基于改進(jìn)CNN的HRRP目標(biāo)識(shí)別方法

李月琴，張紅莉，張 維，米雅潔，修麗梅

(北京聯(lián)合大學(xué) 智慧城市學(xué)院， 北京 100101)

1 引言

高分辨距離像(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，同時(shí)包含了豐富的目標(biāo)結(jié)構(gòu)、形狀和尺寸信息[1]。與SAR圖像和ISAR圖像相比，HRRP更易于處理和獲取[2]，因此成為雷達(dá)自動(dòng)目標(biāo)識(shí)別領(lǐng)域的研究熱點(diǎn)。

傳統(tǒng)的HRRP目標(biāo)識(shí)別方法主要有：自適應(yīng)高斯分類器模型、K近鄰法(KNN)、因子分析模型[3]、字典學(xué)習(xí)[4]、支持向量機(jī)(SVM)等[5]。但目前傳統(tǒng)的識(shí)別方法主要基于雷達(dá)數(shù)據(jù)的淺層結(jié)構(gòu)特征，難以避免造成部分信息的丟失，以致最終的HRRP目標(biāo)識(shí)別精度有限。深度學(xué)習(xí)已在圖像和語音等領(lǐng)域得到成功應(yīng)用[6-7]，因此部分學(xué)者開始研究基于深度學(xué)習(xí)的HRRP目標(biāo)識(shí)別算法。與傳統(tǒng)識(shí)別方法相比，深度學(xué)習(xí)算法能自主學(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。典型應(yīng)用的方法有卷積神經(jīng)網(wǎng)絡(luò)(CNN)、堆棧自動(dòng)編碼器(SAE)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)、深度置信網(wǎng)絡(luò)(DBN)等[8-11]。其中，CNN能將特征提取和基于特征的分類識(shí)別相結(jié)合，它能夠通過卷積的方式從HRRP信號中提取更高層次的特征信息，挖掘潛在的數(shù)據(jù)關(guān)聯(lián)信息。目前 CNN 已經(jīng)被有效運(yùn)用于RATR領(lǐng)域[12]。文獻(xiàn)[13]將CNN應(yīng)用于軍用和民用車輛的HRRP識(shí)別，對樣本的距離像進(jìn)行了32次復(fù)制，將一維距離像數(shù)據(jù)轉(zhuǎn)換成二維圖像數(shù)據(jù)。但該類方法只是單純地復(fù)制距離像，并沒有增加距離像的特征信息，雖然有利于CNN的搭建，但是增大了計(jì)算量。文獻(xiàn)[14]通過直接搭建專門處理一維距離像的卷積神經(jīng)網(wǎng)絡(luò)，成功解決了多基地雷達(dá)系統(tǒng)中的 HRRP 識(shí)別問題，但是提出的網(wǎng)絡(luò)模型只是簡單地堆疊，其特征提取能力有待進(jìn)一步研究，僅適用于單一場景，其泛化能力非常有限。文獻(xiàn)[15]針對地面目標(biāo)HRRP識(shí)別問題，提出一種基于CNN的HRRP序列識(shí)別算法。在兩類地面車輛目標(biāo)的識(shí)別準(zhǔn)確率分別達(dá)到92.50%和90.00%，且識(shí)別結(jié)果明顯高于傳統(tǒng)的決策樹算法。

但針對HRRP目標(biāo)識(shí)別的CNN結(jié)構(gòu)的設(shè)計(jì)依然有待改進(jìn)，因此本文中設(shè)計(jì)了一種適合HRRP樣本數(shù)據(jù)的改進(jìn)CNN模型。在處理小數(shù)據(jù)集時(shí)，由于復(fù)雜的網(wǎng)絡(luò)模型和數(shù)據(jù)源的有限特征等因素，CNN在訓(xùn)練過程中往往會(huì)導(dǎo)致?lián)p失函數(shù)收斂過慢，針對該情況，將批歸一化(BN)算法引入CNN模型，從而加速網(wǎng)絡(luò)收斂；為進(jìn)一步提高目標(biāo)分類能力，設(shè)計(jì)LGBM分類器對CNN提取的高層次特征進(jìn)行訓(xùn)練預(yù)測。通過實(shí)驗(yàn)驗(yàn)證，改進(jìn)CNN有效提高了模型的分類性能，進(jìn)一步提升了HRRP目標(biāo)識(shí)別率。

