劉 凱,林基明,2,鄭 霖,楊 超

(1.桂林電子科技大學(xué) 廣西無(wú)線寬帶通信與信號(hào)處理重點(diǎn)實(shí)驗(yàn)室,廣西 桂林 541004;2.梧州學(xué)院,廣西 梧州 543002)

0 概述

強(qiáng)雜波背景(如樹林、建筑群等環(huán)境)下的低速目標(biāo)檢測(cè)一直以來(lái)都是一個(gè)具有挑戰(zhàn)性的課題,譬如:障礙物和目標(biāo)的回波具有類似的電磁特性,嚴(yán)重的多徑效應(yīng)及低速特性,使得傳統(tǒng)的動(dòng)目標(biāo)檢測(cè)技術(shù)很難奏效。

從20世紀(jì)開始,國(guó)內(nèi)外學(xué)者在該領(lǐng)域做了一系列探索,其中比較有效的方法主要有:基于傳統(tǒng)信號(hào)處理和基于特征的模式分類。基于傳統(tǒng)的信號(hào)處理技術(shù)通過(guò)統(tǒng)計(jì)特性以似然比檢測(cè)(LRT)及其改進(jìn)型作為主要技術(shù)手段[1],但必須構(gòu)建準(zhǔn)確的環(huán)境統(tǒng)計(jì)特性模型,而這對(duì)于時(shí)變乃至未知環(huán)境并不適用;或是從時(shí)域波形[2-3]、時(shí)頻分析[4-5]和信息論[6-7]等角度來(lái)構(gòu)建特征檢測(cè)量,但其構(gòu)建的RAKE結(jié)構(gòu)雷達(dá)傳感網(wǎng),推導(dǎo)過(guò)于理想化,判別函數(shù)的實(shí)用性值得商榷,因此,對(duì)于強(qiáng)雜波淹沒下的低速目標(biāo)檢測(cè)效果并不理想。而基于特征的檢測(cè)方法則從模式識(shí)別的角度出發(fā),利用傳統(tǒng)信號(hào)處理結(jié)合數(shù)據(jù)約簡(jiǎn)技術(shù)提取特征,最后以機(jī)器學(xué)習(xí)算法構(gòu)建檢測(cè)器[8-11]。該方法雖然成功地將目標(biāo)檢測(cè)問(wèn)題轉(zhuǎn)化為模式分類問(wèn)題,并取得了一定效果,但仍然存在一些問(wèn)題。首先,所提取特征的有效性值得推敲,是否有利于后面的分類識(shí)別,或是否是最優(yōu)、無(wú)冗余的,還有就是它們大多針對(duì)固定目標(biāo),對(duì)于位置變動(dòng)的目標(biāo)則沒有涉及;其次,分類器的構(gòu)建都是基于傳統(tǒng)的淺層機(jī)器學(xué)習(xí)算法,這些算法對(duì)復(fù)雜函數(shù)的逼近能力有限,不能充分地挖掘和表示環(huán)境變化特征;最后,簡(jiǎn)單地將所提取的特征作為分類器的輸入,并未考慮特征與分類器的組合性能。此外對(duì)于更易工程實(shí)現(xiàn)的寬帶雷達(dá)也并未涉及。

近年來(lái)興起的深度學(xué)習(xí)[12]具有較好的目標(biāo)信息表示能力、魯棒性和泛化性,可以實(shí)現(xiàn)復(fù)雜函數(shù)逼近,因此,國(guó)內(nèi)外學(xué)者成功將其用于圖像處理、自然語(yǔ)言處理等領(lǐng)域并取得了突破性進(jìn)展。文獻(xiàn)[13]將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于合成孔徑雷達(dá)目標(biāo)識(shí)別,取得了比傳統(tǒng)機(jī)器學(xué)習(xí)更好的效果。文獻(xiàn)[14]將自編碼神經(jīng)網(wǎng)絡(luò)應(yīng)用于人體步行圖像序列的數(shù)據(jù)降維中,實(shí)現(xiàn)了人體運(yùn)動(dòng)的跟蹤和姿態(tài)的識(shí)別。文獻(xiàn)[15]將自編碼神經(jīng)網(wǎng)絡(luò)應(yīng)用于車牌數(shù)字識(shí)別,取得了良好的識(shí)別性能。

