基于深度神经网络的雷达目标高分辨距离像稳健识别方法

The heavy requirement of training sample size and low SNR of the test HRRP are two major challenges when apply traditional radar high resolution range profile (HRRP) target recognition method to high speed non-cooperative target. Under this circumstance, extracting feature and designing classifier for HRRP are very difficult. Therefore, the recognition rates of the traditional models are generally low. However, the high speed non-cooperative targets are great threats to our defending system, which should receive significant attention. To solve the defects of traditional recognition method, we developed a radar HRRP automatic recognition system based on the deep neural network which puts emphases on both feature extraction and classifier design. This recognition system extracts the physical properties of the data, which can enhance the recognition performance. In order to improve the noise robustness of the recognition system, we explore a robust Boltzmann machine based on prior knowledge, which enhances the feature of low SNR testing sample by using priori information contained in the feature of high SNR training samples. To relax the heavy requirement of training sample size, we proposed a radar HRRP automatic recognition model based on the deep convolutional neural network. Compared with the traditional recognition methods learn the model parameters with the data according to the angle independently, the deep convolutional neural network learns model parameters with the data together, which explores the connection between the data and relaxes the requirement of training sample. Our research is expected to achieve good recognition performance under the condition of small training samples and low SNR. It can greatly expand the application range of the radar HRRP automatic target recognition.

传统雷达HRRP目标识别方法应用于高速非合作目标识别将面临两大难题：训练样本数有限和用于识别的HRRP信噪比较低。此时，HRRP特征提取和分类器设计较为困难，识别性能普遍偏低。然而，这类目标威胁很大，恰是关注重点。为解决传统方法的缺陷，本课题拟从特征提取和分类器设计出发，构建基于深度神经网络的雷达自动目标识别系统。在特征提取层面，提取体现数据内在物理特性的特征，提高后续系统识别能力。为改善系统的噪声稳健性，拟采用基于先验知识的稳健玻尔兹曼机算法，该算法通过高信噪比训练样本特征内包含的先验信息对低信噪比测试样本的特征进行增强。在分类器构建层面，拟构建深度卷积神经网络进行自动目标识别。该方法将原本独立建模的各角域子模型联系到一起，共同建模学习来挖掘数据之间的联系, 减少了系统对训练样本数的需求。本课题的研究预计在小样本和低信噪比条件下能达到较好的识别性能，可提高雷达目标识别系统的工程实用性。

传统雷达HRRP目标识别方法应用于非合作目标识别存在以下四个不足：未考虑采集到的数据集中包含的不平衡性、信噪比较低的环境下工作不稳健、识别率尚待提高以及无法适应小训练样本环境。这些问题限制了HRRP目标识别的实际工程应用范围。为了处理数据集不平衡问题，我们提出了一种基于t-SNE和合成采样的数据平衡技术。该技术的主要优势如下：1）基于数据集结构特征进行分帧较传统均匀分帧方法明显具备更合理的分帧结果；2）该方法可作为数据预处理的模块，供后续其他各种识别方法使用，具有很强的推广性；3）合成采样方法可有效的缓解数据的不平衡和小样本现象。基于实测数据的实验结果验证了该数据预处理方法的优越性。为了改善雷达HRRP目标识别方法在噪声环境下的识别性能，我们采用的基于稳健玻尔兹曼机模型利用先验信息实现雷达HRRP特征增强，使增强之后的低信噪比HRRP特征可以匹配由高信噪比HRRP训练得到的目标识别模型，从而实现雷达目标稳健识别。基于实测数据的试验结果表明，即使在测试样本信噪比较低的情况下，基于稳健玻尔兹曼机模型的目标识别模型仍可以取得较好的识别性能。为了提高雷达目标识别模型的识别能力，我们基于深度稀疏自编码器、深度信念网络、深度卷积网络以及循环神经网络这四类深度神经网络模型构建了雷达目标识别框架。相对于传统特征提取的形式，这些基于深度神经网络的雷达目标识别框架抽象取得的特征更能反映目标HRRP内部蕴含的内在特定物理结构信息，更有利于后续分类。实验表明基于深度神经网络的雷达目标识别框架可以取得很好的识别效果。为了改善目标识别算法对大训练样本数的依赖性，在训练深度神经网络的时候，我们将同一目标下原本独立建模的各角域子模型联系到一起，共享模型参数，因此所需估计的参数和训练样本数相比传统模型较少。基于实测数据的实验表明，这种共同训练、共享参数的方法能降低模型对训练样本数的需求。