1、收稿日期:2 0 2 3 0 3 0 8基于微多普勒效应特征的空中目标识别孟凡君1,杨学岭1,2,吴 鑫1,管志强1(1.中国船舶集团有限公司第八研究院,江苏 南京 2 1 1 1 5 3;2.南京航空航天大学,江苏 南京 2 1 1 1 5 3)摘要:特征提取是基于微动特征雷达目标识别的关键一环。传统方法提取的特征为线性、浅层的,导致表征微多普勒效应的能力有限。针对这些问题,采用非线性网络进行特征学习,建立了基于微多普勒效应的飞机目标识别深度网络。通过构建处理微多普勒效应的卷积神经网络(C NN)模型,从微多普勒频域数据中自动提取非线性深层次属性特征,实现空中目标分类识别。在实际测量的微多普
2、勒频域数据上的大量实验结果表明,所提方法具有良好的目标识别性能和泛化性能。关键词:微多普勒效应;特征提取;雷达自动目标识别;卷积神经网络 中图分类号:T N 9 5 7.5 1文献标识码:A文章编号:C N 3 2-1 4 1 3(2 0 2 3)0 4-0 0 6 0-0 6D O I:1 0.1 6 4 2 6/j.c n k i.j c d z d k.2 0 2 3.0 4.0 1 3A i r T a r g e t R e c o g n i t i o n B a s e d o n M i c r o-D o p p l e r E f f e c t F e a t u r
3、e s ME NG F a n j u n1,YANG X u e l i n g1,2,WU X i n1,GUAN Z h i q i a n g1(1.N o.8 R e s e a r c h A c a d e m y o f C S S C,N a n j i n g 2 1 1 1 5 3,C h i n a;2.N a n j i n g U n i v e r s i t y o f A e r o n a u t i c s a n d A s t r o n a u t i c s,N a n j i n g 2 1 1 1 5 3,C h i n a)A b s t r
4、 a c t:F e a t u r e e x t r a c t i o n i s t h e k e y t e c h n i q u e f o r r a d a r t a r g e t r e c o g n i t i o n b a s e d o n m i c r o-D o p p l e r e f f e c t.T h e f e a t u r e s e x t r a c t e d b y t r a d i t i o n a l m e t h o d s a r e l i n e a r a n d s h a l l o w,w h i c
5、 h r e s u l t s i n t h e l i m i t e d c a p a b i l i t y t o c h a r a c t e r i z e m i c r o-D o p p l e r e f f e c t.A i m i n g a t t h e s e i s s u e s,t h i s p a p e r a-d o p t s n o n l i n e a r n e t w o r k f o r f e a t u r e l e a r n i n g,b u i l d s u p d e e p n e t w o r k f
6、 o r a i r c r a f t t a r g e t r e c o g n i t i o n b a s e d o n m i c r o-D o p p l e r e f f e c t.B y c o n s t r u c t i n g a c o n v o l u t i o n a l n e u r a l n e t w o r k(C NN)m o d e l f o r d e a l i n g w i t h m i c r o-D o p p l e r e f f e c t,t h e n o n l i n e a r d e e p p
7、r o p e r t y f e a t u r e s o f t a r g e t s a r e f u l l y e x t r a c-t e d f r o m m i c r o-D o p p l e r d a t a o f f r e q u e n c y d o m a i n,s o a i r t a r g e t c l a s s i f i c a t i o n a n d r e c o g n i t i o n a r e r e-a l i z e d.T h e e x t e n s i v e e x p e r i m e n t
8、a l r e s u l t s o n t h e r e a l m e a s u r e d m i c r o-D o p p l e r f r e q u e n c y d o m a i n d a t a s h o w t h a t t h e p r o p o s e d m e t h o d a c h i e v e s g o o d t a r g e t r e c o g n i t i o n p e r f o r m a n c e a n d g e n e r a l i z a-t i o n p e r f o r m a n c e.
