采用双向LSTM模型的雷达HRRP目标识别

2019年4月第46卷第2期西安电子科技大学学报JOURNALOFXIDIANUNIVERSITYApr.2019Voi.46No.2doi：10.19665/j.issn1001-2400.2019.02.006采用双向LSTM模型的雷达HRRP目标识别徐彬12，陈渤12，刘家麒12，王鹏辉12，刘宏伟12(1.西安电子科技大学雷达信号处理国家重点实验室，陕西西安710071%2.西安电子科技大学信息感知技术协同创新中心，陕西西安710071)摘要：针对传统雷达高分辨距离像目标识别方法只考虑高分辨距离像样本的包络信息而没有考虑其时序相关特性问题，提出了一种釆用双向长短时记忆网络模型的识别算法。该算法首先选取出高分辨距离像样本的目标区域，并根据目标区域提取对于平移敏感性稳健的输入特征；然后釆用双向长短时记忆模型对输入特征提取双向时序信息；最后通过投票策略融合双向信息，输出样本类别。釆用实测数据的实验结果表明，该算法不仅可以有效地识别雷达目标，而且对于平移敏感性非常稳健。关键词！雷达自动目标识别；长短时记忆模型；高分辨距离像#平移敏感性；时序相关性中图分类号：TP183;TN959.1+7文献标识码：A文章编号！001-2400(2019)02-0029-06RadarHRRPtargetrecognitionbythebidirectionalLSTMmodelXUBin1',CHENBo1',LIUJiaqi1',WANGPenghm1',LIUHongvuei1'(1.NationalKeyLab.ofRadarSignalProcessing,XidianUniv.SXi’an710071，China;2.CollaborativeInnovationCenterofInformationSensingandUnderstanding，XidianUniv.，Xi’an710071，China)Abstract:Asthetraditionalrecognitionmethodsutilizetheenvelopeinformationofthehighresolutionrangeprofile(HRRP)withoutconsideringthetemporalcorrelationbetweenrangecells,anovelrecognitionmethodbasedonthebidirectionallongshorttermmemory(BLSTM)isproposed.First，themethodextractsthetime-shiftrobustinputrepresentationbyfiguringoutthetargetareas.Then，toconsiderthebidirectionalcorrelationbetweenrangecells，abidirectionallongshorttermmemoryisutilizedtoextractthebidirectionalinformationfromtheinputrepresentations.Finally，themodelusesavotingmechanismtocombinethebidirectionalinformationandpredictthelabels.Experimentalresultsbasedonmeasureddatashowthattheproposedmodelisefficientinrecognitionandrobusttothetime-shiftsensitivity.KeyWords：radarautomatictargetrecognition；longshort-termmemory；highresolutionrangeprofile;time-shiftsensitivity;temporalcorrelation雷达高分辨距离像（HighResolutionRangeProfile，HRRP)是雷达宽带信号获取的目标散射点子回波在雷达射线投影的向量和幅度波形，它包含了目标的尺寸、散射点分布、物体结构等重要信息，易于获取和处理，因此被广泛地应用于雷达自动目标识别（RadarAutomaticTargetRecognition，RATR)领域&-7'。在目标识别中，如何提取有效的特征是核心问题。有效的特征不仅可以充分地表达数据，并且能够区分不同类别的差异性，从而提高识别的精度。针对这一问题，很多学者对特征提取进行了广泛的研究。文献[1]从数据的包络信息中提取了平移稳健的双谱特征来减少噪声的影响。文献[2]进一步提取了高阶谱特征，并利用模板匹配方法对该特征进行识别。这些方法均得到了不错的性能。然而这些特征均为人工设计的特征，依赖于研究人员对于数收稿日期2018-09-10网络出版时间2018-12-18基金项目：国家自然科学基金（61771361,61701379#国家杰出青年科学基金（61525105)作者筒介：徐彬（1988—），男，西安电子科技大学博士研究生，E-mail$[e-mail]网络出版地址：西安电子科技大学学报第46卷据的认知和经验的积累，在缺乏先验知识的情况下难以保证性能。近年来，神经网络方法被应用于雷达目标识别中。文献[3]提出了一种多层稳健自动编码器（StackedCorrectiveAutoEncoders，SCAE)，该方法在多层编码器的基础上加人分类器联合地提取样本的特征，使得所提取的特征不仅可以保留数据的原始信息，而且具有可分性。为了解决小样本问题，文献[4]将样本根据雷达方位角进行分帧，然后采用深度置信网络（DeepBeliefNetwork，DBN)提取帧间共享的特征，输出类别。