的权重矩阵及其对应的偏置向量，GRU内部的选择门结构与输入层神经元相连的权重矩阵及其对应的偏置向量；GRU内部的重置门与隐藏层神经元相连的权重矩阵及其对应的偏置向量，GRU内部的更新门与隐藏层神经元相连的权重矩阵及其对应的偏置向量，GRU内部的选择门结构与隐藏层神经元相连的权重矩阵及其对应的偏置向量；输出层权重矩阵及其对应的偏置向量。

步骤5，根据训练后的循环神经网络对应的权重参数和循环神经网络模型，构建雷达一维距离像目标识别模型；将宽带雷达采集的目标一维距离像数据作为目标数据，采用雷达一维距离像目标识别模型对目标数据进行识别，得到目标对应的类别。

具体的，步骤5包含以下子步骤：

子步骤5.1，对目标数据依次进行能量归一化和切片化处理，得到待识别数据：

其中，表示样本的一个切片，p＝1，2，…P，其长度为Q；为待识别数据中的一个样本。

子步骤5.2，构建与步骤3结构相同的新的循环神经网络，采用训练后的循环神经网络对应的权重参数，对新的循环神经网络进行初始化，得到雷达一维距离像目标识别模型；

子步骤5.3，将待识别数据输入雷达一维距离像目标识别模型，输出样本对应的分类概率将分类概率独热化，得到独热向量，即为目标对应的类别。

本发明方法使用循环神经网络作为雷达一维距离像目标识别的分类器，具有以下几个方面的优势。首先，循环神经网络相较于传统的马尔可夫模型或隐马尔可夫模型，在设计上有着较大的改进，通过LSTM、GRU等计算单元的设计，可以避开齐次马尔可夫性的假设，记忆长时间跨度的序列信息并用于序列数据的识别或特征提取中，从而提升数据的利用效率和模型的优化空间。其次，通过近年来的一系列发展，循环神经网络的训练算法趋向成熟，其训练效率和运行效率相比传统统计模型提升很大，并且可以借助GPU等硬件设备进行优化。最后，神经网络模型在设计时有着较大的灵活性，可以根据实际工程的需求进行定制化的修改。综合以上优势，将循环神经网络模型应用于雷达一维距离像目标识别，不仅有利于提升目标识别系统的性能，在目标识别系统的工作效率和设计灵活度上也会有较大的改进。

进一步地，通过基于飞机实测数据的实验，验证本发明的有效性：

仿真实验

(1)实验条件：

使用某实测雷达一维距离像数据集的子集进行目标识别模型的训练与测试，训练数据集共分为3类，其中，将训练样本作为训练数据集，验证样本作为验证数据集，比例为8∶2，测试样本作为新录取的待识别样本。数据具体划分方式如下表所示：

模型参数选择为：样本长度L＝256，样本类别数C＝3，样本切片数P＝8，单个样本切片长度Q＝32，隐藏层神经元个数Z＝128，权重学习率参数λ＝0.0015，训练步数E＝15000，正则项系数μ＝0.001，Dropout中神经元随机失活的概率p＝0.5。

实验中使用四种模型相互对照，分别为支持向量机(Support Vector Machine，SVM)、隐马尔可夫模型(Hidden Markov Model，HMM)、使用LSTM门结构的循环神经网络以及使用GRU门结构的循环神经网络。

(2)实验结果

最终实验结果如图，3所示，从图3中曲线可以看到，使用LSTM门结构的循环神经网络以及使用GRU门结构的循环神经网络在高信噪比条件下可以达到93％到94％的识别准确率，而SVM与HMM仅能达到83％到85％的识别准确率。相较于SVM、HMM两种传统识别算法，使用LSTM门结构和GRU门结构的两种循环神经网络识别算法对噪声有着更好的稳定性，即使在5dB的信噪比下仍然能够保持80％左右的平均识别率；信噪比为20dB条件时，可以取得90％的平均识别率，而SVM与HMM模型达到同样的识别准确率需要信噪比达到20dB至25dB，在5dB信噪比条件下仅能获得60％左右的平均识别率，与两种循环神经网络模型相差20％左右。由此可见，循环识别网络识别算法在拥有良好识别性能的同时，也同样具备较强的噪声稳健性，相对于两种传统识别算法，有着较大的性能优势。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.基于循环神经网络的雷达一维距离像识别方法，其特征在于，包括以下步骤：

