基于LGBM和深度神經(jīng)網(wǎng)絡(luò)的HRRP目標(biāo)識(shí)別方法

張紅莉，李月琴，韓 磊，齊英杰，張 維

(1.北京聯(lián)合大學(xué)智慧城市學(xué)院，北京 100101；2.北京理工大學(xué)機(jī)電學(xué)院，北京 100081)

0 引言

高分辨距離像(high resolution range profile, HRRP)是雷達(dá)各距離單元目標(biāo)散射回波的矢量和，反映了目標(biāo)散射點(diǎn)沿雷達(dá)徑向距離方向上的分布情況，包含豐富的目標(biāo)結(jié)構(gòu)、尺寸和形狀信息[1]。相對(duì)于SAR/ISAR圖像，HRRP具有易于獲取和計(jì)算簡(jiǎn)單等優(yōu)勢(shì)[2]，因此，基于HRRP的目標(biāo)識(shí)別成為雷達(dá)自動(dòng)目標(biāo)識(shí)別領(lǐng)域的研究熱點(diǎn)。目前基于HRRP的識(shí)別主要有：字典學(xué)習(xí)[3]、模板匹配、統(tǒng)計(jì)識(shí)別、K近鄰法、支持向量機(jī)(SVM)[4]、決策樹等方法[5]，但由于這些方法主要是基于雷達(dá)數(shù)據(jù)的淺層特征進(jìn)行識(shí)別，難免會(huì)造成有效信息的損失，從而使得目標(biāo)泛化能力低，識(shí)別準(zhǔn)確率有待進(jìn)一步提升[6]。而與傳統(tǒng)識(shí)別方法相比，深度神經(jīng)網(wǎng)絡(luò)模型能自主學(xué)習(xí)更高層次的結(jié)構(gòu)信息[7-8]，完成不同目標(biāo)的分類與識(shí)別，獲得比傳統(tǒng)識(shí)別方法更好的識(shí)別性能，在各個(gè)領(lǐng)域得到了廣泛應(yīng)用。

本文針對(duì)傳統(tǒng)的HRRP目標(biāo)識(shí)別方法識(shí)別率低、模型泛化能力不足等問(wèn)題，提出基于LGBM和深度神經(jīng)網(wǎng)絡(luò)的HRRP目標(biāo)識(shí)別方法。該方法使用LGBM特征選擇算法對(duì)提取的HRRP特征進(jìn)行二次選擇，減少樣本維度以提升速度；利用基于Dropout約束的深度神經(jīng)網(wǎng)絡(luò)對(duì)選擇的最優(yōu)目標(biāo)特征進(jìn)行分類。

1 算法模型的基本結(jié)構(gòu)

基于HRRP的數(shù)據(jù)特點(diǎn)，搭建了適用于HRRP目標(biāo)識(shí)別的LGBM及深度神經(jīng)網(wǎng)絡(luò)算法模型，如圖1所示。LGBM是一種改進(jìn)的梯度提升樹(GBDT)算法，其主要思想是利用決策樹迭代訓(xùn)練以提升學(xué)習(xí)器性能，支持高效的并行訓(xùn)練，具有準(zhǔn)確率高、內(nèi)存消耗低、訓(xùn)練速度快等優(yōu)點(diǎn)。本文利用LGBM進(jìn)行二次特征選擇，將獲得的HRRP目標(biāo)最優(yōu)特征樣本數(shù)據(jù)送入深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練學(xué)習(xí)，達(dá)到優(yōu)化分類器識(shí)別效果的目的。

圖1 基于LGBM及深度神經(jīng)網(wǎng)絡(luò)的HRRP目標(biāo)識(shí)別基本框架圖Fig.1 Basic frame diagram of HRRP target recognition based on LGBM and deep neural network

目標(biāo)識(shí)別過(guò)程分為訓(xùn)練階段和識(shí)別階段。在訓(xùn)練階段，通過(guò)雷達(dá)對(duì)目標(biāo)的探測(cè)，得到不同目標(biāo)的雷達(dá)HRRP原始信號(hào)；經(jīng)預(yù)處理降低HRRP信號(hào)的幅度敏感性后，再基于HRRP的物理和統(tǒng)計(jì)等特性提取可以反映目標(biāo)本質(zhì)的諸多特征；然后采用LGBM對(duì)提取的特征進(jìn)行選擇，計(jì)算每個(gè)特征的重要程度并篩選出有利于分類的最優(yōu)特征，生成目標(biāo)模板庫(kù)；最后將最優(yōu)特征樣本數(shù)據(jù)送入Dropout約束的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。在識(shí)別階段，對(duì)待識(shí)別的HRRP信號(hào)進(jìn)行同樣的預(yù)處理、特征提取操作后，通過(guò)LGBM進(jìn)行特征選擇得到待識(shí)別模板，送入訓(xùn)練好的網(wǎng)絡(luò)模型，實(shí)現(xiàn)對(duì)未知目標(biāo)的自動(dòng)識(shí)別。

