一種基于卷積神經(jīng)網(wǎng)絡(luò)的HRRP序列空間目標(biāo)識(shí)別方法

徐高貴，殷紅成，袁莉，董純柱

(1.中國傳媒大學(xué) 理工學(xué)部，北京 100024；2.電磁散射重點(diǎn)實(shí)驗(yàn)室，北京 100854)

1 引言

窄帶雷達(dá)目標(biāo)回波所攜帶的目標(biāo)特征信息有限，僅僅依據(jù)窄帶特征無法滿足空間目標(biāo)精確識(shí)別的要求。而寬帶信息具有較高的距離分辨率，能夠反映目標(biāo)的結(jié)構(gòu)、尺寸等細(xì)節(jié)信息，有利于目標(biāo)的識(shí)別[1]。與基于二維SAR圖像或ISAR圖像識(shí)別技術(shù)不同的是，一維距離像(高分辨距離像，High-resolution Range Profile，HRRP)避免了復(fù)雜的運(yùn)動(dòng)補(bǔ)償、對(duì)目標(biāo)運(yùn)動(dòng)的特殊要求等問題，反映了目標(biāo)尺寸和結(jié)構(gòu)的特征，每個(gè)峰值位置與目標(biāo)局部散射中心位置相對(duì)應(yīng)，從而有利于目標(biāo)的識(shí)別[2-4]。

傳統(tǒng)的基于HRRP的目標(biāo)識(shí)別主要是提取平移、尺度不變性等特征，然后將這些特征組合為特征矢量，通過設(shè)計(jì)適當(dāng)?shù)姆诸惼魍瓿赡繕?biāo)識(shí)別。常見的分類器包括模板匹配法[5-6]、支持向量機(jī)[7-8]、聚類[9]、BP神經(jīng)網(wǎng)絡(luò)[10]等。這些方法均需要人工進(jìn)行特征的設(shè)計(jì)與提取，例如功率譜特征、目標(biāo)強(qiáng)散射中心特征和熵值特征等，受噪聲影響較大。如何提取性能更好、更穩(wěn)定的特征成為HRRP目標(biāo)識(shí)別的研究難點(diǎn)。近年來，深度學(xué)習(xí)理論在模式識(shí)別領(lǐng)域掀起了一股浪潮，其在圖像分類、目標(biāo)檢測(cè)、自然語言處理、文本翻譯等領(lǐng)域取得了巨大的成功[11]。許多學(xué)者開始用深度學(xué)習(xí)理論解決HRRP目標(biāo)識(shí)別問題，文獻(xiàn)[12]提出了基于注意循環(huán)神經(jīng)網(wǎng)絡(luò)的雷達(dá)高分辨距離像目標(biāo)識(shí)別，取得了較好的識(shí)別結(jié)果。但是它需要對(duì)HRRP提取時(shí)域特征，同時(shí)為了克服平移敏感性等問題，需要進(jìn)行一定的預(yù)處理操作。與循環(huán)神經(jīng)網(wǎng)絡(luò)不同的是，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)以其權(quán)值共享、平移不變性等特點(diǎn)在圖像識(shí)別領(lǐng)域有著較多成功的應(yīng)用。文獻(xiàn)[13-14]均將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到HRRP目標(biāo)識(shí)別中，但使用的都是一維的距離像，忽略了雷達(dá)觀測(cè)前后相鄰時(shí)刻距離像之間的相關(guān)性，不利于目標(biāo)識(shí)別。

為了解決前面提出的問題，本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的HRRP序列圖的空間目標(biāo)識(shí)別模型。該模型是一種端到端的分類模型，避免了特征選擇、特征提取等工作。它通過自動(dòng)提取空間目標(biāo)的寬帶信息，不僅考慮了目標(biāo)尺寸和結(jié)構(gòu)的特征，也考慮了相鄰時(shí)刻目標(biāo)運(yùn)動(dòng)所反饋的運(yùn)動(dòng)特性，更符合空間目標(biāo)識(shí)別的實(shí)際情況。通過從雷達(dá)部署點(diǎn)、飛行軌跡以及兩者的混合影響等三個(gè)方面分別與傳統(tǒng)的空間目標(biāo)識(shí)別算法進(jìn)行對(duì)比分析，結(jié)果表明，本方法具有較好的分類識(shí)別率，同時(shí)泛化能力強(qiáng)。

2 網(wǎng)絡(luò)結(jié)構(gòu)與原理

2.1 網(wǎng)絡(luò)結(jié)構(gòu)

本文所使用的卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示，輸入為目標(biāo)距離像序列圖，經(jīng)過兩次卷積操作后進(jìn)行下采樣，然后重復(fù)這一過程。圖中方塊表示經(jīng)過卷積、池化后特征圖的維度，可以看出，隨著網(wǎng)絡(luò)層次的加深，卷積核的數(shù)量在增加，特征圖的尺寸在急劇減小。

