付哲泉　李相平　李尚生　但波　王旭坤

摘 要：雷達目標的高分辨距離像包含了豐富的目標信息，基于高分辨距離像的雷達目標識別一直是軍事領域關注的重點和難點。隨著深度學習逐漸成為各領域的研究熱點，基于深度學習算法的高分辨距離像目標識別得到了廣泛關注。與傳統(tǒng)方法相比，深度學習算法可以自動提取目標高分辨距離像數(shù)據(jù)有效的深層特征，達到更高的識別準確率。本文總結了近期深度學習在雷達目標高分辨距離像識別領域的應用和研究情況，介紹了該領域四個亟待解決的問題。

關鍵詞： 雷達;深度學習;高分辨距離像;目標識別; 人工智能

中圖分類號：TJ760;TP18文獻標識碼：A 文章編號： 1673-5048（2020）03-0037-07

0 引言

雷達對目標的識別一直是軍事領域關注的重點，目標的高分辨距離像（High Resolution Range Profile，HRRP）表示目標散射中心在雷達-目標方向上的投影，包含了豐富的目標結構特征。由于易獲取、易存儲和易處理的特點，HRRP一直作為軍事目標識別的重要數(shù)據(jù)來源。

隨著寬帶雷達的應用，雷達目標已經(jīng)由點目標變?yōu)轶w目標，可以通過提取HRRP的強散射點分布特征對不同目標進行分類和識別。前期基于HRRP的雷達目標識別方法可以總結為5類： （1）基于統(tǒng)計模型的識別。統(tǒng)計模型方法以貝葉斯理論為基礎，從訓練樣本中獲取模型參數(shù)，再根據(jù)測試樣本所對應的各類后驗概率判定其類別。常見的統(tǒng)計模型有自適應高斯分類器模型[1]、伽瑪混合模型[2]等。（2）基于流行學習的識別。其思想是根據(jù)某一準則將高維HRRP向低維特征空間投影，并利用投影系數(shù)作為特征向量進行識別，該方法可以有效降低HRRP特征維數(shù)。主要有主成分分析[3]、線性判別分析[4]等。（3）基于核方法的識別。核方法是基于Mercer核展開定理，通過非線性映射，把樣本映射到Hilbert空間，從而將非線性可分的HRRP樣本轉變?yōu)榫€性可分的HRRP樣本，再利用線性方法解決分類問題，通常與其他的特征提取方法結合[5]。（4）基于字典學習的識別。該類方法通過特定的觀測矩陣求得HRRP的稀疏系數(shù)，將該系數(shù)作為目標特征進行分類識別。該類方法的關鍵在于字典的構造，如穩(wěn)健字典學習[6]、重構判別字典學習[7]等。（5）基于HRRP序列的識別。相鄰姿態(tài)角的HRRP序列在時間和空間上有較強的連

續(xù)性，基于隱馬爾科夫模型[8]、多模態(tài)平穩(wěn)序列建模[9]、受限玻爾茲曼機[10]等方法，利用這種連續(xù)性可以有效提高雷達目標的識別性能。

近年來，深度學習成為各領域的研究熱點，在合成孔徑雷達、逆合成孔徑雷達圖像[11-13]和光學、遙感、紅外等圖像[14-17]的目標檢測、識別與分類方面都得到了廣泛應用。雷達基于HRRP信息的目標分類識別亦可通過深度學習算法來實現(xiàn)。相比于傳統(tǒng)的識別方法，深度學習算法可以自動提取目標HRRP數(shù)據(jù)有效的深層特征，以進行不同目標的分類與識別。

1 基于CNN的HRRP目標識別

1.1 CNN基本原理

卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks，CNN）

是一種包含卷積計算的前饋神經(jīng)網(wǎng)絡，對其研究可以追溯到20世紀60年代Hubel和Wiesel在研究貓腦皮層中用于局部敏感的方向選擇的神經(jīng)元時提出的一種網(wǎng)絡結構。由于CNN在計算過程中具有平移不變性等特點，因此，可以避免對HRRP數(shù)據(jù)復雜的預處理，有利于深度學習算法的HRRP目標識別。經(jīng)典的CNN網(wǎng)絡由卷積層、池化層、全連接層和分類器層組成。針對HRRP的CNN基本框架結構如圖1所示。

圖1展示了CNN對一個數(shù)據(jù)長度為128的HRRP進行10種目標的分類過程，網(wǎng)絡結構依次為卷積層、池化層、卷積層、池化層、全連接層和分類器層。

卷積層的主要作用是對輸入數(shù)據(jù)的特征進行提取，卷積層內(nèi)部可以包含多個卷積核。圖1中的兩個卷積層分別包含16個和32個卷積核，卷積核的每個元素都對應著權重系數(shù)和偏差值。卷積核對輸入數(shù)據(jù)進行卷積計算并加入偏差值，然后利用激活函數(shù)進行激活，得到的卷積層輸出即為從輸入數(shù)據(jù)提取的特征。計算過程可以表示為

xlj=f∑i∈Mjxl-1i*klij+blj（1）

式中： x表示特征項;M表示輸入特征項的集合;k為卷積核;b為偏差值;l是網(wǎng)絡結構的層序號;i是卷積核序號;j是特征項通道序號;f是激活函數(shù)。卷積層的參數(shù)包括卷積核大小、步長、填充和激活函數(shù)，常用的激活函數(shù)有Sigmoid函數(shù)、Tanh函數(shù)、Relu函數(shù)等，不同的參數(shù)組合賦予卷積層不同的特性。