2 基于LGBM與深度神經(jīng)網(wǎng)絡(luò)的HRRP 目標(biāo)識(shí)別方法

2.1 HRRP目標(biāo)特征提取

作為一種高分辨率雷達(dá)信號(hào)，HRRP信號(hào)的維數(shù)通常在數(shù)百維以上，如果直接使用目標(biāo)原始HRRP信號(hào)進(jìn)行識(shí)別，不僅會(huì)消耗大量的計(jì)算機(jī)內(nèi)存資源，而且會(huì)因?yàn)槭褂昧舜罅康娜哂嘈畔⒍档屠走_(dá)目標(biāo)識(shí)別的速度[9]。因此，如何從HRRP中提取出能夠反映目標(biāo)本質(zhì)特性的特征，對(duì)雷達(dá)HRRP目標(biāo)識(shí)別效果有著決定性的影響，是模型成敗的關(guān)鍵[10]。

由于不同的特征側(cè)重表達(dá)距離像不同維度的統(tǒng)計(jì)特性，多個(gè)特征之間互有補(bǔ)充，因此相較于利用單一特征識(shí)別目標(biāo)，提取多個(gè)特征能更有效地提高目標(biāo)的識(shí)別精度。HRRP信號(hào)中包含了豐富的目標(biāo)幾何結(jié)構(gòu)、峰值數(shù)量、組成材料等信息，因此，雷達(dá)HRRP目標(biāo)識(shí)別技術(shù)中最經(jīng)典的特征提取方法是直接從原始HRRP信號(hào)中提取出具有明確物理意義的可以反映目標(biāo)幾何結(jié)構(gòu)等信息的特征，如目標(biāo)的長(zhǎng)度、目標(biāo)強(qiáng)散射點(diǎn)的數(shù)目、強(qiáng)散射點(diǎn)之間的距離、HRRP徑向能量[11]、散射中心分布熵等；一維距離像的平均值、均方差、對(duì)稱性與分散性程度等其他特征，可以從數(shù)學(xué)分析的角度反映出目標(biāo)的統(tǒng)計(jì)特性；為了有效對(duì)抗一維距離像的平移敏感性，可以提取頻譜及功率譜等平移不變特征。

經(jīng)過(guò)上述分析，本文從HRRP信號(hào)中提取了13個(gè)具有代表性，能較好反映目標(biāo)本質(zhì)特性的特征，分別是功率譜特征、目標(biāo)徑向長(zhǎng)度、強(qiáng)散射中心數(shù)目[12]、二階中心矩、三階中心矩、散射中心分布熵、平均值與方差[13]、目標(biāo)平均起伏特性、對(duì)稱性與分散性、去尺度結(jié)構(gòu)特征以及目標(biāo)徑向能量。

2.2 LGBM算法二次特征選擇

由于各特征之間并非是完全不相關(guān)的，而且不同特征對(duì)目標(biāo)分類的貢獻(xiàn)度也有優(yōu)劣之分，所以隨著提取特征的數(shù)目增加，重復(fù)的冗余量會(huì)增大，噪聲和誤差也隨之增大，不但導(dǎo)致算法的計(jì)算量增大，也會(huì)降低目標(biāo)的識(shí)別率，因此，需要選出有利于目標(biāo)分類的特征。這里使用LGBM算法對(duì)特征進(jìn)行選擇，將訓(xùn)練樣本放入LGBM中進(jìn)行訓(xùn)練，計(jì)算每個(gè)特征的重要程度，根據(jù)特征重要性篩選關(guān)鍵特征來(lái)減少分類所需的特征數(shù)量，從而達(dá)到保證分類性能的同時(shí)降低識(shí)別時(shí)間。