基于以上分析,本文以深度自編碼網(wǎng)絡(luò)取代傳統(tǒng)的特征提取,并結(jié)合分類器結(jié)構(gòu)構(gòu)建寬帶信號(hào)目標(biāo)檢測(cè)系統(tǒng)。按照信息保留原則,采用維格納-威爾分布(Wigner-Ville Distribution,WVD)進(jìn)行預(yù)處理,以解析回波中的信息,同時(shí)引入深度自編碼網(wǎng)絡(luò)提取環(huán)境特征用于自動(dòng)監(jiān)測(cè)。

1 預(yù)處理

由于目標(biāo)信號(hào)被淹沒在強(qiáng)雜波干擾中,因此有必要通過(guò)一定的預(yù)處理技術(shù)來(lái)解析回波信息。對(duì)于慢速目標(biāo)檢測(cè)而言,地面和其他靜態(tài)障礙物等造成的強(qiáng)雜波干擾會(huì)導(dǎo)致監(jiān)測(cè)信號(hào)呈現(xiàn)出較強(qiáng)的非平穩(wěn)特性,而目標(biāo)的移動(dòng)又會(huì)使環(huán)境的散射特性發(fā)生改變,這些反映在時(shí)頻平面上就體現(xiàn)為具有不同的時(shí)頻密度分布[8-9]。時(shí)頻變換正是提取這些變化的有效工具。因?yàn)閃VD變換在二次型時(shí)頻變換中具有獨(dú)特的信息保留優(yōu)勢(shì)以及良好的時(shí)頻聚焦特性[8],且相對(duì)于線性時(shí)頻變換能更加直觀、合理地描述信號(hào)的瞬時(shí)功率譜密度,所以本文使用WVD變換進(jìn)行預(yù)處理。但是由于多徑導(dǎo)致了嚴(yán)重的交叉項(xiàng)干擾,同時(shí)它們也會(huì)一定程度反映環(huán)境變化,因此使用加核的WVD Choi-Williams分布[16]:

(1)

其中:

(2)

(3)

其中,r(t)為對(duì)回波進(jìn)行脈沖壓縮后的距離信號(hào),r*(t)為其共軛函數(shù),φ(τ,ν)=e-τ2ν2/σ2為核函數(shù)。同時(shí),為了抑制噪聲采用了非相干積累。

2 自編碼網(wǎng)絡(luò)

WVD的使用,在解析回波信息的同時(shí)也引入了冗余。為了有效提取特征,準(zhǔn)確感知環(huán)境變化,本文將深度自編碼網(wǎng)絡(luò)引入到目標(biāo)監(jiān)測(cè)中。深度自編碼網(wǎng)絡(luò)通過(guò)堆疊多個(gè)自編碼搭建多層神經(jīng)網(wǎng)絡(luò)架構(gòu),實(shí)現(xiàn)對(duì)回波數(shù)據(jù)中信息的分級(jí)表達(dá),并通過(guò)整體微調(diào)將特征提取和分類器有機(jī)結(jié)合,充分挖掘數(shù)據(jù)中的變化特征來(lái)優(yōu)化檢測(cè)性能。

2.1 傳統(tǒng)自編碼

自編碼是構(gòu)建深度自編碼網(wǎng)絡(luò)的基礎(chǔ)。傳統(tǒng)自編碼由輸入層、隱含層和輸出層組成,在功能上可分為編碼和解碼兩部分,前者將輸入信號(hào)變換成編碼信號(hào),完成特征提取:

h=fθ(x)=s(wx+b),θ={w,b}

(4)

(5)

其中,s表示非線性激活函數(shù),一般為sigm函數(shù)或tanh函數(shù),θ、θ′分別表示隱含層和輸出層的權(quán)值矩陣和偏置量w、b。為了減少訓(xùn)練參數(shù)的數(shù)目,一般將w′和b′取為w和b的轉(zhuǎn)置,其原理如圖1所示。

圖1 自編碼原理示意圖

通過(guò)無(wú)監(jiān)督貪婪算法調(diào)節(jié)權(quán)值和偏置量使重構(gòu)誤差最小即可完成單個(gè)自編碼的訓(xùn)練。重構(gòu)誤差通常有2種形式:

均方誤差形式:

(6)

交叉熵形式:

(7)