池化層的主要作用是對卷積層提取的特征進行選擇和過濾，通過下采樣實現(xiàn)對特征的選擇和數(shù)據(jù)降維。常用的池化層有最大池化、均值池化以及混合池化等。

全連接層通常放在卷積神經(jīng)網(wǎng)絡的后部，位于分類器層之前，主要作用是將上一層得到的特征按順序進行排列得到一維向量，此時特征將失去多維結構。全連接層的輸出作為分類器層的輸入，通過分類器層的處理后得到整個CNN的輸出。常用的分類器有softmax和支持向量機（Support Vector Machine，SVM）等。在目標識別問題中，CNN的輸出可以是目標的類別、大小和中心坐標等。

針對監(jiān)督學習的CNN學習過程一般通過反向傳播（Back Propagation，BP）框架進行CNN參數(shù)的迭代更新，通過使代價函數(shù)計算的誤差值最小來獲得穩(wěn)定的識別結果，此時網(wǎng)絡訓練結束。一種典型的代價函數(shù)公式為

EN=12∑Nn=1∑ck=1tnk-ynk2（2）

式中： tnk表示第n個樣本對應標簽的第k維;ynk表示網(wǎng)絡輸出的第n個樣本的第k維;N表示訓練樣本的個數(shù);c表示待識別的標簽數(shù)，對應圖1中的10個目標類別。

1.2 基于CNN的HRRP目標識別研究

基于深度學習的HRRP目標識別研究暫時沒有典型的公開數(shù)據(jù)庫，不同團隊和研究人員針對HRRP目標識別的數(shù)據(jù)庫大多來源于團隊自己進行的模型仿真計算和暗室測量。但是不同文獻研究均表明，基于深度學習的HRRP目標識別準確率均高于傳統(tǒng)的分類方法。

Karabayir O等人[18]利用經(jīng)典的CNN模型對艦船目標進行分類。首先建立了6艘軍艦和4艘民用艦船的模型，然后利用物理光學法計算得到不同艦船在X波段的HRRP數(shù)據(jù)，即每個艦船目標在方位角[-45°，+45°]，俯仰角[+81°，+90°]范圍內(nèi)間隔1°，共910個HRRP數(shù)據(jù)，并對HRRP數(shù)據(jù)進行歸一化處理，使HRRP的幅度保持在[0，1]區(qū)間。每個目標隨機選擇582個HRRP作為訓練集，100個作為驗證集，剩余的228個作為測試集。文獻中CNN模型包括4個卷積層、2個最大池化層、1個Relu激活層和1個全連接層。最終對自建HRRP數(shù)據(jù)集的平均識別準確率為93.90%，不同艦船目標的識別準確率為84.56%～97.06%。

山東大學的殷和義等人[19]也使用CNN進行目標分類。他們的數(shù)據(jù)集來源于微波暗室中對4種飛機縮比模型的實際測量。文章分析了不同激活函數(shù)對網(wǎng)絡性能的影響，以及不同卷積核大小、不同學習率、不同權值衰減系數(shù)對識別率的影響。與BP神經(jīng)網(wǎng)絡、SVM分類器和KNN分類器相比，CNN分類法識別率更高，但耗時更長。

Aalto University的Lundén J和Koivunen V [20]利用CNN模型對多基地雷達HRRP的目標進行分類，其數(shù)據(jù)集來源于對多個飛機模型的仿真計算，并對HRRP添加白噪聲進行了數(shù)據(jù)集的擴充。利用不同角度的HRRP數(shù)據(jù)模擬不同基地雷達的回波信號，將CNN對不同雷達（單基地和多基地）HRRP的識別結果進行融合，將輸出的最高目標概率與所設閾值進行比較，以判斷目標是已知還是未知目標類型。實驗結果表明，該方法在低信噪比情況下有較好的識別結果。

南京理工大學的蓋晴晴等人[21]提出了一種將HRRP與極化信息相結合的算法。對建模得到的3種簡單目標模型利用FEKO軟件計算得到全極化數(shù)據(jù)，根據(jù)極化矩陣、Pauli分解和Freeman分解，分別得到6個、3個、3個特征向量，將計算得到的12個特征向量作為CNN模型的輸入，對目標進行識別分類?；谌珮O化矩陣HRRP數(shù)據(jù)得到的目標識別準確率與不同單一極化數(shù)據(jù)相比，提高了5%～9%。文獻同時對以極化特征向量的不同組合方式作為數(shù)據(jù)集時的目標分類結果進行了仿真分析。Robert Bosch GmbH的Visentin T等人[22]也利用HRRP的極化信息進行了目標的分類實驗，其數(shù)據(jù)集來源于微波暗室中用77 GHz電磁波對目標模型進行的全極化測量。

南京電子技術研究所的楊予昊等人[23]建立兩種CNN結構進行HRRP的目標識別。結構1將HRRP數(shù)據(jù)變換為二維數(shù)據(jù)后作為網(wǎng)絡的輸入，結構2則直接將原始HRRP數(shù)據(jù)作為網(wǎng)絡的輸入。采用某型雷達對6種飛機的實測HRRP數(shù)據(jù)驗證該方法的有效性。實驗結果表明，與傳統(tǒng)的模板匹配法相比，目標識別的準確率提高了20%。與結構1相比，結構2的識別準確率更高，說明將一維HRRP數(shù)據(jù)轉換為二維格式會破壞HRRP的內(nèi)部結構信息，不利于有效特征的提取。

