CN111596276A - 基于谱图变换和注意力机制循环神经网络的雷达hrrp目标识别方法 - Google Patents

Abstract

本发明公开了一种基于谱图变换和注意力机制循环神经网络的雷达HRRP目标识别方法，该方法首先进行预处理降低HRRP样本中的敏感性并对样本进行谱图变换；然后建立动态调整层，对谱图进行调整；然后通过重要性网络调整谱图中各时间点序列的重要程度，再通过双向堆叠RNN对时序相关性建模，提取出其高层次特征，最后采用多层次的注意力机制调整网络隐层状态的重要程度并通过softmax进行目标分类。

Description

基于谱图变换和注意力机制循环神经网络的雷达HRRP目标识 别方法

技术领域

本发明属于雷达目标识别领域，具体来讲，涉及一种基于谱图变换和注意力机制循环神经网络的雷达HRRP目标识别方法。

背景技术

随着科技日新月异的发展，雷达目标识别技术在军事国防方面以及未来战争中扮演中越来越重要的角色。对于雷达目标识别，高分辨宽带雷达的回波包含了对分类和识别极有价值的结构信息，如目标的径向尺寸、散射点分布等，具有广阔的工程应用前景。高分辨宽带雷达的回波也被称为目标的一维高分辨距离像(High Resolution Range Profile，HRRP)。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。

对于HRRP的目标识别系统而言，特征的提取和利用是其中极其重要的一环。原始的HRRP样本维数较高，很难直接体现识别对象的本质属性。有效的HRRP特征不仅可以充分地表达雷达数据的信息，并且能够区分不同雷达类别的差异性，从而提高雷达目标识别的精度。

传统的HRRP特征提取方法基本分为两个方向：基于降维的特征提取方法和基于变换(Transformer)的特征提取方法。传统的特征提取方法在实验中取得了很好的识别性能，但特征提取的方式大多是无监督且有损的，导致特征提取方法的选择高度依赖研究人员对HRRP数据的认知和经验的积累问题。为了解决传统方法在特征提取上存在的问题，近年来，随着深度学习的发展，基于深度学习的识别方法被引入到了雷达目标识别领域中。

深度学习中基于监督学习方法自动地提取样本的可分性特征，大大地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。前两种方法对HRRP整体的包络信息直接进行特征提取和建模，忽略了可反映目标物理结构特征的HRRP距离单元之间的序列相关性。而第三种方法虽然基于序列相关性进行建模，但是依然存在以下几个问题：(1)对HRRP的局部性的强度信息采用原始的时域切分方法，得到的特征存在高度冗余性，给后续RNN(循环神经网络，Recurrent Neural Network)建模带来困难；(2)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；(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谱图变换和注意力机制循环神经网络的雷达HRRP目标识别方法，该方法首先进行预处理降低HRRP样本中的敏感性并对样本进行谱图变换；然后建立动态调整层，对谱图进行调整；然后通过重要性网络调整谱图中各时间点序列的重要程度，再通过双向堆叠RNN对时序相关性建模，提取出其高层次特征，最后采用多层次的注意力机制调整网络隐层状态的重要程度并通过softmax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：

一种基于谱图变换和注意力机制循环神经网络的雷达HRRP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，对经过S1所提取数据集中的样本做预处理，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是通过距离窗从雷达回波数据中截取的，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，这样HRRP中包含信息的那些距离单元将分布在中心附近；

S3，对经过上述处理的HRRP样本进行谱图变换；

S4，对HRRP样本进行动态调整，即对样本进行多个幂次的处理；

S5，搭建重要性调整网络，对经过上述处理后的数据进行通道调整，采用一种全新的特征重标定的策略通过学习的方式来自动获取到每个特征通道的重要程度，然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征；

S6，含有注意力机制的堆叠双向RNN训练模型，调参并进行优化；

S7，对由S1采集到的测试数据进行训练阶段的步骤S2、S3、S4预处理操作；

S8，将经过S7处理的样本送入S5、S6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会通过softmax层进行分类。