这些模型通过构造目标函数，能够自动地提取样本的可分性特征，都取得了不错的效果。但是，前面的这些方法仅仅考虑了样本的包络信息，而没有考虑高分辨距离像样本距离单元之间的相关性。文献[5]将高分辨距离像样本转化为序列的形式，然后采用隐马尔科夫模型（HiddenMarkovModel，HMM)对序列进行建模来提取样本内部的时序关系。为了同时考虑样本间的变化和样本内部的时序相关性，文献[6]根据相邻高分辨距离像样本服从同一分布的假设，采用隐马尔科夫结构对样本内部的结构进行建模的同时，加人了状态转移概率的时序变化来描述样本间的变化。相比于隐马尔科夫模型，循环神经网络模型（RecurrentNeuralNetwork，RNN)的非线性和分布式状态使得其表达能力更强。长短时记忆网络模型（Long-ShortTermMemory，LSTM)作为循环神经网络模型中的一种，其通过构造3个门来控制信息的传递，从而解决了传统循环神经网络模型中存在的梯度消失问题，因此它被广泛地应用在序列识别领域，并取得了不错的效果&&]。为了提取高分辨距离像的时序特征，笔者提出了一种双向长短时记忆（BidirectionalLongShortTermMemory，BLSTM)模型来进行高分辨距离像目标识别。该模型首先根据样本的目标区域提取高分辨距离像数据的平移稳健的序列特征；为了考虑高分辨距离像数据双向时序相关性，将特征转化为双向序列数据，采用双向的长短时记忆网络模型对序列数据进行处理；最后采用一种投票的策略将双向信息进行融合，输出样本类别。在实测数据上的实验结果表明，该方法不仅提高了识别性能，并且对于平移敏感性非常稳健。1采用BLSTM模型进行HRRP目标识别传统的高分辨距离像识别方法，如自适应高斯分类器(AutomaticGaussianClassifier，AGC),最大相关系数法(MaximumCorrelationCoefficient,MCC)等，在建模时假设高分辨距离像样本的各距离单元回波是相互独立的。事实上，根据散射点模型，高分辨距离像的各距离单元的散射点在目标转动时的转动形式完全相同，这必然造成高分辨距离像样本的距离单元的回波幅度具有一定的相关性。为了去噪，在得到高分辨距离像样本之前会对雷达回波加窗处理，使得距离分辨率下降，相邻的距离单元是肯定相关的；而且实测数据存在多次散射现象，某距离单元内的散射点子回波会散射到其他距离单元内，使得两个距离单元回波相关。因此，各距离单元之间存在一定的时序相关性[10]。为了充分考虑各距离单元间的前向相关性和后向相关性，笔者采用双向长短时记忆模型对数据进行建模。图1展示了双向长短时记忆模型处理高分辨距离像样本的过程，主要包括3部分:将原始数据转化为稳健的序列数据，采用BLSTM模型提取样本特征以及通过投票策略融合双向信息输出样本类别。下面详细地介绍具体的识别过程。对于输人样本x^RDX1，首先根据高分辨距离像样本的能量选取出样本的目标区域xSjS!，其中&代表目标区域的起始点，&表示目标区域的终止点。由于高分辨距离像样本存在平移敏感性，即高分辨距离像样本的目标区域在实际数据处理中会存在一定的平移，传统的解决平移敏感性的方法会提取平移不变特征，将时域数据转化为其他域空间，改变了数据的结构，失去了时域高分辨距离像数据的时序特性&]。笔者选取、…和作为特征来进行处理，保留了其时序相关特性。但是，不同的样本对应的目标区域不同，这就意味着XSjD和的维度也会随着样本的变化而发生变化。为了解决这一问题，模型采用滑窗的方式将样本转化为序列的形式，同时采用长短时记忆模型来处理这种序列特征。由于长短时记忆模型的所有时刻的参数均是共享的，可以对任意长度的序列进行处理，因此，长短时记忆模型可以对当前的不同维度的输入特征进行建模。第2期徐彬等：采用双向LSTM模型的雷达HRRP目标识别31图1双向长短时记忆模型进行高分辨距离像识别过程1二1(1+(=—X)!—1):=+(=—X)!—1))，(1):ct=x(.s2—(d—X))T1—k)—=b1：52—(T1—k))=—X))，(2)其中，=为前向序列;，为后向序列；=为窗长0为相邻时刻重叠的长度；1KR=X1，为序列第K个时刻的输入；T1是反向序列的长度。从式（1)和式（2)可以看出，目标区域存在平移时，序列特征1和8基本保持不变。对于输入序列1和x分别采用前向长短时记忆模型和后向长短时记忆模型对前向序列和后向序列进行处理。前向长短时记忆模型的结构如图2所示，长短时记忆的每个模块包含了3个门：输入门忘记门/k、输出门^和一个记忆单元G。将长短时记忆模型应用到高分辨距离像序列，则输入门、忘记门、输出门和记忆单元分别计算如下:it=a(W(i)xt+U(i)ht—1+b(i))，(3)ft=(W(/)xt+U(J)ht1+b(J))，(4)ot=a(W()x,+U(0)h—1+b(0))，(5)ct=it2tanh(W()xt+U(c?ht—1+b(c))+ft•c,—1，(6)其中，(x)=1/(1+exp(—x))，tanh(x)二（exp(x)—exp(—x))/(exp(x)+exp(—x))，为非线性映射函数，其作用在每一个元素上。x,Rdd1，为第t个时刻的输入;W(2)只^=和U(2)R^'为模型的权值矩阵0(2leR^1，为模型的偏置。如式(3)〜式（6)所示，该模型在提取t时刻的特征时不仅考虑当前的高分辨距离像输入xt，也考虑了前面时刻的信息h,—1，使得该模型可以充分利用高分辨距离像时序特性，提取更具有可分性的特征。接下来，通过长短时记忆模型提取高分辨距离像隐层序列特征h1:http：//journal.xidian.edu.cn/xdxb32西安电子科技大学学报第46卷ht^ot•tanh(cf)。（7)在得到隐层序列特征^后，采用分类器输出样本的类别：其中，声(3^|X，0)对应于样本