南京理工大學的王容川等人[24]對CNN模型進行HRRP目標識別時的姿態(tài)敏感性進行分析。文獻數(shù)據(jù)集由5類目標在小視角迎頭和小視角尾追情況下的HRRP數(shù)據(jù)組成，即只選取一定觀測角度范圍的HRRP作為仿真數(shù)據(jù)。實驗結果表明，數(shù)據(jù)信噪比越高，目標種類越少，識別準確率越高。與融合主成分分析和支持向量機的算法相比，CNN識別準確率更高，并且數(shù)據(jù)集角度范圍越大，識別效果的差別越大，說明CNN相比于傳統(tǒng)方法對姿態(tài)敏感性的適應能力更強，具有更好的泛化能力。

各研究團隊依據(jù)所獲取的數(shù)據(jù)集對基于CNN的HRRP目標識別做了很多研究工作，但是側重點不盡相同，包括分析不同CNN結構和激活函數(shù)、學習率等超參數(shù)對目標識別準確率的影響，分析HRRP在不同信噪比或不同角度范圍條件下的識別準確率，分析多傳感器HRRP數(shù)據(jù)識別結果融合對準確率的提高，分析全極化HRRP數(shù)據(jù)對識別結果的影響等。與

支持向量機、多層感知機、K最近鄰、主成分分析法等傳統(tǒng)方法相比，基于CNN的HRRP目標識別均具有更高的識別準確率。

2 基于AE的HRRP目標識別

2.1 AE基本原理

自動編碼器（Autoencoder，AE）是一種數(shù)據(jù)壓縮的算法，通過提取輸入數(shù)據(jù)的重要特征來盡可能復現(xiàn)輸入信號，進而實現(xiàn)數(shù)據(jù)壓縮。 AE包括編碼和解碼兩個過程，即包括一個由函數(shù)h=f（x）表示的編碼器和一個由函數(shù)r=g（h）表示的解碼器。但是AE不能簡單設置為g（f（x））=x，需要加入一些約束項來增加提取特征的泛化性和魯棒性。AE的結構示意圖如圖2所示。

對AE的改進可以得到不同的自動編碼器網(wǎng)絡結構。例如： 在AE的基礎上增加L1的正則化限制可以得到稀疏自動編碼器（Sparse Autoencoder，S1AE），L1的作用是約束隱藏層的節(jié)點大部分為零，使隱藏層的特征變得稀疏，減小計算量。對AE的輸入層引入隨機噪聲可以得到去噪自動編碼器（Denoise Autoencoder，D1AE），D1AE從加入噪聲的輸入數(shù)據(jù)中重構出原始數(shù)據(jù)，可以使隱藏層提取特征的魯棒性更好。相對于原始的AE，增加隱藏層的層數(shù)可以得到深層自動編碼器（Deep Autoencoder，D2AE）。 隨著隱藏層數(shù)的增加，AE的學習能力得到提升，便于提取更深層的特征。將AE的編碼器部分由卷積層和最大池化層替代，解碼器部分由卷積層和上采樣層替代，AE則變?yōu)榫矸e自動編碼器（Convolutional Autoencoder，C1AE），C1AE網(wǎng)絡可以從圖像數(shù)據(jù)中更好地提取特征。對D2AE的編碼器層進行逐層訓練可以得到棧式自動編碼器（Stacked Autoencoder，S2AE）。通過對以上改進模型的組合可以得到更多的網(wǎng)絡結構。

2.2 基于不同AE的HRRP目標識別研究

文獻[25]將稀疏自動編碼器和卷積自動編碼器融合，利用稀疏卷積自編碼器（Sparse Convolutional Autoencoder，S1C1AE）網(wǎng)絡對三種車輛模型在微波波段下的半空間和全空間HRRP數(shù)據(jù)進行分類識別，數(shù)據(jù)集來源于電磁計算軟件的仿真計算。模型的目標識別過程與CNN基本相同，分為預處理、特征提取和分類三部分。文獻對數(shù)據(jù)的預處理是幅度的L2歸一化和基于質(zhì)心對準的時移補償。比較半空間和全空間不同數(shù)據(jù)集下的分類識別結果，全空間數(shù)據(jù)集的識別率更高，但半空間數(shù)據(jù)集更貼近實際情況，與其他模型結果相比，識別率有較大提升。比較模型有傳統(tǒng)的線性判別分析（Linear Discriminate Analysis，LDA）、主成分分析（Principal Component Analysis，PCA）、線性支持向量機（Linear Support Vector Machine，LSVM）和神經(jīng)網(wǎng)絡模型去噪稀疏自動編碼器（Denoise Sparse Autoencoder，D1S1AE）、深度置信網(wǎng)絡（Deep Belief Network，DBN）。

西安電子科技大學的陳渤[26]團隊建立了棧式校正自動編碼器模型（Stacked Corrective Autoencoder，S2C2AE），模型的校正特性體現(xiàn)在對每幀HRRP進行求平均。在馬氏距離準則下，考慮各幀HRRP之間的協(xié)方差矩陣建立損失函數(shù)。對不同層數(shù)的S2C2AE與S2D1AE、DBN以及傳統(tǒng)方法的識別結果進行比較。實驗表明，HRRP的平均輪廓具有更平滑、更簡潔的信號形式，能提取更抽象有用的層次特征，可以有效解決散斑效應和異常值，使模型具有更好的泛化性能。數(shù)據(jù)集來源于3種飛機的實測數(shù)據(jù)，并對數(shù)據(jù)集進行了質(zhì)心對準和L2歸一化預處理。該團隊也對S2RAE[27]（Stacked Robust Autoencoder）、RVAE[28-29]（Robust Variational Autoencoder）、RAN[30-31]（Recurrent Attentional Network）模型在相同數(shù)據(jù)集下的識別性能進行了詳細研究。