优选地，所述S2进一步包括以下步骤：

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。

优选地，所述步骤S3进一步包括：

S301，计算时域信号的短时傅里叶变换来获得该信号的谱图特征，时间信号的短时傅里叶变换的变换公式可以表示为：

其中，τ表示时间，ω表示频率，x(·)表示被变换的时间信号，w(·)表示STFT变换的窗函数；

谱图特征是STFT变换的模平方，它可以表示为：

Y(τ,ω)＝|(STFT(τ,ω)|²，

S302，谱图特征的每一个时间点上所对应的频域特征是一段变换窗长内的连续距离单元时域信号的频谱，需要将HRRP样本切分为多个子序列，在这里每一段子序列长度相同，每个子序列进行傅里叶变换的点数也是相同的，选取窗函数对每个子序列进行处理，

进行处理后的谱图特征

是一个矩阵，它的每一列包含一个短期局部时间的频率成分估计，时间沿列增加，频率按行增加。

优选地，所述步骤S4进一步包括：

S301，提出对HRRP谱图特征进行动态调整，即对谱图进行多个幂次的处理，对数据进行幂次处理，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，M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S5进一步包括：

S501，重要性网络对谱图特征进行重要性调整，通过学习卷积通道的全局信息来有选择地强调蕴含可分性信息较多的某些时间点的输入序列并抑制另外一些不太重要的时间点的输入序列，经过重要性网络调整后之后，模型变得更加平衡，使更重要、更有用的特征可以得到突显，提高了模型表征HRRP能力，重要性调整分为压缩特征和激发特征两部分；

S502，压缩特征部分，整理进入重要性网络的谱图特征维度为

该特征是由M个序列构成，每个序列为一个N维的向量，其中M对应的是谱图矩阵的时间维度，其中的每一个序列都会经过全连接层和激活函数压缩为一个代表此序列重要程度的实数权重x_sq，将x_dynamic通过全连接，全连接的输出可由下式计算得到：

x_sq＝f(Wx_dynamic+b)

其中激活函数f(·)为Sigmoid函数，

S503，特征激发部分，通过Excitation公式将提取到的特征进行选择性调整，得到经调整之后的特征F_E：

F_E＝x_dynamic⊙x_sq

其中x_sq＝[x_sq(1),x_sq(2),…,x_sq(M)]，它是一个M维向量，⊙表示将x_dynamic各通道中的每一个元素都乘上x_sq这个向量中对应维上的数，特征F_E中的第m个通道被调整为：

优选地，所述步骤S6进一步包括：

S601，分类网络设计为多层堆叠的双向RNN，假设输入的是特征F_RNN，

其中M_i表示第i个双向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，

其中H是隐单元个数，其中序列中第k个时间点所对应的向量可表示为：

其中，f(·)表示激活函数，

表示对应于第i个双向RNN中所包含的前向RNN的隐藏层输出矩阵，

表示第i个双向RNN中所包含的前向RNN中所包含的第k个隐藏层状态，

表示对应于第i个双向RNN中所包含的后向RNN的隐藏层输出矩阵，

表示第i个双向RNN中所包含的后向RNN中所包含的第k个隐藏层状态，b_Fi表示第i个双向RNN的输出层偏置；

S602，网络中的注意力机制，选取最后几层双向RNN在不同时刻得到的隐层状态进行拼接，第i层拼接后的隐层状态为：

最后再将每一层拼接后隐层进行相加，即得到经过注意力模型处理后的隐层状态c_ATT为：

其中α_ik表示对应于第i层第k个时间点所对应的权重，M表示双向RNN模型中每层的前向RNN或后向RNN包含的隐状态的个数，即时间点维数，N₁表示网络堆叠的层数，N₀表示取从最后一层开始数，共取几层堆叠双向RNN内的隐状态用于求c_ATT，α_ik的求法如下式所示：

其中，e_ik为第i个双向RNN中前向和后向隐藏状态进行相加后的能量，可以表示为：

e_ik＝U_ATT tanh(W_ATTh_ik)

其中

它们是用于计算隐单元能量的参数，l是隐单元的维数，M是时间点维数；

S603，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。

采用本发明具有如下的有益效果：

(1)本发明实施例提取HRRP谱图特征，它更能反映目标的一些特定结构特性，再后接重要性调整网络，可通过学习卷积通道的全局信息来有选择地强调蕴含可分性信息较多的卷积通道特征并抑制不太有用的卷积通道特征，经过调整之后，模型从空间通道(卷积通道)上看变得更加平衡，使更重要、更有用的特征可以得到突显，提高了模型的HRRP表征能力。

