基于谱图变换和注意力机制循环神经网络的雷达HRRP目标识别方法技术

本发明专利技术公开了一种基于谱图变换和注意力机制循环神经网络的雷达HRRP目标识别方法，该方法首先进行预处理降低HRRP样本中的敏感性并对样本进行谱图变换；然后建立动态调整层，对谱图进行调整；然后通过重要性网络调整谱图中各时间点序列的重要程度，再通过双向堆叠RNN对时序相关性建模，提取出其高层次特征，最后采用多层次的注意力机制调整网络隐层状态的重要程度并通过softmax进行目标分类。

【技术实现步骤摘要】
基于谱图变换和注意力机制循环神经网络的雷达HRRP目标识别方法
本专利技术属于雷达目标识别领域，具体来讲，涉及一种基于谱图变换和注意力机制循环神经网络的雷达HRRP目标识别方法。
技术介绍
随着科技日新月异的发展，雷达目标识别技术在军事国防方面以及未来战争中扮演中越来越重要的角色。对于雷达目标识别，高分辨宽带雷达的回波包含了对分类和识别极有价值的结构信息，如目标的径向尺寸、散射点分布等，具有广阔的工程应用前景。高分辨宽带雷达的回波也被称为目标的一维高分辨距离像(HighResolutionRangeProfile，HRRP)。因此，基于HRRP的雷达自动目标识别方法逐步成为雷达自动目标识别领域研究的热点。对于HRRP的目标识别系统而言，特征的提取和利用是其中极其重要的一环。原始的HRRP样本维数较高，很难直接体现识别对象的本质属性。有效的HRRP特征不仅可以充分地表达雷达数据的信息，并且能够区分不同雷达类别的差异性，从而提高雷达目标识别的精度。传统的HRRP特征提取方法基本分为两个方向：基于降维的特征提取方法和基于变换(Transformer)的特征提取方法。传统的特征提取方法在实验中取得了很好的识别性能，但特征提取的方式大多是无监督且有损的，导致特征提取方法的选择高度依赖研究人员对HRRP数据的认知和经验的积累问题。为了解决传统方法在特征提取上存在的问题，近年来，随着深度学习的发展，基于深度学习的识别方法被引入到了雷达目标识别领域中。深度学习中基于监督学习方法自动地提取样本的可分性特征，大大地改善了传统模型在特征提取方面的不足。基于深度学习的雷达高分辨距离像识别方法大致可分为以下三类：(1)基于编码器-解码器结构的深度学习方法；(2)基于卷积神经网络(CNN)结构的深度学习方法；(3)基于循环神经网络(RNN)的深度学习方法。前两种方法对HRRP整体的包络信息直接进行特征提取和建模，忽略了可反映目标物理结构特征的HRRP距离单元之间的序列相关性。而第三种方法虽然基于序列相关性进行建模，但是依然存在以下几个问题：(1)对HRRP的局部性的强度信息采用原始的时域切分方法，得到的特征存在高度冗余性，给后续RNN(循环神经网络，RecurrentNeuralNetwork)建模带来困难；(2)幅度较小的距离单元中有可能会包含一些可分性很强的特征，但这些特征很少被用到；(3)单向的RNN在预测时只能利用当前时刻及当前时刻之前的结构信息，无法很好利用HRRP中蕴含的整体结构信息先验。
技术实现思路
鉴于以上存在的技术问题，本专利技术用于提供一种基于谱图变换和注意力机制循环神经网络的雷达HRRP目标识别方法，该方法首先进行预处理降低HRRP样本中的敏感性并对样本进行谱图变换；然后建立动态调整层，对谱图进行调整；然后通过重要性网络调整谱图中各时间点序列的重要程度，再通过双向堆叠RNN对时序相关性建模，提取出其高层次特征，最后采用多层次的注意力机制调整网络隐层状态的重要程度并通过softmax进行目标分类。