徐 彬 陳 渤 劉宏偉 金 林

?

基于注意循環(huán)神經(jīng)網(wǎng)絡(luò)模型的雷達(dá)高分辨率距離像目標(biāo)識(shí)別

徐 彬①②陳 渤*①②劉宏偉①②金 林②

①(西安電子科技大學(xué)雷達(dá)信號(hào)處理國(guó)家重點(diǎn)實(shí)驗(yàn)室 西安 710071)②(西安電子科技大學(xué)信息感知技術(shù)協(xié)同創(chuàng)新中心 西安 710071)

針對(duì)雷達(dá)高分辨率距離像(HRRP)數(shù)據(jù)的識(shí)別問(wèn)題，該文利用HRRP生成的時(shí)序特性，提出一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的注意模型。該模型利用具有記憶功能的循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)域數(shù)據(jù)進(jìn)行編碼，并根據(jù)HRRP中不同距離單元所映射的隱層對(duì)目標(biāo)識(shí)別的重要性，自適應(yīng)地賦予隱層不同的權(quán)值系數(shù)，并根據(jù)隱層特征編碼特征進(jìn)行HRRP目標(biāo)識(shí)別。該模型利用了隱藏在HRRP數(shù)據(jù)內(nèi)部的目標(biāo)結(jié)構(gòu)信息，提高了特征的區(qū)分度。實(shí)測(cè)數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明，該方法可以有效地進(jìn)行識(shí)別，在樣本存在一定余度數(shù)據(jù)和樣本偏移的情況下，都能準(zhǔn)確地找出目標(biāo)支撐區(qū)域。

雷達(dá)目標(biāo)識(shí)別；高分辨距離像；循環(huán)神經(jīng)網(wǎng)絡(luò)；注意模型

1 引言

雷達(dá)高分辨率距離像(HRRP)是用寬帶雷達(dá)信號(hào)獲取的目標(biāo)散射點(diǎn)子回波在雷達(dá)視線方向投影的矢量和，它包含了目標(biāo)尺寸和散射點(diǎn)分布等重要結(jié)構(gòu)信息，并且易于獲取、存儲(chǔ)和處理，如今已成為了雷達(dá)自動(dòng)目標(biāo)識(shí)別(RATR)領(lǐng)域的一個(gè)重要的研究方向。針對(duì)雷達(dá)目標(biāo)識(shí)別這一問(wèn)題，大量學(xué)者進(jìn)行了廣泛的研究。文獻(xiàn)[1]針對(duì)基于HRRP的一階統(tǒng)計(jì)特性的模板匹配分類器(MCC-TMM)和融合一階和二階統(tǒng)計(jì)特性的自適應(yīng)高斯分類器(AGC)兩種不同方法的特性，提取對(duì)應(yīng)的統(tǒng)計(jì)特征來(lái)進(jìn)行目標(biāo)識(shí)別。文獻(xiàn)[2]對(duì)HRRP在一定方位角內(nèi)進(jìn)行均值平滑，然后通過(guò)支持向量機(jī)(SVM)來(lái)進(jìn)行雷達(dá)目標(biāo)識(shí)別。文獻(xiàn)[3]在主成分分析(PCA)子空間投影特征基礎(chǔ)上，構(gòu)建最小重構(gòu)誤差準(zhǔn)則實(shí)現(xiàn)HRRP目標(biāo)識(shí)別。文獻(xiàn)[4]利用冗余字典學(xué)習(xí)HRRP的稀疏表示特征，獲得了較好的泛化能力。這些基于模型的特征都具有明確的物理含義，比較利于推廣。但它們都是將HRRP樣本作為一個(gè)整體來(lái)考慮，而沒(méi)有考慮樣本內(nèi)部的相關(guān)性。鑒于這一特性，文獻(xiàn)[5-7]提出了基于時(shí)序特性的隱馬爾科夫模型。該方法先將HRRP作為一個(gè)序列特征來(lái)處理，然后將訓(xùn)練數(shù)據(jù)通過(guò)不同的方位角進(jìn)行分幀建模，在測(cè)試階段利用最大后驗(yàn)概率判斷類別。這種方法考慮了目標(biāo)內(nèi)部的結(jié)構(gòu)信息，并且通過(guò)分幀的方式解決了方位敏感性的問(wèn)題。但是作為生成模型，需要先對(duì)模型分幀并對(duì)每一個(gè)分幀構(gòu)建一個(gè)概率模型，每一個(gè)測(cè)試樣本均要求解在所有模型下的后驗(yàn)概率，具有較高的計(jì)算量。