圖1 卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

2.2 網(wǎng)絡(luò)工作原理

假設(shè)輸入圖像為X0，第i層的特征圖Xi可表示為：

Xi=f(Wi?Xi-1+bi)

(1)

其中i=1，2，…，nc，nc表示網(wǎng)絡(luò)中卷積層的數(shù)目，這里nc=5。Wi表示網(wǎng)絡(luò)第i層與第i-1層連接的卷積核的權(quán)重，bi表示偏置項(xiàng)，符號(hào)?表示卷積運(yùn)算。在該運(yùn)算中，對(duì)輸入特征圖不做邊界填充等處理，故而卷積后的特征圖尺寸將有所減小。

CNN網(wǎng)絡(luò)中，卷積核就是圖像處理中的濾波器，卷積運(yùn)算主要是提取圖像中的特征，是一個(gè)線性運(yùn)算。如果在網(wǎng)絡(luò)中不加以非線性變換，網(wǎng)絡(luò)將只能學(xué)習(xí)到輸入圖像的線性特征，從而導(dǎo)致網(wǎng)絡(luò)無法處理非線性問題，應(yīng)用場(chǎng)景受限。為了避免這種情況，公式中的函數(shù)f表示一類非線性函數(shù)，通常也稱為激勵(lì)函數(shù)。常見的激勵(lì)函數(shù)有Sigmoid函數(shù)、tanh函數(shù)等，本文使用的是修正線性單元(The Rectified Linear Unit，ReLU)，函數(shù)表達(dá)式為：

(2)

池化層通常夾在連續(xù)的卷積層中間，依據(jù)一定的規(guī)則對(duì)特征圖進(jìn)行下采樣。本文采用的是窗口大小為2×2，步長為2的最大池化，即在2×2的方陣中，使用最大值替代該方陣，故而特征圖將縮小一倍。池化層可實(shí)現(xiàn)對(duì)特征圖的壓縮，極大地減少了網(wǎng)絡(luò)參數(shù)，防止過擬合，同時(shí)具有一定的特征尺度不變性。

經(jīng)過多個(gè)重復(fù)的卷積和池化后，特征圖的尺寸將越來越小，網(wǎng)絡(luò)學(xué)習(xí)的特征也將越抽象。最后全連接層與輸出層構(gòu)成目標(biāo)的分類器，ReLU激勵(lì)函數(shù)的輸出是實(shí)數(shù)域，而分類問題中的類別標(biāo)簽是有限的離散值，故而ReLU函數(shù)不適合作為輸出層的激勵(lì)函數(shù)。考慮到Softmax函數(shù)將實(shí)數(shù)域變換到 (0，1)之間，可表示屬于某類的概率，函數(shù)表達(dá)式為：

(3)

其中，L表示目標(biāo)類別總數(shù)。

因此，在輸出層，激勵(lì)函數(shù)可采用Softmax函數(shù)，目標(biāo)類別由概率最高的神經(jīng)元決定。CNN的訓(xùn)練可分為前向傳播和后向傳播兩個(gè)過程，在前向傳播中，根據(jù)輸入的圖像通過權(quán)值計(jì)算網(wǎng)絡(luò)的輸出；在后向傳播中，通過網(wǎng)絡(luò)預(yù)測(cè)與真實(shí)值之間的差異自動(dòng)更新權(quán)值參數(shù)。損失函數(shù)L(W，b)就是衡量網(wǎng)絡(luò)預(yù)測(cè)值與真實(shí)值差異的指標(biāo)，在多分類問題中，損失函數(shù)可取為：

2.無癥狀期：可從急性期進(jìn)入此期，或無明顯的急性期癥狀而直接進(jìn)入此期。此期持續(xù)時(shí)間一般為6～8年。其時(shí)間長短與感染病毒的數(shù)量和型別、感染途徑、機(jī)體免疫狀況的個(gè)體差異、營養(yǎng)條件及生活習(xí)慣等因素有關(guān)。在無癥狀期，由于HIV在感染者體內(nèi)不斷復(fù)制，免疫系統(tǒng)受損，CD4+T淋巴細(xì)胞計(jì)數(shù)逐漸下降。可出現(xiàn)淋巴結(jié)腫大等癥狀或體征，但一般不易引起重視。

(4)

其中yi表示真實(shí)的分類結(jié)果，ai表示屬于第i類的概率，可表示為：

ai=σ(Wk(…W2(σ(W1x+b1))+b2)+…bk)

(5)