LGBM根據(jù)特征在所有決策樹中被分割后所帶來(lái)的總信息增益來(lái)度量特征屬性的重要性，數(shù)值越高代表該特征對(duì)模型的重要性越大，更有利于模型的分類識(shí)別。按重要性對(duì)特征元素進(jìn)行降序排列，依次刪除重要性最低的特征，根據(jù)測(cè)試集在新特征子集下的準(zhǔn)確率判斷是否剔除當(dāng)前重要性程度最低的特征，如此循環(huán)，從而實(shí)現(xiàn)特征選擇。具體流程如下：

輸入數(shù)據(jù)集D，特征集F={Tj|j=1,2,…,d}，假設(shè)訓(xùn)練集I含有n個(gè)樣本{X1,X2,…,Xn}，每個(gè)樣本含有d維特征，即Xi=[T1,T2,…,Td,]。

輸出最優(yōu)特征子集Fbest

1) 對(duì)包含所有特征的訓(xùn)練集進(jìn)行LGBM建模，分別計(jì)算樣本特征元素Tj的重要性程度Vj。假設(shè)訓(xùn)練集I每次迭代損失函數(shù)的負(fù)梯度為{g,g2,…,gn}，將樣本按梯度的絕對(duì)值降序排序；取前a×100%個(gè)樣本，構(gòu)成大梯度樣本子集A；從剩余樣本集合隨機(jī)選取b×100%個(gè)樣本，構(gòu)成小梯度樣本子集B；在樣本子集(A∪B)學(xué)習(xí)一棵新的決策樹，并引入常量系數(shù)，抵消采樣對(duì)數(shù)據(jù)分布的影響，則分裂特征j的分割點(diǎn)k的增益表示為:

(1)

式(1)中，

2) 根據(jù)第一步得到的Vj對(duì)特征元素Tj進(jìn)行降序排列。

3) 使用LGBM算法進(jìn)行評(píng)估，根據(jù)混淆矩陣計(jì)算測(cè)試集在全部特征下的準(zhǔn)確率aj=t/n，其中t是所有被正確分類的樣本數(shù)量，n是樣本總數(shù)。

4) 對(duì)于步驟2)中排序后的特征全集進(jìn)行搜索，每次在特征集合F中刪除具有最小重要度的特征元素Tj，并使用LGBM計(jì)算測(cè)試集在新特征子集下的準(zhǔn)確率abest。

5) 根據(jù)準(zhǔn)確率判斷是否刪除當(dāng)前重要性最低的特征：如果aj

6) 如此循環(huán)計(jì)算，當(dāng)所有特征元素Tj被遍歷完，最終得到一個(gè)分類準(zhǔn)確率較高且特征數(shù)目較少的最優(yōu)特征子集Fbest。

可見(jiàn)，LGBM算法根據(jù)特征的重要度進(jìn)行特征選擇，而且對(duì)模型的結(jié)果進(jìn)行了初步評(píng)估，大大降低了特征的波動(dòng)性；同時(shí)由于重要性比較小的特征被刪除，使得特征的冗余量下降。因此，不但降低了目標(biāo)識(shí)別的時(shí)間，而且有利于后期目標(biāo)分類精度的提高。

2.3 深度神經(jīng)網(wǎng)絡(luò)分類器的設(shè)計(jì)

在提取目標(biāo)HRRP特征之后，目標(biāo)識(shí)別的效果主要取決于分類器的性能。針對(duì)HRRP數(shù)據(jù)特點(diǎn)，在復(fù)雜情況下如果使用傳統(tǒng)的目標(biāo)識(shí)別方法會(huì)導(dǎo)致識(shí)別精度低、模型泛化能力不足等問(wèn)題。而深度神經(jīng)網(wǎng)絡(luò)模型能自主學(xué)習(xí)更高層次的結(jié)構(gòu)信息，完成不同目標(biāo)的分類與識(shí)別，獲得比傳統(tǒng)識(shí)別方法更好的識(shí)別性能，且在各個(gè)領(lǐng)域得到了廣泛應(yīng)用。基于以上考慮，本文設(shè)計(jì)并應(yīng)用含有多個(gè)隱含層的多層感知器——深度神經(jīng)網(wǎng)絡(luò)(DNN)作為HRRP目標(biāo)識(shí)別的分類器。考慮在不影響分類性能的前提下，算法運(yùn)算量應(yīng)盡可能小[14]，因此設(shè)計(jì)了包含三個(gè)隱含層的DNN模型，為提升識(shí)別率和訓(xùn)練速度，采用ReLU函數(shù)進(jìn)行非線性變換和Adam算法進(jìn)行參數(shù)優(yōu)化；為了增強(qiáng)模型泛化能力，在DNN的訓(xùn)練過(guò)程引入Dropout方法，防止過(guò)擬合。通過(guò)利用LGBM特征選擇算法獲得的最優(yōu)特征樣本數(shù)據(jù)訓(xùn)練DNN，得到網(wǎng)絡(luò)的連接權(quán)值，建立HRRP目標(biāo)識(shí)別的網(wǎng)絡(luò)模型；對(duì)待識(shí)別目標(biāo)進(jìn)行同樣的特征提取、LGBM特征選擇后，輸入訓(xùn)練好的DNN，最終輸出預(yù)測(cè)結(jié)果，實(shí)現(xiàn)對(duì)目標(biāo)的分類。

