一种基于新型MDR-Net的雷达目标识别算法的制作方法

本发明属于雷达目标识别领域，尤其涉及一种基于新型mdr-net的雷达目标识别算法。

背景技术：

雷达自动目标识别(radarautomatictargetrecognition,ratr)技术可以提供目标的属性、类别、型号等关键特征，能全天候的工作并且对雷达传感器的环境变化具有鲁棒性。为从雷达信号中获得目标更丰富的信息，ratr技术越来越着眼于高分辨雷达的研究。合成孔径雷达(syntheticapertureradar,sar)图像是一种高分辨雷达图像，与高分辨距离像(highrangeresolutionprofile,hrrp)相比，其可以提供目标的二维分辨信息，包含目标更丰富的细节特征。传统的雷达目标识别算法如k邻算法(knn)、支持向量机(svm)、多任务关系学习(mtrl)等，往往设计难度较高，特征提取及分类器算法的组合繁琐，难以实现很高的识别准确率。此外，多任务学习的思想也广泛应用于ratr技术中。

近年来深度学习不断被应用于雷达目标识别系统中。卷积神经网络是深度学习算法的一种，深度卷积神经网络模型相比较于传统的雷达目标识别算法,不需要人工进行复杂而耗时的特征提取算法设计,只需要设计有效的神经网络模型，而且识别准确度高。申请号为cn201911203317.4、名称为一种基于深度学习的高分辨率雷达目标识别算法的发明专利申请提出了一种vgg-inception雷达目标识别网络，基于vgg网络融合了inception模块，这种结构增强了网络提取雷达稀疏数据特征的能力，但是还存在特征提取和学习能力不够强，网络参数量和计算量比较多的不足。因此，研制一种高性能，高稳定性，低计算成本的雷达目标识别系统已成为急需。

技术实现要素：

本发明的目的是提供一种高分辨率雷达目标识别系统，相比传统方法，能够对高分辨率雷达信号实现极高的识别准确度，同时省去人工提取特征和人为选择分类器的步骤，克服了传统方法中特征提取和分类困难的问题，参数量更低，实时性更好。在雷达目标识别领域，传统的深度神经网络算法可能会失效。这是因为每个雷达样本数据量较少，尤其hrrp是一维数据，数据量明显少于传统图像数据量；同时雷达数据收集比较困难，难以有效训练深度学习模型。基于此，深层神经网络的下采样层对于雷达数据来说过多了，这会使得算法失效。

本发明提出的解决方法是设计了多维度稀疏性特征提取模块(multi-dimensionalsparsefeatureextractionmodule，mds)，具体包括高精度mds模块(high-precisionmulti-dimensionalsparsefeatureextractionmodule，hmds)和轻量级mds模块(lightweightmulti-dimensionalsparsefeatureextractionmodule，lmds)。进而采用一种新的基于mds模块的卷积神经网络结构mdr-net实现高分辨雷达目标识别，具体包括基于hmds模块的hmdr-net和基于lmds模块的lmdr-net。mdr-net的可有多种网络深度和结构。本发明提出的雷达目标识别算法包括：雷达数据预处理模块；雷达目标识别模块和分类器模块。

本发明相比vgg-inception网络，通过引入更大7×7的卷积核，hmds模块和lmds模块都比vgg-inception具有更强的稀疏数据特征提取能力，稳定性和鲁棒性也更强，对雷达数据的识别性能得到了有效提高。更重要的是，基于mds模块的mdr-net可以以更浅的网络实现比vgg-inception深层网络更高的准确率，例如hmdr14-net和lmdr14-net可以实现vgg16/19-inception才能实现的识别准确率，这实际上大幅度节省了网络参数和计算成本，并且mdr-net实现了更稳定的性能。另外，lmds模块相比hmds模块减少了参数量和计算量，与inception模块相差无几。

本发明的一大优点是可以对识别难度较高的雷达数据进行高效识别，并且节省参数空间，降低计算机运算成本。mdr-net可以以较浅的深度实现很高的准确率。例如，在本发明的实施例中，hmdr14-net在对sar图像的识别中，在准确率仅仅降低0.18％的情况下，节省25.84％参数量和34.77％的浮点数计算量。

雷达数据的预处理模块的工作模式有训练模式和测试模式两种。雷达数据预处理模块的功能包括：预处理雷达信号，使其转换为雷达目标识别模块能接受的输入形式，在训练模式下需要标记雷达目标数据类别，构建机器学习方法所需的数据集。其中标记雷达目标数据类别的具体步骤包括：对雷达信号进行分类标记，每种类别的多个样本标记为一类；对于高分辨率距离像，标记每个目标对应的列向量；对于合成孔径雷达图像、逆合成孔径雷达图像等，将同一类型的不同样本标记为一类；根据标记后的雷达数据，构建机器学习方法所需的数据集。

