基于HRRP時(shí)頻特征和多尺度非對(duì)稱(chēng)卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別算法

云濤, 潘泉, 郝宇航, 徐蓉

1.西北工業(yè)大學(xué)自動(dòng)化學(xué)院， 陜西 西安 710129； 2.中國(guó)人民解放軍63768部隊(duì)， 陜西 西安 710600；3.信息融合技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室， 陜西 西安 710114

由于雷達(dá)作用距離遠(yuǎn)、可全天候工作,基于雷達(dá)測(cè)量數(shù)據(jù)的目標(biāo)身份識(shí)別在現(xiàn)代目標(biāo)識(shí)別中發(fā)揮著關(guān)鍵性作用[1]。由于HRRP獲取容易、攜帶信息豐富、運(yùn)算量小、實(shí)時(shí)性強(qiáng),同時(shí)可以避免ISAR圖像在成像過(guò)程中的運(yùn)動(dòng)補(bǔ)償和識(shí)別中的旋轉(zhuǎn)、伸縮、變形等問(wèn)題,得到了廣泛研究和應(yīng)用。

決定HRRP目標(biāo)識(shí)別準(zhǔn)確率的關(guān)鍵是特征提取、選擇和分類(lèi)識(shí)別算法,這也是研究的熱點(diǎn)。利用HRRP的特征提取和識(shí)別算法已有很多,如基于散射點(diǎn)模糊匹配的算法[2]、基于字典學(xué)習(xí)的噪聲魯棒性特征提取方法[3-4]、基于流形學(xué)習(xí)的特征降維方法[5]、基于中心矩特征的BP神經(jīng)網(wǎng)絡(luò)識(shí)別方法[6]、基于樣本緊密度的HRRP目標(biāo)識(shí)別[7]等。這些算法在各自的數(shù)據(jù)集上實(shí)現(xiàn)了較高的準(zhǔn)確率,但需要人工設(shè)計(jì)和提取特征,嚴(yán)重依賴(lài)于研究人員的經(jīng)驗(yàn)。在缺乏先驗(yàn)知識(shí)時(shí),難以有效保證算法的準(zhǔn)確性和穩(wěn)定性。

深度學(xué)習(xí)是人工智能領(lǐng)域一個(gè)新的研究熱點(diǎn),被廣泛應(yīng)用于文本處理[8]、圖像識(shí)別[9-11]、語(yǔ)音識(shí)別[12]、工業(yè)控制[13]、交通運(yùn)輸[14]和醫(yī)療健康[15]等領(lǐng)域,并取得了超越傳統(tǒng)算法,甚至人類(lèi)的表現(xiàn)。

文獻(xiàn)[16]將CNN和循環(huán)神經(jīng)網(wǎng)絡(luò)相結(jié)合,提取雷達(dá)圖像像素之間蘊(yùn)含的上下文信息。文獻(xiàn)[17]設(shè)計(jì)了一種混合型復(fù)數(shù)域CNN,消除了目標(biāo)散焦、方位模糊,提高了三維轉(zhuǎn)動(dòng)艦船目標(biāo)識(shí)別準(zhǔn)確率。文獻(xiàn)[18]提出一種遷移學(xué)習(xí)方法解決車(chē)輛目標(biāo)雷達(dá)圖像識(shí)別中大樣本訓(xùn)練難的問(wèn)題。由于HRRP獲取容易,信息豐富,可以避免雷達(dá)圖像識(shí)別中的各種問(wèn)題,因此更有利于目標(biāo)識(shí)別。文獻(xiàn)[19]提出一種堆疊自動(dòng)編碼的深度架構(gòu),可以獲得比淺層模型更好的識(shí)別準(zhǔn)確率。文獻(xiàn)[20]利用CNN網(wǎng)絡(luò)和目標(biāo)的全極化HRRP數(shù)據(jù)進(jìn)行艦船目標(biāo)識(shí)別。文獻(xiàn)[21]將深度適配網(wǎng)絡(luò)引入到HRRP目標(biāo)識(shí)別中,以增強(qiáng)模型在雜波背景下的識(shí)別能力。文獻(xiàn)[22]利用雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)提取目標(biāo)HRRP中的時(shí)序信息,實(shí)現(xiàn)雷達(dá)目標(biāo)的識(shí)別。文獻(xiàn)[23]提出了一種利用CNN網(wǎng)絡(luò)對(duì)多基地雷達(dá)獲取到的HRRP信號(hào)進(jìn)行目標(biāo)分類(lèi)的方法。

