CN111580097A - 基于单层双向循环神经网络的雷达目标识别方法 - Google Patents

Abstract

本发明公开了一种基于单层双向循环神经网络的雷达目标识别框架，该方法首先进行预处理降低HRRP样本中的敏感性，然后建立动态调整层，对样本进行动态调整，紧接着的CNN层可在保留HRRP样本内所蕴含的序列相关性的同时，提取出HRRP包络中所含的信息，再通过双向RNN对时序相关性建模，提取出其高层次特征，最后通过softmax函数进行目标分类。

Description

基于单层双向循环神经网络的雷达目标识别方法

技术领域

本发明属于雷达目标识别领域，具体的讲，涉及一种基于单层双向循环神经网络的雷达目标识别方法。

背景技术

雷达目标中的宽带雷达获取的高分辨一维距离像(High Resolution RangeProfile，HRRP)反映了目标散射中心沿雷达视线方向的分布情况，其中包含了丰富的目标结构和形状信息，因此基于HRRP的目标识别引起了国内外广泛的关注。因此，基于HRRP的雷达自动目标识别方法逐步成为雷达自动目标识别领域研究的热点。

传统的特征提取方法在实验中取得了很好的识别性能，但是其识别方法存在一些问题，其中包括：1)特征提取的方式大多是无监督且有损的，这意味着基于变换的特征提取方法不能很好地将目标关注于寻找最大可分性特征上，可分性的信息将不可避免地在特征提取的过程中损失掉一部分，不利于后端分类器的识别。2)特征提取方法的选择高度依赖于研究人员对于HRRP数据的认知和经验的积累，在某些缺乏先验信息的情况下难以达到令人满意的效果。

为了解决传统方法在特征提取上存在的问题，近年来，基于深度学习的方法被引入到了雷达目标识别领域之中。深度学习可基于监督学习方法自动地提取样本的可分性特征，改善了传统模型在特征提取方面的不足。基于深度学习的雷达高分辨距离像识别方法大致可分为以下三类：(1)基于编码器-解码器结构的深度学习方法。(2)基于卷积神经网络(CNN)结构的深度学习方法。(3)基于循环神经网络(RNN)的深度学习方法：该方法基于序列相关性进行建模，虽然对物理结构特征进行建模描述，但是存在以下几个问题：(1)幅度较小的距离单元中有可能会包含一些可分性很强的特征，但这些特征很少被用到；(2)RNN中输入维数和时长是纠缠的(如：若HRRP为1x256维，选择输入维数为32，重叠面积为16，则时长则为256/16-1＝15)，很难对这两个重要参数进行独立调整；(3)单向的RNN在预测时只能利用当前时刻及当前时刻之前的结构信息，无法很好利用HRRP中蕴含的整体结构信息先验。

发明内容

鉴于以上存在的技术问题，本发明用于提供一种基于单层双向循环神经网络的雷达目标识别框架，该方法首先进行预处理降低HRRP样本中的敏感性，然后建立动态调整层，对样本进行动态调整，紧接着的CNN层可在保留HRRP样本内所蕴含的序列相关性的同时，提取出HRRP包络中所含的信息，再通过双向RNN对时序相关性建模，提取出其高层次特征，最后通过softmax函数进行目标分类。

为解决上述技术问题，本发明采用如下的技术方案：

一种基于单层双向循环神经网络的雷达目标识别方法，包括以下步骤：

S1，采集数据集，将雷达采集到的HRRP数据集依据目标的种类进行合并，每种种类的样本分别在不同的数据段里选择训练样本和测试样本，在训练集和测试集的选取过程中，保证所选取的训练集样本与雷达所成姿态涵盖测试集样本与雷达所成的姿态，各类目标训练集和测试集样本数的比例为8:2，将挑选的数据集记作T＝{(x_i,y_k)}_{i∈[1,n],k∈[1,c]}，其中x_i表示第i个样本，y_k表示样本属于第k类，一共采集了c类目标，n表示样本总数；