南京航空航天大學的王彩云等人[32]將卷積稀疏編碼器與多分類器融合對HRRP目標進行識別。首先利用卷積稀疏編碼器對HRRP進行特征提取，達到壓縮HRRP數(shù)據(jù)的效果。然后利用隨機森林分類器、樸素貝葉斯分類器和最小值分類器對提取的特征進行預分類，再利用多數(shù)投票法將3個預測結果進行融合，得到最后的識別結果。文獻對5種飛機目標的HRRP仿真數(shù)據(jù)進行實驗驗證，結果表明，該模型準確率較高，對噪聲的魯棒性較好。南京航空航天大學的張歡[33]用SVM對利用S2AE模型對數(shù)據(jù)降維后的特征進行目標分類，分析了S2AE模型不同層節(jié)點數(shù)對識別率的影響。雷達目標HRRP數(shù)據(jù)庫來自于仿真軟件對Su27、J6和M2K 3種飛機的全方位HRRP數(shù)值計算。海軍工程大學的張建強等人[34]也做了類似研究。

基于不同AE的HRRP目標識別研究廣泛，主要集中在分析擴展和改進AE結構對識別準確率的提高，以及不同深度AE結構對識別準確率的影響方面。相比于不同AE結構的組合，引入卷積操作對目標識別的準確率提高更明顯，識別結果均優(yōu)于傳統(tǒng)方法。

3 基于改進深度學習網(wǎng)絡的HRRP目標識別

3.1 基于CDNN的HRRP目標識別研究

電子科技大學的廖闊等人[35]提出了一種CDNN（Concatenated Deep Neural Networks）網(wǎng)絡結構。該結構由多個淺層神經(jīng)子網(wǎng)絡（Shallow Neural Sub-Networks，SNSN）的隱層連接而成。SNSN的結構如圖3所示。

SNSN由1個輸入層、2個隱藏層和1個輸出層組成。圖中x表示原始的HRRP數(shù)據(jù)，a（k-1）2表示第k-1層SNSN第2層隱藏層的特征，aki表示第k個SNSN網(wǎng)絡第i層的特征，{Wki， bki}表示第k個SNSN網(wǎng)絡第i層的權重矩陣和偏差值。文獻將原始HRRP數(shù)據(jù)與上一層SNSN提取的特征進行融合作為下一層SNSN的輸入層，以此解決深層神經(jīng)網(wǎng)絡訓練過程中可能出現(xiàn)的梯度消失、爆炸和過擬合的問題。數(shù)據(jù)集為4種飛機目標的仿真和實測數(shù)據(jù)。在對數(shù)據(jù)集擴充的基礎上進行了二級標簽編碼，減少提取特征之間的類內(nèi)差異，增加類間差異。文獻分析了不同級聯(lián)層數(shù)對識別率的影響，并用多證據(jù)融合理論進一步提高了系統(tǒng)的識別率，與其他算法相比，對各個目標的識別率都有較大提高。

3.2 基于S2AE和ELM融合的HRRP目標識別研究

文獻[36]提出了一種基于S2AE和正則化極限學習機（Extreme Learning Machine，ELM）的HRRP分類識別方法，充分利用S2AE和ELM各自的優(yōu)點以提高識別性能。文獻[36]網(wǎng)絡結構如圖4所示。

利用S2AE提取各隱藏層的深層特征，利用ELM快速的學習速度和良好的泛化能力減少訓練時間。實驗表明，該模型與其他模型相比識別率更高，訓練時間更短，并且在小訓練樣本的情況下也有很好的識別性能。文獻提出下一階段可以利用疊加去噪稀疏自動編碼器結構和ELM融合，以提高模型對噪聲的魯棒性。

在基于ELM的目標識別方面，文獻[37]分析了引入Dropout后對ELM目標識別能力的影響。實驗結果表明，引入Dropout可以解決神經(jīng)網(wǎng)絡過擬合問題，有效提高模型的泛化能力。

3.3 基于Residual和Inception融合的HRRP目標識別研究

海軍航空大學的郭晨等人[38]將Residual網(wǎng)絡和Inception網(wǎng)絡結合，得到一種新的網(wǎng)絡結構，如圖5所示。

文獻[38]提出一種余弦中心損失函數(shù)，以增大類間距離、減小類內(nèi)距離。仿真結果表明，該網(wǎng)絡結構在模型參數(shù)更少的情況下，相比于CNN、S2AE、S2C1AE、S2D1AE等網(wǎng)絡結構，識別率有較大提升。文獻也分析了信噪比和數(shù)據(jù)集角度不一致對模型識別結果的影響。數(shù)據(jù)集來源于對7種艦船模型的仿真計算和數(shù)據(jù)擴充。在此數(shù)據(jù)集基礎上，該團隊還提出了一種基于深度多尺度一維CNN的HRRP識別方法[39]和基于特征金字塔融合輕量CNN的HRRP識別方法[40]。文獻[39]建立3種多尺度卷積層和2種多尺度降采樣層，以替換傳統(tǒng)CNN網(wǎng)絡中的卷積層和下采樣層，同時建立融合軟最大值和中心損失的損失函數(shù)。利用多尺度卷積核提取HRRP不同精細度的特征，通過新的損失函數(shù)減少所提特征的類內(nèi)距離。文獻[40]在傳統(tǒng)CNN的基礎上，利用HRRP數(shù)據(jù)多尺度表示構建模型輸入，從而保證特征可同時兼顧目標的全局和局部信息，提高特征的魯棒性，兩種方法與CNN和AE模型相比，目標識別準確率均有較大提升。

