采用乘性RNN的雷达HRRP目标识别

doi:10.19665/j.issn1001-2400.2021.02.007

西安电子科技大学学报 ›› 2021, Vol. 48 ›› Issue (2): 49-54.doi: 10.19665/j.issn1001-2400.2021.02.007

采用乘性RNN的雷达HRRP目标识别

徐彬¹(),张永顺¹(),张秦¹(),王富平²(),郑桂妹¹()

1.空军工程大学防空反导学院,陕西西安 710051
2.西安邮电大学通信与信息工程学院,陕西西安 710121

收稿日期:2020-09-30 修回日期:2020-11-11 出版日期:2021-04-20 发布日期:2021-04-28
作者简介:徐彬(1988—),男,讲师,博士,E-mail: xb3221@163.com|张永顺(1961—),男,教授,博士,E-mail: zysgcdx@sina.com|张秦(1974—),男,教授,博士,E-mail: kinzh@263.net|王富平(1987—),男,讲师,博士,E-mail: cyx0908715@163.com|郑桂妹(1987—),男,讲师,博士,E-mail: zhengguimei1987@163.com
基金资助:
国家自然科学基金(61802305);国家自然科学基金(61971438);国家自然科学基金(61631019);陕西省青年托举人才项目(20180109);陕西省自然科学基金(2019JM-155)

Radar HRRP target recognition based on the multiplicative RNN model

XU Bin¹(),ZHANG Yongshun¹(),ZHANG Qin¹(),WANG Fuping²(),ZHENG Guimei¹()

1. Air and Missile Defence college,Air Force Engineering University,Xi’an 710051,China
2. School of Communication and Information Engineering,Xi’an University of Posts & Telecommunications,Xi’an 710121,China

Received:2020-09-30 Revised:2020-11-11 Online:2021-04-20 Published:2021-04-28

摘要/Abstract

摘要：

传统的高分辨距离像识别方法没有考虑时序相关性,且高分辨距离像的方位敏感性导致样本的时序性发生变化。因此,提出一种乘性循环神经网络模型。该算法首先将高分辨距离像样本转化为序列形式,用于考虑距离单元间的相关性;其次,为了缓解方位敏感性导致的高分辨距离像时序变化与参数固定模型不匹配的问题,模型根据输入数据自适应地选择对应的参数,并对高分辨距离像序列提取稳健的时序信息;最后,采用投票策略将所有时刻的信息进行融合,输出样本类别。采用实测数据的实验结果表明,当前的模型能够有效地提取可分性特征并识别目标。

关键词: 雷达自动目标识别, 乘性循环神经网络, 高分辨距离像, 方位敏感性, 时序相关性

Abstract:

The traditional HRRP recognition methods do not consider the temporal correlation,and the azimuth sensitivity of HRRP results in the temporal variation of the samples.This paper proposes a multiplicative recurrent neural network.In this paper,HRRP samples are converted into the sequence form first,which is used to consider the correlation between range cells.In order to alleviate the mismatch between the HRRP sequence variation caused by azimuth sensitivity and the model with fixed parameters,the model adaptively selects the corresponding parameters according to the input data,and extracts robust features from the HRRP sequence.Finally,the voting strategy is adopted to fuse the information at all time steps and predict the sample categories.Experimental results with measured data show that the current model can effectively extract discriminative features and identify targets.

Key words: radar automatic target recognition, multiplicative recurrent neural network, high resolution range profile, target-aspect sensitivity, temporal correlation

中图分类号:

TN957.52

徐彬,张永顺,张秦,王富平,郑桂妹. 采用乘性RNN的雷达HRRP目标识别[J]. 西安电子科技大学学报, 2021, 48(2): 49-54.

XU Bin,ZHANG Yongshun,ZHANG Qin,WANG Fuping,ZHENG Guimei. Radar HRRP target recognition based on the multiplicative RNN model[J]. Journal of Xidian University, 2021, 48(2): 49-54.