S2，对原始HRRP样本集进行预处理，由于HRRP的强度由包括雷达发射功率、目标距离、雷达天线增益和雷达接收机增益的因素共同决定，在利用HRRP进行目标识别前，通过L₂强度归一化的方法对原始HRRP回波进行处理，从而改善HRRP的强度敏感性问题，HRRP通过距离窗从雷达回波数据中截取，在截取的过程中录取的距离像在距离波门中的位置不固定，从而导致了HRRP的平移敏感性，为了使训练和测试具备统一标准，用重心对齐法消除平移敏感性；

S3，在识别HRRP之前先加入动态调整层对HRRP进行整体的动态范围调整；

S4，将动态调整后的时域特征送入CNN中进行调整；

S5，在Tensorflow框架下搭建双向RNN分类网络并开启训练；

S6，对由S1采集到的测试数据进行训练阶段的步骤S2、S3预处理操作；

S7，将经过S6处理的样本送入S4、S5构建的模型中进行测试求得结果,即最后经过注意力机制的输出通过softmax层进行分类。

优选地，所述步骤S2进一步包括：

S201，强度归一化，假设原始HRRP表示为x_raw＝[x₁,x₂,…,x_L]，其中L表示HRRP内包含的距离单元总数，则强度归一化之后的HRRP表示为：

S202，样本对齐，平移HRRP使其重心g移至L/2附近，这样HRRP中包含信息的那些距离单元将分布在中心附近，其中HRRP重心g的计算方法如下：

其中，x_i为原始HRRP中第i维信号单元。

优选地，所述步骤S3进一步包括：

对HRRP样本进行动态调整，即对样本进行多个幂次的处理，动态调整层的输出表示为：

其中，m₀是动态调整层的通道数，第i个动态调整通道

表示为

其中，α_i表示幂次变换的系数。

优选地，所述步骤S4进一步包括：

S401，将经过上述处理的时域特征x_HRRP输入进卷积层，卷积后的结果为

其中，F_i表示第i个通道的卷积结果，x_HRRP是时域特征频率维度的HRRP样本，

表示卷积操作，K_i为第i个卷积核，b_i表示第i个卷积核对应的偏置；

假设一个mini-batch包含了N个HRRP样本，通过卷积之后其输出表示为：

其中第i个HRRP样本对应的输出

是一个四维矩阵，

其中通道数为K，每个通道内包含P个输出值；

S402，将卷积后的特征提取输入批量归一化层。第i个HRRP样本对应的输出

中第k个通道中第p个元素

经过归一化层的输出为

其中γ^k和β^k为可训练的对应于第k个通道的参数，

为标准化后的

其中ε是一个极小数，

为该元素的均值，

为该元素的方差，可按照如下公式计算：

S403，批量归一化层后接ReLU激活函数进行非线性激活，若输入为

则经过ReLU之后的得到的输出表示为：

优选地，所述步骤S5进一步包括：

S501，设置网络的超参数，包括隐单元的维数，学习率，迭代批次；设置网络优化目标和优化器；初始化所有待训练的权重和偏置；

S502，将训练样本送入已搭建完成的分类网络，假设输入的是特征F_RNN，

其中M表示双向RNN的各时间点维数，N表示输入序列长度，假设其输出为F_output，

输出序列中第k个时间点所对应的向量可表示为：

其中，f(·)表示激活函数，

表示双向RNN中所包含的前向RNN的隐藏层输出矩阵，

表示双向RNN中所包含的前向RNN中所包含的第k个隐藏层状态，同样地，

表示双向RNN中所包含的后向RNN的隐藏层输出矩阵，

表示双向RNN中所包含的后向RNN中所包含的第k个隐藏层状态，b_F表示双向RNN的输出偏置；

S503，将网络最后一个时间点的输出后接一个节点数为雷达类别数的全连接层，即全连接层的输出为模型的预测结果，输出表示为：

output＝f(F_output(k)W_o)