為了解決空中飛機(jī)目標(biāo)和太空人造航天器目標(biāo)識(shí)別中HRRP特征提取難、準(zhǔn)確率低等問(wèn)題,本文提出了一種基于HRRP時(shí)頻特征和多尺度非對(duì)稱(chēng)卷積神經(jīng)網(wǎng)絡(luò)(multi-scale asymmetric convolutional neural network,MsACNN)的目標(biāo)識(shí)別算法。首先采用離差標(biāo)準(zhǔn)化、多特顯點(diǎn)絕對(duì)對(duì)齊消除目標(biāo)的強(qiáng)度敏感性和平移敏感性,利用雷達(dá)多普勒測(cè)速數(shù)據(jù)消除目標(biāo)高速運(yùn)動(dòng)對(duì)HRRP產(chǎn)生的展寬、畸變、波峰分裂等影響。然后對(duì)HRRP進(jìn)行時(shí)頻分析,提取其時(shí)頻特征。通過(guò)不同尺度的非對(duì)稱(chēng)卷積,實(shí)現(xiàn)時(shí)頻特征不同精細(xì)程度和不同方向的特征提取。之后利用2層全連接層實(shí)現(xiàn)目標(biāo)分類(lèi)識(shí)別。最后,分別利用飛機(jī)和衛(wèi)星2組實(shí)測(cè)數(shù)據(jù)驗(yàn)證了本文算法的性能。

1 雷達(dá)高分辨率距離像

雷達(dá)主要通過(guò)增大發(fā)射信號(hào)帶寬,實(shí)現(xiàn)更高的距離分辨率[24]。當(dāng)距離分辨率由米級(jí)提高到分米、厘米級(jí)時(shí),雷達(dá)“眼中”的飛機(jī)或衛(wèi)星將由一個(gè)“點(diǎn)狀”回波變?yōu)橐粋€(gè)沿著距離方向分布的一系列“點(diǎn)狀”回波。因此,HRRP是目標(biāo)被雷達(dá)波照射到的所有散射點(diǎn)在距離方向的投影,是對(duì)目標(biāo)結(jié)構(gòu)的真實(shí)反映,包含了目標(biāo)大部分散射點(diǎn)的信息,可以用于目標(biāo)識(shí)別。圖1所示是一個(gè)仿真衛(wèi)星的散射點(diǎn)模型及其對(duì)應(yīng)HRRP。

圖1 仿真目標(biāo)及其HRRP對(duì)比示意圖

2 基于多尺度非對(duì)稱(chēng)卷積神經(jīng)網(wǎng)絡(luò)的HRRP識(shí)別算法

針對(duì)HRRP的平移、姿態(tài)、強(qiáng)度敏感性以及高速運(yùn)動(dòng)的影響,本文采用多特顯點(diǎn)絕對(duì)對(duì)齊、離差標(biāo)準(zhǔn)化等方式進(jìn)行預(yù)處理,消除其影響,利用短時(shí)傅里葉變換將HRRP從一維距離域轉(zhuǎn)換到二維時(shí)頻域,輸入設(shè)計(jì)好的卷積神經(jīng)網(wǎng)絡(luò),進(jìn)行目標(biāo)分類(lèi)識(shí)別。

2.1 數(shù)據(jù)預(yù)處理

1) 高速運(yùn)動(dòng)補(bǔ)償。雷達(dá)多普勒測(cè)速結(jié)果精度較高,可以用于補(bǔ)償目標(biāo)高速運(yùn)動(dòng)對(duì)HRRP造成的譜峰展寬、分裂和信噪比降低等影響。

已知徑向速度v,構(gòu)造補(bǔ)償信號(hào):

(1)

圖2所示為目標(biāo)高速運(yùn)動(dòng)補(bǔ)償前后的HRRP,均采用補(bǔ)償后HRRP的最大值進(jìn)行歸一化。由圖中可以看出補(bǔ)償后的HRRP信噪比更高,譜峰展寬和分裂已被消除。