9、K e y w o r d s:m i c r o-D o p p l e r e f f e c t;f e a t u r e e x t r a c t i o n;r a d a r a u t o m a t i c t a r g e t r e c o g n i t i o n;c o n v o l u t i o n n e u r a l n e t w o r k 0 引 言众所周知,移动目标会在雷达回波信号中产生多普勒频移,称为多普勒效应。如果目标上存在旋转或者震荡的结构组件,这些移动组件将在目标中心频率周围引起额外的频率调制,称为微多普勒效应。目标的微多普勒调制效应
10、是区别其他目标所独有的,包括目标微动分量几何特征和微动的细节,为雷达自动目标识别提供了新的途径1-2。对于动态飞行器目标的分类识别,也可利用差分调制分量来区分不同类型的飞行器目标。3种飞行器目标(喷气式飞机、螺旋桨飞机、直升机)的调制分量结构,如旋翼长度、速度和数量,有显著差异,在窄带雷达回波中体现为不同的多普勒调制特性。3种飞行器目标基于X波段雷达实测数据的典型例子如图1所示。频域数据通过T分布随机近邻嵌入(T-S E N)32 0 2 3年8月舰 船 电 子 对 抗A u g.2 0 2 3第4 6卷第4期S H I P B OA R D E L E C T R ON I C C OUN
11、T E RME A S UR EV o l.4 6 N o.4方法进行压缩,并以散点图的形式显示在特征空间中,不同目标的微多普勒集用深浅不同的颜色表示。据此,可以从回波中提取相关特征,实现对3类飞机目标的分类。在利用差分调制分量提取特征区分不同类型目标方面,积累了大量的研究成果。陈行勇等提出一种利用时频分布提取微多普勒物理特征估算运动参数的方法4。文献5 以速率偏差系数作为调制特性,使用K-最近邻分类器(KNN)方法来实现目标分类。这些方法基于特定的参数模型,在实践中运行良好,但都是提取浅层特征,泛化性能有限。最近,许多研究人员认为非线性、深度网络可以在各种任务中实现卓越的性能。图1 基于T-
12、S E N的微多普勒频域数据集及特征空间展示 在特征学习的诸多应用中,深度网络具有强大的非线性特征提取能力,在图像等领域取得了优于传统人工特征的性能。2 0 0 6年,H i n t o n提出一种无监督逐层贪心训练方法6,解决了深度增加引起的梯度消散问题,使神经网络向更深的方向发展。后来,许多研究人员根据不同应用背景提出了多种深度学习(D L)模型,如深度执行网络(D NN)、卷积神经网络(C NN)等,在图像等领域比传统方法取得了更好的效果。文献7 以受限三分支去噪声自编码器的形式提出了一种新的深度网络,以充分利用有限的训练样本进行合成孔径雷达(S A R)自动目标识别。这些传统的工程特征
13、是有用的,但依赖于研究人员的经验和技能。另一方面,不同频段雷达数据的通用性较差8。针对这些问题,提出了一种基于微多普勒效应的飞机目标识别C NN模型,并结合标签信息来学习目标的稳定结构和相关性。本文证明了该方法应用在X波段和S波段雷达的实测数据有效性和泛化性能,以展示对传统特征提取方法的建模能力。分析结果表明,该方法比传统的特征提取方法具有更好的特征提取能力。同时,实验结果也表明该方法具有良好的泛化性能。1 基于微多普勒效应特征的空中目标识别方法 本文提出的目标识别框架如图2所示。它由2个过 程 组 成:原 始 微 多 普 勒 频 域 数 据 预 处 理 和C NN。首先,从原始微多普勒频域数
14、据中去除固定杂波频率分量,并移动机身频率分量,使用L2归一化方法处理数据;然后,利用C NN来学习微多普勒数据的深层特征;最后,利用归一化指数(s o f t m a x)层获得具有深层特征的分类结果。图2 本文提出的目标识别框架流程1.1 微多普勒频域数据预处理在原始微多普勒频域数据中,目标特征和固定杂波混合在返回的回波中。这里固定杂波分量的多普勒频谱主要对应于零频附近的频率分量。16第4期孟凡君,等:基于微多普勒效应特征的空中目标识别微多普勒频域数据的幅度尺度灵敏度取决于微多普勒频域数据的强度,由雷达发射功率、目标距离、雷达天线增益、雷达接收机增益、雷达系统损耗等构成的函数决定。不同雷达或