其中F_output(k)是最后一个时间点的输出，

l表示隐藏单元数，c表示类别个数，f(·)表示softmax函数；

S504，损失函数设计为交叉熵，通过使用训练数据计算损失函数相对于参数的梯度来学习参数，并在模型收敛时固定学习的参数，采用基于交叉熵的代价函数，表示为：

其中，N表示一个批次中训练样本的个数，e_n是one-hot向量，用于表示第n个训练样本的真实标签，P(i|x_train)表示训练样本对应于第i个目标的概率。

优选地，所述步骤S7进一步包括：

第i个HRRP测试样本

对应于目标集中第k类雷达目标的概率计算为：

其中exp(·)表示取指数运算，c表示类别个数；

通过最大后验概率将测试HRRP样本x_test分类到最大目标概率的k₀中：

采用本发明具有如下的有益效果：

(1)本发明实施例中应用动态调整层。因为某些较好的可分性特征可能由于相对幅值的原因，很难影响后续分类器的决策，通过动态调整层在各距离单元大小相对关系未发生改变的前提下通过模型训练以决定如何调整HRRP的整体动态，以达到更好的识别效果。

(2)本发明实施例中应用卷积神经网络对HRRP进行特征提取，使后续输入的RNN模型的维数可通过控制CNN的卷积核进行独立控制。

(3)本发明实施例应用双向的循环神经网络，该网络不仅可以更好的利用雷达目标的整体固定的物理结构特性这一先验，即在预测的时候不仅可以利用当前时刻及之前时刻的结构信息，而且还可以利用当前时刻之后的结构信息它将HRRP数据分正反双向分别输入两个独立的RNN模型，并将得到的隐层进行拼接，这样可改善单向RNN的缺陷，使之可更好的对HRRP内部蕴含的物理结构特性进行建模。

附图说明

图1为本发明实施例的基于单层双向循环神经网络的雷达目标识别方法的步骤流程图。

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，所示为本发明实施例的基于单层双向循环神经网络的雷达目标识别方法的步骤流程图，其包括以下步骤：

S1，采集数据集，将雷达采集到的HRRP数据集依据目标的种类进行合并，每种种类的样本分别在不同的数据段里选择训练样本和测试样本，在训练集和测试集的选取过程中，保证所选取的训练集样本与雷达所成姿态涵盖测试集样本与雷达所成的姿态，各类目标训练集和测试集样本数的比例为8:2，将挑选的数据集记作T＝{(x_i,y_k)}_{i∈[1,n],k∈[1,c]}，其中x_i表示第i个样本，y_k表示样本属于第k类，一共采集了c类目标，n表示样本总数；

S2，对原始HRRP样本集进行预处理，由于HRRP的强度由包括雷达发射功率、目标距离、雷达天线增益和雷达接收机增益的因素共同决定，在利用HRRP进行目标识别前，通过L₂强度归一化的方法对原始HRRP回波进行处理，从而改善HRRP的强度敏感性问题，HRRP通过距离窗从雷达回波数据中截取，在截取的过程中录取的距离像在距离波门中的位置不固定，从而导致了HRRP的平移敏感性，为了使训练和测试具备统一标准，用重心对齐法消除平移敏感性；

S3，在识别HRRP之前先加入动态调整层对HRRP进行整体的动态范围调整，由于HRRP中各距离单元内回波的幅度相差较大，直接将数据送入卷积层中会导致模型过多关注于幅度较大的距离单元。然而，幅度较小的距离单元中有可能会包含一些可分性很强的特征，有助于进行雷达目标识别。因此我们在识别HRRP之前先加入动态调整层对HRRP进行整体的动态范围调整，该调整层在各距离单元大小相对关系未发生改变的前提下可通过模型训练以决定如何调整HRRP的整体动态，以达到更好的识别效果；

S4，将动态调整后的时域特征送入CNN中进行调整，这样做使后续输入的RNN模型的维数可通过控制CNN的卷积核进行独立控制，可以有效避免之前原始方法存在的高度冗余性及输入维数-时长的纠缠性，并且CNN作为一种有效的特征提取方法，可以对HRRP整体的包络信息进行提取，有利于后续识别。

