基于卷积神经网络的高分辨距离像目标识别-杨予昊.pdf

《基于卷积神经网络的高分辨距离像目标识别-杨予昊.pdf》由会员分享，可在线阅读，更多相关《基于卷积神经网络的高分辨距离像目标识别-杨予昊.pdf（5页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第39卷第12期2017年12月现代雷达Modem RadarV0139 No12Dee2017信号处理DOI：1016592jcnki10047859201712005基于卷积神经网络的高分辨距离像目标识别杨予昊12，孙晶明12，虞盛康12，彭雄伟12(1南京电子技术研究所， 南京210039)(2中国电子科技集团公司智能感知技术重点实验室， 南京210039)摘要：特征提取是基于高分辨距离像进行雷达目标识别的关键技术。传统的人工提取特征的算法，只利用了浅层结构特征，不可避免会带来信息损失，从而导致目标识别方法的泛化性不强。针对上述问题，文中尝试引入深度学习工具，提出了一种基于卷积神经网络的

2、目标识别方法。通过构造适用于处理高分辨距离像的卷积神经网络模型，优化深度学习参数，充分发掘高分辨距离像所包含的目标深层次属性特征，实现稳健的自动特征提取，完成目标分类。最后，基于实测数据对该方法进行了性能验证，实验结果显示了所提方法的有效性。关键词：高分辨距离像；目标识别；深度学习；卷积神经网络中图分类号：TN9575l 文献标志码：A 文章编号：10047859(2017)12002405High Resolution Range Profile Target RecognitionBased on Convolutional Neural NetworkYANG Yuha01”-SUN J

3、ingmin91”，YU Shengkan91，PENG Xiongweil2(1Nanjing Research Institute of Electronics Technology， Nanjing 2 1 0039，China)(2Key Laboratory of IntelliSense Technology，CETC，Nanjing 210039，China)Abstract：Feature extraction is the key technique for radar target recognition based on high resolution range pro

4、filesTraditional artifieial feature extraction algorithms only utilize shallow architecture features，which result in the loss of information inevitably andrestrict the generalization performance of target recognition methodsAiming at this issue，the deep learning tool is used in this pa-per，and a new

5、 method of target recognition based on convolutional neural network is presentedBy constructing a convolutionalneural network model for dealing with high resolution range profiles，and optimizing deep learning parameters，the deep propertyfeatures of targets included in high resolution range profiles

6、are fully explored，moderate automatic feature extraction is realized-and target classification is accomplishedIn the end，the performance of the proposed method is validated based On measured data，and experimental results show the effectiveness of the proposed methodKey words：high resolution range pr

7、ofile；target recognition；deep learning；convolutional neural network0 引 言自动目标识别(ATR)技术可以提供目标属性、类别，甚至武器挂载情况等信息，对于提高军队的指挥自动化水平、攻防能力、国土防空、反导能力及战略预警能力具有十分重要的作用1 J。高分辨距离像(HRRP)，即一维距离像，反映了目标的精细结构特征，可以利用其作为特征向量进行目标识别。与基于合成孔径雷达(SAR)、逆合成孔径雷达(ISAR)二维像的目标识别技术相比，HRRP避免了二维像中复杂的运动补偿问题，且易于获得和处理，对目标的运动状态无特殊要求，因此成为国内

8、外的研究热点2-8。目前常用的基于HRRP的目标识别方法包括模板匹配法一一0I、支持向量机(SVM)一4|、聚类5|、宽通信作者：杨予昊 Email：yyhaomailustceduan收稿日期：2017-0818 修订日期：201710-1924一窄带融合识别刮等。但是这些方法都需要人工凭借经验进行特征提取179I，具有一定的盲目性和不确定性。近年来，深度学习(DL)理论在模式识别领域掀起了一股浪潮，相关的理论和实验成果不断出现。2006年，Hinton等人20 o提出了非监督的逐层贪婪训练方法，解决了深度增加所带来的“梯度耗散”问题，使神经网络能够朝着更深的方向进行发展。随后许多学者根据不