2 數(shù)據(jù)預(yù)處理

2.1 信號預(yù)處理

(1)

(2)

對距離像樣本進(jìn)行歸一化處理以及降噪處理后，目標(biāo)所在位置是能量聚集處，幅值較高，因此可以采用門限法將目標(biāo)所在片段截取出來。

2.2 HRRP特征提取

HRRP信號是一種高分辨率雷達(dá)信號，其維數(shù)通常在上百維以上，直接利用原始HRRP信號進(jìn)行雷達(dá)自動(dòng)目標(biāo)識(shí)別，不僅會(huì)消耗大量計(jì)算機(jī)內(nèi)存資源，而且由于使用了大量冗余信息，雷達(dá)自動(dòng)目標(biāo)識(shí)別的速度也會(huì)降低[18]。

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信號中包含有關(guān)目標(biāo)幾何結(jié)構(gòu)、組成、峰值數(shù)量等豐富信息，因此，雷達(dá)HRRP目標(biāo)識(shí)別中最經(jīng)典的特征提取方法是直接從原始HRRP信號中提取具有物理意義的特征，如目標(biāo)的長度、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徑向能量等、散射中心分布熵等；其次，一維距離像的平均值、均方差、對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；另外，為了有效對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)過上述分析，本文從預(yù)處理后的HRRP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)徑向長度、強(qiáng)散射中心數(shù)目[19]、二階中心矩、三階中心矩、散射中心分布熵、平均值與方差、目標(biāo)平均起伏特性、對稱性與分散性、去尺度結(jié)構(gòu)特征以及目標(biāo)徑向能量。

3 基于改進(jìn)CNN的雷達(dá)目標(biāo)識(shí)別

3.1 CNN基本原理

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是一種包含卷積計(jì)算的前饋神經(jīng)網(wǎng)絡(luò)，經(jīng)典的CNN網(wǎng)絡(luò)主要由卷積層、池化層、全連接層組成[20]，如圖1所示。

圖1 卷積神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)示意圖Fig.1 Typical structure of CNN

卷積層用于對輸入數(shù)據(jù)進(jìn)行特征提取，可以包含多個(gè)卷積核。每個(gè)通道的卷積核對輸入數(shù)據(jù)進(jìn)行卷積運(yùn)算，并添加偏差值，最后通過激活函數(shù)得到輸出特征向量。第d個(gè)卷積層的第j個(gè)輸出特征圖映射可以表示為

(3)

CNN結(jié)構(gòu)的卷積層之間需要周期性地引入池化層，進(jìn)行特征選擇。常采用最大池化方式，將一個(gè)區(qū)域中的最大值作為池化輸出，以減小數(shù)據(jù)維數(shù)，減少冗余信息并減少計(jì)算量。最大池化函數(shù)的表達(dá)式為

(4)

其中，l=0,1,…,(N-1)/s，N為輸入數(shù)據(jù)的維數(shù)，s為步長，r為池化窗口的大小。

CNN利用全連接層將提取的特征向量映射到類。全連接層可將上一層得到的特征按順序進(jìn)行排列得到一維向量，將其輸入給Softmax分類器，并在分類器層處理后得到CNN的輸出。在Softmax分類過程中，輸入數(shù)據(jù)x被預(yù)測為類別j的概率為

(5)

其中，t=1,2,…,C，zt為全連接層輸出向量z的第t個(gè)分量，C為目標(biāo)類別數(shù)，Pt(z)代表了當(dāng)前樣本屬于第t類目標(biāo)的概率。

CNN在訓(xùn)練網(wǎng)絡(luò)時(shí)采用反向傳播算法，致力于最大限度地減小網(wǎng)絡(luò)的損失函數(shù)。常選擇交叉熵函數(shù)，即：