S5，在Tensorflow框架下搭建双向RNN分类网络并开启训练；传统RNN模型是单向的，HRRP数据输入传统模型时只能沿着一个方向输入，导致了当前时刻的输入只和在其之前的输入数据具备条件依赖性，之后时刻的输入信息在当前时刻无法得以有效的应用。然而HRRP内包含了目标整体的物理结构先验，只考虑单向信息不利于对HRRP特征的建模识别。特别的，应用单向RNN的时候，当时间t较小的时候，已观察到的数据信息绝大多数都是噪声数据，此时RNN很难对目标结构特性进行准确建模。因此我们采用了双向的循环神经网络，它将HRRP数据分正反双向分别输入两个独立的RNN模型，并将得到的隐层进行相加，这样可改善单向RNN的缺陷，使之可更好的对HRRP内部蕴含的物理结构特性进行建模。并且对双向RNN模型经过数层堆栈可使上一步CNN所得到的包络特征在内部结构上进一步抽象成包含包络和结构特性的高层特征，有利于提高模型的识别性能。

S6，对由S1采集到的测试数据进行训练阶段的步骤S2、S3预处理操作；

S7，将经过S6处理的样本送入S4、S5构建的模型中进行测试求得结果,即最后经过注意力机制的输出通过softmax层进行分类。

经过上述7个步骤，即可得到本发明所提出的一种基于单层双向循环神经网络的雷达目标识别模型。

具体应用实例中，所述步骤S2进一步包括：

S201，强度归一化，假设原始HRRP表示为x_raw＝[x₁,x₂,…,x_L]，其中L表示HRRP内包含的距离单元总数，则强度归一化之后的HRRP表示为：

S202，样本对齐，平移HRRP使其重心g移至L/2附近，这样HRRP中包含信息的那些距离单元将分布在中心附近，其中HRRP重心g的计算方法如下：

其中，x_i为原始HRRP中第i维信号单元。

原始HRRP样本经过强度归一化和重心对齐法处理之后幅值已经被限制在0-1之间，不仅统一了尺度，而且在0-1之间的数值非常有利于后续的神经网络处理；分布偏右或偏左的HRRP回波信号都被调整到了中心点附近。

具体应用实例中，所述步骤S3进一步包括：

对HRRP样本进行动态调整，即对样本进行多个幂次的处理，对数据进行幂次处理，是为了从多个角度反映出目标类别差异的多样性，从多个角度将雷达HRRP中所蕴含的信息以多种不同的形式体现出来，方便后续网络从多个角度提取特征进行识别。动态调整层的输出表示为：

其中，m₀是动态调整层的通道数，第i个动态调整通道

表示为

其中，α_i表示幂次变换的系数。

具体应用实例中，所述步骤S4进一步包括：

S401，将经过上述处理的时域特征x_HRRP输入进卷积层，卷积后的结果为

其中，F_i表示第i个通道的卷积结果，x_HRRP是时域特征频率维度的HRRP样本，

表示卷积操作，K_i为第i个卷积核，b_i表示第i个卷积核对应的偏置；

假设一个mini-batch包含了N个HRRP样本，通过卷积之后其输出表示为：

其中第i个HRRP样本对应的输出

是一个四维矩阵，

其中通道数为K，每个通道内包含P个输出值；

S402，为了使训练过程更加稳定，整体网络更易于收敛，本发明实施例在卷积之后进行批量归一化操作。批量归一化层通提出了变量重构的概念，就是在基础公式的基础之上加上两个参数：γ和β。在训练过程中学习这两个参数，采用适合自己网络的批量归一化公式。将卷积后的特征提取输入批量归一化层。第i个HRRP样本对应的输出