为解决上述技术问题，本专利技术采用如下的技术方案：一种基于谱图变换和注意力机制循环神经网络的雷达HRRP目标识别方法，包括以下步骤：S1，采集数据集，将雷达采集到的HRRP数据集依据目标的种类进行合并，每种种类的样本分别在不同的数据段里选择训练样本和测试样本，在训练集和测试集的选取过程中，保证所选取的训练集样本与雷达所成姿态涵盖测试集样本与雷达所成的姿态，各类目标训练集和测试集样本数的比例为8:2，将挑选的数据集记作T＝{(xi,yk)}i∈[1,n],k∈[1,c]，其中xi表示第i个样本，yk表示样本属于第k类，一共采集了c类目标，n表示样本总数；S2，对经过S1所提取数据集中的样本做预处理，在利用HRRP进行目标识别前，通过l2强度归一化的方法对原始HRRP回波进行处理，从而改善HRRP的强度敏感性问题，HRRP是通过距离窗从雷达回波数据中截取的，在截取的过程中录取的距离像在距离波门中的位置不固定，从而导致了HRRP的平移敏感性，为了使训练和测试具备统一标准，用重心对齐法消除平移敏感性，这样HRRP中包含信息的那些距离单元将分布在中心附近；S3，对经过上述处理的HRRP样本进行谱图变换；S4，对HRRP样本进行动态调整，即对样本进行多个幂次的处理；S5，搭建重要性调整网络，对经过上述处理后的数据进行通道调整，采用一种全新的特征重标定的策略通过学习的方式来自动获取到每个特征通道的重要程度，然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征；S6，含有注意力机制的堆叠双向RNN训练模型，调参并进行优化；S7，对由S1采集到的测试数据进行训练阶段的步骤S2、S3、S4预处理操作；S8，将经过S7处理的样本送入S5、S6构建的模型中进行测试求得结果，即最后经过注意力机制的输出会通过softmax层进行分类。优选地，所述S2进一步包括以下步骤：S201，强度归一化，假设原始HRRP表示为xraw＝[x1,x2,…,xL]，其中L表示HRRP内包含的距离单元总数，则强度归一化之后的HRRP表示为：S202，样本对齐，平移HRRP使其重心g移至L/2附近，这样HRRP中包含信息的那些距离单元将分布在中心附近，其中HRRP重心g的计算方法如下：其中，xi为原始HRRP中第i维信号单元，原始HRRP样本经过强度归一化和重心对齐法处理之后幅值已经被限制在0-1之间，不仅统一了尺度，而且在0-1之间的数值非常有利于后续的神经网络处理；分布偏右或偏左的HRRP回波信号都被调整到了中心点附近。优选地，所述步骤S3进一步包括：S301，计算时域信号的短时傅里叶变换来获得该信号的谱图特征，时间信号的短时傅里叶变换的变换公式可以表示为：其中，τ表示时间，ω表示频率，x(·)表示被变换的时间信号，w(·)表示STFT变换的窗函数；谱图特征是STFT变换的模平方，它可以表示为：Y(τ,ω)＝|(STFT(τ,ω)|2，S302，谱图特征的每一个时间点上所对应的频域特征是一段变换窗长内的连续距离单元时域信号的频谱，需要将HRRP样本切分为多个子序列，在这里每一段子序列长度相同，每个子序列进行傅里叶变换的点数也是相同的，选取窗函数对每个子序列进行处理，进行处理后的谱图特征是一个矩阵，它的每一列包含一个短期局部时间的频率成分估计，时间沿列增加，频率按行增加。优选地，所述步骤S4进一步包括：S301，提出对HRRP谱图特征进行动态调整，即对谱图进行多个幂次的处理，对数据进行幂次处理，从多个角度将雷达HRRP中所蕴含的信息以多种不同的形式体现出来，方便后续网络从多个角度提取特征进行识别，动态调整层的输出表示为：其中，M是动态调整层的通道数，第i个动态调整通道表示为其中，αi表示幂次变换的系数。优本文档来自技高网...