(6)

用于描述網(wǎng)絡(luò)預(yù)測值與目標(biāo)真實(shí)值之間的誤差。式中θ表示網(wǎng)絡(luò)所有的權(quán)值和偏置，C為目標(biāo)類別數(shù)，S為樣本數(shù)量，xi表示輸入的第i個(gè)目標(biāo)HRRP數(shù)據(jù)，yi表示第i個(gè)目標(biāo)的輸出層標(biāo)簽向量，Ut(xi;θ)為CNN的第t個(gè)輸出。

3.2 改進(jìn)CNN

與傳統(tǒng)機(jī)器學(xué)習(xí)方法相比，CNN可以從簡單的特征中挖掘出更復(fù)雜的特征，并用它們來解決問題。因此本文采用CNN來對HRRP特征樣本進(jìn)行更深層次的特征挖掘與目標(biāo)識(shí)別，以提高雷達(dá)目標(biāo)識(shí)別率。另外，雖然CNN中的Softmax也可以進(jìn)行分類和預(yù)測，但讓模型既提取特征又進(jìn)行分類會(huì)使模型的泛化能力變?nèi)?，因此考慮讓CNN模型單獨(dú)提取特征，用LGBM模型作為分類器進(jìn)行預(yù)測。這樣就把CNN的特征提取功能和LGBM的分類預(yù)測能力結(jié)合起來，使模型結(jié)構(gòu)具有更好的識(shí)別精度。

3.2.1 本文設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)

CNN通常由多層網(wǎng)絡(luò)組成，往往通過增加網(wǎng)絡(luò)的深度和寬度來提升網(wǎng)絡(luò)性能。網(wǎng)絡(luò)層過多會(huì)導(dǎo)致過擬合，計(jì)算復(fù)雜度增加，但網(wǎng)絡(luò)層數(shù)不足也會(huì)導(dǎo)致無法有效提取特征，從而影響網(wǎng)絡(luò)的整體識(shí)別性能。因此，有必要根據(jù)數(shù)據(jù)來設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)。由于典型的CNN主要用于圖像識(shí)別，且數(shù)據(jù)形式為二維，而HRRP數(shù)據(jù)是一維向量，因此根據(jù)HRRP數(shù)據(jù)的特點(diǎn)，本文采用了一維CNN結(jié)構(gòu)用于雷達(dá)HRRP目標(biāo)識(shí)別。根據(jù)所采用的數(shù)據(jù)集的特點(diǎn)，本文設(shè)計(jì)的基于雷達(dá)HRRP目標(biāo)特征向量的改進(jìn)CNN模型結(jié)構(gòu)如圖2所示。

圖2 基于雷達(dá)HRRP目標(biāo)特征向量的改進(jìn)CNN模型結(jié)構(gòu)框圖Fig.2 Diagram of improved CNN architecture based on radar HRRP target feature vectors

考慮在不影響網(wǎng)絡(luò)性能的同時(shí)，計(jì)算量應(yīng)盡可能小，本文設(shè)計(jì)的網(wǎng)絡(luò)包含兩個(gè)特征提取塊和一個(gè)全連接層。其中，特征提取塊部分包括兩個(gè)卷積層、兩個(gè)BN層和一個(gè)池化層。利用卷積層對輸入HRRP數(shù)據(jù)進(jìn)行深層特征提取，所有卷積核大小為3*1，步長為1。池化層的池化窗口尺寸為2*1，步長為2，經(jīng)過計(jì)算輸出特征向量大小為輸入特征向量的一半，實(shí)現(xiàn)特征選擇和數(shù)據(jù)降維。為了解決損失函數(shù)收斂過慢問題，在每個(gè)卷積層后引入一個(gè)BN層來加速網(wǎng)絡(luò)收斂。然后利用全連接層將提取的特征向量映射到標(biāo)記空間，最后輸出分類結(jié)果。