9、同的应用背景提出了多种DL模型，如深度置信网络(DBN)。21|、卷积神经网络(CNN)怛21等。由于可以直接处理二维图像，CNN在图像识别领域取得了较多成功的应用。而且CNN已经被用于SAR图像目标识别中，取得了不错的效果心3c。CNN作为一种特征学习方法，通过非线性的简单模型将原始数据转化为更为抽象的表达，在特征学习过程中不需要过多的人工参与。基于这一特点，本文借鉴CNN在SAR图像目标识别中的应用，尝试将万方数据信号处理 杨予吴，等：基于卷积神经网络的高分辨距离像目标识别CNN应用于HRRP目标识别领域，减少特征选取过程中的人工操作。实验结果表明，该方法具有良好的识别分类效果，证明了其有

10、效性。1 卷积神经网络基本原理11卷积神经网络基本结构如图1所示，一个典型的卷积神经网络主要由输入层、卷积层、池化层(下采样层)、全连接层和输出层(分类器)构成。1 替积神经H珞的腆锄补f句CNN的输入通常为原始图像x。本文用日i表示CNN的第i层特征图，则Ho=X。假设日i是卷积层，则日i的产生过程可以描述为日i=八HH o Wi+bj) (1)式中：Wi表示第i层卷积核的权值向量，运算符号“O”代表卷积核与第i一1层图像或者特征图进行卷积操作，卷积的输出与第i层偏移向量bi相加，最终通过非线性激励函数以戈)得到第i层特征图E。池化层通常跟随在卷积层之后，依据一定的下采样规则对特征图进行下采

11、样。池化层的功能主要有两点：1)对特征图进行降维；2)在一定程度上保持特征的尺度不变性。假设日i是池化层，即日i=subsampling(HH) (2)经过多个卷积层和池化层的交替传递，CNN依靠全连接网络对提取出的特征进行分类，如式(2)所示，得到基于输入的概率分布y(fi表示第i个标签类别)。CNN本质上是使原始矩阵风经过多个层次的数据变换或降维，映射到一个新的特征表达y的数学模型y(i)=P(L=Z。I Ho；(W，b) (3)CNN的训练目标是最小化网络的损失函数L(W，b)。输人日0经过前向传导后通过损失函数计算出与期望值之间的差异，称为“残差”。常见的损失函数有均方误差(MSE)函

12、数，负对数似然(NLL)函数等MSE(W，西)2南i三1(y(i)一y(i)2(4)YI舰(W，b)=一logY(i) (5)i=l为了减轻过拟合的问题，最终的损失函数通常会通过增加L：范数约束以控制权值的过拟合，并且通过参数A控制过拟合作用的强度E(W，b)=L(W，b)+wlw (6)训练过程中，CNN常用的优化方法是梯度下降法。残差通过梯度下降进行反向传播，逐层更新CNN各层的可训练参数(w和”。学习速率参数卵用于控制残差反向传播的强度彬=wl一77笋 (7)6。=6i一叼掣(8)12卷积神经网络工作原理基于上一节的定义，卷积神经网络的工作原理可以分为网络模型定义、网络训练以及网络预测三

13、个部分：1)网络模型定义。网络模型的定义需要根据具体应用的数据量以及数据本身的特点，设计网络深度、网络每一层的功能，以及设定网络中的超参数，如A、叼等。针对CNN的模型设计有许多研究成果，比如模型深度方面、卷积步长方面、激励函数方面等。此外，针对网络中的超参数选择，也存在一些有效的经验总结。但是，目前针对网络模型的理论分析和量化研究相对还比较匮乏。2)网络训练。CNN可以通过残差的反向传播对网络中的参数进行训练。但是，网络训练中的过拟合以及梯度的消逝与爆炸等问题心51极大地影响了训练的收敛性能。针对网络训练的问题，已有学者提出了一些有效的改善方法，包括：基于高斯分布的随机初始化网络参数，利用经

14、过预训练的网络参数进行初始化，对CNN不同层的参数进行相互独立同分布的初始化。根据近期的研究趋势，CNN的模型规模正在迅速扩大，而更加复杂的网络模型也对相应的训练策略提出了更高的要求。3)网络预测。CNN的预测过程就是通过对输入数据进行前向传导，在各个层次上输出特征图，最后利用全连接网络输出基于输人数据的条件概率分布的过程。近期的研究表明，经过前向传导的CNN高层特征具有很强的判别能力和泛化性能旧6I；而且，通过迁移一25一万方数据现代雷达学习，这些特征可以被应用到更加广泛的领域。这一研究成果对于扩展CNN的应用领域具有重要意义。2 基于卷积神经网络的一维像目标识别由于雷达一维像目标识别任务所

