[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

说明书

本发明公开了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，该方法首先进行预处理降低HRRP样本中的敏感性并对样本进行谱图变换；然后建立动态调整层，对谱图进行调整；然后通过重要性网络调整谱图中各时间点序列的重要程度，再通过双向堆叠RNN对时序相关性建模，提取出其高层次特征，最后采用多层次的注意力机制调整网络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，具体来讲，涉及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。

背景技术

随着科技日新月异的发展，雷达目标识别技术在军事国防方面以及未来战争中扮演中越来越重要的角色。对于雷达目标识别，高分辨宽带雷达的回波包含了对分类和识别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。高分辨宽带雷达的回波也被称为目标的一维高分辨距离像(High Resolution Range Profile，HRRP)。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HRRP的目标识别系统而言，特征的提取和利用是其中极其重要的一环。原始的HRRP样本维数较高，很难直接体现识别对象的本质属性。有效的HRRP特征不仅可以充分地表达雷达数据的信息，并且能够区分不同雷达类别的差异性，从而提高雷达目标识别的精度。

传统的HRRP特征提取方法基本分为两个方向：基于降维的特征提取方法和基于变换(Transformer)的特征提取方法。传统的特征提取方法在实验中取得了很好的识别性能，但特征提取的方式大多是无监督且有损的，导致特征提取方法的选择高度依赖研究人员对HRRP数据的认知和经验的积累问题。为了解决传统方法在特征提取上存在的问题，近年来，随着深度学习的发展，基于深度学习的识别方法被引入到了雷达目标识别领域中。

深度学习中基于监督学习方法自动地提取样本的可分性特征，大大地改善了传统模型在特征提取方面的不足。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(RNN)的深度学习方法。前两种方法对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。而第三种方法虽然基于序列相关性进行建模，但是依然存在以下几个问题：(1)对HRRP的局部性的强度信息采用原始的时域切分方法，得到的特征存在高度冗余性，给后续RNN(循环神经网络，Recurrent Neural Network)建模带来困难；(2)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；(3)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，该方法首先进行预处理降低HRRP样本中的敏感性并对样本进行谱图变换；然后建立动态调整层，对谱图进行调整；然后通过重要性网络调整谱图中各时间点序列的重要程度，再通过双向堆叠RNN对时序相关性建模，提取出其高层次特征，最后采用多层次的注意力机制调整网络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，包括以下步骤：