步骤1，宽带雷达录取目标的一维距离像数据，建立训练数据集和验证数据集；

步骤2，分别对训练数据集和验证数据集进行预处理，对应得到预处理后的训练数据集和验证数据集；

步骤3，构建循环神经网络模型，并将其作为雷达一维距离像目标识别模型的分类器；

步骤4，将预处理后的训练数据集作为输入数据，训练循环神经网络模型，并更新权重参数，得到训练后的循环神经网络对应的权重参数；

步骤5，根据训练后的循环神经网络对应的权重参数和循环神经网络模型，构建雷达一维距离像目标识别模型；将宽带雷达采集的目标一维距离像数据作为目标数据，采用雷达一维距离像目标识别模型对目标数据进行识别，得到目标对应的类别。

2.根据权利要求1所述的基于循环神经网络的雷达一维距离像识别方法，其特征在于，步骤1包含以下子步骤：

子步骤1.1，宽带雷达录取目标的一维距离像数据，且已知目标的一维距离像数据对应的类别；其中，目标的一维距离像数据的总类别数为C；

子步骤1.2，将目标的每类一维距离像数据划分为训练数据和验证数据，并对应建立训练数据集和验证数据集；

所述将目标的每类一维距离像数据划分为训练数据和验证数据，其具体为：对目标的每类一维距离像数据，训练数据集与验证数据集中数据的个数比为8∶2；

其中，训练数据集记为D_T＝{(X_i，Y_i)_T}，i＝1，2，…N，N表示训练数据集样本总数，X_i表示第i个训练样本向量，样本长度为L个距离单元，Y_i表示样本X_i对应的分类标签，标签是长度为C的独热向量，(X_i，Y_i)_T代表训练数据集中一个样本与标签组成的数据对；验证数据集记为D_V＝{(X_j，Y_j)_V}，j＝1，2，…M，M表示验证数据集样本总数，X_j表示第j个验证样本向量，Y_j表示样本X_j对应的分类标签，分类标签是长度为C的独热向量，(X_j，Y_j)_V代表验证数据集中一个样本与标签组成的数据对。

3.根据权利要求2所述的基于循环神经网络的雷达一维距离像识别方法，其特征在于，步骤2包含以下子步骤：

子步骤2.1，对训练数据集中的样本进行对齐，得到对齐后的训练样本向量

子步骤2.2，对所有对齐后的训练样本向量进行能量归一化，得到归一化后的训练样本向量：

其中，||·||₂表示求2范数运算；

则归一化后的训练数据集为

子步骤2.3，对归一化后的训练数据集中的样本依次进行批次化处理和切片化处理，得到预处理后的训练数据集；

子步骤2.4，对验证数据集依次进行批次化处理和切片化处理，得到预处理后的验证数据集为

4.根据权利要求3所述的基于循环神经网络的雷达一维距离像识别方法，其特征在于，子步骤2.1具体包含以下子步骤：

子步骤2.1.1，对于D_T中的训练样本向量X_i，当i＝1时，训练样本向量视为对齐完成，当i＝2，3，…N时，对标号小于i的所有训练样本向量求和，得到和向量X_p：

子步骤2.1.2，计算训练样本向量X_i与和向量X_p的循环互相关函数R(τ)：

其中，X_p(l)为样本向量X_p中的第l个元素，l＝1，2，…L，τ为循环互相关函数的自变量，mod为基础函数；

求使互相关函数R(τ)取得极大值的自变量τ₀：

即得到训练样本向量X_i中的循环移位数τ₀；

子步骤2.1.3，设定训练样本向量X_i＝[x₁，x₂，…，x_L]，采用训练样本向量X_i中的循环移位数τ₀，对训练样本向量X_i进行循环移位对齐，得到对齐后的训练样本向量