2.3.1深度神經(jīng)網(wǎng)絡(luò)模型的基本結(jié)構(gòu)

根據(jù)HRRP特征數(shù)據(jù)大小和目標(biāo)識(shí)別要求，本文采用的深度神經(jīng)網(wǎng)絡(luò)模型由一個(gè)5層的全連接神經(jīng)網(wǎng)絡(luò)構(gòu)成，包含一個(gè)輸入層、三個(gè)隱藏層和一個(gè)輸出層，如圖2所示。圖中W1∈Rn1×n0，W2∈Rn2×n1，W3∈Rn3×n2和W4∈Rn4×n3為權(quán)重矩陣；b1,b2,b3和b4代表偏置向量；其中n0為輸入層維數(shù)，n1,n2,n3分別對(duì)應(yīng)三個(gè)隱藏層神經(jīng)元個(gè)數(shù)，輸出層結(jié)點(diǎn)數(shù)為4。

圖2 基于HRRP目標(biāo)識(shí)別的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.2 Deep neural network structure diagram based on HRRP target recognition

同層的神經(jīng)元是相互獨(dú)立的，而相鄰層的神經(jīng)元之間相互連接。輸入層的數(shù)據(jù)是經(jīng)過(guò)LGBM選擇出來(lái)的最優(yōu)特征子集。神經(jīng)網(wǎng)絡(luò)輸出結(jié)果經(jīng)Softmax函數(shù)處理轉(zhuǎn)變?yōu)楦怕史植?，根?jù)最大概率準(zhǔn)則輸出最終的識(shí)別結(jié)果。另外，由于在訓(xùn)練樣本較少的情況下DNN容易發(fā)生過(guò)擬合問(wèn)題，為此將Dropout方法引入網(wǎng)絡(luò)模型，在訓(xùn)練網(wǎng)絡(luò)時(shí)以一定概率隨機(jī)丟棄部分神經(jīng)元，以提升模型的泛化能力。

2.3.2分類器實(shí)現(xiàn)的關(guān)鍵技術(shù)

利用該深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行HRRP目標(biāo)識(shí)別時(shí)，由于在訓(xùn)練過(guò)程中，數(shù)據(jù)是前向傳播的，誤差是反向傳播的，需要依次調(diào)節(jié)各隱藏層和輸出層的權(quán)重參數(shù)和偏置向量。因此，在具體的實(shí)現(xiàn)過(guò)程中需要應(yīng)用以下關(guān)鍵技術(shù)。

1) 前向傳播中數(shù)據(jù)的非線性變換

模型的輸入數(shù)據(jù)從輸入層開(kāi)始，經(jīng)過(guò)網(wǎng)絡(luò)參數(shù)和激活函數(shù)的作用，逐層計(jì)算并順序向后傳播。整個(gè)模型中，前一層網(wǎng)絡(luò)的輸出作為下一層網(wǎng)絡(luò)的輸入，直到模型的輸出層。在HRRP目標(biāo)識(shí)別中，由于樣本數(shù)據(jù)不全是線性可分的，在傳播過(guò)程中會(huì)出現(xiàn)數(shù)據(jù)發(fā)散和網(wǎng)絡(luò)梯度消失等問(wèn)題，因此在雙方的具體實(shí)現(xiàn)過(guò)程中需要在隱含層引入激活函數(shù)對(duì)數(shù)據(jù)進(jìn)行非線性變換。這里應(yīng)用修正線性單元(rectified linear unit, ReLU)函數(shù)來(lái)完成數(shù)據(jù)的非線性變換。