训练模式下雷达目标数据预处理的工作方法为：对一维高分辨率距离像，将每个数据点的实部和虚部分别提取出来，上下排列，每个列向量仍对应一个目标；对合成孔径雷达图像、逆合成孔径雷达图像，做统一下采样、中心裁切、旋转等预处理，扩充数据量。训练模式结束后，可以更新卷积神经网络的参数，得到能对指定目标进行准确识别的mdr-net。

测试模式下雷达目标数据预处理的工作方法为：对于一维高分辨率距离像，其预处理方式与训练模式相同；对合成孔径雷达图像、逆合成孔径雷达图像，统一下采样到某一固定分辨率，以下种实施例中下采样后得到图像分辨率为128*128。

hmds模块包含一个并行卷积层和一个点卷积层。所述并行卷积层包括四条并行的卷积线路。其与hmds模块的典型区别是在并行卷积层的第一条线路，该线路由7×7的卷积核组成，并行卷积层的其他线路设计与hmds模块相同。ldms模块可比hmds模块减少19.06％-33.83％的浮点数计算量和4.27×10^6-7.42×10^6个参数。可有效的节约计算成本和参数空间，提高网络性价比。并行卷积中的1×1卷积减少特征图的通道数以节省内存空间和浮点数运算量。所述点卷积层为不压缩特征图的深层点卷积层，输入通道数与输出通道数相同，增加hmds模块的非线性。

lmds模块包含一个并行卷积层和一个点卷积层。所述并行卷积层包括四条并行的卷积线路。其与hmds模块的典型区别是在并行卷积层的第一条线路，该线路由1×1后面接7×7的卷积核组成，并行卷积层的其他线路设计与hmds模块相同。ldms模块可比hmds模块减少19.06％-33.83％的浮点数计算量和4.27×10^6-7.42×10^6个参数。可有效的节约计算成本和参数空间，提高网络性价比。并行卷积中的1×1卷积减少特征图的通道数以节省内存空间和浮点数运算量。所述点卷积层为不压缩特征图的深层点卷积层，输入通道数与输出通道数相同，增加lmds模块的非线性。

基于hmds模块的网络：hmdr-net，其基本设计思想是在卷积层中引入hmds模块来搭建网络，可根据输入的雷达信号的复杂度灵活选择不同深度的hmdr-net网络，在网络中灵活引入不同数目的hmds模块。

基于lmds模块的网络：lmdr-net，其基本设计思想是在卷积层中引入lmds模块来搭建网络，可根据输入的雷达信号的复杂度灵活选择不同深度的lmdr-net网络，在网络中灵活引入不同数目的lmds模块。

所述分类器模块可以采用多种算法，如神经网络全连接层或全局平均值池化(gap)等方法。训练过程中引入学习率衰减的方法：当训练后期识别准确率不再提高时，学习率减小一倍，重复数次，以保证模型在训练后期不出现大的波动，从而更加接近最优解；引入激活函数，包括但不限于线性修正函数(rectifiedlinearunit，relu)和双曲正切函数(hyperbolictangentfunction,tanh)。在本发明的几种实施例对一维距离像和sar图像进行识别时发现，双曲正切函数具有更好的性能；使用随机梯度下降法更新参数，最小化损失函数。

本发明公开的多维雷达目标识别网络(multi-dimensionalradartargetrecognitionnetwork，mdr-net)，相较传统识别方法，能够实现更高的识别准确度，同时降低了人工计算的复杂度。在相对较浅的深度下就可以实现很高的识别准确率。使用合适深度的mdr-net可以降低至少30％以上的浮点数计算量和25％的参数量，更加满足雷达目标识别对实时性运算的要求。相比其他卷积神经网络模型，mdr-net具有更好的鲁棒性，在更难训练的sar-eoc数据集上具有更高的性能。本发明为适应卷积神经网络的输入，针对一维距离像(hrrp)提供了一种新的预处理方法，可以保留数据间的差分相位信息。

附图说明

图1为网络中“conv”模块的示意图；

图2为高精度mds模块(high-precisionmulti-dimensionalsparsefeatureextractionmodule，hmds)示意图；