式中，σ(x)表示激勵(lì)函數(shù)。

損失函數(shù)表征的是單個(gè)樣本網(wǎng)絡(luò)預(yù)測(cè)值與真實(shí)值之間的差異，衡量的是算法在單個(gè)樣本上的性能。代價(jià)函數(shù)表示算法在整個(gè)訓(xùn)練樣本上的性能，網(wǎng)絡(luò)模型訓(xùn)練的時(shí)候，本質(zhì)上就是尋找合適的參數(shù)集W，b，使得代價(jià)函數(shù)最小。為了避免過擬合，最終的代價(jià)函數(shù)會(huì)增加L2范數(shù)，以控制權(quán)值參數(shù)W，可表示為

(6)

其中，m表示訓(xùn)練樣本的個(gè)數(shù)。

計(jì)算出代價(jià)函數(shù)后，即可通過梯度下降法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行自動(dòng)更新。具體是通過從后往前，即從輸出層到輸入層依據(jù)鏈?zhǔn)椒▌t逐層傳遞殘差，從而更新網(wǎng)絡(luò)參數(shù)W和b，如式所示。

(7)

其中，η表示學(xué)習(xí)率，控制參數(shù)更新的快慢。

CNN在訓(xùn)練過程中，根據(jù)公式和公式更新網(wǎng)絡(luò)參數(shù)W和b，使得總的代價(jià)函數(shù)最小。網(wǎng)絡(luò)收斂后，針對(duì)新的未知數(shù)據(jù)，CNN通過將輸入圖像逐層向前傳導(dǎo)，上一層的特征圖作為下一層的輸入，依據(jù)公式(5)給出最終的識(shí)別概率。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)說明

為了研究飛行軌跡、雷達(dá)部署點(diǎn)等因素對(duì)空間目標(biāo)識(shí)別的影響，針對(duì)四種類型的空間目標(biāo)，分別設(shè)定2種飛行軌跡和2個(gè)雷達(dá)部署點(diǎn)，共仿真生成了4組目標(biāo)散射特性數(shù)據(jù)。其中四種類型的空間目標(biāo)分別為鈍頭圓錐、圓柱、尖錐和球，幾何模型如圖2所示；雷達(dá)、飛行軌跡等相關(guān)信息如表1所示。

圖2 空間目標(biāo)的幾何模型

表1 空間目標(biāo)4組場(chǎng)景參數(shù)

表1中，4組目標(biāo)場(chǎng)景數(shù)據(jù)共有2種飛行軌跡，分別為A(高軌)、B(低軌)，飛行高度如圖3所示。每種軌跡共有2個(gè)雷達(dá)部署點(diǎn)，每個(gè)部署點(diǎn)的經(jīng)緯度均不相同。故而，可從雷達(dá)部署點(diǎn)、飛行軌跡以及兩者的混合影響等三個(gè)方面分別進(jìn)行基于卷積神經(jīng)網(wǎng)絡(luò)的空間目標(biāo)識(shí)別研究。

圖3 飛行軌跡的高度

3.2 雷達(dá)部署點(diǎn)對(duì)算法性能的影響

在4組目標(biāo)特性數(shù)據(jù)中，為了考慮不同雷達(dá)部署點(diǎn)對(duì)識(shí)別性能的影響，每次實(shí)驗(yàn)的訓(xùn)練集和測(cè)試集應(yīng)在同一飛行軌跡下。故而共設(shè)計(jì)兩組實(shí)驗(yàn)，其一為A01軌跡作為訓(xùn)練集，A02作為測(cè)試集；其二為B01軌跡作為訓(xùn)練集，B02作為測(cè)試集，如表2所示。

表2 測(cè)試?yán)走_(dá)部署點(diǎn)對(duì)識(shí)別性能影響的實(shí)驗(yàn)方案

訓(xùn)練集與測(cè)試集中雷達(dá)部署點(diǎn)經(jīng)緯度大概相差1°，位置上相距100 km左右。依據(jù)表2的實(shí)驗(yàn)方案，構(gòu)建如圖1所示的卷積神經(jīng)網(wǎng)絡(luò)，對(duì)空間目標(biāo)的距離像序列圖分別進(jìn)行訓(xùn)練和測(cè)試，兩種方案的識(shí)別結(jié)果匯總?cè)绫?所示。

表3 不同部署點(diǎn)的識(shí)別率

從表3可以看出，當(dāng)兩雷達(dá)相距100km左右時(shí)，不同的雷達(dá)部署點(diǎn)主要對(duì)鈍頭圓錐識(shí)別性能影響較大，識(shí)別準(zhǔn)確率為84.96%，其他目標(biāo)的識(shí)別率均在98%以上。為了與傳統(tǒng)方法做對(duì)比，采用功率譜特征、目標(biāo)強(qiáng)散射中心特征、徑向長度和熵值特征等特征結(jié)合支持向量機(jī)(SVM)進(jìn)行目標(biāo)識(shí)別實(shí)驗(yàn)，識(shí)別準(zhǔn)確率為78.62%。該結(jié)果表明，基于CNN的距離像序列圖的識(shí)別準(zhǔn)確率提高了16%左右。