近年來(lái)，循環(huán)神經(jīng)網(wǎng)絡(luò)模型(RNN)在識(shí)別領(lǐng)域取得了不錯(cuò)的成果。該模型不僅能夠通過(guò)編碼的方式對(duì)數(shù)據(jù)提取特征，而且在隱層引入相關(guān)矩陣來(lái)考慮數(shù)據(jù)內(nèi)部的相關(guān)性。除此之外，模型的非線性映射以及較大的狀態(tài)空間使得模型的數(shù)據(jù)表達(dá)能力比較強(qiáng)。HRRP時(shí)域數(shù)據(jù)反映的是目標(biāo)上的散射點(diǎn)沿雷達(dá)視線的分布情況，數(shù)據(jù)內(nèi)部具有一定的相關(guān)性，因此本文將循環(huán)神經(jīng)網(wǎng)絡(luò)應(yīng)用到HRRP目標(biāo)識(shí)別中。基于循環(huán)神經(jīng)網(wǎng)絡(luò)的HRRP目標(biāo)識(shí)別，每一個(gè)時(shí)刻都會(huì)輸出一個(gè)類別，但是單個(gè)HRRP序列僅需要輸出一個(gè)類別?；谠佳h(huán)神經(jīng)網(wǎng)絡(luò)的HRRP目標(biāo)識(shí)別是通過(guò)投票的方式將HRRP類別歸為所有時(shí)刻類別個(gè)數(shù)最多的那一類。對(duì)于不同類目標(biāo)，HRRP中的支撐區(qū)域是不同的，即便是同一類目標(biāo)在不同的姿態(tài)角下支撐區(qū)域也不相同。通常情況下，HRRP中還包含噪聲區(qū)域。這種方法在投票過(guò)程中，不加區(qū)分地對(duì)不同距離單元的回波進(jìn)行簡(jiǎn)單的投票加權(quán)，忽略了各部分對(duì)識(shí)別的差異，因而并不合理。

為了解決前面提出的問(wèn)題，本文提出了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的注意模型。該模型通過(guò)循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)序列數(shù)據(jù)進(jìn)行編碼，然后對(duì)數(shù)據(jù)每一個(gè)區(qū)域求解權(quán)值系數(shù)，使得HRRP樣本不同區(qū)域在識(shí)別中起不同的作用。相比于前面的方法，該模型存在以下幾個(gè)優(yōu)點(diǎn)：首先，是一種端到端的判別模型，對(duì)于測(cè)試數(shù)據(jù)直接輸出類別，不需要通過(guò)投票的方式來(lái)判斷。其次，考慮到了樣本內(nèi)部的相關(guān)性，通過(guò)一種反饋的神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行編碼使得提取的特征不僅僅包含當(dāng)前的信息，也考慮了樣本的結(jié)構(gòu)信息。最后，考慮了樣本不同的區(qū)域在識(shí)別中所起的作用是不相同的，通過(guò)對(duì)不同區(qū)域的隱層進(jìn)行加權(quán)求和得到最終的隱層來(lái)進(jìn)行識(shí)別，更符合HRRP目標(biāo)識(shí)別的實(shí)際情況。通過(guò)實(shí)測(cè)數(shù)據(jù)驗(yàn)證了該模型的有效性，并且在測(cè)試樣本存在一定偏移的情況下，也依然能夠找出有效的識(shí)別區(qū)域。

