基于深度神经网络的非合作目标雷达高分辨距离像识别技术研究

In radar high-resolution range profile (HRRP) based target recognition field, one of the most important tasks is the non-cooperative target classification. However, the application of the recognition system faces four major challenges: 1) imbalanced dataset and small training sample size problem; 2) target recognition with low signal-to-noise ratio HRRP samples; 3) outlier rejection; 4) environmental adaptability. This study presents a novel radar HRRP automatic recognition and rejection system based on the deep neural network to deal with these problems. The recognition system consists of four steps: firstly, the manifold learning, the conditional generative adversarial network (CGAN) and the synthetic minority oversampling technique are utilized for data preprocessing to provide a well segmented and balanced HRRP dataset. Secondly, a deep neural network based on deep bi-directional neural network and capsule network is proposed to recognize the HRRP data. Compared with the conventional recognition models, the proposed network can not only improve the recognition performance of noisy HRRPs but also relax the requirements of training samples. Thirdly, we utilize the discriminant model of the CGAN and a neural network to deal with the target rejection problem. Finally, an imitation learning model is introduced to the radar HRRP target recognition field which can improve the environmental adaptability online with the guidance of human experts. This study can alleviate the four major challenges mentioned above, which can greatly expand the application range of the radar HRRP automatic target recognition under real-world environments.

基于非合作目标的雷达高分辨距离像（HRRP）识别是雷达目标识别领域中最重要的任务之一，目前其工程化应用面临四大挑战：1）数据集不平衡和小样本问题；2）低信噪比HRRP识别；3）库外目标拒判；4）环境适应性。针对上述挑战，本课题拟提出基于深度神经网络的噪声稳健雷达自动目标识别和拒判系统。该系统分四部分：首先，在数据预处理过程中拟通过流形学习、条件生成式对抗网络和合成少数类过采样技术处理数据集的不平衡和小样本问题；其次，拟构建基于噪声稳健深度双向循环网络及胶囊网络的目标识别算法，改善系统噪声稳健性和进一步缓解小样本问题；再次，拟提出新的拒判思路，通过条件生成式对抗网络的判别模型和神经网络结合进行库外目标拒判；最后，将模仿学习模型引入雷达HRRP目标识别领域，该模型可在人类专家指导下提高系统环境适应性。本课题研究预期可解决雷达HRRP目标识别系统工程化中遇到的问题，扩展其在真实场景下的应用范围。

本项目针对非合作目标HRRP自动识别和拒判领域展开研究，为改善原始训练数据集存在的数据不平衡和小样本问题，提高雷达HRRP自动目标识别系统的识别能力、拒判能力、噪声稳健性和环境适应性。主要研究内容分成以下四个部分：1）基于深度嵌套网络的雷达HRRP稳健识别方法。该方法将一个包含动态幂次调整层、卷积层、SE模块的CNN嵌入到了堆叠双向LSTM中，形成了一个端到端的网络结构。在实验中证明了此网络不仅准确率较高，其在小样本和低信噪比下的识别性能较传统模型也有很大的提升，在目标样本不均衡的背景下，通过不均衡采样等方式提高其准确率，可达到工程应用要求。2）基于CNN-BERT的雷达HRRP目标识别和拒判方法。该模型在CNN的基础上引入了BERT模块，在模型学习时可利用内含的多头注意力机制对整个雷达目标HRRP进行序列特征的学习，在BERT模块的输出特征进入分类网络之前，同样使用注意力机制进行通道特征自适应缩放，避免了冗余特征过多影响分类效果。同时为了增强模型的拒判能力，在训练时引入了库外数据集，设计了带有拒判惩罚项的损失函数。实验验证了CNN-BERT模型高识别率和高拒判能力。3）基于多尺度卷积胶囊网络的雷达HRRP稳健识别方法。该方法提出了一种新型的多尺度卷积结构，该结构能够从多种局部结构的尺度提取HRRP目标的不同层次的特征，增加了网络对目标特征的可分性，进一步，利用向量胶囊网络作为卷积结构的补充，弥补了CNN难以体现目标HRRP序列结构信息的不足。相比过去的方法，实验结果表明所提的方法可表现出更优的识别性能。4）基于CVAE-GAN的雷达目标HRRP的持续学习方法。我们提出了适用于评估HRRP持续学习识别性能的框架标准，并建立了基于CVAE-GAN的雷达目标在线学习方式。所提框架相较于传统方法具备了在线识别能力和常量存储性，同时可以保障数据集的隐私安全，并且较传统方法能更好地改善HRRP增量识别任务存在的灾难性遗忘问题。同时，所设计的生成器网络CVAE-GAN改善了HRRP数据生成时存在的问题，具有更强的生成能力，进而提升所提方法的识别性能。