基于混合核深度適配網絡的HRRP目標識別

王國帥，汪文英，魏 耀，鄭玄玄，雷志勇

(南京電子技術研究所，江蘇南京 210039)

0 引言

隨著高分辨率寬帶雷達技術的興起，HRRP目標識別成為國內外研究的熱點[1-2]。HRRP能夠提供目標的距離結構信息，包括目標散射點沿雷達徑向分布的強弱特征，數據容易獲取和處理[3]。基于HRRP目標識別傳統的方法包括支持向量機[4](SVM)、模板匹配[5]等。隨著深度神經網絡的飛速發展，其可以充分挖掘數據更深層次的特征，顯著提高了目標識別精度[6-7]。張等[8]使用自編碼器與SVM相結合的方式將HRRP識別率提高到95%，殷等[9]直接使用卷積神經網絡將HRRP識別率提高98%左右。

為了了解深度學習的遷移性能。Yosinski等[10]研究表明CNN的卷積層得到的是目標的通用特征，遷移學習可有效提升深度網絡的收斂速度，提高網絡的泛化性能。微調作為最簡單深度網絡遷移方法被廣泛地使用[11-12]。但是這個過程是需要目標域數據標簽信息，而且不適用于源域數據與目標域數據分布不同的情況，因此深度網絡自適應方法被提出來。Ghifary 等[13]在特征層添加了一層自適應層，但由于網絡層數有限，表征能力差，并沒有解決數據分布不同的問題。Tzeng 等[14]提出了DDC (Deep Domain Confusion)，改善了當數據分布不同時深度網絡的遷移性能。Long 等[15]提出了深度適配網絡DAN，在DDC的基礎上增加了自適應層的數量，并使用表征能力更好的多核MMD(Multi-Kernel MMD，MK-MMD)替代DDC中的MMD。該方法在Office-31數據集上效果比DDC高5%，使模型獲得更優的泛化性能。

本文將DAN引入到HRRP目標識別中，并對其作了一些改進。實驗中使用CNN提取目標特征，為了解決識別模型的泛化性能差的問題，在模型的全連接層增加自適應層，創新性地提出了混合核函數MMD方法來度量數據之間的差異。利用不同海情下的仿真數據進行實驗，驗證了該方法可以有效地提高識別模型在復雜環境下的識別率。

1 基于混合核深度適配網絡的HRRP目標識別

泛化能力的好壞決定了神經網絡對新鮮樣本的適應能力。實驗中發現當HRRP數據被外部環境、設備等影響時，基于CNN的HRRP識別模型不能有效地提取特征，識別率下降。為了提高識別模型在實際應用時對這些新鮮樣本的識別能力，本文受遷移學習的啟發，將DAN應用到HRRP目標識別來提高模型的泛化能力。

1.1 深度適配網絡(DAN)

圖1 深度網絡自適應原理

DAN是深度網絡自適應的一種方法，其結構如圖2所示。它是在AlexNet模型上被提出來的。因為AlexNet的全連接層得到的特征更加的Task-specific[10]，所以Long 等對AlexNet模型的fc6、fc7、fc8層都添加了自適應層。MMD距離作為深度網絡自適應中最常用的度量方式，它可以將源域和目標域特征映射到再生希爾伯特空間，度量兩個分布在再生希爾伯特空間中的距離。兩個向量的MMD 距離大小可表示為

(1)

式中，m和n分別為X、Y中元素的個數，k(·)為核函數。DAN方法采用了表征能力更好的MK-MMD，其中k(·)選擇高斯核，表達式為

(2)

MK-MMD中σ可取多個值，MK-MMD距離是使用不同σ計算MMD距離的和。DAN使用分類損失和MK-MMD距離作為損失函數來更新參數，極大地提高了模型的泛化能力。

圖2 DAN結構示意圖

1.2 基于混合核DAN的HRRP識別模型

常規的DAN在訓練時不需要Dt的類別信息，極大地提高了模型的遷移性能和泛化性能，但是它的核函數的選取比較單一。現有的基于深度學習的HRRP目標識別，當訓練環境和應用環境發生變化時，會導致模型的識別性能下降。針對這些問題，本文提出了一種基于混合核DAN的HRRP識別模型，如圖3所示。模型中包含了2個卷積層、池化層和3個全連接層，在fc3層和輸出層分別加了自適應層，使用混合核MMD度量不同域間的分布差異。