15、依赖的HRRP数据，其形成机理与光学图像有较大区别。因此，需针对雷达目标识别的实际数据特点，在光学图像深度学习技术的基础上，研究适合于一维像目标识别的深度学习模型，提升识别准确率、模型泛化性与鲁棒性等多个方面的性能。考虑到CNN更适合于处理二维图像，所以有两种思路：一是将原始一维像转换为二维图像输入；二是直接输入原始一维像。图2给出了两种不同的CNN结构。l数据3132It卷积 卷积 卷积核尺寸：5X5 核尺寸：5X5 核尺寸：55特征图：96 特征图：256 特征图：384步长：I 步长：1 步长：I 一Ir_ I o o o o卷积 卷积 卷积 譬蠡 譬蠡 萋蜜核尺寸：33 核尺寸：33

16、核尺寸：33特征图：128 特征图：256 特征图：384 簿步长：l 步长：1 步长：I+ + 最大值池化 最大值池化 最大值池化核尺寸：3X3 核尺寸：33 核尺寸：33步长：l 步长：l 步长：la)二维信息输入圉b)一维信息输入虱2两种卷积神经网络结构从图中可以看出，两种网络结构的大体框架是一样的，但由于输入信息维度不一样，导致网络结构特别是卷积层的结构不同。基于这两种结构的实测数据训练测试结果，将在后面的实验中有所体现。在这两种网络结构中，采用的激活函数都是Relu，其函数形式为州=匕：耄吕 其中参数口会在训练过程中学习。分类器采用softmax函数，可以表示17,个不同类别的概率分

17、布。其一般公式为舻softmax(铂=掣 (10)损失函数为一26一Loss=一yilog(p。)+a|I，| (11)3 实验结果及分析为了验证本文方法的有效性，采用某雷达录取的6种飞机的HRRP数据进行识别实验。训练样本有1 715 625个，测试样本有429 443个。每个HRRP样本的长度都是l 024。实验中采用的CNN模型如图2所示。模型一包括输入层、输出层、6个卷积层、3个池化层和3个全连接层；模型二包括输入层、输出层、10个卷积层、4个池化层和3个全连接层。预处理主要进行了HRRP幅度归一化和图像灰度值映射操作。实验采用Caffe深度学习工具包。模型参数的初始化设置主要依据经验

18、值选取，并通过训练结果不断优化，优化后的参数设置如表1所示。万方数据信号处理 杨予吴，等：基于卷积神经网络的高分辨距离像目标识别 2017，39(12)表1实验参数设置参数 取值迭代次数训练minibatch测试minibateh初始学习速率学习策略步进大小Gamma250 000128100O01step50 00001表2给出了两种网络结构在相同训练集和测试集上的识别结果。实验结果表明，将一维像转变成二维格式输人可能会破坏一维像的内部结构信息，因此以一维序列作为输入获得了更高的识别准确率。表2目标识别结果为了与传统方法作对比，还采用模板匹配法进行了目标识别实验，识别准确率约为72。也就是说

19、，在相同数据条件下，采用CNN的深度学习将识别准确率提高了20左右。在算法处理复杂度方面，基于CNN的识别方法需要安装有GPU的高性能计算机作为运行平台，且在训练时需要耗费较长时间，但在测试时还是非常高效的。因此，深度学习在解决完备库条件下的HRRP目标识别问题时具备有效性。当然，深度学习需要大数据样本做训练，所以还需要进一步研究其工程应用问题。4 结束语针对高分辨距离像目标识别问题，本文提出了一种基于卷积神经网络的目标识别方法。通过构造适合于处理一维像的卷积神经网络模型，优化深度学习参数，基于实测数据对该方法进行了验证。实验结果表明，在不需要进行人工特征提取的情况下，该方法在6类目标的分类实

