[发明专利]基于注意力机制和双向堆叠循环神经网络的雷达目标识别方法

说明书

本发明公开了一种基于注意力机制和双向堆叠循环神经网络的雷达目标识别方法，该方法首先进行预处理降低HRRP样本中的敏感性并建立动态调整层；然后选取滑窗尺寸对HRRP进行切分，滑窗移动距离小于滑窗长度；然后通过重要性网络调整各切分序列的重要程度；再通过双向堆叠RNN对样本的时序相关性进行建模，提取出其高层次特征；最后采用多层次的注意力机制调整隐层状态的重要程度并通过softmax进行目标分类。

技术领域

本发明属于雷达目标识别领域，具体涉及一种基于注意力机制和双向堆叠循环神经网络的雷达目标识别方法。

背景技术

高分辨宽带雷达的距离分辨率远小于目标尺寸，其回波也被称为目标的一维高分辨距离像(High Resolution Range Profile，HRRP)。HRRP中包含了对分类和识别等极有价值的结构信息，如目标的径向尺寸、散射点分布等，具有广阔的工程应用前景。因此，基于HRRP的雷达自动目标识别方法逐步成为雷达自动目标识别领域研究的热点。

对于绝大多数的HRRP目标识别系统而言，由于原始HRRP样本往往维数较高，往往很难直接体现识别对象的本质属性，因此，特征提取是其中的关键的一环。特征提取的主要工作是通过某种线性或非线性变换，为后续的识别任务提供某种帮助(如降低数据维数、强化判别信息等)。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。

传统的特征提取方法可分成两部分：(1)基于降维的特征提取方法；(2)基于变换(Transformer)的特征提取方法，如双谱、谱图以及频谱幅度特征等。这些方法将HRRP信号投影到频域中，然后对其频域特征进行建模识别。传统的特征提取方法在实验中取得了很好的识别性能，然而还存在以下两个问题：(1)特征提取的方式大多是无监督且有损的，这意味着可分性的信息将不可避免地在特征提取的过程中损失掉一部分，不利于后端分类器的识别。(2)特征提取方法的选择高度依赖于研究人员对于HRRP数据的认知和经验的积累，在某些缺乏先验信息的情况下难以达到令人满意的效果。

为了解决传统方法在特征提取上存在的问题，近年来，基于深度学习的方法被引入到了雷达目标识别领域之中。基于深度学习的雷达高分辨距离像识别方法大致可分为以下三类：(1)基于编码器-解码器结构的深度学习方法。(2)基于卷积神经网络(CNN)结构的深度学习方法。(3)基于循环神经网络的深度学习方法。然而，方法(1)和(2)对HRRP整体的包络信息直接进行特征提取和建模，忽略了可反映目标物理结构特征的HRRP距离单元之间的序列相关性。方法(3)基于序列相关性进行建模，虽然对物理结构特征进行建模描述，但是存在以下几个问题：(1)幅度较小的距离单元中有可能会包含一些可分性很强的特征，但这些特征很少被用到；(2)单向的RNN在预测时只能利用当前时刻及当前时刻之前的结构信息，无法很好利用HRRP中蕴含的整体结构信息先验。

发明内容

鉴于以上存在的技术问题，本发明用于提供一种基于注意力机制和双向堆叠循环神经网络的雷达目标识别方法，首先进行预处理降低HRRP样本中的敏感性并建立动态调整层；然后选取滑窗尺寸对HRRP进行切分，滑窗移动距离小于滑窗长度；然后通过重要性网络调整各切分序列的重要程度；再通过双向堆叠RNN对样本的时序相关性进行建模，提取出其高层次特征；最后采用多层次的注意力机制调整隐层状态的重要程度并通过softmax进行目标分类。

为解决上述技术问题，本发明采用如下的技术方案：

一种基于注意力机制和双向堆叠循环神经网络的雷达目标识别方法，包括以下步骤：