中第k个通道中第p个元素

经过归一化层的输出为

其中γ^k和β^k为可训练的对应于第k个通道的参数，

为标准化后的

其中

为该元素的均值，

为该元素的方差，ε是一个极小数，防止方差为零时造成计算错误。均值、方差可按照如下公式计算：

S403，批量归一化层后接ReLU激活函数进行非线性激活，若输入为

则经过ReLU之后的得到的输出表示为：

具体应用实例中，所述步骤S5进一步包括：

S501，设置网络的超参数，包括隐单元的维数，学习率，迭代批次；设置网络优化目标和优化器；初始化所有待训练的权重和偏置；

S502，将训练样本送入已搭建完成的分类网络，假设输入的是特征F_RNN，

其中M表示双向RNN的各时间点维数，N表示输入序列长度，假设其输出为F_output，

输出序列中第k个时间点所对应的向量可表示为：

其中，f(·)表示激活函数，

表示双向RNN中所包含的前向RNN的隐藏层输出矩阵，

表示双向RNN中所包含的前向RNN中所包含的第k个隐藏层状态，同样地，

表示双向RNN中所包含的后向RNN的隐藏层输出矩阵，

表示双向RNN中所包含的后向RNN中所包含的第k个隐藏层状态，b_F表示双向RNN的输出偏置；

S503，将网络最后一个时间点的输出后接一个节点数为雷达类别数的全连接层，即全连接层的输出为模型的预测结果，输出表示为：

output＝f(F_output(k)W_o)

其中F_output(k)是最后一个时间点的输出，

l表示隐藏单元数，c表示类别个数，f(·)表示softmax函数；

S504，损失函数设计为交叉熵，通过使用训练数据计算损失函数相对于参数的梯度来学习参数，并在模型收敛时固定学习的参数，采用基于交叉熵的代价函数，表示为：

其中，N表示一个批次中训练样本的个数，e_n是one-hot向量，用于表示第n个训练样本的真实标签，P(i|x_train)表示训练样本对应于第i个目标的概率。

具体应用实例中，所述步骤S7进一步包括：

第i个HRRP测试样本

对应于目标集中第k类雷达目标的概率计算为：

其中exp(·)表示取指数运算，c表示类别个数；

通过最大后验概率将测试HRRP样本x_test分类到最大目标概率的k₀中：

应当理解，本文所述的示例性实施例是说明性的而非限制性的。尽管结合附图描述了本发明的一个或多个实施例，本领域普通技术人员应当理解，在不脱离通过所附权利要求所限定的本发明的精神和范围的情况下，可以做出各种形式和细节的改变。

Claims (6)

1.一种基于单层双向循环神经网络的雷达目标识别方法，其特征在于，包括以下步骤：

S1，采集数据集，将雷达采集到的HRRP数据集依据目标的种类进行合并，每种种类的样本分别在不同的数据段里选择训练样本和测试样本，在训练集和测试集的选取过程中，保证所选取的训练集样本与雷达所成姿态涵盖测试集样本与雷达所成的姿态，各类目标训练集和测试集样本数的比例为8:2，将挑选的数据集记作T＝{(x_i,y_k)}_{i∈[1,n],k∈[1,c]}，其中x_i表示第i个样本，y_k表示样本属于第k类，一共采集了c类目标，n表示样本总数；

S2，对原始HRRP样本集进行预处理，由于HRRP的强度由包括雷达发射功率、目标距离、雷达天线增益和雷达接收机增益的因素共同决定，在利用HRRP进行目标识别前，通过L₂强度归一化的方法对原始HRRP回波进行处理，从而改善HRRP的强度敏感性问题，HRRP通过距离窗从雷达回波数据中截取，在截取的过程中录取的距离像在距离波门中的位置不固定，从而导致了HRRP的平移敏感性，为了使训练和测试具备统一标准，用重心对齐法消除平移敏感性；