文章結(jié)構(gòu)安排如下，第2節(jié)具體描述循環(huán)神經(jīng)網(wǎng)絡(luò)與注意模型的結(jié)構(gòu)；第3節(jié)說(shuō)明將模型應(yīng)用到HRRP上的具體步驟；第4節(jié)為實(shí)驗(yàn)部分，通過(guò)在實(shí)測(cè)數(shù)據(jù)上的實(shí)驗(yàn)來(lái)說(shuō)明模型的有效性；最后為總結(jié)部分。

2 模型結(jié)構(gòu)

2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)最早是由文獻(xiàn)[13]提出，專門用來(lái)解決序列數(shù)據(jù)問(wèn)題。在處理過(guò)程中，循環(huán)神經(jīng)網(wǎng)絡(luò)在每一個(gè)時(shí)刻都會(huì)接收當(dāng)前時(shí)刻的輸入和前一時(shí)刻的隱層，并且輸出類別或者預(yù)測(cè)的結(jié)果。

圖1 展開(kāi)的循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

(2)

(4)

2.2 注意模型結(jié)構(gòu)

本文提出了一種適用于高分辨距離像數(shù)據(jù)的注意模型，如圖2所示。這種新的模型在原來(lái)循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，增加了權(quán)值系數(shù)這一項(xiàng)來(lái)衡量每一個(gè)數(shù)據(jù)段在進(jìn)行識(shí)別中所起的作用，從而使得網(wǎng)絡(luò)可以自適應(yīng)地尋找存在可分性的區(qū)域。

圖2 注意模型

在這個(gè)新的模型中，我們定義輸出概率為

(7)

(9)

3 基于注意模型的HRRP目標(biāo)識(shí)別

3.1 時(shí)域特征提取

圖3是HRRP生成的示意圖，它反映了在一定雷達(dá)視角時(shí)，目標(biāo)上散射體(如機(jī)頭、機(jī)翼、機(jī)尾等)的雷達(dá)散射截面積(RCS)沿雷達(dá)視線(RLOS)的分布情況，體現(xiàn)了散射點(diǎn)的相對(duì)幾何關(guān)系[15]。在對(duì)HRRP數(shù)據(jù)進(jìn)行識(shí)別時(shí)，首先要對(duì)HRRP提取時(shí)域特征，將時(shí)域特征序列化之后，利用循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行處理。高分辨率距離像數(shù)據(jù)的波長(zhǎng)遠(yuǎn)小于一般雷達(dá)目標(biāo)的尺寸，時(shí)域回波包含了目標(biāo)尺寸、散射點(diǎn)分布等許多重要的結(jié)構(gòu)信息，可以通過(guò)散射中心模型進(jìn)行描述。在距離像中的每一個(gè)距離單元都等于該距離單元內(nèi)的所有的散射點(diǎn)目標(biāo)回波疊加，而HRRP也就對(duì)應(yīng)于一個(gè)復(fù)向量,表示第個(gè)距離單元的子回波，表示HRRP中距離單元個(gè)數(shù)。對(duì)當(dāng)前的HRRP時(shí)域回波取幅值，即。

圖3 HRRP生成示意圖

3.2 HRRP預(yù)處理

由文獻(xiàn)[2]可知，雷達(dá)目標(biāo)的原始HRRP數(shù)據(jù)存在強(qiáng)度、平移敏感性等問(wèn)題，這些敏感性對(duì)于雷達(dá)目標(biāo)識(shí)別性能影響很大。本文對(duì)HRRP進(jìn)行了2范數(shù)歸一化來(lái)消除強(qiáng)度敏感性。HRRP的平移敏感性則是由于目標(biāo)運(yùn)動(dòng)導(dǎo)致HRRP在距離門內(nèi)發(fā)生平移，在本文中采用的是質(zhì)心對(duì)齊方法，即求取HRRP的質(zhì)心位置，并將質(zhì)心位置平移至HRRP中心位置[4]。其中質(zhì)心為

將預(yù)處理完之后的HRRP數(shù)據(jù)轉(zhuǎn)化為序列數(shù)據(jù)，設(shè)經(jīng)過(guò)預(yù)處理之后的1維距離像數(shù)據(jù)為