3.2.2 利用BN加快收斂速度

CNN在處理小數(shù)據(jù)集時(shí)，由于網(wǎng)絡(luò)模型復(fù)雜，數(shù)據(jù)源提供的特征有限等因素，在訓(xùn)練過程中往往會(huì)導(dǎo)致?lián)p失函數(shù)收斂過慢問題。由于網(wǎng)絡(luò)各層的輸入并不符合獨(dú)立同分布假設(shè)，因此訓(xùn)練過程中各層的參數(shù)將發(fā)生變化，而且這些變化會(huì)隨著網(wǎng)絡(luò)層的疊加而被放大。因此上一層網(wǎng)絡(luò)必須不停調(diào)參以適應(yīng)新的分布，這使得網(wǎng)絡(luò)難以收斂。而引入批歸一化(batch normalization,BN)算法可以解決這個(gè)問題，它使各層網(wǎng)絡(luò)在CNN訓(xùn)練過程中都保持相同分布，從而在保證歸一化的同時(shí)減少了計(jì)算量，并保留了模型的表達(dá)能力。

假設(shè)CNN中某一層的輸入數(shù)據(jù)為{x1,x2,…,xm}，并且這組小樣本數(shù)據(jù)的數(shù)量為m，使用BN算法對輸入數(shù)據(jù)進(jìn)行批歸一化處理，輸出數(shù)據(jù)為{y1,y2,…,ym}。訓(xùn)練階段批歸一化算法的具體計(jì)算如下：

(7)

(8)

(9)

(10)

引入BN算法后，保證了每層輸入數(shù)據(jù)的相對穩(wěn)定性，提升了訓(xùn)練速度；減弱了網(wǎng)絡(luò)對訓(xùn)練參數(shù)的敏感性，即使選擇初始較大的學(xué)習(xí)率，也不會(huì)造成過擬合。

3.2.3 利用LGBM提高分類性能

雖然卷積神經(jīng)網(wǎng)絡(luò)的Softmax 層也可以進(jìn)行分類和預(yù)測，但是讓模型既提取特征又進(jìn)行分類會(huì)使模型的泛化能力變?nèi)?。基于以上考慮，本文在設(shè)計(jì)目標(biāo)識(shí)別算法時(shí)，讓CNN單獨(dú)提取特征，而設(shè)計(jì)另一個(gè)分類器模型用于分類預(yù)測。

梯度提升樹(GBDT)是通過多次迭代訓(xùn)練來提升學(xué)習(xí)器性能，但當(dāng)數(shù)據(jù)越來越多，越來越復(fù)雜時(shí)，其計(jì)算開銷很大，難以在精度和效率之間達(dá)到一個(gè)比較好的平衡。LGBM是一種改進(jìn)的GBDT算法，它不但降低了計(jì)算開銷，提升了模型的計(jì)算效率，而且在維持較快訓(xùn)練速度的同時(shí)還能獲得更好的精度，其基本思想是把許多準(zhǔn)確率較低的樹模型結(jié)合起來。每次迭代都會(huì)產(chǎn)生一棵新樹，經(jīng)過不斷迭代，最終得到一棵較優(yōu)的樹，并作為預(yù)測模型。相較于傳統(tǒng) GBDT 算法，LGBM為了提升分類性能進(jìn)行了以下改進(jìn)。

1) 使用Leaf-wise決策樹生長策略以減少損失。LGBM使用Leaf-wise策略實(shí)現(xiàn)決策樹的生長，如圖3所示。每次對當(dāng)前分裂增益最大的葉子結(jié)點(diǎn)進(jìn)行分裂，如此循環(huán)[21]。相比傳統(tǒng)GBDT使用的level-wise策略，當(dāng)分裂次數(shù)相同時(shí)，Leaf-wise策略可以減少更多誤差，達(dá)到更高的精度。因此使用Leaf-wise策略的LGBM分類器，可以有效減少損失，從而提高分類精度。

圖3 Leaf-wise策略葉子節(jié)點(diǎn)分裂過程示意圖Fig.3 Leaf-wise strategy leaf node splitting process