圖2 目標(biāo)高速運(yùn)動(dòng)補(bǔ)償前后HRRP

2) 采用多特顯點(diǎn)絕對(duì)對(duì)齊法消除平移敏感性。計(jì)算每個(gè)距離單元的歸一化幅度方差,確定特顯點(diǎn)單元,利用多特顯點(diǎn)法對(duì)HRRP序列進(jìn)行對(duì)齊。為了簡(jiǎn)化CNN的參數(shù)量和訓(xùn)練難度,對(duì)齊時(shí)統(tǒng)一利用多特顯點(diǎn)法將HRRP的重心對(duì)齊到距離窗的中心。

3) 采用離差標(biāo)準(zhǔn)化消除幅度敏感性。采用離差標(biāo)準(zhǔn)化方法,通過(guò)線性映射,將每一幀HRRP的幅度范圍變換到[0,1]區(qū)間。通過(guò)歸一化,可以使深度學(xué)習(xí)的重點(diǎn)聚焦在不同目標(biāo)HRRP形態(tài)的差異,減少了同一目標(biāo)不同回波強(qiáng)度HRRP對(duì)訓(xùn)練的影響,使模型更快收斂,并實(shí)現(xiàn)更高的識(shí)別準(zhǔn)確率。

4) 合理設(shè)計(jì)數(shù)據(jù)集和模型訓(xùn)練過(guò)程,削弱姿態(tài)敏感性影響。在構(gòu)建訓(xùn)練數(shù)據(jù)集時(shí),選擇盡可能多的不同姿態(tài)下的數(shù)據(jù),提高數(shù)據(jù)集對(duì)目標(biāo)姿態(tài)表征的完備性。在模型訓(xùn)練時(shí),盡可能使每個(gè)批次包含不同姿態(tài)的目標(biāo)數(shù)據(jù),避免神經(jīng)網(wǎng)絡(luò)過(guò)早陷入少量姿態(tài)的“局部最優(yōu)解”。

2.2 特征提取

利用時(shí)頻分析將HRRP從一維距離域轉(zhuǎn)換到二維時(shí)頻域,可以將HRRP攜帶的目標(biāo)信息更加直觀地呈現(xiàn)給神經(jīng)網(wǎng)絡(luò)。時(shí)頻分析方法中最常用到的就是短時(shí)傅里葉變換(short-time Fourier transform,STFT),通過(guò)時(shí)間窗內(nèi)的一段信號(hào)來(lái)表示某一時(shí)刻的信號(hào)特征。定義如下

(2)

式中:z(u)為原信號(hào);g(u-t)為窗函數(shù)。

圖3所示為圖2中的HRRP利用STFT時(shí)頻變換后的譜圖。

圖3 HRRP的STFT譜圖

2.3 卷積神經(jīng)網(wǎng)絡(luò)

1) 卷積層

卷積層是卷積神經(jīng)網(wǎng)絡(luò)中最重要、最常用的結(jié)構(gòu)。卷積層其實(shí)就是將不同的卷積核應(yīng)用到一個(gè)張量的所有點(diǎn)上,通過(guò)卷積核在輸入矩陣上的滑動(dòng),產(chǎn)生經(jīng)過(guò)處理的新張量。不同于傳統(tǒng)全連接層,每個(gè)節(jié)點(diǎn)是通過(guò)上一層所有節(jié)點(diǎn)計(jì)算得到的,卷積層每個(gè)節(jié)點(diǎn)只和上一層的一部分節(jié)點(diǎn)有關(guān)。此時(shí),卷積核可以理解為一種濾波器。在卷積神經(jīng)網(wǎng)絡(luò)中,卷積核的個(gè)數(shù)一般是多個(gè),以便利用不同的卷積核(濾波器)提取輸入矩陣中不同的特征。圖4所示為卷積層示意圖。

圖4 卷積層示意圖

假設(shè)一張二維的圖像I作為輸入,使用一個(gè)二維的卷積核K,其輸出可以表示為:

(3)

2) 多尺度非對(duì)稱(chēng)卷積模塊

共設(shè)計(jì)了2種不同的卷積模塊,分別是多尺度二維卷積模塊和多尺度非對(duì)稱(chēng)一維卷積模塊,如圖5～6所示。2種模塊都包含4個(gè)分支。