20、验中，达到了超过95的识别准确率。实验结果证明了本文所提方法的有效性，以及卷积神经网络在高分辨距离像目标识别上具有一定的应用潜力，值得进一步深入研究。2参考文献刘宏伟，杜兰，袁莉，等雷达高分辨距离像目标识别研究进展J电子与信息学报，2005，27(8)：13281334LIU Hongwei，DU Lan，YUAN Li，et a1Progress in radarautomatic target recognition based on high range resolutionprofileJJournal of Electronics and Information TechnologY

21、，2005，27(8)：13281334U H JYANG S HUsing range profile as feature vectors toidentify aerospace objectsJIEEE Transactions on Antennas and Propagation，1993，41(3)：261-2683 ZYWECK A，BOGNER R ERadar target classification ofcommercial aircraftJIEEE Transactions on Aerospaceand Electronic Systems，1996，32(2)：

22、5986064 WILLIAMS R，WESTERKAMP J，GROSS D，et a1Auto-matic target recognition of time critical moving targets usingl D high range resolution(HRR)radarJIEEE Aerospaceand Electronic Systems Magazine，2000，15(4)：37435 陈渤，刘宏伟，保铮基于三种不同绝对对齐方法的分类器分析J现代雷达，2006，28(3)：5862CHEN Bo，LIU Hongwei，BAO ZhengAnalysis of

23、threekinds of classification based on different absolute alignmentmethodsJModem Radar，2006，28(3)：58626 邓泳，王彩云高分辨率雷达信号参数对目标识别的影响J现代雷达，2008，30(8)：4045DENG Yong，WANG CaiyunImpact of high resolution radar waveform parameters on target classificationJModemRadar，2008，30(8)：40457 徐庆，王秀春，李青基于高分辨一维像的目标特征提取方法

24、J现代雷达，2009，31(6)：6063XU Qing，WANG Xiuchun，LI QingExtraction of targetfeature using high resolution range profileJModem Radar，2009，31(6)：60638 孙晶明，杨予昊，邢远见，等对数变换在高分辨距离像目标识别中的应用J现代雷达，2016，38(11)：40-43SUN Jingming，YANG Yuhao，XING Yuanjian，et a1Application of logarithm transform in hiIgh resolution range

25、 profile target recognitionJModem Radar，2016，38(11)：40439u H J，WANG Y D，WANG L HMatching score proper-ties between range profiles of hiIghresolution radar targetsJIEEE Transactions on Antennas and Propagation，1996，44(4)：44445210高倩，刘家学，吴仁彪基于平均模板的HRRP自动目标识别J现代雷达，2003，25(3)：1417GAO Qian，UU Jiaxue，WU Re

26、nbiaoAutomatic targetrecognition based on HRRP meantemplatesJModemRadar，2003，25(3)：14-1711 BURGES C JA tutorial on support vector machines forpattern recognitionJData Mining and Knowledge Discovery，1998，2(2)：12l一16712 高倩，吴仁彪一种基于SVM分类器的HRRPATR方法J现代雷达，2004，26(5)：20一23GAO QianWU RenbiaoHRRPATR based Oi

27、l SVM classifterJModem Radar，2004，26(5)：20-2313 许秀英，盛卫星用改进核函数提高SVM的雷达目标识别率J现代雷达，2005，27(10)：5356XU Xiuying，SHENG WeixingImprovement of radar targetrecognition based on an improved suppofl vector machine一27万方数据2017，39(12) 现代雷达JModern Radar，2005，27(10)：535614朱劫吴，周建江，汪飞，等基于优化核Fisher判别分析的雷达目标识别J现代雷达，200

28、9，31(10)：7074ZHU Jiehao，ZHOU Jianjiang，WANG Fei，et a1Radartarget recognition based on optimized kernel fisher discriminant analysisJModern Radar，2009，31(10)：707415单凯晶，肖怀铁，朱俊基于C一均值聚类的高分辨距离像识别J现代雷达，2010，32(6)：4953SHAN Kaijing，XIAO Huaitie，ZHU JunHigh resolutionrange profiles recognition based on Cmean

29、s clusteringJModern Radar，2010，32(6)：495316 孙俊，陈亚伟，李崇谊，等基于雷达宽窄带多特征信息融合的空中目标识别J现代雷达，2015，37(7)：15一19SUN Jun，CHEN Yawei，LI Chongyi，et a1Fusion recog-nition of air target based on DS evidence theory with wideband and narrowband characteristicsJModern Radar，2015，37(7)：15一1917陈小民，蒋兴舟，李鸿基于HRR的地面雷达目标识别方法研究

