引言

雷達(dá)是一種無(wú)線電探測(cè)傳感器[1]，通過(guò)發(fā)射電磁波信號(hào)并且接收目標(biāo)反射回波獲取目標(biāo)位置等信息。在遙感目標(biāo)感知領(lǐng)域，雷達(dá)由于具有全天時(shí)、全天候的工作特點(diǎn)，已經(jīng)成為目標(biāo)探測(cè)和環(huán)境監(jiān)測(cè)的重要工具。近年來(lái)，隨著智能化裝備和信息化的快速發(fā)展，通過(guò)雷達(dá)回波獲取目標(biāo)的類別或者型號(hào)信息逐漸成為民用和軍事等領(lǐng)域的重要需求，雷達(dá)目標(biāo)識(shí)別[2-3]技術(shù)應(yīng)運(yùn)而生。

常見(jiàn)的雷達(dá)數(shù)據(jù)包括一維高分辨距離像（High-Resolution Range Profile,HRRP）[4]、合成孔徑雷達(dá)（Synthetic Aperture Radar, SAR）圖像[5]和逆合成孔徑雷達(dá)（Inverse synthetic aperture radar, ISAR）圖像[6]等。雷達(dá)HRRP是寬帶雷達(dá)獲取的目標(biāo)散射點(diǎn)子回波沿雷達(dá)視線投影的向量和，反映目標(biāo)結(jié)構(gòu)信息，易獲取、處理、存儲(chǔ)，能實(shí)現(xiàn)快速、準(zhǔn)確的目標(biāo)識(shí)別。因此，基于雷達(dá)HRRP信號(hào)的目標(biāo)識(shí)別方法已成為雷達(dá)目標(biāo)識(shí)別領(lǐng)域的重要研究方向。如圖1所示，雷達(dá)目標(biāo)識(shí)別流程主要包括輸出預(yù)處理、特征提取和分類器設(shè)計(jì)兩個(gè)階段。

圖 1　雷達(dá)目標(biāo)識(shí)別流程圖

實(shí)際情況下，獲取的雷達(dá)HRRP回波通常包含噪聲，導(dǎo)致目標(biāo)結(jié)構(gòu)特性被噪聲干擾，因此采用數(shù)據(jù)預(yù)處理方法可以有效抑制噪聲干擾，增強(qiáng)目標(biāo)信號(hào)區(qū)域，進(jìn)而提升目標(biāo)識(shí)別性能。常見(jiàn)的信號(hào)增強(qiáng)即信號(hào)去噪方法包括正交匹配追蹤（Orthogonal Matching Pursuit，OMP）[3]和松弛算法RELAX（Relaxation）[7]等，這類方法基于雷達(dá)目標(biāo)散射點(diǎn)模型，提取目標(biāo)強(qiáng)散射點(diǎn)，保留目標(biāo)支撐區(qū)信號(hào)，抑制非支撐部分的噪聲信號(hào)。然后這類方法對(duì)算法的迭代終止門限參數(shù)設(shè)置較為敏感，算法的靈活性和準(zhǔn)確性有限。

數(shù)據(jù)預(yù)處理后的目標(biāo)識(shí)別流程是一個(gè)通用的模式識(shí)別范式，通常采用“特征提取+模式分類”的經(jīng)典模式識(shí)別框架。傳統(tǒng)目標(biāo)識(shí)別方法[8-9]根據(jù)人工經(jīng)驗(yàn)提取物理特征，比如包括高階矩、功率譜等統(tǒng)計(jì)特征以及散射中心等物理特征，然后設(shè)計(jì)模式分類方法實(shí)現(xiàn)目標(biāo)識(shí)別。然而手工特征極大依賴于人工經(jīng)驗(yàn)，實(shí)際情況下應(yīng)用不靈活。隨著機(jī)器學(xué)習(xí)的快速發(fā)展，基于模型的特征提取方法，包括主成分分析（Principal Component Analysis，PCA）[10]、因子分析（Factor Analysis，F(xiàn)A）[9]和K奇異值分解（K-Singularly Valuable Decomposition，K-SVD）[11]等逐漸成為主流。常用的分類器方法包括支持向量機(jī)（Support Vector Machine，SVM）[12]和決策樹等等。由于深度神經(jīng)網(wǎng)絡(luò)的強(qiáng)大非線性擬合能力和特征挖掘能力，基于典型神經(jīng)網(wǎng)絡(luò)（如自編碼網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等）的雷達(dá)目標(biāo)識(shí)別方法實(shí)現(xiàn)特征提取-目標(biāo)分類一體化，有效避免特征與分類器不匹配的問(wèn)題。文獻(xiàn)[13]提出堆棧自編碼網(wǎng)絡(luò)用于雷達(dá)目標(biāo)識(shí)別，利用多層自編碼網(wǎng)絡(luò)挖掘雷達(dá)HRRP數(shù)據(jù)的深層特征，進(jìn)而提升識(shí)別性能。文獻(xiàn)[14]基于變分自編碼網(wǎng)絡(luò)構(gòu)建分類器用于HRRP識(shí)別，實(shí)現(xiàn)了概率分布特征挖掘和性能提升。文獻(xiàn)[15]構(gòu)建了目標(biāo)方位循環(huán)神經(jīng)網(wǎng)絡(luò)用于挖掘HRRP信號(hào)不同距離單元之間的時(shí)序相關(guān)性，有效提升了目標(biāo)識(shí)別性能。