3.4 基于CNN和LSTM融合HRRP目標識別研究

北京航空航天大學的張耀天等人[41]融合CNN和長短期記憶（Long Short Term Memory，LSTM）網(wǎng)絡結構，得到新的深度網(wǎng)絡結構，利用多層CNN對信號時頻特征提取的一維特征與原始HRRP數(shù)據(jù)進行拼接，作為LSTM網(wǎng)絡的輸入進行目標識別。文獻[41]的網(wǎng)絡結構如圖6所示。

該文獻分析了不同信噪比情況下，目標識別準確率的變化情況，數(shù)據(jù)集來源于錐柱體、柱體、2種不同尺寸的錐體等4種簡易目標在X波段的仿真計算。

西安電子科技大學的陳渤團隊[42]也對基于LSTM結構的目標識別做了研究，他們考慮HRRP樣本距離單元間的時序相關特性，提出了雙向長短期記憶（Bidirectional Long Short Term Memory，BLSTM）網(wǎng)絡的HRRP目標識別方法，結合softmax分類器和投票策略融合輸出樣本類別，提高了目標識別性能，實驗結果表明模型較好地克服了HRRP平移敏感性問題。印度的Jithesh V [43]也對基于LSTM的目標識別進行了研究。

以上基于改進深度學習網(wǎng)絡的HRRP目標識別方法將性能良好的不同網(wǎng)絡結構融合，并針對HRRP數(shù)據(jù)特點做出改進，在創(chuàng)建更復雜網(wǎng)絡結構的同時，克服深層網(wǎng)絡學習過程中梯度消失或爆炸的缺點，與簡單深度學習網(wǎng)絡相比，改進的網(wǎng)絡收斂更快，識別率更高。4 深度學習在HRRP目標識別中面臨的挑戰(zhàn)

深度學習在雷達HRRP目標識別領域得到了研究人員廣泛的關注和細致的研究，同時也取得了很好的識別結果，但仍然存在諸多不足。

首先，沒有公開的高質(zhì)量數(shù)據(jù)集。深度學習訓練模型時需要大量的數(shù)據(jù)，對HRRP的目標識別任務而言，則需要很多真實、準確且標注好的HRRP數(shù)據(jù)。在深度學習對圖像識別的研究領域，經(jīng)過多年的發(fā)展已經(jīng)有了手寫數(shù)字識別的MNIST數(shù)據(jù)集，物體檢測、分割的MS-COCO數(shù)據(jù)集，單詞識別的ImageNet數(shù)據(jù)集，圖像分類的CIFAR-10數(shù)據(jù)集等。 但是在HRRP目標識別領域沒有公開統(tǒng)一的數(shù)據(jù)庫，研究人員使用的大多都是自己團隊對艦船、飛機、車輛等目標建模數(shù)值計算和微波暗室測量的數(shù)據(jù)集，少部分團隊使用的是對飛機目標的實測數(shù)據(jù)，并且由于HRRP目標識別應用背景特殊的問題，各研究團隊不便于將數(shù)據(jù)集公開，因此不同研究方法和結論不便于研究人員進行比較分析。不同網(wǎng)絡結構針對HRRP的特征提取和目標識別很大程度上依賴于所提供的數(shù)據(jù)集。 因此，在基于深度學習的HRRP目標識別領域，迫切需要一組公開的高質(zhì)量數(shù)據(jù)集以滿足研究需要。

其次，模型存在過擬合的問題。深度學習中的“深”一般是指網(wǎng)絡層數(shù)的多少，隨著網(wǎng)絡層數(shù)的增加，模型能提取到數(shù)據(jù)更深層次的特征，但是也帶來了過擬合的問題。過擬合是由于訓練數(shù)據(jù)與測試數(shù)據(jù)不完全一致，訓練過程中出現(xiàn)的測試誤差明顯大于訓練誤差的現(xiàn)象，說明此時網(wǎng)絡的泛化能力差。一般而言，網(wǎng)絡結構越復雜，網(wǎng)絡參數(shù)越多，過擬合現(xiàn)象越明顯。現(xiàn)階段解決過擬合的方法有擴充數(shù)據(jù)集、減少網(wǎng)絡參數(shù)、減少網(wǎng)絡層數(shù)、數(shù)據(jù)正則化、引入Dropout等。

再次，模型的遷移能力有待驗證。由于基于HRRP的目標識別應用背景特殊，一般所需識別的目標都是非合作目標，而非合作目標的HRRP實測數(shù)據(jù)往往難以獲取。以非合作目標數(shù)值計算仿真和微波暗室測量得到的數(shù)據(jù)進行模型優(yōu)化與訓練，當應用場景與訓練環(huán)境有差別時，模型對實際目標識別的準確率有待驗證。