30、J现代雷达，2004，26(12)：4952CHEN Xiaomin，JIANG Xingzhou，LI HongApplicationof high range resolution profile on target recognitionJModern Radar，2004，26(12)：495218刘敬幅度谱差分子空间雷达自动目标识别J现代雷达，2012，34(8)：3841LIU JingRadar automatic target recognition in amplitudespectrum difference subspaceJModem Radar，2012，34(8)：

31、384119 周 云，舒占军，李华琼，等基于双向滑动平均的目标长度特征提取方法J现代雷达，2016，38(4)：2529ZHOU Yun，SHU Zhanjun，LI Huaqiong，et a1A method ofradar target lensth feature extraction based on two-way sliding20212223242526averageJModern Radar，2016，38(4)：2529HINTON G E，SALAKHUTDINOV R RReducing the dimensionality of data with neural ne

32、tworksJScience，2006，313(5786)：504507HINTON G E，OSINDERO S，TEH Y WA fast learningalgorithm for deep belief netsJNeural Computation，2006，18(7)：15271554LECUN Y，BOTTOU LBENGIO Y，et a1Gradientbased learning applied to document recognitionJProceedings of the IEEE，1998，86(11)：22782324田壮壮，占荣辉，胡杰民，等基于卷积神经网络的

33、SAR图像目标识别研究J雷达学报，2016，5(3)：320-325TIAN Zhuangzhuang，ZHAN Ronghui，HU Jiemin，et a1SAR ATR based on convolutional neural networkJJourhal of Radars，20165(3)：320325LECUN Y，BENGIO Y，HINTON G EDeep learningJNature，2015，521(7553)：436444BENGIO Y，SIMARD P，FRASCONI PLearning longtermdependencies with gradient

34、descent is ditficuhJIEEETransactions on Neural Networks，1994，5(2)：157一166DONAHUE J，JIA Y，VINYALS O，et a1DeCAF：a deepconvolutional activation feature for generic visual recognitionJComputer Science，2013，50(1)：815830杨予昊 男，1983年生，博士，高级工程师。研究方向为雷达成像与目标识别，雷达信号处理。孙晶明 男，1984年生，博士，高级工程师。研究方向为压缩感知雷达目标识别。虞盛康

35、男，1989年生，博士，工程师。研究方向为雷达目标检测与识别，机器学习。彭雄伟男，1988年生，硕士，工程师。研究方向为雷达目标检测与识别，机器学习。too口。氍M口oAoP，喇巩。口o-W托。口o“以口o“矗“eto耳oto耳no口o啦，啦水，水Go“也口，斟巩o(上接第23页) 8 陆伟宁弹道导弹攻防对抗技术M北京：中国宇航出倪鹏，张纳温，李景涛，等反导作战中多TBM威胁评估模型研究J现代防御技术，2011(10)：3541NI Peng，ZHANG Nawen，LI Jingtao，et a1Study onthreaten assessment in anti-TBM combatJM

36、odem Defence Technology，201 l(10)：3541徐振来相控阵雷达数据处理M北京：国防工业出版社，2009XU ZhenlaiPhased array radar data processingMBeijing：National Defence Industry Press，2009邓志宏常规导弹目标选择中目标价值分析方法研究D长沙：国防科技大学，2009DENG ZhihongResearch on methods of target value analysis for targeting of conventional missile operationDCha

37、ngsha：National University of Defense Technology，2009一28一版社，2007LU WeiningBallistic missile attack and defenee technologyMBeijing：China Aerospace Press，20079王国华，梁棵决策理论与方法M合肥：中国科学技术大学出版社，2014WANG Guohua，LIANG liangDecision theory and methodMHefei：University of Science and Technology of ChinaPress，2014吕江涛 男，1977年生，硕士，高级工程师。研究方向为雷达系统软件、数据处理。高秉亚 男，1970年生，硕士，高级工程师。研究方向为雷达工程、装备质量管理。1J_1J列们”rlrlrl万方数据