如圖2所示，模型中輸入層數(shù)據(jù)X=[x1,x2,…,xM]T為經(jīng)過(guò)LGBM特征選擇后的HRRP目標(biāo)特征數(shù)據(jù)，其數(shù)據(jù)維數(shù)為M；將三個(gè)隱藏層的激活函數(shù)選擇為ReLU，記為f(x)=max(0,x)，三個(gè)隱藏層的輸出矢量分別記為H1,H2和H3，數(shù)據(jù)維度分別為n1,n2,n3，則

(2)

由于ReLU函數(shù)求導(dǎo)簡(jiǎn)單，在非負(fù)區(qū)間的一階導(dǎo)數(shù)恒為1，可以使網(wǎng)絡(luò)梯度保持在一個(gè)穩(wěn)定的狀態(tài)，能夠避免梯度消失問(wèn)題，加快收斂速度，從而更好地訓(xùn)練網(wǎng)絡(luò)參數(shù)；而且相比其他的激活函數(shù)，ReLU函數(shù)計(jì)算高效，因此在HRRP目標(biāo)識(shí)別中具有更好的表現(xiàn)。

2) 反向傳播損失函數(shù)的優(yōu)化

將前向傳播計(jì)算得到的模型輸出預(yù)測(cè)值與目標(biāo)真實(shí)類別進(jìn)行比較，即可得到模型的輸出誤差。在訓(xùn)練模型時(shí)，我們采用交叉熵(cross entropy loss)作為損失函數(shù)，用于描述模型預(yù)測(cè)值與已知真實(shí)值之間的這種誤差，記為：

(3)

式(3)中，N為訓(xùn)練樣本數(shù)；C為類別個(gè)數(shù)；yi=[yi1,yi2,yi3,yi4]T代表第i個(gè)樣本的期望輸出矢量，即樣本的真實(shí)標(biāo)簽。

在進(jìn)行HRRP目標(biāo)識(shí)別時(shí)，通過(guò)不斷減小損失函數(shù)而使得訓(xùn)練時(shí)達(dá)到更高的識(shí)別率。但是利用傳統(tǒng)隨機(jī)梯度下降法(stochastic gradient decent, SGD)進(jìn)行損失函數(shù)的減小，使得優(yōu)化后的DNN收斂速度慢，容易陷入局部最優(yōu)解。為此采用自適應(yīng)時(shí)刻估計(jì)方法(adaptive moment estimation, Adam)算法替代傳統(tǒng)SGD方法來(lái)更新模型參數(shù)。將所得到的模型訓(xùn)練誤差，利用反向傳播算法計(jì)算權(quán)重和偏置向量的更新值，根據(jù)所得結(jié)果重新調(diào)整網(wǎng)絡(luò)模型的權(quán)重參數(shù)和偏置向量。假設(shè)第t輪訓(xùn)練中，參數(shù)θ的小批量隨機(jī)梯度為gt，mt是梯度的一階矩估計(jì)，υt是梯度的二階矩估計(jì)，β1,β2對(duì)應(yīng)mt,υt的指數(shù)衰減率，則

mt=β1mt-1+(1-β1)gt，

(4)

(5)

然后對(duì)mt,υt作偏差校正，記為：

(6)

(7)

Adam算法能基于HRRP訓(xùn)練樣本數(shù)據(jù)迭代更新神經(jīng)網(wǎng)絡(luò)權(quán)重，學(xué)習(xí)效果更為有效，且在訓(xùn)練過(guò)程中可以糾正學(xué)習(xí)率消失、損失函數(shù)波動(dòng)較大等問(wèn)題[15]。從而實(shí)現(xiàn)了在最大程度地最小化損失函數(shù)的同時(shí)，加速收斂并正確學(xué)習(xí)，達(dá)到了更高的識(shí)別率。

3) 利用Dropout防止過(guò)擬合

對(duì)于深度神經(jīng)網(wǎng)絡(luò)模型而言，隨著網(wǎng)絡(luò)深度的增加，網(wǎng)絡(luò)的訓(xùn)練難度也逐漸增加，且在HRRP目標(biāo)特征訓(xùn)練樣本較少的情況下，容易發(fā)生過(guò)擬合問(wèn)題[16]。因此，本文在所提出的基于HRRP目標(biāo)識(shí)別的深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中引入了Dropout方法，在緩解模型過(guò)擬合問(wèn)題的同時(shí)提高了模型的泛化能力。

