技术摘要：
本发明公开了一种基于多尺度卷积神经网络的雷达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，然后后接的多尺度卷积神经网络可在保留HRRP样本内所蕴含的序列相关性同时，提取出HRRP包络中所含的信息，最后采用基于RNN的深度学习方法进行目标识别：该  全部
背景技术：
雷达是一种无线电探测电子设备，它通过无线电波的后向散射回波来发现目标并 测定其空间方位、大小以及形状等信息，具有全天时、全天候以及探测距离远等优势，雷达 成为探测战场周围环境的重要工具，在军事领域中具有举足轻重的作用，这一背景下，雷达 自动目标识别技术作为雷达应用的重要方向便应运而生了。 传统方法中存在了一些问题，包括：(1)特征提取的方式大多是无监督且有损的， 这意味着基于变换的特征提取方法不能很好地将目标关注于寻找最大可分性特征上，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。深度学习可基于监督学习方法自动地提取样本的可分性特 征，改善了传统模型在特征提取方面的不足。但通常用到的基于编码器-解码器结构或是基 于卷积神经网络的结构都是前馈网络，前馈网络在通过卷积操作后仍然可以保持原先的位 置关系，但它最大的劣势是当样本中包含时间顺序信息时，它不会去考虑序列中的信息，因 为样本的处理在各个时刻是独立的。 用基于循环神经网络(RNN)的深度学习方法可以改善HRRP时序信息不能被提取处 理的问题：该方法基于序列相关性进行建模，对物理结构特征进行建模描述，但还存在一个 问题：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建模带来困难；虽然CNN可以代替时域切分法对样本进行处理，但当层数变多时， 前层的信息可能会丢失，不能被很好的利用起来。
技术实现要素：
鉴于以上存在的技术问题，本发明用于提供一种基于多尺度卷积神经网络的雷达 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，然后后接的多尺度 卷积神经网络可在保留HRRP样本内所蕴含的序列相关性同时，提取出HRRP包络中所含的信 息，最后采用基于RNN的深度学习方法进行目标识别：该方法基于序列相关性进行建模，对 物理结构特征进行建模描述，最后通过softmax进行分类识别。 为解决上述技术问题，本发明采用如下的技术方案： 一种基于多尺度卷积神经网络的雷达HRRP目标识别方法，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 5 CN 111580058 A 说　明　书 2/7 页 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T＝{(xi,yk)}i∈[1,n],k∈[1,c]，其 中xi表示第i个样本，yk表示样本属于第k类，一共采集了c类目标，n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； S3，用多尺度卷及神经网络对预处理后的样本进行特征提取； S4，设计识别网络RNN； S5，对由S1采集到的测试数据进行训练阶段的步骤S2预处理操作； S6，将经过S2处理的样本送入S3，S4构建的模型中进行测试求得结果，即最后通过 softmax层进行分类。 优选地，所述步骤S2进一步包括： S201，强度归一化，假设原始HRRP表示为xraw＝[x1,x2,…,xL]，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，xi为原始HRRP中第i维信号单元。 优选地，所述步骤S3进一步包括： S301，设计网络结构，包括DenseNet模块的个数、每个DenseNet模块中卷积层的个 数及深度、不同尺度的卷积核的尺寸，将预处理后的样本x＝[x1,x2,…,xL]送进多尺度网络 中； S302，第m个DenseNet模块中第i个卷积层的输出为： 其中 表示卷积操作， 为第m个DenseNet模块中第i个卷积核，bi表示第i个卷 积核对应的偏置，当m＝1时， 就是经过预处理后输出进多尺度网络的HRRP样本x＝[x1 , x2,…,xL]； S303，假设一个mini-batch包含了N个HRRP样本，通过第m个DenseNet之后其输出 表示为： 其中第n个HRRP样本对应的输出 是一个四维矩阵， 其中通道 数为I×dm，dm表示第m个DenseNet模块中的卷积核深度，I表示模块中卷积层的个数，每个通 道内包含P个输出值，即模块中每一层的输出都进行了连接； 批量归一化层通提出了变量重构的概念，在基础公式的基础之上加上两个参数： γ和β，第n个HRRP样本对应于第m个DenseNet模块后的输出 中第k个通道中第p个元素 6 CN 111580058 A 说　明　书 3/7 页 经过归一化层的输出为： 其中γmk和βmk为可训练的对应于第m个DenseNet模块输出中第k个通道的参数， 为标准化后的 按照如下公式计算： 其中ε是一个很小的数， 为该元素的均值， 为该元素的方差，按照 如下公式计算： S304，批量归一化层后接ReLU激活函数进行非线性激活，若输入为 则经过 ReLU之后的得到的输出表示为： S305，池化层调整多尺度网络中每个DenseNet模块输出特征矩阵的尺寸，第n个 HRRP样本对应的输出 经过池化后其输出维度表示为： 其中S表示池化核的步长，P表示池化操作前每个通道包含的输出个数，dm表示第m 个DenseNet模块中的每个卷积层中卷积核深度，I表示模块中卷积层的个数，通道数为I× dm。 优选地，所述步骤S4进一步包括： S401，确定网络隐藏单元的个数并构建网络； S402，假设输入的是特征FRNN， 其中M表示RNN 的各时间点维数，N表示输入序列长度，假设其输出为Foutput， 其中H是隐单元个数，输出序列中第k个 时间点所对应的向量表示为： Foutput(k)＝f(WhFhk bF) 其中，f(·)表示激活函数，WhF表示RNN中隐藏层的输出矩阵， 表示RNN中第k个 隐藏层状态，bF表示RNN的输出偏置； S403，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 7 CN 111580058 A 说　明　书 4/7 页 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，N表示一个批次中训练样本的个数，en是one-hot向量，用于表示第n个训练 样本的真实标签，P(i|xtrain)表示训练样本对应于第i个目标的概率； S404，初始化上述模型中所有待训练的权重及偏置，设置训练参数，包括学习率、 每个批次训练数据量、训练批次，开启模型训练。 优选地，所述步骤S6进一步包括： 第i个HRRP测试样本 对应于目标集中第k类雷达目标的概率计算为： 其中exp(·)表示取指数运算，c表示类别个数； 通过最大后验概率将测试HRRP样本xtest分类到最大目标概率的k0中： 采用本发明具有如下的有益效果： (1)本发明实施例中应用多尺度卷积神经网络对HRRP进行特征提取，在起到特征 重用的效果的同时，也更有效的加强了特征的传递。 (2)本发明实施例中应用循环神经网络作为识别模型，改善了HRRP样本中的时序 信息不能被提取处理的问题，因为该方法基于序列相关性进行建模，对物理结构特征进行 了建模描述。 附图说明 图1为本发明实施例的基于多尺度卷积神经网络的雷达HRRP目标识别方法的步骤 流程图。