(2)本发明实施例和之前的基于HRRP结构建立的模型不同，堆叠使用双向循环神经网络，该网络有两个隐层，分别处理前向和后向的时序信息，使模型具备一定深度。按这种方式组织的模型可以更好的依据数据的上下文逐步抽象出高层的结构特征，并且各双向循环神经网络层内部的隐状态蕴含了不同层次的结构表示，可帮助更好地应用HRRP进行识别。

(3)本发明实施例应用注意力模型，在分类的时候应该考虑加强中部信号聚集区域所给出判断的权重，减少两侧噪声区域给出判断的权重。并且在的模型中，各双向循环神经网络层内部的隐状态蕴含了不同层次的结构表示，可以结合不同层次的结构表示来进一步提高识别结果。

附图说明

图1为本发明实施例的基于谱图变换和注意力机制循环神经网络的雷达HRRP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，本发明实施例公开了基于谱图变换和注意力机制循环神经网络的雷达HRRP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，对经过S1所提取数据集中的样本做预处理，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是通过距离窗从雷达回波数据中截取的，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，这样HRRP中包含信息的那些距离单元将分布在中心附近；

S3，对经过上述处理的HRRP样本进行谱图变换；相比于HRRP的时域特征，谱图特征还具有以下几个优点：(1)谱图特征的每个时间点上包含的特征要更加稳定；(2)一段连续距离单元相比单个距离单元更能反映目标的一些特定结构特性；(3)谱图是信号的频域表示，不仅反映了信号的时域特性，也反映了信号的频谱密度随时间的变化情况；(4)在每个离散的时间点，HRRP的谱图特征的观测值是一个高维的向量，HRRP的时域特征则是一个点，谱图特征可以反映更多有利于识别的特性。

S4，对HRRP样本进行动态调整，即对样本进行多个幂次的处理；由于HRRP中各距离单元内回波的幅度相差较大，直接将数据送入识别网络中会导致模型过多关注于幅度较大的距离单元。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。从研究发现的幂次变换等方法可提高识别性能中得到启示，即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。在切分HRRP之前通过加入动态调整层使模型可更好的利用这些可分性特征，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。

S5，搭建重要性调整网络，对经过上述处理后的数据进行通道调整，采用一种全新的特征重标定的策略通过学习的方式来自动获取到每个特征通道的重要程度，然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征；重要性网络没有引入新的空间维度来进行特征通道间的融合。

S6，含有注意力机制的堆叠双向RNN训练模型，调参并进行优化；传统的RNN模型在预测时只能利用当前时刻及当前时刻之前的结构信息。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。双向RNN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。

本发明使用堆叠双向循环神经网络，使模型具备一定深度。按这种方式组织的模型可以更好的依赖数据的上下文逐步抽象出高层的结构特征，并且各双向循环神经网络层内部的隐状态蕴含了不同层次的结构表示。在上述基础应用注意力模型。模型可更好的突出可分性特征，压制不太相关的特征，即在分类的时候考虑加强中部信号聚集区域所给出判断的权重，减少两侧噪声区域给出判断的权重。即本发明中的神经网络模型由五层带有注意力机制的双向LSTM(长短时记忆网络)堆叠构成，最后采用softmax层对网络的输出进行分类。

S7，对由S1采集到的测试数据进行训练阶段的步骤S2、S3、S4预处理操作；

S8，将经过S7处理的样本送入S5、S6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会通过softmax层进行分类。

具体地，第i个HRRP测试样本

对应于目标集中第k类雷达目标的概率可计算为：

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：

经过上述8个步骤，即可得到本发明实施例所提出的一种基于谱图变换和注意力机制循环神经网络的雷达HRRP目标识别模型。

具体应用实例中，所述S2进一步包括以下步骤：

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：

S301，计算时域信号的短时傅里叶变换来获得该信号的谱图特征，时间信号的短时傅里叶变换的变换公式可以表示为：

其中，τ表示时间，ω表示频率，x(·)表示被变换的时间信号，w(·)表示STFT变换的窗函数；

谱图特征是STFT变换的模平方，它可以表示为：

Y(τ,ω)＝|(STFT(τ,ω)|²，

S302，谱图特征的每一个时间点上所对应的频域特征是一段变换窗长内的连续距离单元时域信号的频谱，需要将HRRP样本切分为多个子序列，在这里每一段子序列长度相同，每个子序列进行傅里叶变换的点数也是相同的，选取窗函数对每个子序列进行处理，