2.2 稀疏和降噪自編碼

(8)

圖2 降噪自編碼原理示意圖

2.3 深度自編碼網(wǎng)絡(luò)

為了挖掘回波中的本質(zhì)特征,基于上述自編碼,通過(guò)堆疊來(lái)構(gòu)建深度自編碼網(wǎng)絡(luò),其構(gòu)建過(guò)程如圖3所示。

圖3 深度自編碼網(wǎng)絡(luò)構(gòu)建和訓(xùn)練過(guò)程

首先將網(wǎng)絡(luò)的輸入層和第1個(gè)隱層作為自編碼的輸入層和隱層進(jìn)行訓(xùn)練,其代價(jià)函數(shù)如下:

(9)

這樣各個(gè)隱含層都對(duì)預(yù)處理之后的回波數(shù)據(jù)輸入進(jìn)行一次編碼,即特征提取,最后再通過(guò)全局精調(diào)把特征提取和邏輯回歸有效結(jié)合起來(lái),挖掘其本質(zhì)特征,優(yōu)化檢測(cè)性能。

3 基于深度自編碼網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法

為了提取更加抽象和有用的特征信息,本文通過(guò)深度自編碼網(wǎng)絡(luò)來(lái)進(jìn)行目標(biāo)檢測(cè),檢測(cè)流程如圖4所示,其中深度網(wǎng)絡(luò)由1個(gè)輸入層、6個(gè)隱層和1個(gè)Softmax[20]回歸層組成。

圖4 目標(biāo)檢測(cè)算法框圖

首先將前面經(jīng)預(yù)處理得到的時(shí)頻樣本數(shù)據(jù)組成矢量X=(x1,x2,…,xn)T,經(jīng)歸一化后作為輸入,利用貪婪算法對(duì)網(wǎng)絡(luò)進(jìn)行逐層初始化訓(xùn)練,然后在頂端加入Softmax分類器,利用BP算法對(duì)深度網(wǎng)絡(luò)進(jìn)行全局精調(diào)。這樣網(wǎng)絡(luò)前面6個(gè)隱層2完成特征提取,Softmax完成最終的分類檢測(cè)。

Softmax是最常用的2個(gè)分類器之一,其輸出可以認(rèn)為是輸入屬于每一類的歸一化概率。對(duì)于輸入樣本xi,Softmax將其歸入類別j∈{1,2}的概率為:

(10)

其中,hj(xi)表示輸入xi經(jīng)過(guò)前面6層自編碼網(wǎng)絡(luò)之后的輸出,也即Softmax層的輸入。那么最后的分類結(jié)果為:

(11)

4 實(shí)驗(yàn)與結(jié)果分析

4.1 場(chǎng)景模型

為了驗(yàn)證算法的有效性,本文采用相對(duì)簡(jiǎn)化的回波模型,實(shí)驗(yàn)數(shù)據(jù)由地物回波,以及相應(yīng)的多徑組成的非平穩(wěn)回波背景和目標(biāo)回波共同構(gòu)成:

(12)

表1 場(chǎng)景及系統(tǒng)參數(shù)設(shè)置

為了減少數(shù)據(jù)處理的復(fù)雜度,在不影響算法性能的條件下,截取回波中前49.5 m的樣本點(diǎn)作為分析數(shù)據(jù),目標(biāo)速度設(shè)為±2 m/s、±4 m/s、±6 m/s、±8 m/s和±10 m/s,以此構(gòu)成樣本。

圖5給出了實(shí)驗(yàn)中采用的模擬雜波與目標(biāo)的距離像(速度為4 m/s時(shí)),目標(biāo)位于樣本點(diǎn)50～60之間,其功率信雜比(SCR)為-15 dB。本文在此回波基礎(chǔ)上加入高斯白噪聲進(jìn)行測(cè)試實(shí)驗(yàn)。該回波數(shù)據(jù)經(jīng)預(yù)處理之后的時(shí)頻維波形如圖6所示,從圖6可以看出,由于目標(biāo)的出現(xiàn)致使時(shí)頻平面的分布發(fā)生了變化。