圖3 基于混合核DAN的HRRP識別模型

DAN最開始是針對AlexNet設計的，對二維圖像遷移學習自適應問題有明顯改善。本文使用一維CNN來提取目標特征。一維CNN不需要將HRRP轉換成二維圖像進行卷積，更有利于提取特征，而且訓練的參數少，訓練速度快，在實際應用時可以減少反應時間，提高效率。

MMD中核函數的選擇極其重要，這會影響自適應層對模型的改善效果。核函數分為全局核函數(多項式核、線性核等)和局部核函數(高斯核)，前者的泛化能力更好，而學習能力方面則是后者較好。為了結合兩者的優勢，提出了使用高斯核和多項式核相結合的混合核函數作為MMD的核函數。混合核MMD定義為

MMDl=a×MK-MMD(fl(Ds),fl(Dt))+

(1-a)×MMD(fl(Ds),fl(Dt))

(3)

等式右側第一項是MK-MMD距離，第二項是使用多項式核計算得到的MMD距離，fl(Ds)和fl(Dt)分別是源域、目標域數據在第l層得到的特征，a的取值為0到1之間。其中多項式核為

k(x,y)=(xTy)d

(4)

該模型的損失函數定義為

(5)

等式右邊第一部分代表的是Ds的分類損失，第二部分代表的是混合核MMD距離。在本模型中l為全連接層3和輸出層。

損失函數中的分類損失和混合核MMD距離都是權重W和偏置b的函數。根據損失函數可以使用隨機梯度下降的方法逐層更新模型的W和b，使用學習率η控制更新速度：

(6)

(7)

該模型使用常規海情下的數據作為源域，使用加入海雜波的數據作為目標域。通過不斷地訓練、迭代，使識別模型即使在雜波影響下也可以有效地提取到目標特征，從而達到更好的識別效果。

2 實驗與分析

2.1 數據集

采用仿真的常規海情下的10型艦船的HRRP作為實驗數據，每一型艦船數據有32 000幀，每幀包含256個距離單元(如圖4所示)。實驗中按照4∶6的比例將艦船HRRP數據分為Ds和Dt。從中隨機挑選一批數據構成訓練集和測試集，如表1所示。實驗中通過對Dt加不同強度的服從瑞利分布的海雜波的方式構造不同海情的HRRP數據。Dt訓練集沒有標簽。

表1 數據集劃分 (幀)

(a) 第1型艦船

(b) 第4型艦船

(c) 第6型艦船

(d) 第10型艦船圖4 艦船HRRP

2.2 數據預處理

HRRP具有平移敏感性、幅度敏感性和方位敏感性，所以預處理是進行目標識別前重要的步驟。當目標相對于雷達平移時，目標在距離窗中的位置也會發生變化。為了減小平移敏感性的影響，文中選取重心對齊的方法對HRRP的時域信號進行對齊。某幀HRRP數據的重心W為

(8)

式中，xn為該幀數據中第n個距離單元的幅度值大小，N在本文中為256。計算得到重心后，將HRRP數據進行平移，平移長度d為

(9)

選取包絡對齊的方式對HRRP的頻域信號進行對齊。

從圖4可以看出，每一型艦船的HRRP幅度差異明顯，為了減小幅度敏感性對目標識別帶來的影響，對HRRP進行了能量歸一化，隨后對歸一化后的數據進行減均值除以標準差的處理。這樣做更能捕捉到HRRP數據中的個性而非共性，更有利于深度模型使用隨機梯度優化方法更新參數，減少網絡訓練時的震蕩，提高網絡模型穩定性。

2.3 網絡模型訓練

實驗中，HRRP數據的仿真和預處理，數據集的劃分以及海雜波的仿真是通過MATLAB完成的。網絡模型的構建和訓練是在Pytorch框架完成的。實驗中使用圖3所示的模型，其參數設置如表2所示。每個卷積層使用的卷積核大小都是 1×5，卷積時不使用填充。訓練時學習率為 0.003，學習率衰減率為0.99，dropout為0.3，批次大小是150。模型中的激活函數均為Relu函數。訓練流程如圖5所示。

