引言
雷达是一种无线电探测传感器[1]，通过发射电磁波信号并且接收目标反射回波获取目标位置等信息。在遥感目标感知领域，雷达由于具有全天时、全天候的工作特点，已经成为目标探测和环境监测的重要工具。近年来，随着智能化装备和信息化的快速发展，通过雷达回波获取目标的类别或者型号信息逐渐成为民用和军事等领域的重要需求，雷达目标识别[2-3]技术应运而生。
常见的雷达数据包括一维高分辨距离像（High-Resolution Range Profile,HRRP）[4]、合成孔径雷达（Synthetic Aperture Radar, SAR）图像[5]和逆合成孔径雷达（Inverse synthetic aperture radar, ISAR）图像[6]等。雷达HRRP是宽带雷达获取的目标散射点子回波沿雷达视线投影的向量和，反映目标结构信息，易获取、处理、存储，能实现快速、准确的目标识别。因此，基于雷达HRRP信号的目标识别方法已成为雷达目标识别领域的重要研究方向。如图1所示，雷达目标识别流程主要包括输出预处理、特征提取和分类器设计两个阶段。
图 1 雷达目标识别流程图
实际情况下，获取的雷达HRRP回波通常包含噪声，导致目标结构特性被噪声干扰，因此采用数据预处理方法可以有效抑制噪声干扰，增强目标信号区域，进而提升目标识别性能。常见的信号增强即信号去噪方法包括正交匹配追踪（Orthogonal Matching Pursuit，OMP）[3]和松弛算法RELAX（Relaxation）[7]等，这类方法基于雷达目标散射点模型，提取目标强散射点，保留目标支撑区信号，抑制非支撑部分的噪声信号。然后这类方法对算法的迭代终止门限参数设置较为敏感，算法的灵活性和准确性有限。
数据预处理后的目标识别流程是一个通用的模式识别范式，通常采用“特征提取+模式分类”的经典模式识别框架。传统目标识别方法[8-9]根据人工经验提取物理特征，比如包括高阶矩、功率谱等统计特征以及散射中心等物理特征，然后设计模式分类方法实现目标识别。然而手工特征极大依赖于人工经验，实际情况下应用不灵活。随着机器学习的快速发展，基于模型的特征提取方法，包括主成分分析（Principal Component Analysis，PCA）[10]、因子分析（Factor Analysis，FA）[9]和K奇异值分解（K-Singularly Valuable Decomposition，K-SVD）[11]等逐渐成为主流。常用的分类器方法包括支持向量机（Support Vector Machine，SVM）[12]和决策树等等。由于深度神经网络的强大非线性拟合能力和特征挖掘能力，基于典型神经网络（如自编码网络、循环神经网络等）的雷达目标识别方法实现特征提取-目标分类一体化，有效避免特征与分类器不匹配的问题。文献[13]提出堆栈自编码网络用于雷达目标识别，利用多层自编码网络挖掘雷达HRRP数据的深层特征，进而提升识别性能。文献[14]基于变分自编码网络构建分类器用于HRRP识别，实现了概率分布特征挖掘和性能提升。文献[15]构建了目标方位循环神经网络用于挖掘HRRP信号不同距离单元之间的时序相关性，有效提升了目标识别性能。
本文首先介绍了一种基于编码-解码网络的信号增强方法，该方法将雷达目标的物理模型嵌入神经网络，利用物理机理引导神经网络学习雷达HRRP信号的散射点特征，保留目标的结构信息，抑制非支撑区的噪声部分。该方法是一种基于神经网络的信号增强方法，基于数据驱动的学习方式不仅在实际情况下的灵活性强，且更加准确学习强散射点特征，对雷达HRRP信号的目标结构细节特征保持效果更好。采用该信号增强方法预处理后，本文设计了一种基于自注意力一维CNN（Self-attention 1dCNN,S-1dCNN）的雷达目标识别方法，实现了识别性能的极大提升。具体地，所提S-1dCNN模型包括特征提取模块、自注意力模块和分类模块，其中特征提取模块采用1dCNN对雷达HRRP信号的结构特征学习，同时对获取的特征进行截取获得多个局部特征，并将其输入自注意力模块中进行注意力系数学习，最后将局部特征和对应的注意力系数加权，特征拼接后输入分类模块中进行目标识别，实现对各类HRRP样本的类别预测。
另外，近年来，结合MATLAB[16]工具开展演示界面设计仿真实验课程教学不断得到推进，比如《信号与系统》课程教学采用MATLAB进行信号可视化仿真和信号处理等操作，提升学生对信号及其处理过程的理解。为了提升雷达目标识别课程的教学效果，增强学生对典型算法的直观理解，本文结合雷达目标识别流程的典型算法设计了一套雷达目标识别演示软件。该演示软件基于MATLAB环境下的图形用户界面工具(Graphical User Interface, GUI)，设计了交互性强的操作界面的教研系统，包括数据预处理和目标识别等多个功能。可视化界面可以动态展示智能算法的训练和测试过程，有利于老师对机器学习课程中典型识别流程的清晰讲解，也有助于学生对机器学习算法处理流程的直观理解，进而提升课程教学质量。
因此，本文主要创新点包括：（1）研究了基于深度学习方法的数据增强-目标识别框架，采用灵活性强、信号增强精度高的编码-解码网络用于信号保持，有效提升了数据的质量；（2）设计了一种基于自注意力一维CNN（S-1dCNN）的雷达目标识别方法，将自注意力机制与一维CNN的特征提取模块相结合，可实现鉴别性强、可分性好的特征学习，进而达到较高的识别精度；（3）制作了一套雷达目标识别可视化界面演示系统，将信号增强和目标识别方法嵌入系统后台，在演示界面直观展示各方法的训练、测试效果，为雷达目标识别课程教学提供演示软件。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006852
作者信息：
廖磊瑶，洪子烁
（南京邮电大学 通信与信息工程学院，江苏 南京 210023）