圖3所示分別為含有兩個(gè)隱含層的標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)和應(yīng)用Dropout產(chǎn)生的神經(jīng)網(wǎng)絡(luò)?？梢?jiàn)引入Dropout方法后，在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中，通過(guò)設(shè)置不同的舍棄概率，部分神經(jīng)元將以一定的概率被丟棄，如圖3(b)所示。通過(guò)這一操作，使得神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)足夠多次的迭代之后，模型的泛化性能得到了有效的提升，而且有效減少了模型在訓(xùn)練過(guò)程中陷入過(guò)擬合的狀態(tài)的風(fēng)險(xiǎn)[17]。在測(cè)試階段，Dropout恢復(fù)所有神經(jīng)元之間的連接，保證模型測(cè)試時(shí)獲得最好的識(shí)別性能。

圖3 Dropout約束的神經(jīng)網(wǎng)絡(luò)Fig.3 Dropout constrained neural networks

4) 網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)設(shè)置

如何確定隱含層神經(jīng)元數(shù)目是網(wǎng)絡(luò)模型設(shè)計(jì)中的重要環(huán)節(jié)。如果隱含層神經(jīng)元數(shù)目過(guò)少，則網(wǎng)絡(luò)的學(xué)習(xí)能力較弱，無(wú)法實(shí)現(xiàn)較高的識(shí)別率；而神經(jīng)元個(gè)數(shù)過(guò)多，網(wǎng)絡(luò)的學(xué)習(xí)能力變慢，且在反向傳播時(shí)容易陷入局部極小值，還可能出現(xiàn)過(guò)擬合問(wèn)題[18]。

隱含層個(gè)數(shù)及其對(duì)應(yīng)神經(jīng)元個(gè)數(shù)沒(méi)有一定的選取準(zhǔn)則，一般先設(shè)計(jì)一個(gè)隱含層，增加節(jié)點(diǎn)數(shù)進(jìn)行測(cè)試，當(dāng)增加節(jié)點(diǎn)數(shù)無(wú)法提升網(wǎng)絡(luò)識(shí)別性能時(shí)再考慮增加隱含層。然而太多的隱含層會(huì)使得網(wǎng)絡(luò)難以有效訓(xùn)練，并帶來(lái)更多的參數(shù)需要學(xué)習(xí)。根據(jù)HRRP數(shù)據(jù)大小和識(shí)別任務(wù)要求，采用滿足識(shí)別需求的三個(gè)隱含層網(wǎng)絡(luò)。通過(guò)實(shí)驗(yàn)分別對(duì)各個(gè)隱含層在節(jié)點(diǎn)數(shù)取不同值時(shí)的識(shí)別率進(jìn)行測(cè)試，選擇識(shí)別率最好時(shí)對(duì)應(yīng)的節(jié)點(diǎn)數(shù)作為該隱含層的節(jié)點(diǎn)數(shù)，從而確定各隱含層節(jié)點(diǎn)數(shù)，使得整個(gè)神經(jīng)網(wǎng)絡(luò)模型所對(duì)應(yīng)的識(shí)別率最高。

3 實(shí)驗(yàn)驗(yàn)證與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

為了驗(yàn)證本文所提算法的有效性，基于目標(biāo)散射中心模型對(duì)HRRP數(shù)據(jù)進(jìn)行了仿真，用于仿真的目標(biāo)有4種，分別是立方體、長(zhǎng)方體、四棱錐和六棱柱。選用調(diào)頻連續(xù)波雷達(dá)作為探測(cè)器，其仿真參數(shù)的設(shè)置如表1所示。

表1 探測(cè)器的基本參數(shù)Tab.1 Basic parameters of the detector

利用調(diào)頻連續(xù)波探測(cè)器對(duì)目標(biāo)進(jìn)行探測(cè)，將發(fā)射信號(hào)與回波信號(hào)進(jìn)行混頻得到差拍信號(hào)，差拍信號(hào)包含目標(biāo)距離、目標(biāo)形狀等豐富的信息，然后將差拍信號(hào)進(jìn)行FFT處理就得到了目標(biāo)的HRRP信號(hào)，它是目標(biāo)散射點(diǎn)的子回波在探測(cè)距離方向上的矢量和。為了減小姿態(tài)敏感的影響，探測(cè)角度0°～360°被平均分為72個(gè)角域，角域大小為5°，依次采集每個(gè)角域內(nèi)四類目標(biāo)的10個(gè)雷達(dá)HRRP信號(hào)，并對(duì)每一個(gè)HRRP依次提取其13個(gè)特征分量，該13個(gè)數(shù)字特征作為訓(xùn)練數(shù)據(jù)集的一個(gè)樣本，故訓(xùn)練樣本個(gè)數(shù)為72×10×4，數(shù)據(jù)維度為13。同樣的方法，再對(duì)每類目標(biāo)另取72×100個(gè)識(shí)別樣本，用于檢驗(yàn)?zāi)繕?biāo)識(shí)別效果。

