[发明专利]基于注意深度双向循环神经网络的HRRP目标识别方法

说明书

本发明公开了一种基于注意深度双向循环神经网络的HRRP目标识别方法，首先提取数据的时域特征并对提取出的时域特征进行切分和非均匀量化编码得到其局部结构的编码，然后利用其局部结构和周围数个局部结构的关系得到其编码之间的共现矩阵，进而通过该共现矩阵得到数据的结构嵌入特征，然后再将提取出的嵌入特征送入由全连接层和基于注意LSTM的双向循环神经网络构成的深度神经网络进行训练，同时根据循环网络隐层的输出，采用softmax层得到注意力模型的权重参数，最后利用softmax层和注意模型的权重对HRRP进行识别并得到识别结果。

技术领域

本发明属于雷达目标识别领域，具体的讲，涉及一种基于深度注意循环神经网络的雷达高分辨距离像目标识别方法。

背景技术

雷达高分辨率距离像(HRRP)能够反映散射点目标在雷达视线方向的几何结构信息，且相对于合成孔径雷达(SAR)和逆合成孔径雷达(ISAR)像而言，它包含了目标的尺寸和散射点分布等重要结构信息，具有易于获取和存储量小等优点，因此在雷达目标识别技术中得到了广泛的应用，因此利用HRRP进行目标识别已经成为当前研究的热点。目前，HRRP识别的经典模型主要有基于HRRP的一阶统计特性的模板匹配分类器(MCC-TMM)、基于融合一阶和二阶HRRP特性的自适应高斯分类器(AGC)、基于主成分分析(PCA)子空间投影模型以及冗余字典模型学习等，但上述模型都是将HRRP样本作为一个整体来考虑的，未考虑到样本内部结构的相关性。后来又发展出了基于HRRP样本内部结构特性的隐马尔可夫模型(HMM)和基于注意力机制的循环神经网络模型，它们均利用了HRRP背后所隐含的固定空间结构特性来进行识别。目前已有不少文献应用基于HRRP样本内部结构特性的方法对雷达HRRP的时域特征以及雷达整体HRRP序列进行实验，并且取得了很好的识别效果，然而在实际应用中，还存在以下几个主要的问题：(1)HMM在模型的建立过程中，需假设信号符合一阶马尔可夫性，即当前时间点上的信号仅和前一个时间点信号相关，在对雷达HRRP的时域特征、谱图特征识别时，其当前局部特征结构仅依赖于上一个局部特征结构，未能进一步发掘样本各局部特征结构之间隐含的整体物理结构相关性，尚存在很大改进空间；(2)基于注意力机制的循环神经网络模型为单向的循环神经网络模型，只能朝着一个方向建立依赖性，未能很好的利用HRRP整体的结构信息；(3)基于注意力机制的循环神经网络模型中所采用的循环神经网络过于简单，未使用长短时记忆(LSTM)单元和深度神经网络，其循环神经网络的输出会过度的依赖于局部的结构，而很难顾全全局性的信息。由于这些问题的存在，大大限制了它们在实际工程中的应用，因此解决以上存在的问题在实际工程应用中是十分有意义的。

发明内容

本发明针对上述提到的应用HMM模型和基于注意力机制的循环神经网络模型进行雷达HRRP目标识别中存在的几点不足，提出一种基于深度注意循环神经网络的雷达高分辨距离像目标识别方法，首先提取数据的时域特征并对提取出的时域特征进行切分和非均匀量化编码得到其局部结构的编码，然后利用其局部结构和周围数个局部结构的关系得到其编码之间的共现矩阵，进而通过该共现矩阵得到数据的结构嵌入特征，然后再将提取出的嵌入特征送入由全连接层和基于注意LSTM的双向循环神经网络构成的深度神经网络进行训练，同时根据循环网络隐层的输出，采用softmax层得到注意力模型的权重参数，最后利用softmax层和注意模型的权重对HRRP进行识别并得到识别结果。

为实现上述目的，本发明提供了一种基于注意深度双向循环神经网络的HRRP目标识别方法，包括如下步骤：

包括以下步骤；

S1:获取Q个雷达采集到的HRRP数据集，并依据目标的种类进行合并，训练样本和测试样本分别在每种种类数据的不同数据段里选择，选取过程中保证所选取训练集的数据与雷达所成姿态涵盖测试数据集与雷达所成的姿态；

S2:对经过S1所挑选数据集中的每一个样本采用补偿法对齐法进行对齐，得到对齐后的数据；

S3:对S2处理后的每一个样本进行能量归一化处理，得到归一化后的数据；