圖5 多尺度二維卷積模塊

圖6 多尺度非對(duì)稱(chēng)一維卷積模塊

在多尺度二維卷積模塊中,第1個(gè)分支包含64個(gè)1×1卷積,主要是在控制網(wǎng)絡(luò)通道數(shù)的同時(shí),提供跨層連接,使網(wǎng)絡(luò)損失可以更容易地傳遞到網(wǎng)絡(luò)的前面幾層,防止梯度消失。損失進(jìn)行后向傳遞時(shí),從最右側(cè)分支傳遞,需要經(jīng)過(guò)3層卷積才能傳遞到上1個(gè)模塊,從最左側(cè)分支則只需要經(jīng)過(guò)1層卷積。

其余3個(gè)分支的基礎(chǔ)卷積模塊都使用3×3的小尺度卷積。不同的是,3個(gè)分支的卷積層數(shù)不同,分別是1,2,3層。這是為了利用多層小尺度卷積實(shí)現(xiàn)大尺度卷積效果。利用2,3層3×3的卷積分別可以實(shí)現(xiàn)5×5,7×7卷積的感受野,但是參數(shù)數(shù)量更小。以1層7×7卷積和3層3×3卷積的對(duì)比為例,每一層中C個(gè)通道,3層3×3卷積的參數(shù)數(shù)量為3×32×C2,1層7×7卷積的參數(shù)數(shù)量為72×C2。所以3層3×3卷積以約55.10%的參數(shù)量實(shí)現(xiàn)了1層7×7卷積同樣的感受野。4個(gè)分支分別實(shí)現(xiàn)了1×1,3×3,5×5和7×7卷積的感受野。尺度越大提取的精度越粗,尺度越小提取的精度越細(xì)。通過(guò)4種尺度卷積的融合,可以同時(shí)兼顧感受野和精度,減小網(wǎng)絡(luò)參數(shù),同時(shí)提供跨層連接,防止梯度消失,提高網(wǎng)絡(luò)收斂速度。

在每個(gè)卷積層的后面都有一個(gè)批標(biāo)準(zhǔn)化層,以規(guī)范每層輸入信號(hào)的均值和方差,保證每層的輸出數(shù)據(jù)與輸入數(shù)據(jù)具有相同的分布特征,確保神經(jīng)網(wǎng)絡(luò)層數(shù)增加以后不會(huì)更難訓(xùn)練。之后對(duì)4個(gè)分支的數(shù)據(jù)進(jìn)行通道維合并。在合并之后進(jìn)行池化操作,以減少數(shù)據(jù)量。

在多尺度非對(duì)稱(chēng)一維卷積模塊中,第1個(gè)分支也包含64個(gè)1×1卷積。第2個(gè)分支通過(guò)3層3×1的卷積,實(shí)現(xiàn)7×1卷積的效果。第3個(gè)分支通過(guò)3層1×3的卷積,實(shí)現(xiàn)1×7卷積的效果。第4個(gè)分支通過(guò)串聯(lián)1個(gè)1×7和1個(gè)7×1卷積,實(shí)現(xiàn)7×7卷積的效果。

采用非對(duì)稱(chēng)卷積是為了在保證感受野相同的同時(shí),降低網(wǎng)絡(luò)參數(shù)數(shù)量。以7×7卷積為例,參數(shù)數(shù)量為72×C2。如果串聯(lián)1個(gè)1×7和1個(gè)7×1卷積,感受野同樣為7×7,參數(shù)數(shù)量為2×1×7×C2,相比于7×7卷積,參數(shù)數(shù)量降低了約71%。

3) 網(wǎng)絡(luò)結(jié)構(gòu)

圖7為本文設(shè)計(jì)的用于HRRP目標(biāo)識(shí)別的網(wǎng)絡(luò)結(jié)構(gòu)。網(wǎng)絡(luò)主要包含4個(gè)部分:初始卷積模塊、多尺度卷積模塊、多尺度非對(duì)稱(chēng)卷積模塊、判別模塊。

圖7 MsACNN網(wǎng)絡(luò)結(jié)構(gòu)

