[发明专利]一种基于长短期记忆网络的雷达未知目标识别方法

说明书

本发明属于未知目标识别技术领域，具体涉及一种基于长短期记忆网络的雷达未知目标识别方法。本发明首先对宽带雷达一维距离像数据(HRRP)进行预处理；其次对长短期记忆网络从一维距离像中提取的特征矢量进行主成分分析(PCA)，降低特征矢量维度，最后通过最近邻法(NN)处理已知目标样本数据的低维度特征矢量，获取判别门限，对长短期记忆网络的输出矢量进行判别，从而识别出未知目标。针对常规的卷积网络，由于长短期记忆网络能够提取相邻一维距离像样本之间的相关信息，有效描述输入一维距离像样本序列间的变化特性，从而改善了对未知目标的识别性能。

技术领域

本发明属于未知目标识别技术领域，具体涉及一种基于长短期记忆网络的雷达未知目标识别方法。

背景技术

一维距离像(HRRP)反映了目标的尺寸和散射中心分布等结构特征，具有实时性强、易于获取和存储等优点，是当前识别飞机等空中目标的主要手段。

随着深度学习理论在语音、图像和自然语言处理等领域的成功应用，部分学者开始将深度学习方法引入到雷达目标一维距离像识别方面。例如，具有平移不变性特点的卷积神经网络对已训练的雷达目标一维距离像具有好的识别率，但是不能正确识别未知目标(即没有参与训练的目标)，对此，利用深层卷积神经网络+门限即可实现对未知目标的识别，然而，由于卷积神经元网络末能使用相邻样本间的相关信息，因此，对未知目标的识别性能还有进一步改进的余地。

发明内容

本发明的主要内容是针对上述问题，提出一种基于深度卷积神经网络的雷达未知目标识别方法。该方法采用长短期记忆网络提取输入序列中相邻样本间的相关特性，有效描述了与目标结构有关的特征信息，从而改善了对未知目标的识别率。

本发明的技术方案是：一种基于长短期记忆网络的雷达未知目标识别方法，包括以下步骤：

S1、基于目标散射中心模型，设宽带雷达获取的单幅目标一维距离像样本为x＝[x₁,x₂,...,x_i,…,x_n]，其中n为距离单元个数，x_i表示第i个距离单元的幅度，为降低一维距离像幅度敏感性对识别性能的影响，突出强散射点与其余散射点的对比效果，对一维距离像进行β-均值标准化处理：

其中表示第i个距离单元归一化幅度，β为常数，E_x表示该单幅距离像的均值，β-均值标准化处理后的单幅一维距离像为

S2、构建长短期记忆神经网络模型，在循环神经网络基础上进行改造的长短期记忆神经网络(LSTM)，能够一定程度解决梯度消失的问题，如图1所示，本发明的长短期记忆神经网络总共有11层，依次为LSTM层、Dropout层1、Flatten层、全连接层1、Dropout层2、全连接层2、全连接层3、Dropout层3、全连接层4、全连接层5、分类器；除单个LSTM层和以softmax为激活函数的分类输出层之外，含有多个全连接层和dropout层使部分神经元随机失活以减小训练参数，降低模型过拟合风险；将多幅一维距离像经预处理后按时间顺序输入网络，考虑雷达最小分辨单位以及HRRP数据特征，时间步长设为1，长短期记忆神经网络的输入为输出为分类器给出的识别标签其中为第m个时刻预处理后的一维距离像，1≤m≤N，N为一维距离像数量，为第m个时刻预处理后的一维距离像对应的识别标签；所述LSTM层的基本单元为记忆单元，如图2所示，每个记忆单元包含输入门、遗忘门和输出门三个元件，第m个时刻记忆单元的输入为该记忆单元拥有输出h_m和记忆值c_m，经输入门、遗忘门、输出门和上一时刻记忆单元的输出值h_m-1、记忆值c_m-1的共同作用，最终得到h_m，记忆单元的串接如图3所示，具体为：