收稿日期:20180926;修回日期:20181108 基金项目:国家自然科学基金资助项目;航天科技创新基金资助项目;航空科学基金资
助项目
作者简介:王泓霖(1995),男,山东威海人,硕士研究生,主要研究方向为雷达目标识别及雷达信号处理(wanghonglin821@outlook.com);李伟
(1978),男,山东济宁人,副教授,博士,主要研究方向为新体制雷达信号处理;许强(1994),男,江西赣州人,硕士研究生,主要研究方向为雷达目
标识别及雷达信号处理;徐建业(
1992),男,北京人,硕士研究生,主要研究方向为深度学习及信号处理;张军(1973),男,湖南长沙人,研究员,博
士,主要研究方向为制导雷达技术.
基于深度置信网络的高分辨率雷达距离像识别
王泓霖
1a
,李 伟
1b
,许 强
1a
,徐建业
1a
,张 军
2
(1.空军工程大学 a.研究生院;b.信息与导航学院,西安 710077;2.国防科技大学 电子科学与工程学院,长
沙 410073)
摘 要:为提高雷达目标识别准确率,提出了一种基于深度置信网络(DBN)的高分辨率雷达距离像(HRRP)识
别方法。首先利用受限玻尔兹曼机(
RBM)对 HRRP数据进行逐层无监督训练,根据对比散度(CD)算法更新网
络参数,通过误差重构设计
DBN深度;而后利用反向传播(BP)机制对 DBN模型参数进行有监督的微调;最后基
于该模型实现了 HRRP的分类与识别。实验结果表明,与传统神经网络相比,本文方法的识别准确率及噪声鲁
棒性显著提高,识别准确率可提高 8.5%。
关键词:深度置信网络;高分辨距离像;重构误差;目标识别
中图分类号:TP391.41 文献标志码:A 文章编号:10013695(2020)03051087204
doi:10.19734/j.issn.10013695.2018.09.0647
Highresolutionrangeprofilerecognitionbasedondeepbeliefnetwork
WangHonglin
1a
,LiWei
1b
,XuQiang
1a
,XuJianye
1a
,ZhangJun
2
(1.a.CollegeofGraduate,b.CollegeofInformation&Navigation,AirForceEngineeringUniversity,Xi’an710077,China;2.Collegeof
ElectronicScience&Engineering
,NationalUniversityofDefenseTechnology,Changsha410073,China)
Abstract:Inordertoimprovetheaccuracyofradartargetrecognition,thispaperproposedahighresolutionrangeprofile
(HRRP)recognitionmethodbasedondeepbeliefnetwork(DBN).Firstly,themethodusedarestrictedBoltzmannmachine
(RBM)toperform layerbylayerunsupervisedtrainingonHRRPdata.Itupdatedthenetworkparametersaccordingtothe
contrastdivergence(CD)algorithm,anddesignedtheDBNdepthbythereconstructionerrormethod.Then,itfinetunedthe
DBNmodelparameterswithsupervisionthroughabackpropagation
(BP)mechanism.Finally,basedonthemodel,itrealized
theclassificationandrecognitionofHRRP.Theexperimentalresultsshowthatcomparedwiththetraditionalneuralnetwork
,the
recognitionaccuracyandnoiserobustnessoftheproposedmethodaresignificantlyimproved,andtherecognitionaccuracycan
beimprovedby8.5%.
Keywords:deepbeliefnetwork;highresolutionrangeprofile;reconstructionerror;targetrecognition
0 引言
雷达目标识别与分类是第四代雷达体制的关键技术之一,
也是当前雷达主要研究领域之一。高分辨距离像(
highresolu
tionrangeprofile,HRRP)是目标三维结构在一维空间上的投
影,可很好地反映目标散射点沿雷达视线(radarlineofsight,
RLOS)径向分布信息,不仅提供了比低分辨雷达目标回波信号
更多特征信息,还避免了二维或三维成像过程中复杂的运动补
偿和过多的成像耗时,具有 易 于 获 取 和 方 便 处 理 的 独 特 优
势
[1]
。因此,基于 HRRP的 目 标 识 别 是 雷 达 自 动 目 标 识 别
(
radarautomatictargetrecognition,RATR)领域重要研究方向之
一
[2]
。目前基于 HRRP的识别方法主要有模板匹配法
[3,4]
、支
持向量机
[5,6]
、聚类
[7]
、主成分分析
[8~10]
、稀疏表示
[11,12]
、神经
网络
[13~16]
等。但以上方法在数据预处理时需人工进行特征提
取,对复杂函数表示能力有限,目标泛化能力低,不可避免地造
成一定信息损失,且常常面临维数灾难、局部最优及过学习问
题,影响识别正确性的提高。
针对传统神经网络需要大量的标签样本集、收敛速度慢以
及易出现局部最优解等问题,
Hinton等人
[17]
于 2006年提出了
非监督的逐层贪婪训练方法,解决了神经网络深度增加所带来
的梯度耗散问题,显著提高网络分类和预测的准确性,使神经
网络结构规模与识别精度与日俱增。
本文提出了一种基于深度置信网络的高分辨雷达目标检
测方法,通过深度置信网络(
deepbeliefnetwork,DBN)有监督
学习和无监督学习的训练过程,优化 DBN模型参数,设计了一
种基于 RBM 重构误差的隐含层深度确定方法,让网络通过计
算自组织地训练,设计出既能满足精度要求,又能节约成本的
网络深度,并通过实验仿真验证模型的有效性。
1 深度置信网络模型
深度置信网络由若干个受限玻尔兹曼机(restrictedBoltz
mannmachines
,RBM)和一个反向传播网络(backpropagation,
BP)叠加组成,其训练过程分为无监督预训练和有监督微调两
个部分
[18]
。首先,使用无监督学习方法预训练每一层 RBM,
将低层 RBM输出作为高层 RBM输入,以贪婪方式训练每层
RBM,利用对比散度(contrastivedivergence,CD)快速算法初始
第 37卷第 3期
2020年 3月
计 算 机 应 用 研 究
ApplicationResearchofComputers
Vol37No3
Mar.2020