进行处理后的谱图特征

是一个矩阵，它的每一列包含一个短期局部时间的频率成分估计，时间沿列增加，频率按行增加。

具体应用实例中，所述步骤S4进一步包括：

S301，提出对HRRP谱图特征进行动态调整，即对谱图进行多个幂次的处理，对数据进行幂次处理，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，M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S5进一步包括：

S501，重要性网络对谱图特征进行重要性调整，通过学习卷积通道的全局信息来有选择地强调蕴含可分性信息较多的某些时间点的输入序列并抑制另外一些不太重要的时间点的输入序列，经过重要性网络调整后之后，模型变得更加平衡，使更重要、更有用的特征可以得到突显，提高了模型表征HRRP能力，重要性调整分为压缩特征和激发特征两部分；

S502，压缩特征部分，整理进入重要性网络的谱图特征维度为

该特征是由M个序列构成，每个序列为一个N维的向量，其中M对应的是谱图矩阵的时间维度，其中的每一个序列都会经过全连接层和激活函数压缩为一个代表此序列重要程度的实数权重x_sq，将x_dynamic通过全连接，全连接的输出可由下式计算得到：

x_sq＝f(Wx_dynamic+b)

其中激活函数f(·)为Sigmoid函数，

S503，特征激发部分，通过Excitation公式将提取到的特征进行选择性调整，得到经调整之后的特征F_E：

F_E＝x_dynamic⊙x_sq

其中x_sq＝[x_sq(1),x_sq(2),…,x_sq(M)]，它是一个M维向量，⊙表示将x_dynamic各通道中的每一个元素都乘上x_sq这个向量中对应维上的数，特征F_E中的第m个通道被调整为：

具体应用实例中，所述步骤S6进一步包括：

S601，分类网络设计为多层堆叠的双向RNN，假设输入的是特征F_RNN，

其中M_i表示第i个双向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，

其中H是隐单元个数，其中序列中第k个时间点所对应的向量可表示为：

其中，f(·)表示激活函数，

表示对应于第i个双向RNN中所包含的前向RNN的隐藏层输出矩阵，

表示第i个双向RNN中所包含的前向RNN中所包含的第k个隐藏层状态，

表示对应于第i个双向RNN中所包含的后向RNN的隐藏层输出矩阵，

表示第i个双向RNN中所包含的后向RNN中所包含的第k个隐藏层状态，b_Fi表示第i个双向RNN的输出层偏置；

S602，网络中的注意力机制，选取最后几层双向RNN在不同时刻得到的隐层状态进行拼接，第i层拼接后的隐层状态为：

最后再将每一层拼接后隐层进行相加，即得到经过注意力模型处理后的隐层状态c_ATT为：

其中α_ik表示对应于第i层第k个时间点所对应的权重，M表示双向RNN模型中每层的前向RNN或后向RNN包含的隐状态的个数，即时间点维数，N₁表示网络堆叠的层数，N₀表示取从最后一层开始数，共取几层堆叠双向RNN内的隐状态用于求c_ATT，α_ik的求法如下式所示：

其中，e_ik为第i个双向RNN中前向和后向隐藏状态进行相加后的能量，可以表示为：

e_ik＝U_ATT tanh(W_ATTh_ik)

其中

它们是用于计算隐单元能量的参数，l是隐单元的维数，M是时间点维数；

S603，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。

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)

1.一种基于谱图变换和注意力机制循环神经网络的雷达HRRP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，对经过S1所提取数据集中的样本做预处理，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是通过距离窗从雷达回波数据中截取的，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，这样HRRP中包含信息的那些距离单元将分布在中心附近；

S3，对经过上述处理的HRRP样本进行谱图变换；

S4，对HRRP样本进行动态调整，即对样本进行多个幂次的处理；

S5，搭建重要性调整网络，对经过上述处理后的数据进行通道调整，采用一种全新的特征重标定的策略通过学习的方式来自动获取到每个特征通道的重要程度，然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征；

S6，含有注意力机制的堆叠双向RNN训练模型，调参并进行优化；

S7，对由S1采集到的测试数据进行训练阶段的步骤S2、S3、S4预处理操作；

S8，将经过S7处理的样本送入S5、S6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会通过softmax层进行分类。