初始卷積模塊使用傳統(tǒng)小尺度二維卷積模塊,對(duì)時(shí)頻數(shù)據(jù)進(jìn)行初步特征提取。該模塊主要包含3個(gè)3×3卷積層和1個(gè)池化層。在每個(gè)卷積層后使用批標(biāo)準(zhǔn)化對(duì)卷積輸出結(jié)果進(jìn)行規(guī)范。多尺度卷積模塊主要提取數(shù)據(jù)中不同尺度的信息。通過(guò)小尺度卷積的疊加實(shí)現(xiàn)大尺度卷積的效果,以減少網(wǎng)絡(luò)參數(shù)。通過(guò)1×1卷積提供跨層連接,提高網(wǎng)絡(luò)的收斂能力。多尺度非對(duì)稱(chēng)卷積在進(jìn)一步加深網(wǎng)絡(luò),提高特征提取能力的同時(shí),極大地減小了網(wǎng)絡(luò)參數(shù)。最后利用2層全連接層作為判別模塊,輸出目標(biāo)類(lèi)別。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 數(shù)據(jù)集1及實(shí)驗(yàn)結(jié)果分析

1) 實(shí)驗(yàn)數(shù)據(jù)集1

實(shí)驗(yàn)數(shù)據(jù)集1為采用地基逆合成孔徑雷達(dá)對(duì)三型飛機(jī)采集的實(shí)測(cè)寬帶數(shù)據(jù)。安-26是一種尺寸中等的螺旋槳飛機(jī),獎(jiǎng)狀和雅克-42分別是小型和中型的噴氣式飛機(jī),表1所示為三型飛機(jī)的尺寸參數(shù)。雷達(dá)中心頻率為5.5 GHz,帶寬為400 MHz。圖8所示為三型飛機(jī)飛行軌跡在當(dāng)?shù)厮矫嫔系耐队啊Ｃ啃惋w機(jī)的HRRP數(shù)量約為10萬(wàn)條,數(shù)據(jù)長(zhǎng)度為256,訓(xùn)練、驗(yàn)證和測(cè)試的比例分別為60%,20%,20%。

表1 三型飛機(jī)尺寸參數(shù)

圖8 三型飛機(jī)飛行軌跡在當(dāng)?shù)厮矫娴耐队?/p>

2) 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證本文方法的性能,在相同實(shí)驗(yàn)條件下,對(duì)于數(shù)據(jù)集1,分別使用不同方法進(jìn)行訓(xùn)練和測(cè)試。在HRRP特征下,使用樣本緊密度[7]、VGG16-1D、CNN[23]、一維多尺度卷積網(wǎng)絡(luò)(one-dimensional multi-scale convolutional neural network,MsCNN-1D)4種方法或模型進(jìn)行處理。將本文提出的MsACNN中多尺度非對(duì)稱(chēng)卷積模塊替換為多尺度卷積模塊,并將所有的二維卷積和二維池化替換為一維卷積和一維池化,記為MsCNN-1D。在時(shí)頻特征下,使用VGG16-2D和本文提出的MsACNN-2D 2個(gè)模型進(jìn)行處理。

表2給出了不同方法對(duì)數(shù)據(jù)集1的目標(biāo)識(shí)別準(zhǔn)確率,本文方法目標(biāo)識(shí)別準(zhǔn)確率達(dá)到了99.10%,顯著高于其他幾種方法。

表2 不同目標(biāo)識(shí)別算法對(duì)比

表3給出了本文方法在數(shù)據(jù)集1上的目標(biāo)識(shí)別混淆矩陣。可以看出,每個(gè)目標(biāo)都只有少量樣本識(shí)別錯(cuò)誤。

表3 數(shù)據(jù)集1目標(biāo)識(shí)別混淆矩陣

表4所示為幾種模型的參數(shù)量,可以看出本文方法模型參數(shù)量只有一維VGG16模型的85%,二維VGG16模型的35.52%,略高于文獻(xiàn)[23]提出的CNN網(wǎng)絡(luò)。

表4 不同模型參數(shù)量

3.2 數(shù)據(jù)集2及實(shí)驗(yàn)結(jié)果分析

1) 實(shí)驗(yàn)數(shù)據(jù)集2

不同算法在數(shù)據(jù)集1上都取得了不錯(cuò)的識(shí)別準(zhǔn)確率。但從表1可以看出,這3種類(lèi)型的飛機(jī)從尺寸和外形等方面比較,都有較大區(qū)別,易于識(shí)別。為了進(jìn)一步驗(yàn)證預(yù)處理、同平臺(tái)目標(biāo)的識(shí)別準(zhǔn)確率,建立了數(shù)據(jù)集2。

數(shù)據(jù)集2為采用地基逆合成孔徑雷達(dá)對(duì)太空人造航天器的實(shí)測(cè)數(shù)據(jù),有A1、A2、B1和B2共4個(gè)目標(biāo)。其中A1和A2同為A系列的2個(gè)目標(biāo),B1和B2同為B系列的2個(gè)目標(biāo)。每個(gè)太空人造航天器的HRRP數(shù)量約為4萬(wàn)條,數(shù)據(jù)長(zhǎng)度為256,訓(xùn)練、驗(yàn)證和測(cè)試的比例分別為60%,20%,20%。

經(jīng)公開(kāi)資料、實(shí)測(cè)ISAR圖像和自適應(yīng)光學(xué)圖像驗(yàn)證,同屬一系列的2個(gè)目標(biāo)具有幾乎相同的尺寸和外形結(jié)構(gòu),人眼不具有可分性,這對(duì)目標(biāo)識(shí)別算法產(chǎn)生極大的挑戰(zhàn)。

2) 識(shí)別準(zhǔn)確率

對(duì)數(shù)據(jù)集2,采用高速運(yùn)動(dòng)補(bǔ)償、多特顯點(diǎn)絕對(duì)對(duì)齊和離差標(biāo)準(zhǔn)化等預(yù)處理方法,并采用時(shí)頻分析提取時(shí)頻特征,而后進(jìn)行模型訓(xùn)練和識(shí)別。在訓(xùn)練過(guò)程中,使用數(shù)據(jù)集1訓(xùn)練好的模型進(jìn)行遷移學(xué)習(xí),由于原模型權(quán)重已經(jīng)平滑,為防止過(guò)擬合,采用了更低的初始學(xué)習(xí)率、學(xué)習(xí)率緩降和提前終止。

使用數(shù)據(jù)集1中的6種方法,對(duì)數(shù)據(jù)集2的HRRP和時(shí)頻特征進(jìn)行處理。表5所示為不同算法的識(shí)別結(jié)果,可以看出由于同平臺(tái)目標(biāo)具有較為相似的結(jié)構(gòu),6種方法識(shí)別準(zhǔn)確率均有下降,但本文方法仍保持了較高的識(shí)別準(zhǔn)確率。

表5 不同目標(biāo)識(shí)別算法對(duì)比

表6為本文方法對(duì)4個(gè)目標(biāo)識(shí)別的混淆矩陣,目標(biāo)識(shí)別準(zhǔn)確率為95.50%。表7為A、B 2個(gè)系列間識(shí)別的混淆矩陣,系列識(shí)別準(zhǔn)確率為98.48%。從表6～7可以看出,即使對(duì)于差別較小的同平臺(tái)目標(biāo),本文方法依然具有很高的識(shí)別準(zhǔn)確率。目標(biāo)識(shí)別準(zhǔn)確率低于系列間識(shí)別準(zhǔn)確率的原因是,同系列的2個(gè)目標(biāo)采用相同的平臺(tái),具有極為接近的外形結(jié)構(gòu),系列間的差異性大于同系列的2個(gè)目標(biāo)間的差異性,導(dǎo)致每個(gè)目標(biāo)識(shí)別錯(cuò)誤中,識(shí)別為同一系列另一目標(biāo)的結(jié)果較多。

表6 數(shù)據(jù)集2目標(biāo)間識(shí)別混淆矩陣

表7 數(shù)據(jù)集2系列間識(shí)別混淆矩陣

3) 各類(lèi)預(yù)處理對(duì)識(shí)別準(zhǔn)確率的影響

雖然深度學(xué)習(xí)可以實(shí)現(xiàn)基于數(shù)據(jù)的識(shí)別,降低了對(duì)于預(yù)處理和特征提取的需求,但在實(shí)際工作實(shí)踐中發(fā)現(xiàn),合理的預(yù)處理以及特征域轉(zhuǎn)換對(duì)于識(shí)別算法的準(zhǔn)確率有著極其重要的影響。為了驗(yàn)證不同預(yù)處理方法對(duì)識(shí)別準(zhǔn)確率的影響,需驗(yàn)證不同預(yù)處理方式的有效性并探究其對(duì)算法性能的影響的程度。

