一种基于长短期记忆网络的雷达未知目标识别方法技术

本发明专利技术属于未知目标识别技术领域，具体涉及一种基于长短期记忆网络的雷达未知目标识别方法。本发明专利技术首先对宽带雷达一维距离像数据(HRRP)进行预处理；其次对长短期记忆网络从一维距离像中提取的特征矢量进行主成分分析(PCA)，降低特征矢量维度，最后通过最近邻法(NN)处理已知目标样本数据的低维度特征矢量，获取判别门限，对长短期记忆网络的输出矢量进行判别，从而识别出未知目标。针对常规的卷积网络，由于长短期记忆网络能够提取相邻一维距离像样本之间的相关信息，有效描述输入一维距离像样本序列间的变化特性，从而改善了对未知目标的识别性能。

A radar unknown target recognition method based on long and short term memory network

【技术实现步骤摘要】
一种基于长短期记忆网络的雷达未知目标识别方法
本专利技术属于未知目标识别
，具体涉及一种基于长短期记忆网络的雷达未知目标识别方法。
技术介绍
一维距离像(HRRP)反映了目标的尺寸和散射中心分布等结构特征，具有实时性强、易于获取和存储等优点，是当前识别飞机等空中目标的主要手段。随着深度学习理论在语音、图像和自然语言处理等领域的成功应用，部分学者开始将深度学习方法引入到雷达目标一维距离像识别方面。例如，具有平移不变性特点的卷积神经网络对已训练的雷达目标一维距离像具有好的识别率，但是不能正确识别未知目标(即没有参与训练的目标)，对此，利用深层卷积神经网络+门限即可实现对未知目标的识别，然而，由于卷积神经元网络末能使用相邻样本间的相关信息，因此，对未知目标的识别性能还有进一步改进的余地。
技术实现思路
本专利技术的主要内容是针对上述问题，提出一种基于深度卷积神经网络的雷达未知目标识别方法。该方法采用长短期记忆网络提取输入序列中相邻样本间的相关特性，有效描述了与目标结构有关的特征信息，从而改善了对未知目标的识别率。本专利技术的技术方案是：一种基于长短期记忆网络的雷达未知目标识别方法，包括以下步骤：S1、基于目标散射中心模型，设宽带雷达获取的单幅目标一维距离像样本为x＝[x1,x2,...,xi,…,xn]，其中n为距离单元个数，xi表示第i个距离单元的幅度，为降低一维距离像幅度敏感性对识别性能的影响，突出强散射点与其余散射点的对比效果，对一维距离像进行β-均值标准化处理：r>其中表示第i个距离单元归一化幅度，β为常数，Ex表示该单幅距离像的均值，β-均值标准化处理后的单幅一维距离像为S2、构建长短期记忆神经网络模型，在循环神经网络基础上进行改造的长短期记忆神经网络(LSTM)，能够一定程度解决梯度消失的问题，如图1所示，本专利技术的长短期记忆神经网络总共有11层，依次为LSTM层、Dropout层1、Flatten层、全连接层1、Dropout层2、全连接层2、全连接层3、Dropout层3、全连接层4、全连接层5、分类器；除单个LSTM层和以softmax为激活函数的分类输出层之外，含有多个全连接层和dropout层使部分神经元随机失活以减小训练参数，降低模型过拟合风险；将多幅一维距离像经预处理后按时间顺序输入网络，考虑雷达最小分辨单位以及HRRP数据特征，时间步长设为1，长短期记忆神经网络的输入为输出为分类器给出的识别标签其中为第m个时刻预处理后的一维距离像，1≤m≤N，N为一维距离像数量，为第m个时刻预处理后的一维距离像对应的识别标签；所述LSTM层的基本单元为记忆单元，如图2所示，每个记忆单元包含输入门、遗忘门和输出门三个元件，第m个时刻记忆单元的输入为该记忆单元拥有输出hm和记忆值cm，经输入门、遗忘门、输出门和上一时刻记忆单元的输出值hm-1、记忆值cm-1的共同作用，最终得到hm，记忆单元的串接如图3所示，具体为：hm＝om⊙R(cm)其中，im为输入门、fm为遗忘门、om为输出门，Wxi和Vhi为输入门权重参数，bi为输入门偏置项，Wxf和Vhf为遗忘门权重参数，bf为遗忘门偏置项，Wxc和Vhc为记忆值权重参数，bc为记忆值偏置项，Wxo和Vho为输出门权重参数，bo为输出门偏置项，⊙表示矢量中对应元素乘积，σ(·)为sigmoid激活函数，R(·)为relu激活函数，经LSTM层得到1024维特征矢量，在由多个激活函数为relu的全连接层反复提取特征矢量，以800,500,100,50,20的次序依次降低维度后，最终通过softmax函数，输出识别标签S3、确定识别门限：针对常规神经网络目标分类任务，未知类别目标将会在分类中被强制识别为某一已知类别。为了识别未知目标，本专利技术采用主成分分析法(PCA)与最近邻法(NN)相结合获取识别门限，具体为：在LSTM网络的最后一个全连接层中可以获得维度为20的特征矢量Z＝[z1,z2,…,z20]。为了减少后续的计算量，利用主成分分析法(PCA)对特征矢量降维，将Z降低至二维得到把视为横轴坐标，视为纵轴坐标后进行散点可视化分析，获得各已知目标类的聚类图像；将已知目标的训练一维距离像数据集分为两部分，使用第一部分数据对长短期记忆神经网络进行训练，每个一维距离像通过长短期记忆神经网络的全连接层5获得维度为20的特征矢量Z＝[z1,z2,…,z20]，利用主成分分析法对特征矢量降维，将Z降低至二维得到将第一部分数据训练完后获得的特征矢量降维后构成特征矢量模板库；利用经过第一部分数据训练好的长短期记忆神经网络提取第二部分一维距离像数据对应的特征矢量，降维后，计算相应特征矢量与库特征矢量模板之间最近距离，组成最近距离矢量d＝[d1,d2,...,dk,…,dM]T，其中，dk为第二部分一维距离像特征矢量与库特征矢量模板间的最近距离，1≤k≤M，M为第二部分的一维距离像个数；利用最近距离矢量d中的元素计算最近距离直方图，根据预先确定已知目标的正确判别率，从最近距离直方图中选择一个距离值作为识别门限τ；S4、未知目标识别：将待识别目标一维距离像数据xt经过β-均值标准化处理后输入到训练好的长短期记忆神经网络模型中，提取并降维后得到特征矢量再计算与库特征矢量模板之间的最近距离dt；若最近距离大于或等于门限即dt≥τ，则待识别一维距离像xt被识别为未知目标；若最近距离小于门限即dt<τ，则待识别一维距离像xt被识别为已知目标。本专利技术的有益效果为，本专利技术由于引入了采用差值概率法获取的判别门限，有效描述了已知目标与未知目标数据集的统计分布区域边界，解决了常规卷积神经网络无法识别未知目标的难题。附图说明图1为长短期记忆神经网络模型结构示意图；图2为LSTM记忆单元结构图；图3为LSTM记忆单元的串接图。具体实施方式下面结合仿真示例，证明本专利技术的有效性。利用专用电磁仿真特性场景得到的AH64、AN26、F15、B1B、B52五种不同型号的军用飞机的仿真一维距离像进行实验。实验仿真雷达参数包括：雷达载波频率6GHz，雷达带宽为400MHz。仿真场景中，仿真目标以仰角3°在方位角0°～180°范围内每隔0.1°采集一幅一维距离像，每类飞机各采集1801幅一维距离像，每幅一维距离像各含有320个距离单元，即每类飞机输入数据均为1801×320的一维距离像矩阵。训练更新参数的过程中，随机初始化权重Wxi、Vhi、Wxf、Vhf、Wxc、Vhc、Wxo、Vho与偏置bi、bf、bc、bo，选择交叉熵损失函数作为loss函数和具有自适应学习率的Adam优化器优化参数，学习率初始化为0.0001。利用常规卷积神经网络方法和本文方法对以上5类仿真雷达目标数据的识别结果如表1所示：表1两种方法对未知目标的识别结果从实验结果中可以看出，在随机本文档来自技高网...