本文首先介紹了一種基于編碼-解碼網(wǎng)絡(luò)的信號(hào)增強(qiáng)方法，該方法將雷達(dá)目標(biāo)的物理模型嵌入神經(jīng)網(wǎng)絡(luò)，利用物理機(jī)理引導(dǎo)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)雷達(dá)HRRP信號(hào)的散射點(diǎn)特征，保留目標(biāo)的結(jié)構(gòu)信息，抑制非支撐區(qū)的噪聲部分。該方法是一種基于神經(jīng)網(wǎng)絡(luò)的信號(hào)增強(qiáng)方法，基于數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)方式不僅在實(shí)際情況下的靈活性強(qiáng)，且更加準(zhǔn)確學(xué)習(xí)強(qiáng)散射點(diǎn)特征，對(duì)雷達(dá)HRRP信號(hào)的目標(biāo)結(jié)構(gòu)細(xì)節(jié)特征保持效果更好。采用該信號(hào)增強(qiáng)方法預(yù)處理后，本文設(shè)計(jì)了一種基于自注意力一維CNN（Self-attention 1dCNN,S-1dCNN）的雷達(dá)目標(biāo)識(shí)別方法，實(shí)現(xiàn)了識(shí)別性能的極大提升。具體地，所提S-1dCNN模型包括特征提取模塊、自注意力模塊和分類模塊，其中特征提取模塊采用1dCNN對(duì)雷達(dá)HRRP信號(hào)的結(jié)構(gòu)特征學(xué)習(xí)，同時(shí)對(duì)獲取的特征進(jìn)行截取獲得多個(gè)局部特征，并將其輸入自注意力模塊中進(jìn)行注意力系數(shù)學(xué)習(xí)，最后將局部特征和對(duì)應(yīng)的注意力系數(shù)加權(quán)，特征拼接后輸入分類模塊中進(jìn)行目標(biāo)識(shí)別，實(shí)現(xiàn)對(duì)各類HRRP樣本的類別預(yù)測(cè)。

另外，近年來(lái)，結(jié)合MATLAB[16]工具開(kāi)展演示界面設(shè)計(jì)仿真實(shí)驗(yàn)課程教學(xué)不斷得到推進(jìn)，比如《信號(hào)與系統(tǒng)》課程教學(xué)采用MATLAB進(jìn)行信號(hào)可視化仿真和信號(hào)處理等操作，提升學(xué)生對(duì)信號(hào)及其處理過(guò)程的理解。為了提升雷達(dá)目標(biāo)識(shí)別課程的教學(xué)效果，增強(qiáng)學(xué)生對(duì)典型算法的直觀理解，本文結(jié)合雷達(dá)目標(biāo)識(shí)別流程的典型算法設(shè)計(jì)了一套雷達(dá)目標(biāo)識(shí)別演示軟件。該演示軟件基于MATLAB環(huán)境下的圖形用戶界面工具(Graphical User Interface, GUI)，設(shè)計(jì)了交互性強(qiáng)的操作界面的教研系統(tǒng)，包括數(shù)據(jù)預(yù)處理和目標(biāo)識(shí)別等多個(gè)功能。可視化界面可以動(dòng)態(tài)展示智能算法的訓(xùn)練和測(cè)試過(guò)程，有利于老師對(duì)機(jī)器學(xué)習(xí)課程中典型識(shí)別流程的清晰講解，也有助于學(xué)生對(duì)機(jī)器學(xué)習(xí)算法處理流程的直觀理解，進(jìn)而提升課程教學(xué)質(zhì)量。

因此，本文主要?jiǎng)?chuàng)新點(diǎn)包括：（1）研究了基于深度學(xué)習(xí)方法的數(shù)據(jù)增強(qiáng)-目標(biāo)識(shí)別框架，采用靈活性強(qiáng)、信號(hào)增強(qiáng)精度高的編碼-解碼網(wǎng)絡(luò)用于信號(hào)保持，有效提升了數(shù)據(jù)的質(zhì)量；（2）設(shè)計(jì)了一種基于自注意力一維CNN（S-1dCNN）的雷達(dá)目標(biāo)識(shí)別方法，將自注意力機(jī)制與一維CNN的特征提取模塊相結(jié)合，可實(shí)現(xiàn)鑒別性強(qiáng)、可分性好的特征學(xué)習(xí)，進(jìn)而達(dá)到較高的識(shí)別精度；（3）制作了一套雷達(dá)目標(biāo)識(shí)別可視化界面演示系統(tǒng)，將信號(hào)增強(qiáng)和目標(biāo)識(shí)別方法嵌入系統(tǒng)后臺(tái)，在演示界面直觀展示各方法的訓(xùn)練、測(cè)試效果，為雷達(dá)目標(biāo)識(shí)別課程教學(xué)提供演示軟件。

本文詳細(xì)內(nèi)容請(qǐng)下載：

http://ccf-cncc2011.cn/resource/share/2000006852

作者信息：

廖磊瑤，洪子爍

（南京郵電大學(xué) 通信與信息工程學(xué)院，江蘇 南京 210023）