一維卷積神經網絡用于雷達高分辨率距離像識別

(山東大學(威海) 機電與信息工程學院，山東 威海 264209)

1 引 言

在雷達自動目標識別領域，高分辨率距離像(High Range Resolution Profile,HRRP)因具有實時性強、運算量小、容易獲取與存儲等優點而受到了廣泛的研究。目前基于HRRP的目標識別大致分為兩個階段：對HRRP進行特征提取，如FFT幅度譜、功率譜、差分譜、中心矩特征、雙譜特征和高階譜特征等；對特征進行分類識別，如模版匹配法、基于統計學模型的分類算法、支持向量機(Support Vector Machine,SVM)和神經網絡等[1]。

在HRRP目標識別研究中，如何提取性能更優良的特征一直是研究的難點。近十年來，隨著深度學習在圖像分類、目標檢測、自然語言處理、語音識別及語義分析等領域取得了巨大成功[2]，許多研究者嘗試使用深度學習算法來解決HRRP目標識別問題。文獻[3]把基于長短期記憶單元的循環神經網絡應用于HRRP識別任務中，文獻[4]使用深度置信網絡解決HRRP的分類問題，文獻[5]提出了基于堆棧自編碼器的深層網絡識別方法，它們都取得了很好的識別結果。卷積神經網絡(Convolutional Neural Network,CNN)作為深度學習模型的一種，通過局部連接和權值共享機制不僅可以降低網絡的復雜度，還抑制了網絡訓練過程中的過擬合，通過池化操作使CNN具有一定程度的平移不變性[2]。CNN在雷達目標識別領域的研究工作方面，文獻[6]構建了一個基于CNN的SAR圖像目標檢測算法架構，文獻[7]提出一種基于CNN的深度學習算法用于多基站雷達的HRRP目標識別。

由于CNN具有分層學習特征的能力，可以訓練CNN自動地從HRRP中學習有用特征并分類。……