(14)

3.3 基于注意模型的雷達(dá)目標(biāo)識(shí)別

HRRP樣本包含目標(biāo)重要的結(jié)構(gòu)特征，體現(xiàn)了散射點(diǎn)的相對(duì)幾何關(guān)系，對(duì)目標(biāo)識(shí)別和分類很有價(jià)值。在當(dāng)前時(shí)刻的維數(shù)據(jù)對(duì)應(yīng)于目標(biāo)的部分區(qū)域的散射點(diǎn)回波，而下一個(gè)時(shí)刻的維數(shù)據(jù)則對(duì)應(yīng)于目標(biāo)鄰近部分區(qū)域的散射點(diǎn)回波。在同一個(gè)目標(biāo)的情況下，我們認(rèn)為相鄰時(shí)刻的數(shù)據(jù)之間存在一定的相關(guān)性[5]。因此，將注意模型應(yīng)用于預(yù)處理后的數(shù)據(jù)。

將注意模型應(yīng)用于時(shí)域特征的HRRP主要包括訓(xùn)練階段和測(cè)試階段。訓(xùn)練階段主要是利用雷達(dá)目標(biāo)HRRP的時(shí)域特征來(lái)建立模型，通過(guò)目標(biāo)函數(shù)對(duì)模型中的參數(shù)進(jìn)行調(diào)節(jié)，從而使得當(dāng)前的模型可以更好地表達(dá)訓(xùn)練數(shù)據(jù)。測(cè)試數(shù)據(jù)的主要任務(wù)則是在已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，輸出測(cè)試數(shù)據(jù)屬于每一類目標(biāo)的概率，將測(cè)試目標(biāo)歸為最大概率類別。訓(xùn)練階段和測(cè)試階段的具體步驟如下所示：

(1)訓(xùn)練階段：

(2)測(cè)試階段：

步驟1 對(duì)于給定的測(cè)試樣本進(jìn)行同訓(xùn)練樣本相同的預(yù)處理方式，即能量歸一化，絕對(duì)對(duì)齊處理以及滑窗處理得到測(cè)試數(shù)據(jù)時(shí)域特征。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)數(shù)據(jù)介紹及實(shí)驗(yàn)設(shè)置

本文的識(shí)別實(shí)驗(yàn)使用的是國(guó)內(nèi)某所的逆合成孔徑雷達(dá)(ISAR)的飛機(jī)飛行數(shù)據(jù)，其中雷達(dá)和飛機(jī)的參數(shù)如表1所示，3類飛機(jī)的航跡在地面上的投影如圖4所示。實(shí)驗(yàn)的飛機(jī)有3種，其中“安-26”為中小型螺旋槳飛機(jī)，“獎(jiǎng)狀”為小型噴氣飛機(jī)，“雅克-42”為中型噴氣飛機(jī)。從飛行的航跡可以看出，“獎(jiǎng)狀”和“安-26”飛機(jī)的HRRP數(shù)據(jù)均給分成了7段，“雅克-42”飛機(jī)的HRRP數(shù)據(jù)給分成了5段。為了更全面地考慮方位角信息，本文采用“雅克-42”的第2, 5 段，“獎(jiǎng)狀”的第6, 7 段，“安-26”的第5, 6段數(shù)據(jù)作為訓(xùn)練樣本，用來(lái)訓(xùn)練模型；其他的數(shù)據(jù)段作為測(cè)試樣本來(lái)驗(yàn)證算法的性能。訓(xùn)練和測(cè)試數(shù)據(jù)均為間隔20采樣，訓(xùn)練樣本個(gè)數(shù)為7375，測(cè)試數(shù)據(jù)的樣本個(gè)數(shù)為16655。圖5給出了3類目標(biāo)的距離像的時(shí)域特征，它反映了3類飛機(jī)的物理結(jié)構(gòu)特征。

圖4 雅克-42，獎(jiǎng)狀和安-26飛機(jī)的航跡圖

表1 ISAR實(shí)驗(yàn)雷達(dá)和飛機(jī)參數(shù)