2) 使用直方圖算法尋找類別特征最優(yōu)分割點(diǎn)。LGBM采用直方圖算法對類別特征值進(jìn)行最優(yōu)分割[22-23]。首先將浮點(diǎn)連續(xù)特征值離散為k個(gè)整數(shù)，構(gòu)造寬度為k的直方圖。當(dāng)遍歷數(shù)據(jù)時(shí)，統(tǒng)計(jì)數(shù)據(jù)以離散值為索引累積在直方圖中，之后根據(jù)直方圖的離散值進(jìn)行遍歷，尋找最優(yōu)分割點(diǎn)。如圖4所示，它將原本#data個(gè)數(shù)據(jù)離散成k個(gè)直方圖中，使得LGBM在計(jì)算分裂增益上的時(shí)間復(fù)雜度從O(#data×#features)減少到O(k×#features)。因此LGBM使用直方圖算法尋找類別特征值的最優(yōu)分割，在加快了算法的訓(xùn)練速度的同時(shí)也減少了內(nèi)存開銷。

圖4 特征值直方圖化示意圖Fig.4 The process of feature histogram

3.2.4 LGBM分類器建模過程

圖5描述了基于改進(jìn)CNN的雷達(dá)HRRP目標(biāo)識(shí)別方法中LGBM分類器訓(xùn)練的主要過程。

如圖5所示，對所述LGBM分類器進(jìn)行訓(xùn)練包括以下步驟：

圖5 LGBM分類器建模過程框圖Fig.5 LGBM classifier modelling process

2) 初始化s棵LGBM基分類決策樹，為每個(gè)樣本賦予1/s的權(quán)重，并從訓(xùn)練集進(jìn)行子采樣，以形成每個(gè)弱分類器所需要的子訓(xùn)練集；

3) 訓(xùn)練弱分類器hr(x)并計(jì)算誤差，然后重新調(diào)整訓(xùn)練樣本的權(quán)重，并確定當(dāng)前弱分類器hr(x)的權(quán)重αr；

4) 更新權(quán)重后，進(jìn)入下一次迭代，并在每次迭代時(shí)，使用梯度下降法在損失函數(shù)的負(fù)梯度上移動(dòng)，以最小化損失函數(shù)；

5) 重復(fù)步驟3)和4)，當(dāng)達(dá)到最大迭代次數(shù)s時(shí)，得到不同弱分類器的預(yù)測結(jié)果，以及各分類器對應(yīng)的權(quán)重，并將弱分類器合并為強(qiáng)分類器：H(x)=α1h1(x)+α2h2(x)+α3h3(x)+…+αrhr(x)+…+αshs(x)并以此作為預(yù)測模型。其中s為算法最大迭代次數(shù)，r為第r輪迭代，1≤r≤s，hr(x)為第r次迭代訓(xùn)練產(chǎn)生的分類器。

在識(shí)別階段，用訓(xùn)練好的CNN模型提取待識(shí)別樣本的深層特征，輸入給上述訓(xùn)練好的LGBM分類器預(yù)測模型，以獲得目標(biāo)識(shí)別結(jié)果。

4 實(shí)驗(yàn)

4.1 數(shù)據(jù)處理

為了驗(yàn)證本文所提方法的有效性，分別基于仿真數(shù)據(jù)和實(shí)測數(shù)據(jù)在不同識(shí)別方法下進(jìn)行了HRRP目標(biāo)識(shí)別測試。

4.1.1 仿真數(shù)據(jù)處理

基于目標(biāo)散射中心模型，對立方體、長方體、四棱錐和六棱柱四類目標(biāo)進(jìn)行了回波的仿真，其中立方體邊長為10 m；長方體底面長10 m，寬6 m，高6 m；四棱錐底面邊長10 m，高10 m；六棱柱底面邊長5 m，高10 m。探測器選用線性調(diào)頻連續(xù)波雷達(dá)，因?yàn)镃波段在抗雨衰、防霧霾方面優(yōu)勢明顯，仿真模擬的探測器擬定為C波段線性調(diào)頻雷達(dá)，關(guān)于雷達(dá)與探測環(huán)境的基本參數(shù)，如表1所示。