2.如权利要求1所述的基于谱图变换和注意力机制循环神经网络的雷达HRRP目标识别方法，其特征在于，所述S2进一步包括以下步骤：

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。

3.如权利要求2所述的基于谱图变换和注意力机制循环神经网络的雷达HRRP目标识别方法，其特征在于，所述步骤S3进一步包括：

S301，计算时域信号的短时傅里叶变换来获得该信号的谱图特征，时间信号的短时傅里叶变换的变换公式可以表示为：

其中，τ表示时间，ω表示频率，x(·)表示被变换的时间信号，w(·)表示STFT变换的窗函数；

谱图特征是STFT变换的模平方，它可以表示为：

Y(τ,ω)＝|(STFT(τ,ω)|²，

S302，谱图特征的每一个时间点上所对应的频域特征是一段变换窗长内的连续距离单元时域信号的频谱，需要将HRRP样本切分为多个子序列，在这里每一段子序列长度相同，每个子序列进行傅里叶变换的点数也是相同的，选取窗函数对每个子序列进行处理，

进行处理后的谱图特征

是一个矩阵，它的每一列包含一个短期局部时间的频率成分估计，时间沿列增加，频率按行增加。

4.如权利要求3所述的基于谱图变换和注意力机制循环神经网络的雷达HRRP目标识别方法，其特征在于，所述步骤S4进一步包括：

S301，提出对HRRP谱图特征进行动态调整，即对谱图进行多个幂次的处理，对数据进行幂次处理，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，M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。

5.如权利要求4所述的基于谱图变换和注意力机制循环神经网络的雷达HRRP目标识别方法，其特征在于，所述步骤S5进一步包括：

S501，重要性网络对谱图特征进行重要性调整，通过学习卷积通道的全局信息来有选择地强调蕴含可分性信息较多的某些时间点的输入序列并抑制另外一些不太重要的时间点的输入序列，经过重要性网络调整后之后，模型变得更加平衡，使更重要、更有用的特征可以得到突显，提高了模型表征HRRP能力，重要性调整分为压缩特征和激发特征两部分；

S502，压缩特征部分，整理进入重要性网络的谱图特征维度为

该特征是由M个序列构成，每个序列为一个N维的向量，其中M对应的是谱图矩阵的时间维度，其中的每一个序列都会经过全连接层和激活函数压缩为一个代表此序列重要程度的实数权重x_sq，将x_dynamic通过全连接，全连接的输出可由下式计算得到：

x_sq＝f(Wx_dynamic+b)

其中激活函数f(·)为Sigmoid函数，

S503，特征激发部分，通过Excitation公式将提取到的特征进行选择性调整，得到经调整之后的特征F_E：

F_E＝x_dynamic⊙x_sq

其中x_sq＝[x_sq(1),x_sq(2),…,x_sq(M)]，它是一个M维向量，⊙表示将x_dynamic各通道中的每一个元素都乘上x_sq这个向量中对应维上的数，特征F_E中的第m个通道被调整为：

6.如权利要求5所述的基于谱图变换和注意力机制循环神经网络的雷达HRRP目标识别方法，其特征在于，所述步骤S6进一步包括：

S601，分类网络设计为多层堆叠的双向RNN，假设输入的是特征F_RNN，

其中M_i表示第i个双向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，

其中H是隐单元个数，其中序列中第k个时间点所对应的向量可表示为：

其中，f(·)表示激活函数，

表示对应于第i个双向RNN中所包含的前向RNN的隐藏层输出矩阵，

表示第i个双向RNN中所包含的前向RNN中所包含的第k个隐藏层状态，

表示对应于第i个双向RNN中所包含的后向RNN的隐藏层输出矩阵，

表示第i个双向RNN中所包含的后向RNN中所包含的第k个隐藏层状态，b_Fi表示第i个双向RNN的输出层偏置；

S602，网络中的注意力机制，选取最后几层双向RNN在不同时刻得到的隐层状态进行拼接，第i层拼接后的隐层状态为：

最后再将每一层拼接后隐层进行相加，即得到经过注意力模型处理后的隐层状态c_ATT为：

其中α_ik表示对应于第i层第k个时间点所对应的权重，M表示双向RNN模型中每层的前向RNN或后向RNN包含的隐状态的个数，即时间点维数，N₁表示网络堆叠的层数，N₀表示取从最后一层开始数，共取几层堆叠双向RNN内的隐状态用于求c_ATT，α_ik的求法如下式所示：

其中，e_ik为第i个双向RNN中前向和后向隐藏状态进行相加后的能量，可以表示为：

e_ik＝U_ATTtanh(W_ATTh_ik)

其中

它们是用于计算隐单元能量的参数，l是隐单元的维数，M是时间点维数；

S603，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。

Images