3.3 飛行軌跡對(duì)算法性能的影響

飛行軌跡的高低不僅會(huì)影響到目標(biāo)的落腳點(diǎn)，對(duì)同一位置的雷達(dá)而言，其與目標(biāo)的視線角不同，將對(duì)目標(biāo)識(shí)別準(zhǔn)確率產(chǎn)生影響。為了獲得不同軌跡對(duì)識(shí)別性能的影響，每次實(shí)驗(yàn)的訓(xùn)練集和測(cè)試集雷達(dá)部署點(diǎn)應(yīng)在同一位置。故而共設(shè)計(jì)兩組實(shí)驗(yàn)，每組實(shí)驗(yàn)方案的訓(xùn)練集與測(cè)試集劃分明細(xì)如表4所示。

表4 測(cè)試軌跡對(duì)識(shí)別性能影響的實(shí)驗(yàn)方案

表5給出了雷達(dá)部署點(diǎn)相同時(shí)，不同飛行軌跡下兩種方案總的識(shí)別結(jié)果。實(shí)驗(yàn)結(jié)果表明，只有少量球類樣本被識(shí)別為尖錐，鈍頭圓錐、圓柱以及尖錐的識(shí)別率均為100%，平均識(shí)別率接近100%。與雷達(dá)部署點(diǎn)對(duì)識(shí)別性能的影響相比，飛行軌跡對(duì)識(shí)別性能的影響較小。基于SVM傳統(tǒng)的目標(biāo)識(shí)別算法平均識(shí)別準(zhǔn)確率為83.4%，這表明對(duì)于傳統(tǒng)算法而言，飛行軌跡對(duì)識(shí)別性能的影響比較小，與本算法的結(jié)論不謀而合。

表5 不同飛行軌跡的識(shí)別率

3.4 雷達(dá)部署點(diǎn)、飛行軌跡對(duì)算法性能的混合影響

為了觀測(cè)不同地方發(fā)射的空間目標(biāo)，雷達(dá)部署點(diǎn)往往也不同。用已知場(chǎng)景的目標(biāo)散射特性數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)模型的訓(xùn)練，然后使用訓(xùn)練好的模型進(jìn)行未知場(chǎng)景空間目標(biāo)的識(shí)別將更具有實(shí)際意義。在該4組數(shù)據(jù)中，為了考慮雷達(dá)部署點(diǎn)、飛行軌跡對(duì)識(shí)別性能的混合影響，假設(shè)已知高軌場(chǎng)景中各目標(biāo)的類型，需要預(yù)測(cè)低軌不同雷達(dá)觀測(cè)數(shù)據(jù)的目標(biāo)類型，可使用A01和A02所有數(shù)據(jù)作為訓(xùn)練集，B01和B02的所有數(shù)據(jù)組成測(cè)試集，識(shí)別結(jié)果如表6所示。

從表6可看出，雖然飛行軌跡和部署點(diǎn)均存在差異，但是由于加大了訓(xùn)練樣本，網(wǎng)絡(luò)觀測(cè)到的數(shù)據(jù)也更多，獲得了更高的識(shí)別準(zhǔn)確率。而傳統(tǒng)SVM目標(biāo)識(shí)別算法的準(zhǔn)確率僅為80.3%，這表明當(dāng)樣本足夠多時(shí)，再增加樣本對(duì)傳統(tǒng)算法的性能幾乎沒有幫助。

表6 不同部署點(diǎn)和不同飛行軌跡的識(shí)別率

4 結(jié)束語

本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的高分辨距離像序列空間目標(biāo)識(shí)別方法，與傳統(tǒng)方法不同的是，該方法避免了人工特征選擇、特征提取等工作。高分辨距離像序列不僅反映了目標(biāo)的尺寸、結(jié)構(gòu)等信息，而且包含目標(biāo)一定的運(yùn)動(dòng)信息。通過構(gòu)建適當(dāng)?shù)木W(wǎng)絡(luò)模型，從雷達(dá)部署點(diǎn)、目標(biāo)飛行軌跡以及兩者的混合影響等三個(gè)方面對(duì)該方法進(jìn)行了驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，CNN能夠有效地從距離像序列圖中提取到穩(wěn)定、有效的特征，平均識(shí)別準(zhǔn)確率在95%以上，相對(duì)于傳統(tǒng)的基于SVM識(shí)別算法，平均識(shí)別準(zhǔn)確率提升了16%以上。