15、不同条件下测得的微多普勒频域数据会有不同的幅度尺度。为了处理幅度尺度灵敏度,每个微多普勒频域数据通过除以L2范数进行归一化:xi=xiKi=1|xi|2(1)式中:xi表示每个频率的幅度尺度值;k表示微多普勒频域数据的维数。在多普勒频谱中,目标机身的幅度尺度值是最大的。将最大振幅刻度值移至零频率位置。图3(a)、(b)、(c)显示了原始微多普勒数据预处理。图3 微多普勒频域数据预处理1.2 卷积神经网络如图2右侧所示,本文提出了一种基于微多普勒效应的飞机目标识别C NN模型。C NN模型包括输入层、卷积层、池化层、激活函数、全连接层和输出层,它们基本上是一个接一个地堆叠构成一个网络。通常C N
16、N的输入是原始图像XRDK。本文中,Hi表示C NN中的第i层特征图。原始图像XRDK可被描述为:H0=X(2)同时,假设Hi代表卷积层,生产过程可描述如下:Hi=f(Hi*Wi+bi)(3)式中:WiRKM是第i个卷积的权重矩阵;*是操作符号,表示卷积核与第i个图像或特征图进行卷积;biRM是隐藏的偏置向量;f()表示非线性函数。卷积层之后通常是池化层,根据一定的下采用规则对特征图进行采样。一方面,池化层可以降低特征图的维度;另一方面,池化层可以保持特征图的尺度不变性。池化层可以描述为:Hi=s u b s a m p l i ng(Hi-1)(4)式中:Hi表示池化层,并且Hi-1表示第(
17、i-1)层特征图。在多个卷积层和池化层交替传输后,C NN基于全连接网络对提取的特征进行分类,根据输入得到概率分布Y。本质上,C NN是一个通过多层次数据变换或降维使原始矩阵H0映射到新的特征表达Y的数学方法。Y可以描述为:Y(i)=P(L=li|H0;(W,b)(5)式中:li表示第i个标签;P()为分布式函数的概率。C NN的训练目标是网络的损失函数L(W,b)最小化。常见的损失函数包括均方差函数(M S E),负对数似然函数(N L L):MS E(W,b)=1|Y|Y|i=1(Y(i)-Y(i)2(6)N L L(W,b)=-|Y|i=1l nY(i)(7)为了减少过拟合问题,最终的损
18、失函数E通过加入范数约束来控制权值过拟合,通过参数来控制拟合强度。最终的损失函数E可以描述为:E(W,b)=L(W,b)+WTW(8)1.3 基于C NN的飞机目标识别飞机目标识别任务所依赖的微多普勒频域数据机制与光学图像不同。因此,针对实际数据的特点,有必要构建适用于飞机目标识别的深度学习模型,可以提高识别精度、模型泛化性和鲁棒性等性能。本文基于微多普勒效应,应用于飞机目标识别的26舰 船 电 子 对 抗第4 6卷 C NN结构如图4所示。C NN架构的一个主要不同点在于避免一个需要许多学习参数的非常深的全连接网络。相反,在C NN结束时使用全局最大池和一个非常小的全连接网络。C NN的这些
19、新发展表明在许多应用中具有高效率、非常少的参数和不易过拟合。使用修正线性单元作为指数线性单元,其函数形式可以描述为:f(x)=x,x0a x,x0(9)式中:a是常规参数。s o f t m a x函数用于执行多类逻辑回归:pi=s o f t m a x(Zi)=e x p(Zi)Kk=1Zk(1 0)式中:Zi为第i个节点的输出;k为输出节点数。图4 基于微多普勒效应的飞机目标识别C NN结构2 基于微多普勒效应特征的空中目标识别实验 为了验证本文提出的识别系统的有效性和泛化性能,使用X波段和S波段雷达实测数据进行测试。同时,将该方法和几种传统的模式识别方法进行了比较。2.1 数据说明测量
20、数据由自主研发的雷达系统获取。X波段和S波段雷达的工作参数如表1所示。表1 X波段和S波段雷达的工作参数波段XS中心频率/H z9 0 0 03 0 0 0带宽/MH z44重频/k H z1 05驻留时间/m s1 31 3 测量数据有1 6 7 1个X波段和3 6 6个S波段雷达微多普勒频域数据。首先,将X波段实测数据分为4组,分别标记为X1、X2、X3、X4。其次,将S波段实测数据分为3组,分别标记为S1、S2、S3。2组数据集间没有重复数据。图4显示C NN包括输入层、6个卷积层、3个池化层、2个全连接层和输出层。网络参数随机初始化,学习率设置为0.1。随机梯度下降法用于训练C NN。
