基于深度神经网络的宽带雷达距离像目标识别.pdfVIP

摘要

雷达自动目标识别技术主要是针对雷达捕获的回波进行特征提取及分析，从雷达识别技

术提出发展至今，已经取得了显著的成果。雷达自动目标识别技术可分为基于传统的和基于

深度神经网络的方法两大类。传统的雷达目标识别方法，大多是将采集到的雷达信号看作是

一个整体，没有很好的考虑到雷达数据内部的时序相关性信息。尽管一些传统的研究方法也

提出过一些算法来研究雷达数据的时序特性，但也只是建立了浅层模型进行模仿，难以深度

发掘雷达数据内部潜在的时序相关性。循环神经网络自提出以来在自然语言处理领取得了显

著的效果，其能够提取数据之间的时序相关性信息，较传统方法，循环神经网络在雷达高分

辨距离像(HRRP)识别领域也取得了很好的效果。本文的工作主要分为以下三点：

1．深入探索雷达自动目标识别技术，包括基于传统方法下的和基于深度神经网络下的

雷达自动目标识别技术，并进一步对比分析传统模型和深度神经网络模型下的识别效果。

2．首先对雷达原始信号提取其谱图特征，其次使用卷积神经网络分别提取雷达信号的

时域特征和谱图特征进行分类判决，然后对比分析了卷积神经网络提取时域特征和谱图特征

的识别结果，最后分析了卷积神经网络在提取时域特征时的不足并引出循环神经网络。

3．本文提出了一种基于Attention机制的时频特征融合的深度神经网络模型。整个模型

使用了经典RNN模型作为基准模型，并在此结构的基础上融合了Attention机制，其次对雷

达的时域信号提取其频域特征，并将频域特征和时域特征进行融合，最后使用改进的循环神

经网络进行分类判决。引入Attention机制后的循环神经网络同原始的循环神经网络使用最后

一个时刻的隐状态来做最终的分类判决有所不同。它会考虑循环神经网络中每一个时刻的隐

状态信息，为每个时刻的状态分配不同的权重，并对分配权重后的隐层特征进行按权求和，

最后利用加权求和以后的状态做一个最终的输出。

实验证明本文所提出的识别框架，相较于传统的和基于卷积神经网络的雷达目标识别方

法，均获得了更好的识别效果。

关键词：雷达HRRP，目标识别，循环神经网络，时频特征融合，Attention机制

ABSTRACT

Radarautomatictargetrecognitiontechnologyismainlyusedforfeatureextractionand

analysisofechoescapturedbyradar.Sincethedevelopmentofradarrecognitiontechnology,

significantresultshavebeenachieved.Radarautomatictargetrecognitiontechnologycanbe

dividedintotwocategoriesbasedontraditionalanddeepneuralnetworkmethods.Mostofthe

traditionalradartargetrecognitionmethodstreatthecollectedradarsignalsasawhole,anddonot

takeintoaccountthetimingcorrelationinformationinsideofradardata.Althoughsometraditional

researchmethodshavealsoproposedsomealgorithmstostudythetimingcharacteristicsofradar

data,theyhaveonlyestablishedshallowmodelstosimulatethem,anditisdifficulttodeeply

exploretheund