图/表 6

图1

图2

图3

表1

表2

图4

参考文献 13

[1]	GUO Z H, LI S H. One-dimensional Frequency-domain Features for Aircraft Recognition from Radar Range Profiles[J]. IEEE Transactions on Aerospace and Electronic Systems, 2010,46(4):1880-1892.
[2]	李志鹏, 马田香, 杜兰, 等. 在雷达HRRP识别中多特征融合多类分类器设计[J]. 西安电子科技大学学报, 2013,40(1):111-117.
	LI Zhipeng, MA Tianxiang, DU Lan, et al. Multi-class Classifier Design for Feature Fusion in Radar HRRP Recognition[J]. Journal of Xidian University, 2013,40(1):111-117.
[3]	徐丹蕾, 杜兰, 王鹏辉, 等. 采用多任务稀疏学习的雷达HRRP小样本目标识别[J]. 西安电子科技大学学报, 2016,43(2):23-28.
	XU Danlei, DU Lan, WANG Penghui, et al. Radar HRRP Target Recognition by Utilizing Multitask Sparse Learning with A Small Training Datasize[J]. Journal of Xidian University, 2016,43(2):23-28.
[4]	FENG B, CHEN B, LIU H. Radar HRRPTarget Recognition with Deep Networks[J]. Pattern Recognition, 2017,61:379-393.
[5]	DU L, WANG P, LIU H, et al. Bayesian Spatiotemporal Multitask Learning for Radar HRRP Target Recognition[J]. IEEE Transactions on Signal Processing, 2011,59(7):3182-3196.
[6]	XU B, CHEN B, WAN JW, et al. Target-aware Recurrent Attentional Network for Radar HRRP Target Recognition[J]. Signal Processing, 2019,155(2):268-280.
[7]	徐彬, 陈渤, 刘家麒, 等. 采用双向LSTM模型的雷达HRRP目标识别[J]. 西安电子科技大学学报, 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, 2019,46(2):29-34.
[8]	李龙, 刘铮. 采用多特征联合学习的噪声稳健HRRP识别方法[J]. 西安电子科技大学学报, 2018,45(4):57-62.
	LI Long, LIU Zheng. Noise-robust Multi-feature Joint Learning HRRP Recognition Method[J]. Journal of Xidian University. 2018,45(4):57-62.
[9]	DU C, CHEN B, XU B, et al. Factorized Discriminative Conditional Variational Auto-encoder for Radar HRRP Target Recognition[J]. Signal Processing, 2019,158(5):176-189.
[10]	WAN J W, CHEN B, XU B, et al. Convolutional Neural Networks for Radar HRRP Target Recognition and Rejection[J]. Eurasip Journal on Advances in Signal Processing, 2019,2019(1):5.
[11]	XU B, CHEN B, LIU J Q, et al. Gaussian Mixture Model-Tensor Recurrent Neural Network for HRRP Target Recognition[C]// Proceedings of the 2019 International Radar Conference. Piscataway:IEEE, 2019: 9079139.
[12]	KINGMA D P, BA J L. Adam:a Method for Stochastic Optimization[C/OL]. [2020-07-26]. https://arxiv.org/pdf/1412.6980v8.pdf.
[13]	PAN M, DU L, WANG P, et al. Multi-task Hidden Markov Modeling of Spectrogram Feature from Radar High-resolution Range Profiles[J]. Eurasip Journal on Advances in Signal Processing, 2012,2012(1):86.

机型	RNN			MRNN
机型	安-26	奖状	雅克-42	安-26	奖状	雅克-42
安-26	0.925	0.246	0.017	0.919	0.101	0.010
奖状	0.026	0.746	0.015	0.047	0.894	0.003
雅克-42	0.049	0.008	0.968	0.034	0.005	0.987
平均识别率	0.883			0.933

[1]	郭泽坤,田隆,韩宁,王鹏辉,刘宏伟,陈渤. 采用CNN-SSD的雷达HRRP小样本目标识别方法[J]. 西安电子科技大学学报, 2021, 48(2): 7-14.
[2]	徐彬,陈渤,刘家麒,王鹏辉,刘宏伟. 采用双向LSTM模型的雷达HRRP目标识别[J]. 西安电子科技大学学报, 2019, 46(2): 29-34.
[3]	吴旭姿;刘峥;谢荣. 用于目标检测的宽带雷达自适应波形设计方法[J]. 西安电子科技大学学报, 2016, 43(2): 46-51.
[4]	徐丹蕾;杜兰;王鹏辉;刘宏伟. 采用多任务稀疏学习的雷达HRRP小样本目标识别[J]. 西安电子科技大学学报, 2016, 43(2): 23-28.
[5]	靳标;苏涛;李艳艳;张龙. 一种高分辨距离像辅助的多目标跟踪算法[J]. J4, 2016, 43(1): 1-6+29.
[6]	李飞;纠博;王英华;罗涛;刘宏伟. 一种SAR目标属性特征提取算法[J]. J4, 2015, 42(3): 15-21+89.
[7]	李志鹏;马田香;杜兰;徐丹蕾;刘宏伟;张子敬. 在雷达HRRP识别中多特征融合多类分类器设计[J]. J4, 2013, 40(1): 111-117.
[8]	刘红超;纠博;刘宏伟;保铮. 一种匀加速空间目标高分辨距离像补偿算法[J]. J4, 2012, 39(4): 81-86.
[9]	王鹏辉;杜兰;刘宏伟;李彦兵;吴兆平. 雷达高分辨距离像分帧新方法[J]. J4, 2011, 38(6): 22-29.
[10]	夏宇垠;冯大政;李涛. 高分辨距离像数据的检测新方法[J]. J4, 2010, 37(2): 260-266+284.
[11]	李丽亚;刘宏伟;纠博;吴顺君. 基于核函数的多极化雷达HRRP目标识别[J]. J4, 2010, 37(1): 49-55.
[12]	柴晶;刘宏伟;保铮. 提高雷达HRRP目标识别和拒判性能的核学习算法[J]. J4, 2009, 36(5): 793-800.
[13]	陈凤;侯庆禹;刘宏伟;保铮. 一种新的雷达HRRP自适应划分角域建模方法[J]. J4, 2009, 36(3): 410-417.
[14]	侯庆禹;刘宏伟;保铮. 一种新的宽带目标识别雷达杂波抑制方法 [J]. J4, 2008, 35(5): 769-773.
[15]	梁海涛;童创明;王晓丹. 基于极化高分辨距离像的SVM目标识别方法 [J]. J4, 2007, 34(7): 148-151.

采用乘性RNN的雷达HRRP目标识别

Radar HRRP target recognition based on the multiplicative RNN model

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 13

相关文章 15

Metrics

本文评价

推荐阅读 10