表1 探測器的基本參數(shù)Table 1 Basic parameters of the detector

探測距離為60 m，探測角度0～360°被平均分為72個(gè)角域，利用雷達(dá)依次采集每個(gè)角域內(nèi)四類目標(biāo)的1～10個(gè)雷達(dá)回波信號，將其轉(zhuǎn)換為HRRP信號。當(dāng)探測距離R=60 m，探測角度在0～5°時(shí)，四類目標(biāo)的HRRP如圖6所示。

圖6 四類目標(biāo)的一維距離像Fig.6 One-dimensional distance images of four types of targets

為了抑制噪聲對目標(biāo)信號的影響，對同一段差拍信號得到的9段HRRP進(jìn)行平均距離曲線處理，得到一段新的距離曲線，四類目標(biāo)的平均距離曲線如圖7。與未進(jìn)行降噪處理的HRRP相比，平均距離像中的噪聲得到了抑制，目標(biāo)信號明顯突出，信噪比明顯增強(qiáng)。

圖7 四類目標(biāo)的平均距離曲線Fig.7 Average range profile of four types of targets

然后對平均距離像進(jìn)行最大值歸一化處理，以抑制幅值敏感性，此時(shí)，所有的HRRP數(shù)據(jù)均處于0～1的范圍內(nèi)。之后采用自適應(yīng)門限法設(shè)定門限以提取目標(biāo)所處的HRRP片段，并對截取出的每一個(gè)HRRP有效片段依次提取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。同樣的方法，再對每類目標(biāo)另取 7 200個(gè)識(shí)別樣本，用于檢驗(yàn)?zāi)繕?biāo)識(shí)別效果。

4.1.2 實(shí)測數(shù)據(jù)處理

實(shí)測試驗(yàn)的主要設(shè)備包括電源、探測器、被探測目標(biāo)以及數(shù)據(jù)處理中心，如圖8所示，測試場地為校園內(nèi)某條道路。探測器為線性調(diào)頻探測器，距離分辨率為0.3 m。被探測目標(biāo)是兩種地面車輛目標(biāo)，如圖9所示。被探測目標(biāo)在距離探測器40 m處繞中心轉(zhuǎn)動(dòng)使探測角度發(fā)生變化，利用探測器共采集了36個(gè)探測角度的數(shù)據(jù)，每個(gè)探測角度下采集2組數(shù)據(jù)，每組數(shù)據(jù)包含500段差拍信號，并將其轉(zhuǎn)換為HRRP信號。

圖8 實(shí)測試驗(yàn)探測地點(diǎn)實(shí)景圖Fig.8 Real map of actual test detection location

圖9 被探測目標(biāo)圖Fig.9 Detected target

下面舉例說明采集的數(shù)據(jù)，圖10為當(dāng)探測距離為40 m時(shí)兩類車輛目標(biāo)的原始距離曲線，可以發(fā)現(xiàn)目標(biāo)的HRRP信號不突出，被淹沒在噪聲中。

圖10 兩類目標(biāo)的原始距離曲線Fig.10 Original range profiles of two targets

對實(shí)測HRRP信號進(jìn)行降噪處理，得到兩類車輛目標(biāo)的平均距離曲線，如圖11所示，可以發(fā)現(xiàn)在35～40 m處峰值最強(qiáng)，說明此處存在目標(biāo)。

圖11 兩類目標(biāo)的平均距離曲線Fig.11 Average range profile of two targets

然后對平均距離像進(jìn)行最大值歸一化處理，使得所有的HRRP幅值均處于0～1的范圍內(nèi)。之后采用單元平均虛警率(CA-CFAR)方法提取目標(biāo)所處的HRRP有效片段，并對截取出的每一個(gè)HRRP有效片段依次提取13個(gè)特征分量，作為訓(xùn)練數(shù)據(jù)集的樣本。