图3为轻量级mds模块(lightweightmulti-dimensionalsparsefeatureextractionmodule，lmds)示意图；

图4为四种深度的hmdr-net实施例分别匹配三种分类器模块时的参数量对比图。

图5为四种深度的hmdr-net实施例分别匹配三种分类器模块时的浮点数计算量对比图。

图6为四种深度的lmdr-net实施例分别匹配三种分类器模块时的参数量对比图。

图7为四种深度的lmdr-net实施例分别匹配三种分类器模块时的浮点数计算量对比图。

具体实施方式

下面参照附图对本发明作进一步详细描述。

图1为“conv”模块，它是一个包含卷积层、批标准化层和激活函数层的复合函数。

图2为hmds模块，包含一个并行卷积结构和一个点卷积层。在并行卷积层中引入不同大小的卷积核以提高网络提取雷达信号中稀疏特征的能力，拓宽了网络结构，进一步增加了网络模型的深度和宽度。其中的“conv7”、“conv5”、“conv3”、“conv1”分别代表7×7、5×5、3×3和1×1的卷积层，“maxpool(3)”即步长为1的3×3池化。在并行卷积结构中，“conv7”并未经过点卷积压缩深度，直接读取输入特征图(featuremap)的数据，这极大地提升了hmds模块提取稀疏数据特征的能力，例如sar图像等，但代价是提高了模块的参数量和计算量。hmds结构中的并行卷积层不同于inception模块，inception模块中，最大只有一个跟在点卷积层后的5×5卷积层，其对稀疏特征的提取能力提升有限。许多传统方法不能在雷达目标识别领域取得理想成绩，其原因是如trace等传统方法在非线性域的扩展能力有限，无法准确描述雷达数据中的非线性结构。为了改善这一问题，hmds模块通过以下两点进一步提升了非线性：首先引入了点卷积层，点卷积层中引入激活函数，提升了非线性；第二，不压缩特征图的深层点卷积层，输入通道数与输出通道数相同，这不会导致信息的丢失，增加了hmds模块拟合雷达信号中非线性结构的能力。

图3为lmds模块，包含一个并行卷积结构和一个点卷积层。在并行卷积层中引入不同大小的卷积核以提高网络提取雷达信号中稀疏特征的能力。与hmds不同的是，在并行卷积结构中，特征图进入“conv7”前首先经过点卷积压缩深度，可以节省模块的参数空间，降低计算成本，但代价是小幅降低识别准确率。lmds模块通过以下两点进一步提升了非线性：首先引入了点卷积层，点卷积层中引入激活函数，提升了非线性；第二，不压缩特征图的深层点卷积层，输入通道数与输出通道数相同，这不会导致信息的丢失，增加了lmds模块拟合雷达信号中非线性结构的能力。

本发明针对hrrp数据提出了一种新的预处理方式。在训练模式下，本发明的雷达数据输入模块包含标记数据集及数据预处理两步。传统的雷达自动目标识别技术使用了hrrp的幅度像，由于复数hrrp具有初相敏感性，从而丢失了目标的相位信息。事实上，复hrrp拥有对目标识别十分有用的相位信息，同时由于卷积神经网络的特性，大部分卷积网络模型不能处理复数数据类型。因此对hrrp的数据预处理，本发明使用了一种新的方式：分别提取每个数据点的实部和虚部，可固定地设置为实部在上，虚部在下，由此可以保留每个hrrp样本中距离单元间的差分相位信息，同时扩充了每个样本的数据量。在本实施例中，对mstar公共数据集的sar图像，预处理时统一下采样到128×128的固定分辨率，然后分别对图像中心大小为64×64及32×32的区域做中心裁切，最后做一步随机水平旋转。通过上述方法，一定程度上可以弥补数据量不足和网络过拟合的问题。

在测试模式下，新的被测物体的雷达回波数据输入到系统时，hrrp的预处理方式与训练过程相同；对目标的sar图像、isar图像预做处理时，仅仅将输入图像下采样到与训练模式下输入的图像相同的分辨率。

本发明中的“分类器模块”可以采用多种方案，例如神经网络单层全连接层(onefully-connected-layer,1-fc)，三层全连接层(threefully-connected-layer,3-fc)或全局平均值池化(gap)等方法。其中“1-fc”分类器具有最低的浮点数运算量，“gap”分类器具有最低的参数量。

数据经过分类器后通过soft-max函数输出目标各类别的预测概率，将最大概率值所在的类别判定为目标的类别。

基于mds模块，本发明提出了多维雷达目标识别网络(multi-dimensionalradartargetrecognitionnetwork，mdr-net)。具体地，分别基于hmds和lmds模块，本发明提出了hmdr-net和lmdr-net，作为雷达目标识别的核心算法。

mdr-net的构建方法如表1所示。本发明的另一实施例中，所述的mdr-net为mdr12-net，表1中a列展示了搭建mdr12-net的具体规则。其中基于hmds模块的网络为hmdr12-net，即表1中a列的mds模块具体为hmds模块；基于lmds模块的网络为lmdr12-net，即表1中a列的mds模块具体为lmds模块。

