技术摘要：
本发明公开了一种基于重要性网络和双向堆叠RNN的雷达目标识别算法框架，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  全部
背景技术：
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(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特征提取方法大多是无监督且有损的、以及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。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建 模带来困难；(2)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。
技术实现要素：
鉴于以上存在的技术问题，本发明用于提供一种基于重要性网络和双向堆叠RNN 的雷达目标识别算法框架，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，本发明采用如下的技术方案： 5 CN 111596292 A 说　明　书 2/9 页 一种基于重要性网络和双向堆叠循环神经网络的雷达目标识别方法，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； S3，对样本进行谱图特征提取； S4，通过重要性网络对样本进行调整； S5，搭建含有注意力机制的堆叠双向RNN训练模型； S6，对由S1采集到的测试数据进行训练阶段的步骤S2、S3预处理操作； S7，将经过S6处理的样本送入S4、S5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，所述步骤S2进一步包括： 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。 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，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，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。 6 CN 111596292 A 说　明　书 3/9 页 优选地，所述步骤S4进一步包括： S401，重要性调整分为压缩特征和激发特征两部分； S402，压缩特征部分：整理进入重要性网络的谱图特征维度为 该特征是由M个序列构成，每个序列为一个N维的向量，其中M对应的是谱图矩阵的时间维 度，其中的每一个序列都会经过全连接层和激活函数压缩为一个代表此序列重要程度的实 数权重xsq。我们将xspecgram通过全连接，全连接的输出可由下式计算得到： xsq＝f(Wxspecgram b) 其中激活函数f(·)为Sigmoid函数， S403，特征激发部分：通过Excitation公式将提取到的特征进行选择性调整，得到 经调整之后的特征FE： FE＝xspecgram ⊙ xsq 其中xsq＝[xsq(1) ,xsq(2) ,…,xsq(M)]，它是一个M维向量，⊙ 表示将xspecgram各通道 中的每一个元素都乘上xsq这个向量中对应维上的数，特征FE中的第m个通道被调整为： 优选地，所述步骤S5进一步包括： S501，假设输入的是特征FRNN， 其中Mi表示第i 个双向RNN的各时间点维数，N表示输入序列长度，其输出Foutput也是一个长度为N的序列， Foutput＝[Foutput(1)，Foutput(2)，…,Foutput(N)]，其中序列中第k个时间点所对应的向量表示 为： 其中，f(·)表示激活函数， 表示对应于第i个双向RNN中所包含的前向RNN的 隐藏层输出矩阵， 表示第i个双向RNN中所包含的前向RNN中所包含的第k个隐藏层状态， 同样地， 表示对应于第i个双向RNN中所包含的后向RNN的隐藏层输出矩阵， 表示第i 个双向RNN中所包含的后向RNN中所包含的第k个隐藏层状态，bFi表示第i个双向RNN的输出 层偏置； S502，选取最后几层双向RNN在不同时刻得到的隐层状态进行拼接，第i层拼接后 的隐层状态为： 最后再将每一层拼接后隐层进行相加，即得到经过注意力模型处理后的隐层状态 cATT为： 其中αik表示对应于第i层第k个时间点所对应的权重，M表示双向RNN模型中每层的 前向RNN或后向RNN包含的隐状态的个数，即时间点维数，N1表示网络堆叠的层数，N0表示取 7 CN 111596292 A 说　明　书 4/9 页 从最后一层开始数，共取几层堆叠双向RNN内的隐状态用于求cATT，αik的求法如下式所示： 其中，eik为第i个双向RNN中前向和后向隐藏状态进行相加后的能量，表示为： eik＝UATT  tanh(WATThik) 其中 它们是用于计算隐单元能量的参数，l是隐单元 的维数，M是时间点维数； S503，将经过注意力机制的输出进行拼接操作，再后接一个节点数为雷达类别数 的全连接层，即全连接层的输出为模型的预测结果，输出可表示为： output＝f(C(cATT)Wo) 其中C(·)为拼接操作， c表示类别个数，f(·)表示softmax函数； S504，损失函数设计为交叉熵，通过使用训练数据计算损失函数相对于参数的梯 度来学习参数，并在模型收敛时固定学习的参数，采用基于交叉熵的代价函数，表示为： 其中，N表示一个批次中训练样本的个数，en是one-hot向量，用于表示第n个训练 样本的真实标签，P(i|xtrain)表示训练样本对应于第i个目标的概率； S505，初始化上述模型中所有待训练的权重及偏置，设置训练参数，包括学习率、 batch_size、训练批次，开启模型训练。 优选地，所述步骤S7进一步包括： 第i个HRRP测试样本 对应于目标集中第k类雷达目标的概率可计算为： 其中exp(·)表示取指数运算，c表示类别个数； 通过最大后验概率将测试HRRP样本xtest分类到最大目标概率的k0中： 采用本发明具有如下的有益效果： (1)本发明实施例提取HRRP谱图特征，它更能反映目标的一些特定结构特性，再后 接重要性调整网络，它可通过学习卷积通道的全局信息来有选择地强调蕴含可分性信息较 多的卷积通道特征并抑制不太有用的卷积通道特征。经过调整之后，模型从空间通道(卷积 通道)上看变得更加平衡，使更重要、更有用的特征可以得到突显，提高了模型的HRRP表征 能力。 (2)本发明实施例和之前的基于HRRP结构建立的模型不同，堆叠使用双向循环神 经网络，该网络有两个隐层，分别处理前向和后向的时序信息，使模型具备一定深度。按这 种方式组织的模型可以更好的依据数据的上下文逐步抽象出高层的结构特征，并且各双向 8 CN 111596292 A 说　明　书 5/9 页 循环神经网络层内部的隐状态蕴含了不同层次的结构表示，可帮助更好地应用HRRP进行识 别。 (3)本发明实施例应用注意力模型，在分类的时候应该考虑加强中部信号聚集区 域所给出判断的权重，减少两侧噪声区域给出判断的权重。并且在模型中，各双向循环神经 网络层内部的隐状态蕴含了不同层次的结构表示，可以结合不同层次的结构表示来进一步 提高我们的识别结果。 附图说明 图1为本发明实施例的基于重要性网络和双向堆叠循环神经网络的雷达目标识别 方法的步骤流程图。