最后，模型急需工程化應用，但效果有待驗證。如前所述，基于深度學習的HRRP目標識別取得了很好的識別效果，但是由于模型的訓練環(huán)境與實際應用場景之間存在較大差異，深度學習模型在新的環(huán)境下能否有效工作很難保證。同時，基于HRRP的目標識別場景一般對信號處理的時效性和可靠性有很高要求，所建立模型的大小是否合適，實際應用時的計算時效能否滿足工程需要也有待驗證，將是下一步研究需要重點考慮的問題。

5 結 束 語

從以上研究現(xiàn)狀來看，深度學習算法可以自動提取HRRP數(shù)據(jù)的有效深層特征，以實現(xiàn)高準確率的目標識別，降低了傳統(tǒng)方法中提取目標特征時對研究人員的依賴。但是，由于沒有公開的高質(zhì)量數(shù)據(jù)集，不同研究團隊提出的深度學習算法不便于相互比較和驗證，一定程度上限制了深度學習在HRRP目標識別上的應用和發(fā)展。同時，由于基于HRRP的目標識別一般應用于非合作目標，模型在真實場景中的識別能力也有待驗證。下一階段，基于深度學習的HRRP目標識別可以重點研究新的深度學習結構對識別效果的改進，以及算法在實際場景中的應用問題。

參考文獻：

[1] Jacobs S P， OSullivan J A. Automatic Target Recognition Using Sequences of High Resolution Radar Range-Profiles[J]. IEEE Transactions on Aerospace and Electronic Systems， 2000， 36（2）： 364-381.

[2] Copsey K， Webb A. Bayesian Gamma Mixture Model Approach to Radar Target Recognition[J]. IEEE Transactions on Aerospace and Electronic Systems， 2003， 39（4）： 1201-1217.

[3] Chen B， Liu H W， Bao Z. PCA and Kernel PCA for Radar High Range Resolution Profiles Recognition[C]∥IEEE International Radar Conference， Arlington， 2005.

[4] Zyweck A， Bogner R E. Radar Target Classification of Commercial Aircraft[J]. IEEE Transactions on Aerospace and Electronic Systems， 1996， 32（2）： 598-606.

[5] Xiong W， Zhang G， Liu S， et al. Multiscale Kernel Sparse Coding-Based Classifier for HRRP Radar Target Recognition[J]. IET Radar， Sonar & Navigation， 2016， 10（9）： 1594-1602.

[6] Liu H W， Feng B， Chen B， et al. Radar High-Resolution Range Profiles Target Recognition Based on Stable Dictionary Learning[J]. IET Radar， Sonar & Navigation， 2016， 10（2）： 228-237.

[7] Zhou D Y. Radar Target HRRP Recognition Based on Reconstructive and Discriminative Dictionary Learning[J]. Signal Processing， 2016， 126： 52-64.

[8] Du L， Wang P H， Liu H W， et al. Radar HRRP Target Recognition Based on Dynamic Multi-Task Hidden Markov Model[C]∥ IEEE RadarCon （RADAR） ， Kansas City， 2011.

[9] 王鵬輝，夏雙志，潘勉，等. 基于多模態(tài)平穩(wěn)序列建模的雷達高分辨距離像有限樣本目標識別方法[J]. 光學學報，2012， 32（5）： 276-285.

Wang Penghui，Xia Shuangzhi，Pan Mian，et al. A New Method Based on Multimodal Stationary Sequence Modeling for Radar HRRP Target Recognition under Small Training Set Conditions[J]. Acta Optica Sinica， 2012，32（5）： 276-285. （in Chinese）

[10] Zhang S， Dong Y H， Fu H Y， et al. A Spectral Reconstruction Algorithm of Miniature Spectrometer Based on Sparse Optimization and Dictionary Learning[J]. Sensors， 2018， 18（2）：644.

[11] Zhou Y， Wang H P， Xu F， et al. Polarimetric SAR Image Classification Using Deep Convolutional Neural Networks[J]. IEEE Geoscience and Remote Sensing Letters， 2016， 13（12）： 1935-1939.

[12] Wang L， Scott K A， Xu L L， et al. Sea Ice Concentration Estimation During Melt from Dual-Pol SAR Scenes Using Deep Convolutional Neural Networks： A Case Study[J]. IEEE Transactions on Geoscience and Remote Sensing， 2016， 54（8）： 4524-4533.

[13] Pei J F， Huang Y L， Sun Z C， et al. Multiview Synthetic Aperture Radar Automatic Target Recognition Optimization： Modeling and Implementation[J]. IEEE Transactions on Geoscience and Remote Sensing， 2018， 56（11）： 6425-6439.

[14] Leclerc M， Tharmarasa R， Florea M C， et al. Ship Classification Using Deep Learning Techniques for Maritime Target Tracking[C]∥ 21st International Conference on Information Fusion， Cambridge， UK， 2018.

[15] Fu H X， Li Y， Wang Y C， et al. Maritime Ship Targets Recognition with Deep Learning[C]∥37th Chinese Control Conference， Wuhan， China， 2018.

[16] Xing S H， Zhang S K. Ship Model Recognition Based on Convolutional Neural Networks[C]∥ IEEE International Conference on Mechatronics and Automation （ICMA）， Changchun， China， 2018.

[17] 王金傳，譚喜成，王召海，等. 基于Faster R-CNN深度網(wǎng)絡的遙感影像目標識別方法研究[J]. 地球信息科學學報，2018， 20（10）： 1500-1508.