4.2 實(shí)驗(yàn)結(jié)果

4.2.1 特征提取有效性驗(yàn)證

為了驗(yàn)證人工提取特征的有效性，分別使用改進(jìn)前后CNN和傳統(tǒng)識(shí)別方法GBDT、SVM、KNN，在實(shí)測車輛目標(biāo)的原始HRRP數(shù)據(jù)和特征提取后的數(shù)據(jù)上進(jìn)行了目標(biāo)識(shí)別測試。

圖12表示經(jīng)特征提取前后不同方法的識(shí)別結(jié)果?？梢?，經(jīng)特征提取后，所有算法的目標(biāo)識(shí)別率都有提升，說明通過特征提取能夠獲得反映目標(biāo)特性的有效信息，比未提取特征的原始HRRP更利于分類識(shí)別。另外，無論是特征提取前還是特征提取后，改進(jìn)CNN的識(shí)別性能始終優(yōu)于其他對比方法，說明所提的改進(jìn)CNN方法能夠有效提高目標(biāo)識(shí)別率。

圖12 基于實(shí)測數(shù)據(jù)特征提取前后不同方法的識(shí)別效果曲線Fig.12 Recognition effect of different methods before and after feature extraction based on measured data

圖13表示經(jīng)特征提取前后不同識(shí)別方法的測試時(shí)間結(jié)果。與特征提取前相比，對HRRP進(jìn)行特征提取后再作為輸入，改進(jìn)CNN和CNN-Softmax的測試時(shí)間分別縮短了約0.1 s和0.13 s，GBDT、KNN和SVM的識(shí)別速度也有明顯提升。綜上，在進(jìn)行HRRP目標(biāo)識(shí)別時(shí)，首先對HRRP數(shù)據(jù)進(jìn)行特征提取能夠有效提高識(shí)別率，同時(shí)也能提升識(shí)別速度。

圖13 基于實(shí)測數(shù)據(jù)特征提取前后不同方法的測試時(shí)間曲線Fig.13 Testing time of different methods before and after feature extraction based on measured data

4.2.2 引入BN算法收斂性驗(yàn)證

當(dāng)采用本文提出的基本CNN網(wǎng)絡(luò)結(jié)構(gòu)時(shí)，隨著迭代次數(shù)變化，未引入BN算法和引入BN算法的網(wǎng)絡(luò)損失函數(shù)變化曲線如圖14。

圖14 訓(xùn)練集和驗(yàn)證集損失函數(shù)變化曲線Fig.14 Loss function variation curves for the training and validation sets

可見，在訓(xùn)練階段，引入BN算法的CNN損失值小于未引入BN的網(wǎng)絡(luò)損失。尤其是在訓(xùn)練初期，引入BN算法的網(wǎng)絡(luò)損失函數(shù)減小得更快，這說明BN算法可以有效地解決訓(xùn)練過程中損失函數(shù)收斂過慢問題。因此在CNN網(wǎng)絡(luò)引入BN算法能夠加快網(wǎng)絡(luò)的收斂速度，更利于提升模型的識(shí)別性能。

4.2.3 所提算法目標(biāo)識(shí)別性能驗(yàn)證

為驗(yàn)證所設(shè)計(jì)的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型對HRRP目標(biāo)識(shí)別的性能優(yōu)勢，進(jìn)行了兩個(gè)對比實(shí)驗(yàn)。一是CNN-Softmax與改進(jìn)CNN的對比試驗(yàn)。其中CNN-Softmax和改進(jìn)CNN為采用本文設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)提取深層特征，分別使用Softmax和本文設(shè)計(jì)的LGBM對所提特征進(jìn)行分類的方法。二是改進(jìn)CNN與其他分類方法的對比試驗(yàn)。在對比不同算法模型時(shí)，需要使用統(tǒng)一的衡量算法能力的評價(jià)標(biāo)準(zhǔn)。針對雷達(dá)HRRP目標(biāo)的分類識(shí)別，本文從目標(biāo)層面計(jì)算平均正確識(shí)別率Pa，來衡量分類模型的識(shí)別性能。其定義如下：

(11)

其中,C為目標(biāo)類別數(shù)，Tj為第j類目標(biāo)被準(zhǔn)確識(shí)別的樣本數(shù)，Nj為被判為第類目標(biāo)的樣本數(shù)。