【技术保护点】
1.一种基于谱图变换和注意力机制循环神经网络的雷达HRRP目标识别方法，其特征在于，包括以下步骤：/nS1，采集数据集，将雷达采集到的HRRP数据集依据目标的种类进行合并，每种种类的样本分别在不同的数据段里选择训练样本和测试样本，在训练集和测试集的选取过程中，保证所选取的训练集样本与雷达所成姿态涵盖测试集样本与雷达所成的姿态，各类目标训练集和测试集样本数的比例为8:2，将挑选的数据集记作T＝{(x

【技术特征摘要】
1.一种基于谱图变换和注意力机制循环神经网络的雷达HRRP目标识别方法，其特征在于，包括以下步骤：
S1，采集数据集，将雷达采集到的HRRP数据集依据目标的种类进行合并，每种种类的样本分别在不同的数据段里选择训练样本和测试样本，在训练集和测试集的选取过程中，保证所选取的训练集样本与雷达所成姿态涵盖测试集样本与雷达所成的姿态，各类目标训练集和测试集样本数的比例为8:2，将挑选的数据集记作T＝{(xi,yk)}i∈[1,n],k∈[1,c]，其中xi表示第i个样本，yk表示样本属于第k类，一共采集了c类目标，n表示样本总数；
S2，对经过S1所提取数据集中的样本做预处理，在利用HRRP进行目标识别前，通过l2强度归一化的方法对原始HRRP回波进行处理，从而改善HRRP的强度敏感性问题，HRRP是通过距离窗从雷达回波数据中截取的，在截取的过程中录取的距离像在距离波门中的位置不固定，从而导致了HRRP的平移敏感性，为了使训练和测试具备统一标准，用重心对齐法消除平移敏感性，这样HRRP中包含信息的那些距离单元将分布在中心附近；
S3，对经过上述处理的HRRP样本进行谱图变换；
S4，对HRRP样本进行动态调整，即对样本进行多个幂次的处理；
S5，搭建重要性调整网络，对经过上述处理后的数据进行通道调整，采用一种全新的特征重标定的策略通过学习的方式来自动获取到每个特征通道的重要程度，然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征；
S6，含有注意力机制的堆叠双向RNN训练模型，调参并进行优化；
S7，对由S1采集到的测试数据进行训练阶段的步骤S2、S3、S4预处理操作；
S8，将经过S7处理的样本送入S5、S6构建的模型中进行测试求得结果，即最后经过注意力机制的输出会通过softmax层进行分类。


2.如权利要求1所述的基于谱图变换和注意力机制循环神经网络的雷达HRRP目标识别方法，其特征在于，所述S2进一步包括以下步骤：
S201，强度归一化，假设原始HRRP表示为xraw＝[x1,x2,…,xL]，其中L表示HRRP内包含的距离单元总数，则强度归一化之后的HRRP表示为：



S202，样本对齐，平移HRRP使其重心g移至L/2附近，这样HRRP中包含信息的那些距离单元将分布在中心附近，其中HRRP重心g的计算方法如下：



其中，xi为原始HRRP中第i维信号单元，
原始HRRP样本经过强度归一化和重心对齐法处理之后幅值已经被限制在0-1之间，不仅统一了尺度，而且在0-1之间的数值非常有利于后续的神经网络处理；分布偏右或偏左的HRRP回波信号都被调整到了中心点附近。


3.如权利要求2所述的基于谱图变换和注意力机制循环神经网络的雷达HRRP目标识别方法，其特征在于，所述步骤S3进一步包括：
S301，计算时域信号的短时傅里叶变换来获得该信号的谱图特征，时间信号的短时傅里叶变换的变换公式可以表示为：



其中，τ表示时间，ω表示频率，x(·)表示被变换的时间信号，w(·)表示STFT变换的窗函数；
谱图特征是STFT变换的模平方，它可以表示为：
Y(τ,ω)＝|(STFT(τ,ω)|2，
S302，谱图特征的每一个时间点上所对应的频域特征是一段变换窗长内的连续距离单元时域信号的频谱，需要将HRRP样本切分为多个子序列，在这里每一段子序列长度相同，每个子序列进行傅里叶变换的点数也是相同的，选取窗函数对每个子序列进行处理，
进行处理后的谱图特征是一个矩阵，它的每一列包含一个短期局部时间的频率成分估计，时间沿列增加，频率按行增加。


4.如权利要求3所述的基于谱图变换和注意力机制循环神经网络的雷达HRRP目标识别方法，其特征在于，所述步骤S4进一步包括：
S301，提出对HRRP谱图特征进行动态调整，即对谱图进行...

【专利技术属性】
技术研发人员：刘爱林，潘勉，吕帅帅，李子璇，于海滨，张杰，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33