【技术保护点】
1.一种基于长短期记忆网络的雷达未知目标识别方法，其特征在于，包括以下步骤：/nS1、基于目标散射中心模型，设宽带雷达获取的单幅目标一维距离像样本为x＝[x

【技术特征摘要】
1.一种基于长短期记忆网络的雷达未知目标识别方法，其特征在于，包括以下步骤：
S1、基于目标散射中心模型，设宽带雷达获取的单幅目标一维距离像样本为x＝[x1,x2,…,xi,…,xn]，其中n为距离单元个数，xi表示第i个距离单元的幅度，对一维距离像进行β-均值标准化处理：



其中表示第i个距离单元归一化幅度，β为常数，Ex表示该单幅距离像的均值，β-均值标准化处理后的单幅一维距离像为
S2、构建长短期记忆神经网络模型，长短期记忆神经网络总共有11层，依次为LSTM层、Dropout层1、Flatten层、全连接层1、Dropout层2、全连接层2、全连接层3、Dropout层3、全连接层4、全连接层5、分类器；长短期记忆神经网络的输入为输出为分类器给出的识别标签其中为第m个时刻预处理后的一维距离像，1≤m≤N，N为一维距离像数量，为第m个时刻预处理后的一维距离像对应的识别标签；所述LSTM层的基本单元为记忆单元，每个记忆单元包含输入门、遗忘门和输出门三个元件，第m个时刻记忆单元的输入为该记忆单元拥有输出hm和记忆值cm，经输入门、遗忘门、输出门和上一时刻记忆单元的输出值hm-1、记忆值cm-1的共同作用，最终得到hm，具体为：












hm＝om⊙R(cm)
其中，im为输入门、fm为遗忘门、om为输出门，Wxi和Vhi为输入门权重参数，bi为输入门偏置项，Wxf和Vhf为遗忘门权重参数，bf为遗忘门偏置项，Wxc和Vhc为记忆值权重参数，bc为记忆值偏置项，Wxo和Vho为输出...

【专利技术属性】
技术研发人员：周代英，张同梦雪，胡晓龙，李粮余，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51