21、输入数据为预处理后的原始微多普勒频域数据,维度为2 5 6。2.2 实验分析为了验证识别系统的有效性和泛化性能,设计了2组对比实验。2.2.1 实验1(验证使用C NN进行特征提取的有效性)本节使用X波段雷达实测数据进行实验。在这4个集合中,2个集合组成一个训练数据集,剩下的2个集合融合在一起作为测试数据集。按数据集分组,实验分别完成。表2显示了实验1测量数据的数据集组。表2 实验1的数据集组数据集组训练集测试集集合1(X1 X2)(X3 X4)集合2(X1 X3)(X2 X4)集合3(X1 X4)(X2 X3)集合4(X2 X3)(X1 X4)集合5(X2 X4)(X1 X3)集合6(X3
22、X4)(X1 X2)2.2.2 实验2(验证C NN泛化性能)在本节中,实验使用了X波段雷达和S波段雷36第4期孟凡君,等:基于微多普勒效应特征的空中目标识别达测量 数 据。S波 段 雷 达 实 测 数 据 是 一 个 使 用C NN不可能训练和分类的不平衡的小样本集。使用数据迁移的方法,通过对X波段雷达数据采样来模拟与S波段雷达类似参数的雷达数据。S波段雷达实测数据和模拟数据相结合,形成实验数据。实验分3个步骤进行:首先,将模拟数据组合成训练数据集,将S波段识别数据融合在一起作为测试数据集;其次,将模拟数据和1个S波段雷达集组合形成训练数据集,将剩余的2个S波段集融合在一起作为测试数据集;最
23、后,将模拟数据和2个S波段雷达集组合形成训练数据集,将剩余的1个S波段集融合作为测试数据集。表3显示了实验2的测试数据和模拟数据的数据集组。图5显示了测试数据和模拟微多普勒频域数据的示例。表3 实验2的数据集组数据集组训练集测试集集合7模拟数据-集合8集合7(S1 S2 S3)集合9(集合7 S1)(S2 S3)集合1 0(集合7 S2)(S1 S3)集合1 1(集合7 S3)(S1 S2)集合1 2(集合7 S1 S2)S3集合1 3(集合7 S1 S3)S2集合1 4(集合7 S2 S3)S1图5 实测数据和仿真数据的微多普勒样本2.3 实验结果与分析首先,在实测数据上进行实验。为了进一步
24、验证所提出方法的性能,测量数据被用来重复实验。同时采用支持向量机(S VM)、KNN等传统模式识别方法进行对比实验。正确识别率的统计结果见表4和表5。表4 各站识别方法对X波段雷达实测数据的识别精度方法C NNS VMKNN集合19 6.2 5%8 2.1 2%7 5.2 9%集合29 2.1 5%8 4.4 5%7 7.8 5%集合39 5.8 5%7 9.6 5%7 8.4 2%集合49 6.3 3%8 1.9 8%7 3.5 6%集合59 4.4 5%8 0.4 3%7 2.7%集合69 3.6%8 2.1 5%7 4.9 2%平均正确识别率9 4.7 7%8 1.8%7 5.4 6%表
25、5 C NN对雷达数据的识别准确率方法识别准确率集合84 0%集合97 6.2 5%集合1 07 8.3%集合1 17 4.7 3%集合1 28 8.2%集合1 38 6.6 4%集合1 49 2.2 5%基于实测数据的使用结果还表明,传统的S VM和KNN模式识别方法仅提取目标的浅层特征,这些方法的最佳识别准确率为8 1.8%。相反,通过深度神经网络模型提取目标的较深特征,深层特征的分类能力明显优于浅层特征。如表4所示,C NN的识别准确率为9 4.7 7%,比S VM46舰 船 电 子 对 抗第4 6卷 方法提高了1 2.9 7%。从表5中发现了以下结果:(1)将基于X波段雷达的模拟数据组
26、合成训练数据集,将S波段实测数据融合在一起作为测试数据集,识别准确率只有4 0%。(2)将基于X波段雷达的模拟数据和1组S波段雷达组合形成训练数据集,剩余的2个S波段集融合 在 一 起 作 为 测 试 数 据 集,平 均 识 别 准 确 率为7 6.4 3%。(3)将基于X波段雷达的模拟数据和2个S波段雷达集组合形成训练数据集,将剩余的1个S波段集融合在一起作为测试数据集,平均识别准确率为8 9.0 3%。基于X波段雷达和S波段雷达的实验结果表明,随着训练集中S波段数据集的增加,识别精度逐渐提高。表明基于微多普勒效应和C NN的飞机目标识别具有良好的泛化性能。3 结束语本文分析并利用卷积神经网