Wang Jinchuan，Tan Xicheng，Wang Zhaohai，et al. Faster R-CNN Deep Learning Network Based Object Recognition of Remote Sensing Image[J]. Journal of Geo-Information Science，2018， 20（10）： 1500-1508. （in Chinese）

[18] Karabaylr O， Yücedagˇ O M， Kartal M Z， et al. Convolutional Neural Networks-Based Ship Target Recognition Using High Resolution Range Profiles[C]∥The 18th International Radar Symposium， Prague， Czech， 2017.

[19] 殷和義，郭尊華. 一維卷積神經(jīng)網(wǎng)絡用于雷達高分辨率距離像識別[J]. 電訊技術，2018， 58（10）： 1121-1126.

Yin Heyi，Guo Zunhua. Radar HRRP Target Recognition with One-Dimensional CNN[J]. Telecommunication Engineering，2018， 58（10）： 1121-1126. （in Chinese）

[20] Lundén J， Koivunen V. Deep Learning for HRRP-Based Target Recognition in Multistatic Radar Systems[C]∥2016 IEEE Radar Conference， Philadelphia， USA， 2016.

[21] 蓋晴晴，韓玉兵，南華，等. 基于深度卷積神經(jīng)網(wǎng)絡的極化雷達目標識別[J]. 電波科學學報，2018， 33（5）： 575-582.

Gai Qingqing，Han Yubing，Nan Hua，et al. Polarimetric Radar Target Recognition Based on Depth Convolution Neural Network[J]. Chinese Journal of Radio Science，2018， 33（5）： 575-582. （in Chinese）

[22] Visentin T， Sagainov A， Hasch J， et al. Classification of Objects in Polarimetric Radar Images Using CNNs at 77 GHz[C]∥2017 Asia Pacific Microwave Conference （APMC）， Kuala Lumpur， Malaysia， 2017.

[23] 楊予昊，孫晶明，虞盛康，等. 基于卷積神經(jīng)網(wǎng)絡的高分辨距離像目標識別[J]. 現(xiàn)代雷達，2017， 39（12）： 24-28.

Yang Yuhao，Sun Jingming，Yu Shengkang，et al. High Resolution Range Profile Target Recognition Based on Convolutional Neural Network[J]. Modern Radar，2017， 39（12）： 24-28. （in Chinese）

[24] 王容川，莊志洪，王宏波，等. 基于卷積神經(jīng)網(wǎng)絡的雷達目標HRRP分類識別方法[J]. 現(xiàn)代雷達，2019， 41（5）： 33-38.

Wang Rongchuan，Zhuang Zhihong，Wang Hongbo，et al. HRRP Classification and Recognition Method of Radar Target Based on Convolutional Neural Network[J]. Modern Radar，2019， 41（5）： 33-38. （in Chinese）

[25] Yu S H， Xie Y J. Application of a Convolutional Autoencoder to Half Space Radar HRRP Recognition[C]∥ 2018 International Conference on Wavelet Analysis and Pattern Recognition （ICWAPR）， Chengdu， China， 2018.

[26] Feng B， Chen B， Liu H W. Radar HRRP Target Recognition with Deep Networks[J]. Pattern Recognition， 2017， 61： 379-393.

[27] 馮博，陳渤，王鵬輝，等. 基于穩(wěn)健深層網(wǎng)絡的雷達高分辨距離像目標特征提取算法[J]. 電子與信息學報，2014，36（12）： 2949-2955.

Feng Bo，Chen Bo，Wang Penghui，et al. Feature Extraction Method for Radar High Resolution Range Profile Targets Based on Robust Deep Networks[J]. Journal of Electronics & Information Technology，2014，36（12）： 2949-2955. （in Chinese）

[28] Zhai Y， Chen B， Zhang H， et al. Robust Variational Auto-Encoder for Radar HRRP Target Recognition[C]∥International Conference on Intelligent Science and Big Data Engineering， Dalian， China， 2017： 356-367.

[29] 翟穎. 基于自編碼模型的雷達高分辨距離像目標識別方法研究[D]. 西安： 西安電子科技大學，2018.

Zhai Ying. Study of Radar High Range Resolution Profiles Target Recognition Based on Auto-Encoder[D]. Xian： Xidian University，2018. （in Chinese）

[30] 徐彬，陳渤，劉宏偉，等. 基于注意循環(huán)神經(jīng)網(wǎng)絡模型的雷達高分辨率距離像目標識別[J]. 電子與信息學報，2016， 38（12）： 2988-2995.

Xu Bin，Chen Bo，Liu Hongwei，et al. Attention-Based Recurrent Neural Network Model for Radar High-Resolution Range Profile Target Recognition[J]. Journal of Electronics & Information Technology，2016， 38（12）： 2988-2995. （in Chinese）

[31] Xu B， Chen B， Wan J W， et al. Target-Aware Recurrent Attentional Network for Radar HRRP Target Recognition[J]. Signal Processing， 2018， 155： 268-280.

[32] 王彩云，胡允侃，李曉飛，等. 基于卷積稀疏編碼與多分類器融合的雷達HRRP目標識別方法[J]. 系統(tǒng)工程與電子技術，2018， 40（11）： 2433-2437.