4.2 模型性能比較

本實(shí)驗(yàn)將基于循環(huán)神經(jīng)網(wǎng)絡(luò)的注意模型同兩種降維提取特征的方法進(jìn)行了比較，除此之外，還同原始神經(jīng)網(wǎng)絡(luò)模型以及同樣處理序列數(shù)據(jù)的HMM模型進(jìn)行了比較。其中PCA降維至同隱層維度相同的50維，LDA降維之后采用線性支撐向量機(jī)(LSVM)來(lái)進(jìn)行識(shí)別。原始循環(huán)神經(jīng)網(wǎng)絡(luò)是經(jīng)過(guò)模型的編碼之后對(duì)于每一個(gè)時(shí)刻的隱層進(jìn)行識(shí)別，然后將識(shí)別結(jié)果通過(guò)投票的方式得到最終識(shí)別結(jié)果。HMM在HRRP中的應(yīng)用采用文獻(xiàn)[7]中的方法，將原始HRRP滑窗序列化，然后分幀建立模型。

表2中，PCA為降維的方法，在將樣本降低至同樣維度的情況下，ARNN的識(shí)別結(jié)果比該方法要高大約5個(gè)百分點(diǎn)。對(duì)于LSVM，當(dāng)前的網(wǎng)絡(luò)模型主要存在兩個(gè)優(yōu)點(diǎn)：(1)由于LSVM采用二次規(guī)劃來(lái)求解支撐向量，而求解二次規(guī)劃涉及階矩陣求解問(wèn)題(為樣本個(gè)數(shù))，沒(méi)有辦法處理大量訓(xùn)練樣本。而ARNN采用批量學(xué)習(xí)的方法，每次參數(shù)更新時(shí)可以通過(guò)目標(biāo)函數(shù)對(duì)部分訓(xùn)練樣本求偏導(dǎo)來(lái)進(jìn)行更新，可以處理大量的訓(xùn)練數(shù)據(jù)。(2)原始LSVM更適合做二分類問(wèn)題，而對(duì)于多分類則需要進(jìn)行改進(jìn)。ARNN模型輸出的是樣本屬于每一類的概率，因此，更適合于多類別問(wèn)題。

圖5 時(shí)域特征

表2 不同方法的識(shí)別結(jié)果

方法LDAPCAHMMLSVMRNNARNN 識(shí)別結(jié)果0.7300.8300.8700.8800.8500.883

另外兩種降維提取特征的方法相比于基于循環(huán)神經(jīng)網(wǎng)絡(luò)編碼方法進(jìn)行的特征提取得到的目標(biāo)識(shí)別效果要低。除此之外，原始循環(huán)神經(jīng)網(wǎng)絡(luò)的識(shí)別結(jié)果相比于注意模型的結(jié)果也要低大約3個(gè)百分點(diǎn)，主要是有兩個(gè)方面的原因。第一，注意模型可以尋找有效的區(qū)域進(jìn)行識(shí)別，而不是將全部的數(shù)據(jù)(包括噪聲)來(lái)識(shí)別；第二，注意模型是一個(gè)端到端的模型，模型更利用訓(xùn)練。同樣是對(duì)數(shù)據(jù)序列化來(lái)進(jìn)行處理，HMM是對(duì)數(shù)據(jù)每一幀建立一個(gè)模型，同時(shí)設(shè)置模型的狀態(tài)。相對(duì)而言，循環(huán)神經(jīng)網(wǎng)絡(luò)隱層的非線性映射和更大的狀態(tài)空間使得模型的表達(dá)能力更強(qiáng)，這也可能是當(dāng)前模型的結(jié)果優(yōu)于HMM的原因。