27、络作为基于微多普勒的3种飞机目标识别的特征提取方法。这种深度神经网络能够自动提取目标非线性深层次属性特征。大量微多普勒频域数据的实验结果表明了所提模型具有良好的泛化性能。综上所述,利用本文提出的C NN模型,可以有效地从飞机目标微多普勒频域数据中提取出目标的深层特征,实现空中目标分类识别。参考文献1 CHE N V C.D o p p l e r s i g n a t u r e s o f r a d a r b a c k s c a t t e r i n g f r o m o b j e c t s w i t h m i c r o-m o t i o n sJ.I E T S
28、i g n a l P r o-c e s s i n g,2 0 0 8,2(3):2 9 1 3 0 0.2 L I U Y,CHE N H,L I X,e t a l.R a d a r m i c r o-m o t i o n t a r-g e t r e s o l u t i o nC/2 0 0 6 C I E I n t e r n a t i o n a l C o n f e r e n c e o n R a d a r.S h a n g h a i,C h i n a,2 0 0 6:1 4.3 MAA T E N L,H I N TON G.V i s u a
29、l i z i n g d a t a u s i n g t-S N EJ.J o u r n a l o f M a c h i n e L e a r n i n g R e s e a r c h,2 0 0 8(9):2 5 7 9 2 6 0 5.4 陈行勇,刘永祥,黎湘,等.微多普勒分析和参数估计J.红外与毫米波学报,2 0 0 6,2 5(5):3 6 0 3 6 3.5 苗振奎,徐伟,李亮,等.一种基于调整特征向量的空目标识别方法J.太赫兹科学与电子信息学报,2 0 1 3,1 1(6):9 2 2 9 2 6.6 H I N T ON G,S A L AKHUT D I N
30、OV R.R e d u c i n g t h e d i-m e n s i o n a l i t y o f d a t a w i t h n e u r a l n e t w o r k sJ.S c i e n c e,2 0 0 6,3 1 3(5 7 8 6):5 0 4 5 0 7.7 T I AN S,WAN G C,Z HAN G H,e t a l.S A R o b j e c t c l a s s i f i c a t i o n u s i n g t h e D A E w i t h a m o d i f i e d t r i p l e t r
31、e-s t r i c t i o nJ.I E T R a d a r S o n a r N a v i g a t i o n,2 0 1 9,1 3(7):1 0 8 1 1 0 9 1.8 邓衍顺.基于物理驱动和数据驱动特征的飞机目标分类方法研究D.西安:西安电子科技大学,2 0 1 9.(上接第2 7页)4 焦辰泽,余建宇,王超.一种炮位侦校雷达目标模拟方法及系统J.火控雷达技术,2 0 2 1,5 0(1):5 8 6 4.5 庄载椿.基于模糊P I D控制的农用无人机稳定平台控制算法研究D.杭州:浙江大学,2 0 1 6.6 陈禹.基于滑模的飞翼无人机姿态控制及优化方法研究D.
32、武汉:华中科技大学,2 0 1 9.7 吴瀚文.四旋翼飞行器抗风控制研究D.哈尔滨:哈尔滨工业大学,2 0 1 6.8 李劲松.四旋翼小型无人直升机自适应 逆控 制 研究D.上海:上海交通大学,2 0 1 4.9 王洪林.室内环境下四旋翼无人机飞行控制技术研究D.南京:南京航空航天大学,2 0 1 6.1 0李一波,宋述锡.基于模糊自整定P I D四旋翼无人机悬停控制 J.控制工程,2 0 1 3,2 0(5):9 1 0 9 1 4.1 1陈鹏,段凤阳,张庆杰,等.基于模糊P I D的无人机姿态控制器的设计 J.弹箭 与制 导 学报,2 0 1 5,3 5(1):91 1.1 2刘洋,行鸿彦,侯天浩.四旋翼无人机串级变论域模糊P I D姿态控制研究J.电子测量与仪器学报,2 0 1 9,3 3(1 0):4 6 5 2.1 3KNO S P E C.P I D c o n t r o lJ.I E E E C o n t r o l S y s t e m s M a g a z i n e,2 0 0 6,2 6(1):3 0 3 1.56第4期孟凡君,等:基于微多普勒效应特征的空中目标识别