其中，表示X_i中的第1+τ₀个元素；

则对齐后的训练数据集记为

重复子步骤2.1.1-2.1.3，对验证数据集中的验证样本进行对齐，得到对齐后的验证数据集为

5.根据权利要求3所述的基于循环神经网络的雷达一维距离像识别方法，其特征在于，所述批次化处理为：

从归一化后的训练数据集中随机抽取一个大小为B的数据批次，每个数据批次的样本为训练数据集中的单个样本组合的样本矩阵，记作其维度为B×L；

所述切片化处理为：设定切片长度为Q，对每个数据批次的样本进行切片化处理，得到预处理后的样本向量为：

其中，表示的一个切片，p＝1，2，…P，每一个切片长度为P＝L/Q；

对每个数据批次的样本对应的标签进行批次化处理，得到批次化后的标签向量：

其中，的维度为B×C，预处理后的训练数据集为

进而得到预处理后的训练数据集

6.根据权利要求1所述的基于循环神经网络的雷达一维距离像识别方法，其特征在于，所述构建循环神经网络模型的具体步骤为：

首先，设置循环神经网络模型的门结构采用LSTM或GRU，输入层神经元个数为Q，时间展开步数为P，隐藏层神经元个数为Z，输出分类概率预测向量长度为C；

其次，采用LSTM门结构时，设定LSTM内部在初始时刻的短时隐藏状态矩阵为H⁽⁰⁾，LSTM内部在初始时刻的长时隐藏状态矩阵为C⁽⁰⁾；

LSTM门结构的计算方式为：

H^(p)，C^(p)＝LSTMCell⁽¹⁾(X^(p)，H^(p-1)，C^(p-1))，

其中，LSTMCell⁽¹⁾表示LSTM门结构的一次前向计算，p＝1，2，…，P，X^(p)表示p时刻的输入数据切片矩阵，其维度为B×Q，H^(p-1)表示LSTM内部在p-1时刻的短时隐藏状态矩阵，其维度为B×Z；C^(p-1)表示LSTM内部在p-1时刻的长时隐藏状态矩阵，其维度为B×Z；

则基于LSTM门结构构建的循环神经网络模型为：

H^(P)，C^(P)＝LSTMCell^(P)([X⁽¹⁾，X⁽²⁾，…，X^(P)]，H⁽⁰⁾，C⁽⁰⁾)，

O＝σ(H^(P)U+c)；

其中，LSTMCell^(P)为时间展开步数为P的完整循环神经网络模型；[X⁽¹⁾，X⁽²⁾，…，X^(P)]为各个时间输入数据切片的集合；U为输出层权重矩阵，其维度为Z×C；c为输出层权重矩阵对应的偏置向量，其长度为C；σ为Softmax激活函数；O为循环神经网络模型输出的分类概率预测向量，其维度为B×C；

采用GRU门结构时，设定GRU内部在初始时刻的短时隐藏状态矩阵为H_G ⁽⁰⁾，GRU门结构计算方式为：

H_G ^(p)＝GRUCell⁽¹⁾(X^(p)，H_G ^(p-1))；

其中，GRUCell⁽¹⁾表示GRU门结构的一次前向计算，X^(p)表示当前时间p的输入数据切片矩阵，其维度为B×Q，H_G ^(p-1)表示GRU内部在时间p-1的隐藏状态矩阵，其维度为B×Z，p＝1，2，…，P；

则基于GRU门结构构建的循环神经网络模型为：

H_G ^(P)＝GRUCell^(P)([X⁽¹⁾，X⁽²⁾，…，X^(P)]，H_G ⁽⁰⁾)，

O＝σ(H_G ^(P)U+c)；

其中，GRUCell^(P)为时间展开步数为P的完整循环神经网络模型，[X⁽¹⁾，X⁽²⁾，…，X^(P)]为各个时间输入数据切片的集合，U为输出层权重矩阵，其维度为Z×C，c为输出层权重矩阵对应的偏置向量，其长度为C，σ为Softmax激活函数，O为循环神经网络模型输出的分类概率预测向量，其维度为B×C；

