[发明专利]基于谱图变换和注意力机制循环神经网络的雷达HRRP目标识别方法

权利要求书

1.一种基于谱图变换和注意力机制循环神经网络的雷达HRRP目标识别方法，其特征在于，包括以下步骤：

S1，采集数据集，将雷达采集到的HRRP数据集依据目标的种类进行合并，每种种类的样本分别在不同的数据段里选择训练样本和测试样本，在训练集和测试集的选取过程中，保证所选取的训练集样本与雷达所成姿态涵盖测试集样本与雷达所成的姿态，各类目标训练集和测试集样本数的比例为8:2，将挑选的数据集记作其中x_i1表示第i1个样本，y_k1表示样本属于第k1类，一共采集了c类目标，n1表示样本总数；

S2，对经过S1所提取数据集中的样本做预处理，在利用HRRP进行目标识别前，通过l₂强度归一化的方法对原始HRRP回波进行处理，从而改善HRRP的强度敏感性问题，HRRP是通过距离窗从雷达回波数据中截取的，在截取的过程中录取的距离像在距离波门中的位置不固定，从而导致了HRRP的平移敏感性，为了使训练和测试具备统一标准，用重心对齐法消除平移敏感性，这样HRRP中包含信息的那些距离单元将分布在中心附近；

S3，对经过上述处理的HRRP样本进行谱图变换；

S4，对HRRP样本进行动态调整，即对样本进行多个幂次的处理；

S5，搭建重要性调整网络，对经过上述处理后的数据进行通道调整，采用一种全新的特征重标定的策略通过学习的方式来自动获取到每个特征通道的重要程度，然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征；

S6，含有注意力机制的堆叠双向RNN训练模型，调参并进行优化；

S7，对由S1采集到的测试数据进行训练阶段的步骤S2、S3、S4预处理操作；

S8，将经过S7处理的样本送入S5、S6构建的模型中进行测试求得结果，即最后经过注意力机制的输出会通过softmax层进行分类；

所述S2进一步包括以下步骤：

S201，强度归一化，假设原始HRRP表示为x_raw＝[x₁，x₂，…，x_i，…，x_L]，其中L表示HRRP内包含的距离单元总数，则强度归一化之后的HRRP表示为：

S202，样本对齐，平移HRRP使其重心g移至L/2附近，这样HRRP中包含信息的那些距离单元将分布在中心附近，其中HRRP重心g的计算方法如下：

其中，为原始HRRP中第i₄维信号单元，

原始HRRP样本经过强度归一化和重心对齐法处理之后幅值已经被限制在0-1之间，不仅统一了尺度，而且在0-1之间的数值非常有利于后续的神经网络处理；分布偏右或偏左的HRRP回波信号都被调整到了中心点附近；

所述步骤S3进一步包括：

S301，计算时域信号的短时傅里叶变换来获得该信号的谱图特征，时间信号的短时傅里叶变换的变换公式可以表示为：

其中，T表示时间，ω表示频率，x(·)表示被变换的时间信号，w(·)表示STFT变换的窗函数；

谱图特征是STFT变换的模平方，它可以表示为：

Y(T，ω)＝|STFT(T，ω)|²，

S302，谱图特征的每一个时间点上所对应的频域特征是一段变换窗长内的连续距离单元时域信号的频谱，需要将HRRP样本切分为多个子序列，在这里每一段子序列长度相同，每个子序列进行傅里叶变换的点数也是相同的，选取窗函数对每个子序列进行处理，

进行处理后的谱图特征是一个矩阵，它的每一列包含一个短期局部时间的频率成分估计，时间沿列增加，频率按行增加；

所述步骤S4进一步包括：

S401，提出对HRRP谱图特征进行动态调整，即对谱图进行多个幂次的处理，对数据进行幂次处理，从多个角度将雷达HRRP中所蕴含的信息以多种不同的形式体现出来，方便后续网络从多个角度提取特征进行识别，动态调整层的输出表示为：

其中，M是动态调整层的通道数，第i个动态调整通道表示为

其中，a_i表示幂次变换的系数；

所述步骤S5进一步包括：

S501，重要性网络对谱图特征进行重要性调整，通过学习卷积通道的全局信息来有选择地强调蕴含可分性信息较多的某些时间点的输入序列并抑制另外一些不太重要的时间点的输入序列，经过重要性网络调整后之后，模型变得更加平衡，使更重要、更有用的特征可以得到突显，提高了模型表征HRRP能力，重要性调整分为压缩特征和激发特征两部分；

S502，压缩特征部分，整理进入重要性网络的谱图特征维度为该特征是由M₆个序列构成，每个序列为一个N₆维的向量，其中M₆对应的是谱图矩阵的时间维度，其中的每一个序列都会经过全连接层和激活函数压缩为一个代表此序列重要程度的实数权重x_sq，将x_dynamic通过全连接，全连接的输出可由下式计算得到：

其中激活函数f(·)为Sigmoid函数，

S503，特征激发部分，通过Excitation公式将提取到的特征进行选择性调整，得到经调整之后的特征F_E：

F_E＝x_dynamic⊙x_sq

其中x_sq＝[x_sq(1)，x_sq(2)，...，x_sq(M₇)]，它是一个M₇维向量，⊙表示将x_dynamic各通道中的每一个元素都乘上x_sq这个向量中对应维上的数，特征F_E中的第m个通道被调整为：

所述步骤S6进一步包括：

S601，分类网络设计为多层堆叠的双向RNN，假设输入的是特征F_RNN，其中M_i2表示第i2个双向RNN的各时间点维数，N2表示输入序列长度，假设其输出为F_output，其中H是隐单元个数，其中序列中第k个时间点所对应的向量可表示为：

其中，f(·)表示激活函数，表示对应于第i2个双向RNN中所包含的前向RNN的隐藏层输出矩阵，表示第i2个双向RNN中所包含的前向RNN中所包含的第k2个隐藏层状态，表示对应于第i2个双向RNN中所包含的后向RNN的隐藏层输出矩阵，表示第i2个双向RNN中所包含的后向RNN中所包含的第k2个隐藏层状态，b_Fi2表示第i2个双向RNN的输出层偏置；

S602，网络中的注意力机制，选取最后几层双向RNN在不同时刻得到的隐层状态进行拼接，第i层拼接后的隐层状态为：

最后再将每一层拼接后隐层进行相加，即得到经过注意力模型处理后的隐层状态c_ATT为：

其中a_ik表示对应于第i层第k个时间点所对应的权重，M表示双向RNN模型中每层的前向RNN或后向RNN包含的隐状态的个数，即时间点维数，N₁表示网络堆叠的层数，N₀表示取从最后一层开始数，共取几层堆叠双向RNN内的隐状态用于求c_ATT，α_i3k3的求法如下式所示：

其中，e_i3k3为第i3个双向RNN中前向和后向隐藏状态进行相加后的能量，可以表示为：

e_i3k3＝U_ATTtanh(W_ATTh_i3k3)

其中它们是用于计算隐单元能量的参数，l是隐单元的维数，M₁是时间点维数；

S603，损失函数设计为交叉熵，通过使用训练数据计算损失函数相对于参数的梯度来学习参数，并在模型收敛时固定学习的参数，采用基于交叉熵的代价函数，表示为：

其中，N₃表示一个批次中训练样本的个数，是one-hot向量，用于表示第n₂个训练样本的真实标签，P(i₃|x_train)表示训练样本对应于第i₃个目标的概率。