4.3 注意模型同原始循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)比

由于3類飛機(jī)的長(zhǎng)度不同，在不同姿態(tài)角下的徑向長(zhǎng)度也不同，因此在接收的回波數(shù)據(jù)中噪聲部分和目標(biāo)部分所占的距離單元也不同。原始循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)于每一個(gè)時(shí)刻的隱層進(jìn)行識(shí)別，然后每一個(gè)時(shí)刻的識(shí)別結(jié)果通過(guò)投票的方式得到最終的識(shí)別結(jié)果。噪聲部分區(qū)域是不具備識(shí)別能力的，按照投票的方式進(jìn)行識(shí)別，目標(biāo)區(qū)域同噪聲區(qū)域在識(shí)別中所起的作用是相同。

為了驗(yàn)證注意模型在HRRP上的有效性，本實(shí)驗(yàn)將注意模型同原始循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行了對(duì)比。

原始數(shù)據(jù)經(jīng)過(guò)處理之后變?yōu)殚L(zhǎng)度為15的序列，圖6(a)顯示了測(cè)試數(shù)據(jù)不同時(shí)刻隱層特征的識(shí)別結(jié)果，其中前面的0~4個(gè)時(shí)刻以及11~14時(shí)刻對(duì)應(yīng)的為噪聲區(qū)域，中間部分對(duì)應(yīng)的為目標(biāo)區(qū)域。由于前面的噪聲區(qū)域并不具備識(shí)別能力，因此識(shí)別結(jié)果比較差。從上面的識(shí)別結(jié)果看出，可識(shí)別區(qū)域集中在目標(biāo)部分。而由于原始神經(jīng)網(wǎng)絡(luò)的記憶功能，使得11~14區(qū)域的隱層也包含了一定的識(shí)別能力。在這種情況下，注意模型可以自動(dòng)地尋找可識(shí)別的區(qū)域，從而賦予目標(biāo)區(qū)域較大的權(quán)值，而對(duì)于噪聲區(qū)域賦予較小的權(quán)值。圖6(b)對(duì)應(yīng)的是測(cè)試樣本不同時(shí)刻的權(quán)值系數(shù)，其中橫坐標(biāo)為不同的測(cè)試樣本，縱坐標(biāo)為樣本在不同時(shí)刻所對(duì)應(yīng)的系數(shù)。從圖6(b)可以看出權(quán)值系數(shù)主要集中在6~10區(qū)域，即目標(biāo)區(qū)域。我們?nèi)〕銎渲幸粋€(gè)測(cè)試樣本，然后用虛線在原始HRRP中畫出較大權(quán)值系數(shù)對(duì)應(yīng)的距離單元，即圖6(c)。從圖中可以看出，在識(shí)別中真正在起作用的是HRRP的目標(biāo)區(qū)域，當(dāng)前的注意模型可以自動(dòng)地找出可識(shí)別區(qū)域。

4.4 可視化分析

圖7給出了經(jīng)過(guò)RNN編碼之后的隱層和原始HRRP的2維PCA可視化投影，可以比較直觀地看出，本文所提方法獲得的特征，不同類樣本間的重疊區(qū)域較小，可分性更好。相比于原始的HRRP的2維PCA投影，注意模型經(jīng)過(guò)循環(huán)神經(jīng)網(wǎng)絡(luò)編碼和隱層加權(quán)求和之后得到的特征具有更好的可分性。

4.5 樣本平移對(duì)權(quán)值系數(shù)的影響

通常情況下，距離像數(shù)據(jù)的平移敏感性會(huì)對(duì)模型造成一定的影響。在前面的預(yù)處理中，滑窗的長(zhǎng)度取32，滑動(dòng)距離為16。因此，本實(shí)驗(yàn)測(cè)試樣本在平移16個(gè)距離單元和32個(gè)距離單元情況下的權(quán)值系數(shù)。在模型已經(jīng)訓(xùn)練好的前提下，對(duì)測(cè)試樣本分別平移16個(gè)距離單元和32個(gè)距離單元，求出當(dāng)前情況下的權(quán)值系數(shù)。當(dāng)前的權(quán)值系數(shù)與未平移的測(cè)試樣本的權(quán)值系數(shù)的相關(guān)系數(shù)，其中,為原始系數(shù)的第個(gè)距離，為平移之后的權(quán)值系數(shù)。圖8(a)為平移16個(gè)距離單元的相關(guān)系數(shù)，從圖中可以看出在橫軸為14的時(shí)候取得最大值，意味著在樣本平移一個(gè)時(shí)刻的情況下，權(quán)值系數(shù)也隨之平移了一個(gè)時(shí)刻。圖8(b)為平移32個(gè)距離單元的情況下權(quán)值系數(shù)也隨之平移了兩個(gè)時(shí)刻。說(shuō)明在樣本存在平移時(shí)，模型也依然能夠找到支撐區(qū)域來(lái)進(jìn)行目標(biāo)識(shí)別。