Wang Caiyun，Hu Yunkan，Li Xiaofei，et al. Radar HRRP Target Recognition Based on Convolutional Sparse Coding and Multi-Classifier Fusion[J]. Systems Engineering and Electronics，2018， 40（11）： 2433-2437. （in Chinese）

[33] 張歡. 基于射頻隱身的機載雷達系統(tǒng)軟件實現(xiàn)及HRRP目標識別研究[D]. 南京： 南京航空航天大學，2016.

Zhang Huan. RF Stealth Based Airborne Radar System Simulation and HRRP Target Recognition Research[D]. Nanjing： Nanjing University of Aeronautics and Astronautics，2016. （in Chinese）

[34] 張建強，汪厚祥，楊紅梅. 基于自編碼神經(jīng)網(wǎng)絡的高分辨率距離像降維法[J]. 解放軍理工大學學報：自然科學版，2016，17（1）： 31-37.

Zhang Jianqiang，Wang Houxiang，Yang Hongmei. Dimension Reduction Method of High Resolution Range Profile Based on Autoencoder[J]. Journal of PLA University of Science and Technology： Natural Science Edition，2016，17（1）： 31-37. （in Chinese）

[35] Liao K， Si J X， Zhu F Q， et al. Radar HRRP Target Recognition Based on Concatenated Deep Neural Networks[J]. IEEE Access， 2018（6）： 29211-29218.

[36] Zhao F X， Liu Y X， Huo K， et al. Radar HRRP Target Recognition Based on Stacked Autoencoder and Extreme Learning Machine[J]. Sensors， 2018， 18（1）：173.

[37] 趙飛翔，劉永祥，霍凱. 一種基于Dropout約束深度極限學習機的雷達目標分類算法[J]. 雷達學報，2018， 7（5）： 613-621.

Zhao Feixiang，Liu Yongxiang，Huo Kai. A Radar Target Classification Algorithm Based on Dropout Constrained Deep Extreme Learning Machine[J]. Journal of Radars，2018，7（5）： 613-621. （in Chinese）

[38] Guo C， He Y， Wang H P， et al. Radar HRRP Target Recognition Based on Deep One-Dimensional Residual-Inception Network[J/OL]. IEEE Access.DOI： 10.1109/ACCESS.2019.2891594.

[39] 郭晨，簡濤，徐從安，等. 基于深度多尺度一維卷積神經(jīng)網(wǎng)絡的雷達艦船目標識別[J]. 電子與信息學報，2019， 41（6）： 1302-1309.

Guo Chen，Jian Tao，Xu Congan，et al. Radar HRRP Target Recognition Based on Deep Multi-Scale 1D Convolutional Neural Network[J]. Journal of Electronics & Information Technology，2019，41（6）： 1302-1309. （in Chinese）

[40] Guo C， Wang H P， Jian T， et al. Radar Target Recognition Based on Feature Pyramid Fusion Lightweight CNN[J]. IEEE Access， 2019，7： 51140-51149.

[41] 張耀天，吳智昌，魏少明，等. 基于CNN+LSTM的空間目標識別[C]∥第十二屆全國信號和智能信息處理與應用學術會議，中國杭州，2018： 1-4.

Zhang Yaotian，Wu Zhichang，Wei Shaoming，et al. Spatial Target Recognition Based on CNN and LSTM[C]∥The 12th National Academic Conference on Signal and Intelligent Information Processing and Application，Hangzhou，China，2018： 1-4. （in Chinese）

[42] 徐彬，陳渤，劉家麒，等. 采用雙向LSTM模型的雷達HRRP目標識別[J]. 西安電子科技大學學報： 自然科學版，2019， 46（2）： 29-34.

Xu Bin，Chen Bo，Liu Jiaqi，et al. Radar HRRP Target Recognition by the Bidirectional LSTM Model[J]. Journal of Xidian University： Natural Science，2019， 46（2）： 29-34.

[43] Jithesh V， Sagayaraj M J， Srinivasa K G. LSTM Recurrent Neural Networks for High Resolution Range Profile Based Radar Target Classification[C]∥2017 3rd International Conference on Computational Intelligence & Communication Technology， Ghaziabad， India， 2017.

Review of Radar HRRP Target Recognition Based on Deep Learning

Fu Zhequan*，Li Xiangping，Li Shangsheng，Dan Bo，Wang Xukun

（Naval Aviation University，Yantai 264001， China）

Abstract： The HRRP of radar target contains abundant target information，and radar target recognition based on HRRP has always been the focus and difficulty in the military field.With deep learning becoming a research hotspot in various fields，HRRP target recognition based on deep learning has attracted extensive attention. Compared with the traditional me-thods，deep learning can automatically extract the effective deep features of HRRP and achieve higher re-cognition accuracy. In this paper，the application and research of deep learning algorithm in radar target recognition is reviewed，and four issues that need to be solved in this field are analyzed.

Key words：radar;deep learning;HRRP;target recognition; artificial intelligence

收稿日期： 2019-06-11

作者簡介： 付哲泉（1992-），男，湖北天門人，博士研究生，研究方向是精確制導技術及其智能化。

E-mail：fuzq2413@163.com

引用格式： 付哲泉，李相平，李尚生，等 . 深度學習在雷達目標高分辨距離像識別中的研究綜述

[ J].

航空兵器，2020， 27（ 3）： 37-43.

Fu Zhequan，Li Xiangping，Li Shangsheng，et al.Review of Radar HRRP Target Recognition Based on Deep Learning[ J]. Aero Wea-ponry，2020， 27（ 3）： 37-43.（ in Chinese）