圖5 實(shí)驗(yàn)數(shù)據(jù)模擬波形圖

4.2 深度學(xué)習(xí)性能比較與分析

實(shí)驗(yàn)中采用4.1節(jié)中產(chǎn)生的回波數(shù)據(jù),使用Matlab進(jìn)行仿真分析。深度自編碼網(wǎng)絡(luò)的具體結(jié)構(gòu)(輸入層-隱層-輸出層)為:4356-3500-2500-1500-500-200-2,預(yù)訓(xùn)練過(guò)程加入降噪和稀疏約束,微調(diào)中加入Dropout來(lái)防止系統(tǒng)過(guò)擬合,最終的參數(shù)如表2所示。在對(duì)比實(shí)驗(yàn)中,分別采用后向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)、超限學(xué)習(xí)機(jī)(ELM)和支持向量機(jī)(SVM)結(jié)合時(shí)頻分析進(jìn)行測(cè)試。其中預(yù)處理中的小波包變換(WPT)是參照文獻(xiàn)[11]的處理方法,WVD則表示采用本文的預(yù)處理方法并結(jié)合主成分分析(PCA)對(duì)其進(jìn)行降維。

表2 深度自編碼網(wǎng)絡(luò)的仿真參數(shù)

深度自編碼網(wǎng)絡(luò)的最后一層是Softmax回歸層,其輸出為對(duì)應(yīng)類別的概率。表3為部分樣本的輸出結(jié)果,從表3中可以看出,深度網(wǎng)絡(luò)成功地將輸入樣本識(shí)別為“有目標(biāo)”和“沒有目標(biāo)”2類,且輸出類別的概率近似為1,說(shuō)明深度自編碼網(wǎng)絡(luò)具有很好的目標(biāo)信息表示能力,能夠?qū)崿F(xiàn)復(fù)雜函數(shù)的逼近,可有效提取目標(biāo)的結(jié)構(gòu)特征,具有較好的魯棒性。

表3 深度網(wǎng)絡(luò)的部分輸出結(jié)果

另外,實(shí)驗(yàn)中分別使用識(shí)別率P和虛警率Pf作為性能指標(biāo):

(13)

(14)

其中,Nclu和Ntar分別表示測(cè)試集中正常環(huán)境的樣本數(shù)和出現(xiàn)目標(biāo)的樣本數(shù),Nclu-clu表示實(shí)驗(yàn)中將正常環(huán)境分為正常的數(shù)量,Ntar-tar表示將出現(xiàn)目標(biāo)分為異常的數(shù)量,Nclu-tar表示將正常環(huán)境分為異常的數(shù)量。

從圖7、圖8可以看出,經(jīng)本文預(yù)處理方法的神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的性能優(yōu)于經(jīng)WPT處理的算法,說(shuō)明了本文的預(yù)處理方法能有效解析回波中的信息,為后續(xù)檢測(cè)提供保證。此外,相比于SVM、ELM和BPNN檢測(cè)方法,本文方法具有更高的檢測(cè)率,尤其是在低信噪比時(shí),其他算法性能急劇下降,本文算法仍保持較高檢測(cè)率,說(shuō)明深度自編碼網(wǎng)絡(luò)具有更好的魯棒性,克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的缺陷。深度自編碼網(wǎng)絡(luò)優(yōu)于傳統(tǒng)算法的原因是:多層稀疏結(jié)構(gòu)更能提取數(shù)據(jù)的本質(zhì)特征,能更好地逼近非線性分類函數(shù);有監(jiān)督的微調(diào)將特征提取和分類有效結(jié)合;降噪自編碼的運(yùn)用改善了其抗噪性能。

圖7 不同方法識(shí)別率對(duì)比

圖8 不同方法虛警率對(duì)比

5 結(jié)束語(yǔ)

針對(duì)傳統(tǒng)目標(biāo)檢測(cè)中雜波干擾嚴(yán)重、特征提取困難、模型泛化能力有限等不足,本文提出一種采用時(shí)頻分析結(jié)合深度自編碼網(wǎng)絡(luò)進(jìn)行自動(dòng)監(jiān)測(cè)的方法。按照信息保留原則,該方法可準(zhǔn)確解析回波中的信息,并引入深度自編碼網(wǎng)絡(luò)提取環(huán)境特征用于自動(dòng)監(jiān)測(cè)。實(shí)驗(yàn)結(jié)果表明,該方法具有較高的檢測(cè)率,可以有效感知環(huán)境變化,同時(shí)對(duì)噪聲具有一定的魯棒性,并且所需帶寬小,易于工程實(shí)現(xiàn)。

[1] SEN S,NEHORAI A.Adaptive OFDM Radar for Target Detection in Multipath SScenarios[J].IEEE Trans-actions on Signal Processing,2011,59(1):78-90.