1) CNN-Softmax與改進(jìn)CNN的性能對比

表2是在相同的實(shí)驗(yàn)條件下，在4類仿真目標(biāo)上2種方法隨樣本量變化的條件下平均正確識(shí)別率，可以看出，無論訓(xùn)練樣本量多少，改進(jìn)CNN的目標(biāo)識(shí)別率要高于CNN-Softmax，且在樣本量少時(shí)，也能保持較好的識(shí)別精度。

表2 不同訓(xùn)練樣本量下2種方法的識(shí)別結(jié)果Table 2 Identification result of the two methods under different training sample sizes

圖15為改進(jìn)CNN與CNN-Softmax隨樣本量變化時(shí)的測試時(shí)間曲線，可見，改進(jìn)CNN的測試時(shí)間明顯低于CNN-Softmax。因?yàn)楫?dāng)CNN模型提取深層特征后，LGBM在尋找特征的最優(yōu)分裂點(diǎn)和減少樣本數(shù)方面進(jìn)行了優(yōu)化，從而提高了分類的準(zhǔn)確率和時(shí)間效率，增強(qiáng)了HRRP目標(biāo)識(shí)別性能。綜上，改進(jìn)CNN既有效提高了目標(biāo)識(shí)別率，也明顯提升了識(shí)別速度。

圖15 隨樣本量變化改進(jìn)前后CNN的測試時(shí)間曲線Fig.15 Comparison of CNN test time before and after improvement with sample size change

2) 所提算法與其他識(shí)別方法的對比

為進(jìn)一步驗(yàn)證所提出的改進(jìn)CNN算法的有效性，分別基于仿真數(shù)據(jù)和實(shí)測數(shù)據(jù)，將本文方法與CNN-Softmax和傳統(tǒng)識(shí)別方法GBDT、SVM、KNN進(jìn)行對比。

表3是不同識(shí)別方法分別在仿真數(shù)據(jù)和實(shí)測數(shù)據(jù)上的目標(biāo)識(shí)別結(jié)果。在仿真數(shù)據(jù)上，改進(jìn)前CNN使用Softmax做分類時(shí)的平均識(shí)別率為98.14%，改進(jìn)CNN用LGBM做分類時(shí)的平均識(shí)別率提高到了99.17%，比改進(jìn)前提高約1%，同時(shí)明顯高于傳統(tǒng)識(shí)別方法GBDT、SVM和KNN。在實(shí)測數(shù)據(jù)上，改進(jìn)CNN的平均識(shí)別率為89.66%，比改進(jìn)前CNN提高4.6%，且明顯高于傳統(tǒng)識(shí)別方法GBDT、SVM和KNN。可見，改進(jìn)CNN的目標(biāo)識(shí)別性能均優(yōu)于改進(jìn)前CNN及其他傳統(tǒng)識(shí)別方法，再次驗(yàn)證了本文所提目標(biāo)識(shí)別算法確實(shí)能增強(qiáng)HRRP目標(biāo)識(shí)別性能。

表3 不同分類方法的識(shí)別結(jié)果Table 3 Identification results of different classification methods

5 結(jié)論

本文提出了一種基于改進(jìn)CNN的HRRP目標(biāo)識(shí)別方法。采用一維CNN對HRRP樣本進(jìn)行深層特征提取和目標(biāo)識(shí)別，在構(gòu)建CNN時(shí)引入BN算法加快了損失函數(shù)的收斂速度；設(shè)計(jì)了LGBM分類器作為CNN的分類層，有效提高HRRP識(shí)別率和識(shí)別速度，提升了模型的識(shí)別性能。通過與改進(jìn)前CNN和傳統(tǒng)識(shí)別方法的對比實(shí)驗(yàn)，表明所提的改進(jìn)CNN在提高目標(biāo)識(shí)別率的同時(shí)也有效提升了識(shí)別速度，可為后續(xù)進(jìn)行HRRP目標(biāo)識(shí)別提供參考。