本发明的另一实施例中，所述的mdr-net为mdr14-net，表1中b列展示了搭建mdr14-net的具体规则。其中基于hmds模块的网络为hmdr14-net，即表1中b列的mds模块具体为hmds模块；基于lmds模块的网络为lmdr14-net，即表1中b列的mds模块具体为lmds模块。

本发明的另一实施例中，所述的mdr-net为mdr17-net，表1中c列展示了搭建mdr17-net的具体规则。其中基于hmds模块的网络为hmdr17-net，即表1中c列的mds模块具体为hmds模块；基于lmds模块的网络为lmdr17-net，即表1中c列的mds模块具体为lmds模块。

本发明的另一实施例中，所述的mdr-net为mdr20-net，表1中d列展示了搭建mdr20-net的具体规则。其中基于hmds模块的网络为hmdr20-net，即表1中d列的mds模块具体为hmds模块；基于lmds模块的网络为lmdr20-net，即表1中d列的mds模块具体为lmds模块。

本发明公开的mdr-net使用监督学习的方法训练网络，更新参数。训练过程引入了学习率衰减的方法，随着迭代次数的增加，学习率逐渐减小，保证模型在训练后期不出现大的波动，从而更加接近最优解。应用于hrrp数据集的网络初始学习率设为0.1，迭代100次，从第50次开始学习率衰减一倍，往后每迭代10次衰减一倍。sar图像的初始学习率设为0.01，迭代200次，从第50次开始学习率衰减一倍，往后每迭代20次衰减一倍。

以下实施例中，分别采用了神经网络单层或三层全连接层作为分类器以及全局平均值池化(gap)进行仿真。由图4-图7可知，采用gap或单层全连接层(1-fc)作为分类器将比采用三层全连接层(3-fc)作为分类器的网络大约节省86％-92％的参数量，并且gap作为分类器的网络可以比“1-fc”网络进一步节省大约10万个参数。对网络参数量影响最大的是分类器的选择，其次是网络深度。网络深度逐渐增加，网络参数量仅仅随之缓慢增加。“1-fc”浮点数计算量最低，其次是“gap”分类器。“3-fc”分类器的计算成本最高，较其他两种分类器计算量固定增加238.9×10^6。

以下实施例中，lmdr12-net比hmdr12-net节省了4.27×10^6个参数；lmdr14-net比hmdr14-net节省了7.42×10^6个参数；lmdr17-net比hmdr17-net节省了7.42×10^6个参数；lmdr20-net比hmdr20-net节省了5.03×10^6个参数。

以下实施例中，lmdr12-net比hmdr12-3fc-net节省了1284.3×10^6个浮点数计算量，即计算成本减少32.41％(lmdr12-1fc/gap-net节省31.28％)；lmdr14-3fc-net比hmdr14-3fc-net节省了1060.48×10^6个浮点数计算量，即计算成本减少22.56％(lmdr12-1fc/gap-net节省21.09％)；lmdr17-3fc-net比hmdr17-3fc-net节省了2394.4×10^6个浮点数计算量，即计算成本减少33.83％(lmdr12-1fc/gap-net节省33.26％)；lmdr20-3fc-net比hmdr20-3fc-net节省了1546.08×10^6个浮点数计算量，即计算成本减少19.06％(lmdr12-1fc/gap-net节省21.15％)。

数据经过分类器后通过soft-max函数输出目标各类别的预测概率，将最大概率值所在的类别判定为目标的类别。实际应用中，将高分辨率雷达探测到的目标雷达回波数据输入训练好的系统中，系统即可判定并输出目标所属的类别。

表1mdr-net结构

本发明的方法还在mstar公共数据集上与传统方法及其他卷积神经网络方法分别进行了对比。表2、表3分别展示了在标准工作条件下的sar图像数据集：sar-soc和第一类扩展工作条件下的sar图像数据集：sar-eoc-1上，不同方法与本发明的雷达目标识别系统所取得的识别准确率对比。其中knn为k邻算法，svm为支持向量机方法，trace为一种跟踪正则化多任务学习方法，cmtl为聚类多任务学习方法，mtrl是一种多任务关系学习方法。densenet、googlenet、resnet18分别为另外三种不同的卷积神经网络架构。

表2sar-soc数据集上不同方法的性能对比

表3sar-eoc-1数据集上不同方法的性能对比

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。