[2] LIANG Q.Automatic Target Recognition Using Waveform Diversity in Radar Sensor Networks[J].Pattern Recognition Letters,2008,29(3):377-381.

[3] LIANG J,LIANG Q.Sense-through-foliage Target Detection Using UWB Radar Sensor Networks[J].Pattern Recognition Letters,2010,31(11):1412-1421.

[4] LIANG J,LIANG Q.UWB Radar Sensor Networks Detection of Targets in Foliage Using Short-time Fourier Transform[C]//Proceedings of IEEE International Con-ference on Communications.Washington D.C.,USA:IEEE Press,2009:1-5.

[5] LIANG Q,ZHANG B,WU X.UWB Radar for Target Detection:DCT Versus Matched Filter Approaches[C]//Proceedings of IEEE GLOBECOM’12.Washington D.C.,USA:IEEE Press,2012:1435-1439.

[6] MAHERIN I,LIANG Q.A Mutual Information Based Approach for Target Detection Through Foliage Using UWB Radar[C]//Proceedings of IEEE International Conference on Communications.Washington D.C.,USA:IEEE Press,2012:6406-6410.

[7] MAHERIN I,LIANG Q.Multistep Information Fusion for Target Detection Using UWB Radar Sensor Network[J].IEEE Sensors Journal,2015,15(10):5927-5937.

[8] HAYKIN S,BHATTACHARYA T K.Modular Learning Strategy for Signal Detection in a Nonstationary Environ-ment[J].IEEE Transactions on Signal Processing,1997,45(6):1619-1637.

[9] ZHAI S,JIANG T.Target Detection and Classification by Measuring and Processing Bistatic UWB Radar Signal[J].Measurement,2014,47(1):547-557.

[10] HE X,JIANG T.Target Identification in Foliage Environment Using UWB Radar with Hybrid Wavelet——ICA and SVM Method[J].Physical Communication,2014,13:197-204.

[11] ZHAI S,JIANG T.Application of Ultra-wide Band Radar for Sense-through-foliage Target Detection and Recognition[C]//Proceedings of the 3rd International Conference on Com-munications,Signal Processing and Systems.Washington D.C.,USA:IEEE Press,2015:479-487.

[12] BENGIO Y,COURVILLE A,VINCENT P.Representa-tion Learning:A Review and New Perspectives[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2013,35(8):1798-1828.

[13] DING J,CHEN B,LIU H,et al.Convolutional Neural Network with Data Augmentation for SAR Target Recognition[J].IEEE Geoscience & Remote Sensing Letters,2016,13(3):1-5.

[14] 胡昭華,宋耀良.基于Autoencoder網(wǎng)絡(luò)的數(shù)據(jù)降維和重構(gòu)[J].電子與信息學(xué)報(bào),2009,31(5):1189-1192.

[15] 劉高平,趙杜娟,黃 華.基于自編碼神經(jīng)網(wǎng)絡(luò)重構(gòu)的車牌數(shù)字識(shí)別[J].光電子·激光,2011(1):144-148.

[16] 張賢達(dá).現(xiàn)代信號(hào)處理[M].2版.北京:清華大學(xué)出版社,2002.

[17] VINCENT P,LAROCHELLE H,BENGIO Y,et al.Extracting and Composing Robust Features with Denoising Autoen-coders[C]//Proceedings of ICML’08.Washington D.C.,USA:IEEE Press,2008:1096-1103.

[18] 李傳朋,秦品樂,張晉京.基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像去噪研究[J].計(jì)算機(jī)工程,2017,43(3):253-260.

[19] SCHOLKOPF B,PLATT J,HOFMANN T.Greedy Layer-wise Training of Deep Networks[C]//Pro-ceedings of International Conference on Neural Infor-mation Processing Systems.Washington D.C.,USA:IEEE Press,2007:153-160.

[20] ANDREW N G,JIOUAN N,CHUAN Y F,et al.UFLDL Tutorial[EB/OL].(2013-05-21).http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial.