基于深度殘差收縮網絡的雷達空中目標識別

摘 要：

雷達空中目標高分辨距離像 （high resolution range profile， HRRP） 中往往包含一定的雜波噪聲，利用HRRP開展空中目標識別需要重點考慮噪聲的影響。針對上述問題，提出一種基于深度殘差收縮網絡 （deep residual shrinkage network， DRSN） 的雷達空中目標HRRP識別方法。該網絡將深度殘差網絡、軟閾值函數和注意力機制結合起來，采用跨層恒等連接方式，不僅可以避免網絡層數過深造成梯度消失或梯度爆炸，從而導致網絡學習能力下降的問題，還可以有效過濾掉識別過程中噪聲特征的影響，使模型專注于目標區域的深度特征識別，提升強噪聲背景下模型的識別能力。實驗結果表明，相對于其他常用的深度學習模型，所提方法在各個信噪比條件下，識別效果均有一定的優勢，該模型對噪聲具有較強的魯棒性。

關鍵詞：

空中目標識別; 高分辨距離像; 深度殘差收縮網絡; 噪聲魯棒性

中圖分類號：

TN 957

文獻標志碼： A""" DOI：10.12305/j.issn.1001-506X.2024.09.13

Radar air target recognition based on deep residual shrinkage network

YIN Jianguo1，2，*， SHENG Wen1， JIANG Wei1

（1. Air-Defense Early Warning Equipment Department， Air Force Early Warning Academy，

Wuhan 430019， China; 2. Unit 95866 of the PLA， Baoding 071051， China）

Abstract：

The high resolution range profile（HRRP） of radar air target often contains a certain amount of clutter noise， and it is necessary to focus on the influence of noise to carry out air target recognition using HRRP. To address the above issues， an air target HRRP recognition method based on deep residual shrinkage network （DRSN） is proposed， which combines deep residual network， soft thresholding function and attention mechanism， and cross-layer identity connection method is adopted. DRSN can not only avoid the problem of gradient vanishing or gradient exploding caused by too deep layers of the network， which leads to the degradation of the learning ability of the network， but also can effectively filter out the influence of noisy features in the recognition process， so that the model can focus on the recognition of deep features in the target region and improve the recognition ability of the model in the strong noise background. The experimental results show that the proposed method has certain advantages in recognition effect under each signal-to-noise ratio condition compared with other commonly used deep learning models， and the model has strong robustness to noise.

Keywords：

air target recognition; high resolution range profile （HRRP）; deep residual shrinkage network （DRSN）; robustness to noise

0 引 言

雷達自動目標識別 （radar automatic target recognition， RATR） 是現代化信息戰爭中的重要手段。隨著現代雷達技術和信息處理技術的迅猛發展，基于高分辨距離像 （high resolution range profile， HRRP） 的RATR引起了廣泛關注，成為了研究熱點之一［1-5］。雷達HRRP是寬帶雷達獲取目標在視線方向上的一維投影矢量和，包含豐富的目標結構信息，比如目標尺寸和散射體分布等，是識別空/天目標的重要依據。

傳統的RATR方法主要由4個部分組成，即數據獲取、數據預處理、特征選擇和提取及目標識別，核心在于目標特征的選擇和提取，需要具備深厚的領域知識來構建目標特征庫。特征的選擇不僅要考慮到目標回波中的噪聲分量和冗余分量的影響，還要在降低數據維度的同時盡可能保留目標的本質信息，才能提高識別的準確率和效率。在基于HRRP的RATR中，傳統方法中常用的特征主要包括反映目標物理結構的平移不變特征、反映目標HRRP散射隨機性的熵特征及反映目標與標準體散射矩陣和散射能量的相似性特征等［6-8］，通過選擇相應特征，可以在一定程度上提升識別能力和泛化能力。但是，特征的選擇嚴重依賴于經驗知識，且并不是特征越多越好，只有選擇那些能反映目標深層次特性的特征才能對目標識別做出貢獻，而如何準確地選擇這些特征本身就是一個難題，如果一些隱藏的卻反映目標深層次特性的特征無法被有效利用，則識別性能會受到影響。此外，傳統方法中采用了淺層線性的模型結構，不利于獲得目標的深層分類信息，也會影響到模型的識別性能。

近年來，深度神經網絡被廣泛應用于機器學習任務，并取得了極其優異的性能表現。相比于傳統方法，深度神經網絡方法采用非線性層次化的網絡結構，可以從大量原始數據中自動學習到目標的深層次隱藏特征，并且能夠自適應地調整模型參數，最終提高識別的效率和準確度。基于此，基于深度學習的RATR已成為廣泛研究的熱點之一。

卷積神經網絡 （convolutional neural networks， CNN） 是深度學習的典型網絡，已廣泛應用于雷達目標識別中［9-11］。文獻［12］采用CNN自動提取多基地雷達系統目標HRRP的高階特征，仿真結果顯示該方法在低信噪比的情況下依然表現出了良好的識別性能，系統具有較強的魯棒性。文獻［13］進一步加深網絡層數，采用深度CNN （deep CNN， DCNN） 對添加了不同信噪比噪聲的HRRP進行識別，取得了相對較好的識別效果，但在低信噪比 （如小于等于5 dB） 情況下該網絡模型的識別率仍不足60%。傳統的CNN模型沒有考慮相鄰時間內輸入樣本間的相關性，相鄰HRRP之間是存在時間依賴性的，循環神經網絡 （recurrent neural network， RNN） 可以有效解決這一問題。文獻［14］采用RNN 中的長短時記憶 （long-short time memory， LSTM） 網絡對3類目標進行分類，輸入節點為128，隱藏節點為 50，輸出數為 3。訓練數據每類含175幅HRRP，對100幅測試數據進行測試，識別率高于95%。HRRP中包含部分非目標區域，該區域的信息對于目標識別是無用且不利的。針對這種情況，文獻［15］引入注意力機制模型和CNN相結合構成目標注意力CNN，可以自適應地為HRRP 每個局部特征分配權重，從而定位于目標區域，增強模型對有價值目標信息的興趣。文獻［16］ 將 CNN、雙向遞歸神經網絡和注意力機制相結合，既讓模型專注于判別目標區域，也對數據的時移敏感性有很強的魯棒性。另外，文獻［17-20］采用自編碼器 （auto-encoder， AE） 或其改進網絡開展基于HRRP的目標識別，利用AE提取目標的多維隱特征，使得系統更具穩健性，均取得了較好的識別效果。文獻［21］提出一種堆棧去噪AE （stacked denoising AE， SDAE），可以對HRRP這種高維散射數據的特征進行更加深層次的壓縮和提取，同時對數據進行降噪處理，比傳統的AE具備更強的噪聲魯棒性和泛化能力。上述研究顯示，相比于傳統RATR方法，基于深度學習的雷達目標識別在性能和準確率上具有獨特的優勢，尤其是在低信噪比情況下其性能有大幅提升，值得開展研究。

近年來，殘差神經網絡 （residual network， ResNet） 得到了廣泛的關注，在典型深度學習算法多層CNN中，隨著網絡層數的加深，網絡模型會出現梯度消失或梯度爆炸、模型退化以及過擬合的問題，而在ResNet中引入恒等函數和殘差函數可以有效地避免上述問題［22］。HRRP中包含有豐富的目標結構信息，被廣泛用于目標識別中，但同時也包含有大量的噪聲和一些冗余信息。本文針對HRRP中存在噪聲和非目標區域問題，引入深度殘差收縮網絡 （deep residual shrinkage network， DRSN）［23］，該網絡由深度殘差網絡、軟閾值函數和注意力機制三部分組成。軟閾值函數的引入可以有效過濾掉噪聲特征的影響，提高強噪聲信號下模型的識別性能，在噪聲信號的識別中有著良好的效果［23］;注意力機制既可以自動設置閾值，避免人工設置閾值，也可以將注意力集中于局部感興趣區域，增強有用信息對目標識別的積極作用。因此，本文所采用的方法在基于HRRP的目標識別中更具有優勢，也具備更強的噪聲魯棒性。

1 DRSN模型設計

典型的DRSN整體結構由卷積層、一定數量的殘差收縮模塊 （residual shrinkage building unit， RSBU）、批標準化 （batch normalization， BN）、線性整流函數 （rectified linear unit， ReLU）、全局均值池化層 （global average pooling， GAP） 和全連接 （fully comected， FC） 輸出層組成的深度神經網絡，如圖1所示。

其中，RSBU是該網絡的核心結構，主要由深度殘差網絡、軟閾值函數和注意力機制組成。

1.1 深度殘差網絡

在深度學習中，層數的加深可以減少網絡參數數量，提升模型性能。但是，層數的加深也容易導致梯度消失或梯度爆炸的問題，尤其是梯度消失會導致誤差無法反向傳播，從而導致學習很慢或者根本無法更新參數并學習，使網絡難以有好的結果。另外，典型CNN算法隨著層數加深，可能出現模型退化的問題，即隨著網絡層數的加深，新增的層可能無法學習到恒等映射。基于上述問題，ResNet被提出，該網絡采用跨層恒等路徑的方式，減輕了參數優化的難度，可以實現網絡層數增加的同時提升模型性能。殘差網絡最重要的是殘差單元模塊，結構如圖2所示，其中x為輸入，F（x）為殘差函數。

深度殘差網絡即是在網絡主體部分堆疊多個殘差單元模塊，加深網絡層數。在深度殘差網絡進行基于反向傳播的模型訓練時，其損失不僅能夠通過卷積層等進行逐層的反向傳播，而且能夠通過恒等映射進行更為方便的反向傳播，從而更容易訓練得到更優的模型。

1.2 軟閾值函數

軟閾值化是信號處理中常用的降噪方式，軟閾值函數如下所示：

dout=din－τ， dingt;τ

0， －τ≤din≤τ

din+τ， dinlt;－τ（1）

式中：din為輸入；dout為輸出；τ為閾值，為恒正數。其基本原理是先對輸入信號進行分解，然后通過軟閾值函數對分解后的信號進行過濾，最后重構信號。通過式（1）可以看出，其將絕對值低于τ的特征置為0，而將其他的特征也朝著0調整，即達成“收縮”的效果。

另外，軟閾值函數是一個非線性變換函數，從式（1）可以看出，其梯度只有0和1兩種，可以有效避免梯度爆炸和

梯度消失的問題。

1.3 注意力機制

軟閾值函數中閾值τ的設置非常重要，其取值對于降噪的結果有直接的影響。DRSN引入注意力機制可以自動設置閾值，避免人工設置閾值帶來的不確定性。

注意力機制可以將注意力集中于局部關鍵信息，通過一個小型子網絡，自動學習到一組權值系數，對各個特征通道進行加權，從而可以增強有用信息的同時抑制冗余信息。

將注意力機制、軟閾值函數和殘差單元模塊集成在一起組成DRSN的基本RSBU，其基本結構如圖3所示。

DRSN通過引入注意力機制，使每個樣本都可以有獨特的一組權重，可以根據樣本本身的特點，進行獨特的特征通道權重調整，保證每個樣本都有自己獨特的閾值，有效地消除樣本中的噪聲信息和重構特征。因此，DRSN適用于輸入信號中各個樣本噪聲含量不同的情況，有利于含噪信號分類任務性能的提升。

本文提出的DRSN的整體結構如圖4所示，該結構從輸入到輸出含由輸入層、卷積層、10層堆疊的殘差單元模塊、BN、ReLU激活函數、GAP和FC組成。

2 實驗結果及對比分析

2.1 實驗數據

本文采用的是3類飛機的HRRP數據，3類飛機分別為中型噴氣飛機Z、小型噴氣飛機X和中型螺旋槳飛機L。HRRP是寬帶雷達獲取目標在視線方向上的一維投影矢量和，包含豐富的目標結構信息，圖5為飛機目標的HRRP樣本生成示意圖。

3類飛機的HRRP示例如圖6所示，每類飛機的采樣點為256，HRRP中包含有非目標區域的冗余信息和目標區域的回波信息，前者如橢圓區域所示，后者如矩形區域所示。每類樣本包含8 500條數據，按照0.75∶0.25的比例劃分為訓練集和測試集，即訓練集中包含6 375條數據，測試集中包含2 125條數據。

2.2 實驗環境與評估指標

實驗設備采用Win11系統計算機，顯卡為NVIDIA GeForce RTX 3070 Laptop GPU，實驗語言為Python語言。采用以Tensorflow為后端的TFLearn深度學習庫進行程序開發和訓練測試，隱藏層激活函數用ReLU，使用交叉熵損失函數作為訓練時需要優化的代價函數，采用Adam優化器更新參數，最后采用Softmax分類器。

使用的評估指標包括準確率、精確率、召回率、網絡模型的參數量、訓練與測試時長、模型大小等。最佳網絡模型保存為h5格式。

2.3 實驗結果及對比分析

本文首先給出建立的DRSN模型，用于HRRP識別時的結果分析;然后，對原始HRRP進行加噪處理，加入不同能量的高斯白噪聲，使得輸入信號的信噪比分別為5 dB、10 dB、15 dB、20 dB、25 dB和30 dB，比較在不同信噪比下建立的DRSN模型的識別性能;最后，對上述不同信噪比的信號，分別采用ResNet、1DCNN、LSTM和SDAE進行識別，與本文采用的DRSN模型識別結果進行對比。

2.3.1 DRSN對3類目標的識別效果分析

定義每個訓練批次為64，訓練50個周期，學習率為0.001，模型對原始數據的訓練結果如圖7所示。

圖7展示了模型的訓練精度和損失值的變化過程。由圖7可知，DRSN具有較低的損失值，反映了DRSN對訓練數據具備良好的學習能力。同時，該模型訓練時收斂較快，這得益于殘差模塊中的多次跳躍性連接和數據批量化處理。圖8的混淆矩陣顯示，類別1和類別2出現少量的識別錯判問題，類別3全部識別正確，測試集中3種目標的平均識別精度達到98.1%，表明該模型對本文所使用的數據集具有很好的識別效果。

2.3.2 信噪比對DRSN模型識別效果的影響

DRSN引入軟閾值函數和注意力機制，可以有效地過濾噪聲特征對識別的影響，提高模型的噪聲魯棒性。本文為驗證DRSN對HRRP識別中在不同信噪比條件下的識別性能，對原始數據添加不同能量的高斯白噪聲，得到信噪比分別為5 dB、10 dB、15 dB、20 dB、25 dB和30 dB的信號，信噪比SNR的定義如下所示：

SNR=10lgPsignalPnoise（2）

式中：Psignal為HRRP的平均功率;Pnoise為噪聲功率。通過本文建立的DRSN模型進行訓練后，平均識別精度如表1所示。

由表1可知，隨著信噪比的降低，模型的識別精度在下降，由于引入軟閾值函數，可以自動調整閾值，從而過濾掉一部分噪聲。可以看到，即使在5 dB信噪比下，DRSN模型仍具備69.8%的識別精度，表明該網絡對噪聲具有魯棒性。

2.3.3 不同信噪比下各網絡模型識別效果對比

為進一步驗證DRSN對噪聲的魯棒性，本文對比了DRSN、ResNet、1DCNN、LSTM和SDAE等5種網絡模型的識別效果，輸入信號為第2.3.3節中加噪處理得到的6種不同信噪比的信號。5種方法在不同信噪比下的平均識別率如圖9所示。

從圖9可以看出，當信噪比為30 dB時，各個網絡的識別效果都比較好，本文采用的DRSN平均識別率最高，達到97.3%，比排名第2的SDAE模型高出2.9%。而隨著信噪比的降低，各個方法的識別性能總體降低，但是本文使用的方法即使在5 dB和10 dB的信噪比下識別效果依然領先。綜上所述，本文采用的網絡模型對噪聲具有更強的魯棒性。

3 結束語

本文提出一種用于雷達空中目標HRRP識別的DRSN。該網絡引入深度殘差網絡、軟閾值函數和注意力機制，可以提高模型在高噪聲數據或復雜數據上的特征學習效果，而雷達回波數據中往往伴隨著一些噪聲和雜波，因此DRSN非常適用于雷達回波數據。

本文對3種飛機目標的實測數據進行識別，在不加入額外噪聲的情況下平均識別精度可以達到98.1%，具備較高的識別性能。而在對原始數據進行加噪處理后，在不同信噪比條件下該模型依然具備較好的識別精度，最后通過與其他幾種常用于HRRP識別的深度學習模型進行比較，在各個信噪比條件下，本文提出的模型都具備一定的優勢。結果表明，本文提出的DRSN模型在空中目標HRRP識別中具備更優的性能。

在實際的雷達應用中，雷達回波信號中除了噪聲信息外，還包含一定數量的地物雜波和氣象雜波，這部分雜波信號會干擾到正常目標的識別，除了采用雜波抑制方法濾除雜波以外，下一步還需要研究更穩健、更具泛化性的雷達目標識別算法以應對雜波干擾。此外，雷達系統采樣率也會對目標回波信號造成影響，過低采樣率可能會導致信號細節丟失或者不準確，進而影響對目標結構細節的刻畫，不同采樣率對雷達目標識別的影響，也是下一步需要考慮的問題。最后，在實際應用中，非合作目標的數據獲取往往比較困難，樣本數量較少，因此下一步也將對非合作目標識別問題展開研究。

參考文獻

［1］ LI L， LIU Z， LI T. Radar high resolution range profile recognition via multi-SV method［J］. Journal of Systems Engineering and Electronics， 2017， 28（5）： 879-889.

［2］ 張一凡， 張雙輝， 劉永祥， 等. 基于注意力機制的堆疊LSTM網絡雷達HRRP序列目標識別方法［J］. 系統工程與電子技術， 2021， 43（10）： 2775-2781.

ZHANG Y F， ZHANG S H， LIU Y X， et al. Radar HRRP sequence target recognition method of attention mechanism based stacked LSTM network［J］. Systems Engineering and Electronics， 2021， 43（10）： 2775-2781.

［3］ 王彩云， 黃盼盼， 李曉飛， 等. 基于AEPSO-SVM算法的雷達HRRP目標識別［J］. 系統工程與電子技術， 2019， 41（9）： 1984-1989.

WANG C Y， HUANG P P， LI X F， et al. Radar HRRP target recognition based on AEPSO-SVM algorithm［J］. Systems Engineering and Electronics， 2019， 41（9）： 1984-1989.

［4］ ZENG Z Q， SUN J P， HAN Z， et al. Radar HRRP target recognition method based on multi-input convolutional gated recurrent unit with cascaded feature fusion［J］. IEEE Geoscience and Remote Sensing Letters， 2022， 19： 4026005.

［5］ 張國令， 吳崇明， 李睿， 等. 基于一維堆疊池化融合卷積自編碼器的HRRP目標識別方法［J］. 系統工程與電子技術， 2021， 43（12）： 3533-3541.

ZHANG G L， WU C M， LI R， et al. HRRP target recognition method based on one-dimensional stacked pooling fusion convolutional autoencoder［J］. Systems Engineering and Electronics， 2021， 43（12）： 3533-3541.

［6］ 范學滿， 胡生亮， 賀靜波. 對海雷達目標識別中全極化HRRP的特征提取與選擇［J］. 電子與信息學報， 2016， 38（12）： 3261-3268.

FAN X M， HU S L， HE J B. Feature extraction and selection of full polarization HRRP in target recognition process of maritime surveillance radar［J］. Journal of Electronics amp; Information Technology， 2016， 38（12）： 3261-3268.

［7］ WAN J W， CHEN B， XU B， et al. Convolutional neural networks for radar HRRP target recognition and rejection［J］. EURASIP Journal on Advances in Signal Processing， 2019： 5.

［8］ DING B C， CHEN P H. HRRP feature extraction and recognition method of radar ground target using convolutional neural network［C］∥Proc.of the International Conference on Electromagnetics in Advanced Applications， 2019： 658-661.

［9］ MA M Y， LIU K， LUO X， et al. Multi-view polarization HRRP target recognition based on convolutional neural network［J］. IoT as a Service， 2021， 346（1）： 710-720.

［10］ PAN M， LIU A L， YU Y Z， et al. Radar HRRP target recognition model based on a stacked CNN-Bi-RNN with attention mechanism［J］. IEEE Trans.on Geoscience and Remote Sensing， 2021， 60： 5100814.

［11］ DU C， TIAN L， CHEN B， et al. Region factorized recurrent attentional network with deep clustering for radar HRRP target recognition［J］. Signal Processing， 2021， 183： 108010.

［12］ LUNDEN J， KOIVUNEN V. Deep learning for HRRP-based target recognition in multistatic radar systems［C］∥Proc.of the IEEE Radar Conference， 2016.

［13］ 盧旺， 張雅聲， 徐燦， 等. 基于雙譜-譜圖特征和深度卷積神經網絡的HRRP目標識別方法［J］.系統工程與電子技術， 2020， 42（8）： 1703-1709.

LU W， ZHANG Y S， XU C， et al. HRRP target recognition method based on bispectrum-spectrogram feature and deep convolutional neural network［J］. Systems Engineering and Electronics， 2020， 42（8）： 1703-1709.

［14］ JITHESH V， SAGAYARAJ M J， SRINIVASA K G. LSTM recurrent neural networks for high resolution range profile based radar target classification［C］∥Proc.of the 3rd International Conference on Computational Intelligence amp; Communication Technology， 2017.

［15］ CHEN J， DU L， GUO G B， et al. Target attentional CNN for radar automatic target recognition with HRRP［J］. Signal Processing， 2022， 196（1）： 108497.

［16］ WAN J W， CHEN B， LIU Y Q， et al. Recognizing the HRRP by combining CNN and BiRNN with attention mechanism［J］. IEEE Access， 2020， 8： 20828-20837.

［17］ ZHANG G L， WANG X D， LI R， et al. Research on HRRP target recognition based on one-dimensional stack convolutional autoencoder［J］. Journal of Physics： Conference Series， 2020， 1651（1）： 012172.

［18］ 翟穎， 陳渤. 基于穩健變分自編碼模型的雷達高分辨距離像目標識別算法［J］. 電子學報， 2020， 48（6）： 1149-1155.

ZHAI Y， CHEN B. Robust variational auto-encoder for radar HRRP target recognition［J］. Acta Electronica Sinica， 2020， 48（6）： 1149-1155.

［19］ LI R， WANG X D， QUAN W， et al. A staked discriminative auto-encoder based on center loss for radar target HRRP recognition［J］. Journal of Physics： Conference Series， 2020， 1651（1）： 012153.

［20］ LIAO L Y， DU L， CHEN J. Class factorized complex variational auto-encoder for HRR radar target recognition［J］. Signal Processing， 2021， 182（1）： 107932.

［21］ VINCENT P， LAROCHELLE H， LAJOIE I， et al. Stacked denoising autoencoders： learning useful representations in a deep network with a local denoising criterion［J］. Journal of Machine Learning Research， 2010， 11（12）： 3371-3408.

［22］ HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］∥Proc.of the IEEE Conference on Computer Vision and Pattern Recognition， 2016： 770-778.

［23］ ZHAO M H， ZHONG S S， FU X Y， et al. Deep residual shrinkage networks for fault diagnosis［J］. IEEE Trans.on Industrial Informatics， 2020， 16（7）： 4681-4690.

作者簡介

尹建國（1990—），男，助理講師，博士研究生，主要研究方向為雷達目標識別、深度學習。

盛 文（1966—），男，教授，博士，主要研究方向為預警裝備管理與保障技術。

蔣 偉（1989—），男，講師，博士，主要研究方向為預警裝備管理與保障技術。