S3，在识别HRRP之前先加入动态调整层对HRRP进行整体的动态范围调整；

S4，将动态调整后的时域特征送入CNN中进行调整；

S5，在Tensorflow框架下搭建双向RNN分类网络并开启训练；

S6，对由S1采集到的测试数据进行训练阶段的步骤S2、S3预处理操作；

S7，将经过S6处理的样本送入S4、S5构建的模型中进行测试求得结果,即最后经过注意力机制的输出通过softmax层进行分类。

2.如权利要求1所述的基于单层双向循环神经网络的雷达目标识别方法，其特征在于，所述步骤S2进一步包括：

S201，强度归一化，假设原始HRRP表示为x_raw＝[x₁,x₂,…,x_L]，其中L表示HRRP内包含的距离单元总数，则强度归一化之后的HRRP表示为：

S202，样本对齐，平移HRRP使其重心g移至L/2附近，这样HRRP中包含信息的那些距离单元将分布在中心附近，其中HRRP重心g的计算方法如下：

其中，x_i为原始HRRP中第i维信号单元。

3.如权利要求1所述的基于单层双向循环神经网络的雷达目标识别方法，其特征在于，所述步骤S3进一步包括：

对HRRP样本进行动态调整，即对样本进行多个幂次的处理，动态调整层的输出表示为：

其中，m₀是动态调整层的通道数，第i个动态调整通道

表示为

其中，α_i表示幂次变换的系数。

4.如权利要求3所述的基于单层双向循环神经网络的雷达目标识别方法，其特征在于，所述步骤S4进一步包括：

S401，将经过上述处理的时域特征x_HRRP输入进卷积层，卷积后的结果为

其中，F_i表示第i个通道的卷积结果，x_HRRP是时域特征频率维度的HRRP样本，

表示卷积操作，K_i为第i个卷积核，b_i表示第i个卷积核对应的偏置；

假设一个mini-batch包含了N个HRRP样本，通过卷积之后其输出表示为：

其中第i个HRRP样本对应的输出

是一个四维矩阵，

其中通道数为K，每个通道内包含P个输出值；

S402，将卷积后的特征提取输入批量归一化层。第i个HRRP样本对应的输出

中第k个通道中第p个元素

经过归一化层的输出为

其中γ^k和β^k为可训练的对应于第k个通道的参数，

为标准化后的

其中

为该元素的均值，

为该元素的方差，ε是一个极小数，防止方差为零时造成计算错误。均值、方差可按照如下公式计算：

S403，批量归一化层后接ReLU激活函数进行非线性激活，若输入为

则经过ReLU之后的得到的输出表示为：

5.如权利要求4所述的基于单层双向循环神经网络的雷达目标识别方法，其特征在于，所述步骤S5进一步包括：

S501，设置网络的超参数，包括隐单元的维数，学习率，迭代批次；设置网络优化目标和优化器；初始化所有待训练的权重和偏置；

S502，将训练样本送入已搭建完成的分类网络，假设输入的是特征F_RNN，

其中M表示双向RNN的各时间点维数，N表示输入序列长度，假设其输出为F_output，

输出序列中第k个时间点所对应的向量可表示为：

其中，f(·)表示激活函数，

表示双向RNN中所包含的前向RNN的隐藏层输出矩阵，

表示双向RNN中所包含的前向RNN中所包含的第k个隐藏层状态，同样地，

表示双向RNN中所包含的后向RNN的隐藏层输出矩阵，

表示双向RNN中所包含的后向RNN中所包含的第k个隐藏层状态，b_F表示双向RNN的输出偏置；

S503，将网络最后一个时间点的输出后接一个节点数为雷达类别数的全连接层，即全连接层的输出为模型的预测结果，输出表示为：

output＝f(F_output(k)W_o)

其中F_output(k)是最后一个时间点的输出，

l表示隐藏单元数，c表示类别个数，f(·)表示softmax函数；

S504，损失函数设计为交叉熵，通过使用训练数据计算损失函数相对于参数的梯度来学习参数，并在模型收敛时固定学习的参数，采用基于交叉熵的代价函数，表示为：

其中，N表示一个批次中训练样本的个数，e_n是one-hot向量，用于表示第n个训练样本的真实标签，P(i|x_train)表示训练样本对应于第i个目标的概率。

6.如权利要求5所述的基于单层双向循环神经网络的雷达目标识别方法，其特征在于，所述步骤S7进一步包括：

第i个HRRP测试样本

对应于目标集中第k类雷达目标的概率计算为：

其中exp(·)表示取指数运算，c表示类别个数；

通过最大后验概率将测试HRRP样本x_test分类到最大目标概率的k₀中：

Images