表2 網絡模型參數設置

圖5 訓練流程

因為Dt所加的海雜波強度(SCR=15，20，25，30 dB)不同，所以要針對它們各訓練一個識別模型。在訓練過程中Ds和Dt共享模型的參數，在fc3層將源域和目標域特征按照批次大小分開，并計算它們之間的混合核MMD距離。在輸出層計算Ds的分類損失以及源域和目標域之間的混合核MMD距離。式(3)中a為0.6，式(5)中λl為0.5。利用計算得到的Loss不斷調整、更新網絡中的W和b，來達到減少域之間差異的目的。實驗中MK-MMD的高斯核中σ的取值為：10-6，10-5，10-4，10-3，10-2，10-1，1，5，10，15，20，25，30，35，100，103，104，105和106。多項式核中的d為2。迭代次數滿足一定條件，測試和記錄Dt識別率。

2.4 特征可視化

可視化是理解CNN過程最直觀的方法。從表2可知，卷積層2池化后的特征長度為61，卷積核的通道數是50，所以每一幀HRRP數據卷積后得到的特征張量為1×50×61。將Ds測試集輸入到訓練好的識別模型，并對第二層卷積，池化后的前3層特征進行可視化，如圖6所示。從圖中可以看出，卷積層對不同型號艦船HRRP數據提取了有明顯差異的特征，增大了不同型號艦船的可分性。這也說明CNN通過不斷迭代、學習，可以挖掘到目標更深層次的特征。

(a) 第1型艦船

(b) 第2型艦船

(c) 第6型艦船圖6 卷積層2前三層特征

2.5 結果分析

圖7(a)在訓練的時候沒有使用域自適應方法，所以總的損失函數中只有分類損失沒有MMD損失，圖7(b)是使用混合核DAN方法的訓練過程。從圖中可以看出，在使用傳統方法時，MMD損失可以達到2.5左右，此時Dt的識別率只有78%。混合核DAN 方法的加入將MMD損失減小到0.25左右，降低了源域和目標域特征間的分布差異，并把識別率提高到了90%，顯著改善了識別模型的性能。圖7(c)是對fc3層特征降成二維后(Tsne降維法)的可視化結果，源域中同種型號艦船的特征都比較集中，但是海雜波的影響使得目標域與源域分布不一致，模型提取Dt特征的能力降低。對比圖7(c)中左右兩圖可以看出，混合核DAN方法改善了模型提取特征的能力。

從表3可看出，即使是很小的海雜波(SCR=30 dB)也會對模型的識別率有很大的影響，混合核DAN方法改善了不同強度海雜波下的Dt識別 率。且本文提出的方法優于原始的DAN方法，減小了引入的雜波對識別的影響。當海雜波較大時，該方法對識別率的提高在5%～10%；隨著加入海雜波強度的減少，該方法可將識別率提高15%左右，識別率可以達到82%。在實驗中還發現在使用DAN方法時，MMD損失的加入會對模型中共享的參數產生影響，但是這并不會降低模型對Ds的識別率。所以該方法在不改變Ds識別率的情況下提高了模型對含雜波目標的識別率，的確提高了模型對新鮮樣本的識別能力。

(a) 使用傳統方法時訓練時的損失函數和準確率

(b) 使用混合核DAN訓練時的損失函數和準確率

(c) 使用混合核DAN方法前后特征分布圖圖7 訓練數據大小為2 000，加入SCR=30 dB海雜波時訓練過程(頻域)

表3 時域上不同信雜比、數據量下的識別率 (%)

表4是在頻域上所測的不同條件下的目標域測試數據的識別率。通過與表3結果對比可以看出，在頻域的識別率均優于時域的識別率。當海雜波強度較小時，使用混合核DAN方法識別率可以達到90%左右，比時域識別率高了8%。因此可以優先選擇從頻域角度出發對目標進行識別。如果Dt類別信息存在的話，還可以對混合核DAN模型再進行微調來達到更好的效果。在實際應用時，可以同時使用在不同強度雜波下訓練的模型對目標進行識別，然后綜合它們的識別結果，得出更可信的結論。總的來說，使用混合核DAN模型的識別效果要比只使用傳統方法或DAN模型的效果要好。

表4 頻域上不同信雜比、數據量下的識別率 (%)

3 結束語

由于測量數據設備等各種因素的影響，再加上所測物體所處環境復雜多變等因素，需要高性能的算法來改善深度神經網絡的泛化能力，提高復雜環境下HRRP目標識別的準確率。本文創新性地提出了基于混合核DAN的HRRP目標識別方法，與直接進行權重遷移或DAN方法相比，該方法顯著提高了模型的識別率，提升了泛化能力和魯棒性。此方法可以用來訓練性能更好的識別模型。