圖6 實(shí)驗(yàn)結(jié)果

圖7 2維PCA投影

圖8 權(quán)值系數(shù)平移之后的相關(guān)系數(shù)

5 結(jié)論

本文提出了一種針對(duì)HRRP目標(biāo)識(shí)別問(wèn)題的注意循環(huán)神經(jīng)網(wǎng)絡(luò)模型。該模型考慮了目標(biāo)時(shí)序數(shù)據(jù)內(nèi)部之間的相關(guān)性，先利用循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)域回波進(jìn)行編碼，然后對(duì)不同的距離單元賦予不同的權(quán)值系數(shù)來(lái)決定其在目標(biāo)識(shí)別中所起的作用。在實(shí)測(cè)數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果表明該模型不僅能夠提取出有效的特征來(lái)進(jìn)行識(shí)別，在目標(biāo)存在一定偏移和余度數(shù)據(jù)時(shí)也能夠?qū)ふ页鲇行У目勺R(shí)別區(qū)域。

參考文獻(xiàn)

[1] 張英軍, 白向輝. 雷達(dá)自動(dòng)目標(biāo)識(shí)別中的HRRP特征提取研究[J]. 系統(tǒng)工程與電子技術(shù), 2007, 29(12): 2047-2053. doi: 10.3321/j.issn:1001-506x.2007.12.012. ZHANG Junying and BAI Xianghui. Study of the HRRP feature extraction in radar automatic target recognition[J]., 2007, 29(12): 2047- 2053. doi: 10.3321/j.issn:1001-506x.2007.12.012.

[2] 梁海濤, 張學(xué)禮, 童創(chuàng)明, 等. 基于小波分解與方位角平均HRRP的SVM目標(biāo)識(shí)別方法[J]. 數(shù)據(jù)采集與處理, 2010, 25(1): 29-35. doi:10.3969/j.issn.1004-9037.2010.01.006. LIANG Haitao, ZHANG Xueli, TONG Chuangming,. SVM target identification method based on wavelet decomposition and azimuth average HRRP[J].&, 2010, 25(1): 29-35. doi: 10.3969/j.issn.1004-9037.2010.01.006.

[3] DU Lan, LIU Hongwei, BAO Zheng,. Radar automatic target recognition using complex high-resolution range profiles[J].,&, 2007, 1(1): 18-26. doi: 10.1049/iet-rsn:20050119.

[4] FENG B, DU L, LIU H W,. Radar HRRP target recognition based on K-SVD algorithm[C]. IEEE CIE International Conference on Radar, Chengdu, 2011: 642-645.

[5] 潘勉, 王鵬輝, 杜蘭, 等. 基于TSB-HMM模型的雷達(dá)高分辨距離像目標(biāo)識(shí)別方法[J]. 電子與信息學(xué)報(bào), 2013, 35(7): 1547-1556. doi: 10.3724/SP.J.1146.2012.01190. PAN Mian, WANG Penghui, DU Lan,. Radar HRRP target recognition based on truncated stick-breaking hidden Markov model[J].&, 2013, 35(7): 1547-1556. doi: 10.3724/SP.J.1146. 2012.01190.

[6] PAN Mian, DU Lan, WANG Penghui,. Multi-task hidden Markov modeling of spectrogram feature from radar high-resolution range profiles[J]., 2012, 2012(1): 1-17. doi: 10.1109/CIE-Radar.2011.6159624.