從表8可以看出,4種預(yù)處理方法均不同程度提升了算法的性能。采用多特顯點(diǎn)絕對(duì)對(duì)齊提升了0.41%的識(shí)別準(zhǔn)確率,提升幅度較小,主要是由于卷積神經(jīng)網(wǎng)絡(luò)使用卷積核對(duì)整個(gè)數(shù)據(jù)進(jìn)行特征提取,同時(shí)還要經(jīng)過(guò)池化層的降采樣,這在一定程度上降低了平移敏感性的影響。高速運(yùn)動(dòng)補(bǔ)償提升了2.23%的識(shí)別準(zhǔn)確率,這是由于通過(guò)高速運(yùn)動(dòng)補(bǔ)償消除了高速運(yùn)動(dòng)對(duì)回波信號(hào)產(chǎn)生的譜峰分裂和展寬等影響,使得數(shù)據(jù)質(zhì)量明顯提升。時(shí)頻特征提取提高了0.93%的準(zhǔn)確率。

表8 不同預(yù)處理方式對(duì)算法性能的影響

4) 抗姿態(tài)敏感性分析

本節(jié)訓(xùn)練集和測(cè)試集劃分時(shí)采用隨機(jī)劃分,訓(xùn)練集和測(cè)試集中具有相同或相近姿態(tài)條件下的數(shù)據(jù),無(wú)法驗(yàn)證算法對(duì)于不同姿態(tài)回波數(shù)據(jù)的識(shí)別準(zhǔn)確率。為了驗(yàn)證本文算法抗姿態(tài)敏感性能,設(shè)立新的測(cè)試集,圖9所示為A1衛(wèi)星5個(gè)觀測(cè)弧段在極坐標(biāo)系下的飛行軌跡。

圖9 A1衛(wèi)星在極坐標(biāo)系下飛行軌跡

圖中藍(lán)色實(shí)線所示為訓(xùn)練和驗(yàn)證集使用的4個(gè)弧段,紅色虛線所示為新的測(cè)試弧段,可以看出新的測(cè)試弧段和原訓(xùn)練集中的弧段雷達(dá)觀測(cè)角區(qū)別較大。使用新弧段的測(cè)試數(shù)據(jù),對(duì)識(shí)別算法進(jìn)行測(cè)試,識(shí)別準(zhǔn)確率為95.26%。由于姿態(tài)不同,識(shí)別準(zhǔn)確率略有下降,可見(jiàn)本文方法具備較強(qiáng)的抗姿態(tài)敏感性。

4 結(jié) 論

針對(duì)太空目標(biāo)識(shí)別中特征提取難、準(zhǔn)確率低等問(wèn)題,提出了一種基于深度學(xué)習(xí)的雷達(dá)HRRP目標(biāo)識(shí)別算法。采用離差標(biāo)準(zhǔn)化、多特顯點(diǎn)絕對(duì)對(duì)齊對(duì)目標(biāo)HRRP進(jìn)行預(yù)處理,消除幅度敏感性和平移敏感性,利用雷達(dá)多普勒測(cè)速數(shù)據(jù)進(jìn)行高速運(yùn)動(dòng)補(bǔ)償,消除回波距離像平移、譜峰分裂、展寬和信噪比降低等影響,利用短時(shí)傅里葉變換提取HRRP的時(shí)頻特征,設(shè)計(jì)了用于太空目標(biāo)識(shí)別的多分支非對(duì)稱(chēng)卷積神經(jīng)網(wǎng)絡(luò)模型,對(duì)時(shí)頻特征進(jìn)行特征提取和分類(lèi)識(shí)別。實(shí)測(cè)數(shù)據(jù)處理結(jié)果表明:在由雅克-42、獎(jiǎng)狀和安-26 3個(gè)飛機(jī)組成的目標(biāo)集上識(shí)別準(zhǔn)確率達(dá)到了99.10%,明顯優(yōu)于其他識(shí)別算法;在由A1、A2、B1和B2共2個(gè)系列4個(gè)目標(biāo)構(gòu)成的目標(biāo)集上識(shí)別準(zhǔn)確率達(dá)到了95.50%,表明該算法在同系列目標(biāo)集上依然具有較高的識(shí)別準(zhǔn)確率;通過(guò)不同姿態(tài)下的目標(biāo)數(shù)據(jù)測(cè)試,證實(shí)本文算法具有很強(qiáng)的抗姿態(tài)敏感性。