3.2 二次特征選擇結(jié)果對(duì)比實(shí)驗(yàn)

根據(jù)2.2節(jié)的算法流程，使用LGBM算法計(jì)算各特征對(duì)模型的重要程度，并進(jìn)行降序排列，其計(jì)算結(jié)果如圖4所示，圖中橫坐標(biāo)數(shù)值越高代表該特征對(duì)模型的重要性越大，更有利于模型的分類識(shí)別。因此，根據(jù)特征重要度，得到冗余少且不損失分類精度的包含6個(gè)特征值的最優(yōu)特征子集Fbest：目標(biāo)徑向長(zhǎng)度、目標(biāo)強(qiáng)散射中心數(shù)目、三階中心矩、散射中心分布熵、目標(biāo)平均起伏特性和目標(biāo)徑向能量。

為了驗(yàn)證LGBM二次特征選擇算法所選特征值的代表性，本文分別基于傳統(tǒng)的識(shí)別方法(SVM、GBDT、KNN和貝葉斯)，對(duì)利用LGBM二次特征選擇前和選擇后的數(shù)據(jù)進(jìn)行了目標(biāo)識(shí)別測(cè)試，識(shí)別結(jié)果如圖5所示。由圖可見(jiàn)，在應(yīng)用LGBM特征選擇后，SVM、GBDT、KNN和樸素貝葉斯算法的目標(biāo)識(shí)別率都有提升，說(shuō)明LGBM特征選擇算法能選出最利于目標(biāo)識(shí)別的特征值。

圖4 各個(gè)特征對(duì)模型的重要程度Fig.4 Importance of each feature to the model

圖5 LGBM特征選擇前后各算法識(shí)別效果Fig.5 Recognition effects of different algorithms before and after LGBM feature selection

表2是經(jīng)LGBM二次特征選擇前后不同識(shí)別方法的測(cè)試時(shí)間對(duì)比結(jié)果，與特征選擇前相比，應(yīng)用LGBM特征選擇算法后，SVM和KNN的測(cè)試時(shí)間分別縮短了約0.14 s和0.18 s，GBDT和樸素貝葉斯的識(shí)別速度也有明顯提升。綜上，運(yùn)用LGBM算法進(jìn)行二次特征選擇在提高識(shí)別率的同時(shí)，也有效提升了識(shí)別速度。

表2 LGBM特征選擇前后各算法測(cè)試時(shí)間Tab.2 Testing time of different algorithms before and after LGBM feature selection

3.3 所提算法目標(biāo)識(shí)別效果對(duì)比結(jié)果

為了驗(yàn)證所提出的基于LGBM和深度神經(jīng)網(wǎng)絡(luò)的HRRP目標(biāo)識(shí)別的性能優(yōu)勢(shì)，使用HRRP數(shù)據(jù)進(jìn)行了兩個(gè)對(duì)比實(shí)驗(yàn)：一是在相同訓(xùn)練樣本量的條件下，對(duì)比不同識(shí)別方法的識(shí)別準(zhǔn)確率和時(shí)間；二是對(duì)比不同識(shí)別方法隨著訓(xùn)練樣本量變化的識(shí)別率。