即得到雷达一维距离像目标识别模型的分类器。

7.根据权利要求3所述的基于循环神经网络的雷达一维距离像识别方法，其特征在于，步骤4具体包含以下步骤：

首先，设定最大训练步数为E，每步从预处理后的训练数据集中随机抽取一个预处理后的样本向量输入循环神经网络模型，输出对应的分类概率预测向量并采用多类交叉熵损失函数计算训练损失，同时，对循环神经网络模型的权重参数进行更新和保存；

其次，每训练500步时，从预处理后的验证数据集中随机抽取一个验证批次的样本输入循环神经网络模型，输出分类概率预测向量开采用多类交叉熵损失函数计算验证损失；

最后，判断训练是否结束：若验证损失连续5次不下降，则终止训练；否则，继续训练至训练步数达到E；训练完成后，得到训练后的循环神经网络对应的权重参数。

8.根据权利要求7所述的基于循环神经网络的雷达一维距离像识别方法，其特征在于，所述采用多类交叉熵损失函数计算训练损失，其计算公式为：

其中，表示训练损失，表示向量的第q个元素，表示向量的第q个元素，log(.)表示对数函数；

所述采用多类交叉熵损失函数计算验证损失，其计算公式为：

其中，表示验证损失，表示向量的第q个元素，表示向量的第q个元素，log(.)表示对数函数。

9.根据权利要求7所述的基于循环神经网络的雷达一维距离像识别方法，其特征在于，当循环神经网络模型为基于LSTM门结构时，所述权重参数包含：LSTM内部的遗忘门与输入层神经元相连的权重矩阵及其对应的偏置向量，LSTM内部的输入门与输入层神经元相连的权重矩阵及其对应的偏置向量，LSTM内部的输出门与输入层神经元相连的权重矩阵及其对应的偏置向量，LSTM内部的选择门结构与输入层神经元相连的权重矩阵及其对应的偏置向量；LSTM内部的遗忘门与隐藏层神经元相连的权重矩阵及其对应的偏置向量，LSTM内部的输入门与隐藏层神经元相连的权重矩阵及其对应的偏置向量，LSTM内部的输出门与隐藏层神经元相连的权重矩阵及其对应的偏置向量，LSTM内部的选择门结构与隐藏层神经元相连的权重矩阵及其对应的偏置向量；输出层权重矩阵及其对应的偏置向量；

当循环神经网络模型为基于GRU门结构时，所述权重参数包含：GRU内部的重置门与输入层神经元相连的权重矩阵及其对应的偏置向量、GRU内部的更新门与输入层神经元相连的权重矩阵及其对应的偏置向量，GRU内部的选择门结构与输入层神经元相连的权重矩阵及其对应的偏置向量；GRU内部的重置门与隐藏层神经元相连的权重矩阵及其对应的偏置向量，GRU内部的更新门与隐藏层神经元相连的权重矩阵及其对应的偏置向量，GRU内部的选择门结构与隐藏层神经元相连的权重矩阵及其对应的偏置向量；输出层权重矩阵及其对应的偏置向量。

10.根据权利要求1所述的基于循环神经网络的雷达一维距离像识别方法，其特征在于，步骤5包含以下子步骤：

子步骤5.1，对目标数据依次进行能量归一化和切片化处理，得到待识别数据：

其中，表示样本的一个切片，p＝1，2，…P，其长度为Q；为待识别数据中的一个样本；

子步骤5.2，构建与步骤3结构相同的新的循环神经网络，采用训练后的循环神经网络对应的权重参数，对新的循环神经网络进行初始化，得到雷达一维距离像目标识别模型；

子步骤5.3，将待识别数据输入雷达一维距离像目标识别模型，输出样本对应的分类概率将分类概率独热化，得到独热向量，即为目标对应的类别。