[7] JI S H, LIAO X J, and CARIN L. Adaptive multi-aspect target classification and detection with hidden Markov models[C]. International Conference on Acoustics, Speech and Signal Processing, Montreal, 2004: 125-129.

[8] GREGOR K, DANIHELKA I, GRAVES A,. DRAW: A recurrent neural network for image generation[C]. Proceedings of the 32nd International Conference on Machine Learning, Lille, 2015: 1-8.

[9] ZAREMBA W and SUTSKEVER I. Recurrent neural network regularization[C]. International Conference on Learning Representations, San Diego, 2015: 1-8.

[10] SRIVASTAVE N, MANSIMOV E, and SALAKHUTDINOV R. Unsupervised learning of video representations using LSTMs[C]. Proceedings of the 32nd International Conference on Machine Learning, Lille, 2015: 1-9.

[11] LI J W, LUONG M T, and JURAFSKY D. A hierarchical neural autoencoder for paragraphs and documents[C]. Proceedings of the 53rd Annual Meeting of the Association for Computational Linguistics and the 7th International Joint Conference on Natural Language Processing, Beijing, 2015: 1106-1115.

[12] CHEN J X, YANG L, ZHANG Y Z,. Combining fully convolutional and recurrent neural networks for 3D biomedical image segmentation[C]. 29th Conference on Neural Information Processing Systems, Barcelona, 2016: 1-9.

[13] ELMAN J L. Finding structure in time[J]., 1990, 14(2): 179-211.

[14] CHOROWSKI J, BAHDANAU D, SERDYUK D,. Attention-based models for speech recognition[C]. 27th Conference on Natural Language Processing Systems, Montreal, 2015: 1-19.

[15] SU B and LU S J. Accurate scene text recognition based on recurrent neural network[C]. 12th Asian Conference on Computer Vision, Singapore, 2015: 35-48.

徐 彬： 男，1988年生，博士生，研究方向?yàn)槔走_(dá)目標(biāo)識(shí)別.

陳 渤： 男，1979年生，教授，研究方向?yàn)榻y(tǒng)計(jì)機(jī)器學(xué)習(xí)、雷達(dá)目標(biāo)識(shí)別、統(tǒng)計(jì)深度網(wǎng)絡(luò)等.

劉宏偉： 男，1971年生，教授，長(zhǎng)江學(xué)者，研究方向?yàn)槔走_(dá)信號(hào)處理、雷達(dá)自動(dòng)目標(biāo)識(shí)別、認(rèn)知雷達(dá)、協(xié)同探測(cè)等.

Attention-based Recurrent Neural Network Model for Radar High-resolution Range Profile Target Recognition

XU Bin①②CHEN Bo①②LIU Hongwei①②JIN Lin②

①(,,’710071,)②(,,’710071,)

To improve the performance of radar High-Resolution Range Profile (HRRP) target recognition, a new attention-based model is proposed based on time domain feature. This architecture encodes the time domain feature which can reveal the correlation inside the target with Recurrent Neural Network (RNN). Then, this model gives a weight to each part and sums the hidden feature with each weight for the final recognition. Experiments based on measured data show that the attention-based model is effective for radar HRRP recognition. Furthermore, the proposed method can still find the support areas even with the removed test data.

Radar Automatic Target Recognition (RATR);High-Resolution Range Profile (HRRP); Recurrent Neural Network (RNN); Attention-based model

TN957.51

A

1009-5896(2016)12-2988-08

10.11999/JEIT161034

2016-10-08；改回日期：2016-11-25；

2016-12-14

陳渤bchen@mail.xidian.edu.cn

國(guó)家杰出青年科學(xué)基金(61525105)，國(guó)家自然科學(xué)基金(61201292, 61322103, 61372132)，全國(guó)優(yōu)秀博士學(xué)位論文作者專項(xiàng)資金(FANEDD-201156)

The National Science Fund for Distinguished Young Scholars (61525105), The National Natural Science Foundation of China (61201292, 61322103, 61372132), The Program for New Century Excellent Talents in University (FANEDD-201156)