1) 相同訓(xùn)練樣本量下各識(shí)別方法對(duì)比結(jié)果

為了證明所提出的HRRP目標(biāo)識(shí)別算法的優(yōu)越性，使用經(jīng)過(guò)LGBM二次選擇后的HRRP目標(biāo)特征數(shù)據(jù)進(jìn)行目標(biāo)識(shí)別實(shí)驗(yàn)，由圖4可知，傳統(tǒng)模式識(shí)別方法SVM、GBDT具有較好的分類性能和識(shí)別速度，因此分別采用SVM、GBDT與不同結(jié)構(gòu)網(wǎng)絡(luò)模型進(jìn)行比較實(shí)驗(yàn)。根據(jù)前面所提的網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)設(shè)置原則，利用實(shí)驗(yàn)數(shù)據(jù)對(duì)不同網(wǎng)絡(luò)隱含層的最佳網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)進(jìn)行了計(jì)算和選擇，其中Dropout參數(shù)設(shè)置為0.25，單隱層網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)設(shè)置為48，深度神經(jīng)網(wǎng)絡(luò)模型三個(gè)隱含層節(jié)點(diǎn)數(shù)分別設(shè)置為48、24和36。在每角域提取10個(gè)訓(xùn)練樣本的條件下，各方法的識(shí)別結(jié)果如表3所示。

表3 各方法識(shí)別效果對(duì)比Tab.3 Comparison of recognition effect of each method

從表3可見(jiàn)，提出的深度神經(jīng)網(wǎng)絡(luò)分類識(shí)別率明顯高于單隱層神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)識(shí)別方法SVM、GBDT。深度神經(jīng)網(wǎng)絡(luò)雖然訓(xùn)練耗時(shí)長(zhǎng)，但在實(shí)際使用時(shí)是利用訓(xùn)練好的模型進(jìn)行目標(biāo)識(shí)別時(shí)，所用時(shí)間大大縮減。因?yàn)樯疃壬窠?jīng)網(wǎng)絡(luò)模型能學(xué)習(xí)更高層次的結(jié)構(gòu)信息，另外將Dropout引入網(wǎng)絡(luò)模型的訓(xùn)練過(guò)程，也有效增強(qiáng)了模型的泛化能力。

2) 不同訓(xùn)練樣本量下各識(shí)別方法對(duì)比結(jié)果

為了進(jìn)一步說(shuō)明所提HRRP目標(biāo)識(shí)別算法的穩(wěn)定性，在相同的條件下，對(duì)于每類目標(biāo)，每隔5°劃分為一個(gè)角域，每個(gè)角域用于訓(xùn)練的樣本數(shù)目從1～10逐漸遞增，對(duì)所有識(shí)別樣本進(jìn)行深度神經(jīng)網(wǎng)絡(luò)、單隱層網(wǎng)絡(luò)、SVM和GBDT目標(biāo)識(shí)別，并統(tǒng)計(jì)其識(shí)別精度，結(jié)果如圖6所示。可以看出，無(wú)論樣本量多少，深度神經(jīng)網(wǎng)絡(luò)型的識(shí)別性能始終優(yōu)于其他方法，且在訓(xùn)練數(shù)據(jù)集較少的情況下也能保持相當(dāng)穩(wěn)定的識(shí)別性能。說(shuō)明本文所提的HRRP目標(biāo)識(shí)別算法，在處理目標(biāo)分類問(wèn)題時(shí)具備高精度識(shí)別的能力。

圖6 不同訓(xùn)練樣本量下各識(shí)別方法的識(shí)別效果Fig.6 Identification effect of each recognition method under different training samples

4 結(jié)論

本文提出基于LGBM和深度神經(jīng)網(wǎng)絡(luò)的HRRP目標(biāo)識(shí)別方法。該方法采用LGBM特征選擇算法對(duì)提取的HRRP的具有明確物理意義、統(tǒng)計(jì)特性和平移不變性的特征分量進(jìn)行二次特征選擇，得到最優(yōu)特征子集，以減少特征冗余和樣本維度；搭建深度神經(jīng)網(wǎng)絡(luò)時(shí)，為了有效解決過(guò)擬合問(wèn)題，引入了Dropout約束，把獲得的HRRP目標(biāo)最優(yōu)特征樣本數(shù)據(jù)送入深度神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行訓(xùn)練學(xué)習(xí)和測(cè)試，有效提高了模型的泛化能力。仿真實(shí)驗(yàn)驗(yàn)證結(jié)果表明，在4類雷達(dá)目標(biāo)的分類實(shí)驗(yàn)中，所提出的基于LGBM和深度神經(jīng)網(wǎng)絡(luò)的HRRP雷達(dá)目標(biāo)識(shí)別方法在降低訓(xùn)練時(shí)間的同時(shí)有效提高了識(shí)別精度，為雷達(dá)目標(biāo)識(shí)別方法提供了新的思路，具有一定的應(yīng)用前景和具有較好的應(yīng)用價(jià)值。