基于双谱-谱图特征和深度卷积神经网络的HRRP目标识别方法

doi:10.3969/j.issn.1001-506X.2020.08.09

系统工程与电子技术 ›› 2020, Vol. 42 ›› Issue (8): 1703-1709.doi: 10.3969/j.issn.1001-506X.2020.08.09

基于双谱-谱图特征和深度卷积神经网络的HRRP目标识别方法

卢旺(), 张雅声(), 徐灿(), 林财永()

航天工程大学宇航科学与技术系, 北京 101400

收稿日期:2019-10-23 出版日期:2020-08-01 发布日期:2020-08-03
作者简介:卢旺 (1993-),男,博士研究生,主要研究方向为雷达信号识别、深度学习。E-mail:wanglu199310@163.com|张雅声 (1974-),女,研究员,博士研究生导师,博士,主要研究方向为航天任务分析、空间目标特性分析与识别。E-mail:lizhizys@139.com|徐灿 (1985-),男,讲师,硕士研究生导师,博士,主要研究方向为空间目标特性分析与识别、模式识别与机器学习。E-mail:13466509187@139.com|林财永 (1989-),男,讲师,博士,主要研究方向为目标识别、模式识别与机器学习。E-mail:lincyvip@163.com
基金资助:
国家自然科学基金(61304228)

HRRP target recognition method based on bispectrum-spectrogram feature and deep convolutional neural network

Wang LU(), Yasheng ZHANG(), Can XU(), Caiyong LIN()

Department of Aerospace Science and Technology, Space Engineering University, Beijing 101400, China

Received:2019-10-23 Online:2020-08-01 Published:2020-08-03
Supported by:
国家自然科学基金(61304228)

摘要/Abstract

摘要：

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别中有效表示和特征提取这一关键问题,提出了基于双谱-谱图特征和深度卷积神经网络(deep convolution neural network, DCNN)的识别方法。首先,提取HRRP的双谱-谱图特征表示作为CNN的输入。然后，通过网络训练提取出深层本质特征,实现对雷达目标的识别。最后，对不同特征表示的识别结果进行对比。采用卫星目标实测数据进行实验，结果表明,该方法可以准确有效地识别雷达目标,而且与其他常用特征表示相比,双谱-谱图特征表示具有更好的识别准确率和噪声鲁棒性。

关键词: 雷达自动目标识别, 高分辨距离像, 双谱-谱图特征, 深度卷积神经网络

Abstract:

Aiming at the key problem of effective representation and extraction of features in radar high resolution range profile (HRRP) target recognition, a recognition method based on bispectrum-spectrogram feature and deep convolution neural network (DCNN) is proposed. Firstly, this method extracts the bispectrum-spectrogram feature representation of HRRP as the input of the CNN. Then, the deep and essential features are extracted by the network training and the radar targets can be recognized. Finally, the recognition results of different feature representations are compared. The experimental results of the satellite target measured data show that the method can recognize radar target effectively and accurately, and the bispectrum-spectrogram feature has better recognition accuracy and noise robustness than other commonly used HRRP feature representations.

Key words: radar automatic target recognition (RATR), high resolution range profile (HRRP), bispectrum-spectrogram feature, deep convolution neural network (DCNN)

中图分类号:

TN957.51

卢旺, 张雅声, 徐灿, 林财永. 基于双谱-谱图特征和深度卷积神经网络的HRRP目标识别方法[J]. 系统工程与电子技术, 2020, 42(8): 1703-1709.

Wang LU, Yasheng ZHANG, Can XU, Caiyong LIN. HRRP target recognition method based on bispectrum-spectrogram feature and deep convolutional neural network[J]. Systems Engineering and Electronics, 2020, 42(8): 1703-1709.

图/表 9

图1

图2

图3

图4

图5

表1

图6

图7

图8

参考文献 16

1	LI L , LIU Z , LI T . Radar high resolution range profile recognition via multi-SV method[J]. Journal of Systems Engineering and Electronics, 2017, 28 (5): 879- 889. doi: 10.21629/JSEE.2017.05.07
2	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. doi: 10.1109/ACCESS.2018.2842687
3	GUO Y , XIAO H T , KAN Y Z , et al. Learning using privileged information for HRRP-based radar target recognition[J]. IET Signal Processing, 2017, 12 (2): 188- 197.
4	GUO Y , XIAO H T . Genetic algorithm-tuned adaptive pruning SVDD method for HRRP-based radar target recognition[J]. International Journal of Remote Sensing, 2018, 39 (11): 3407- 3428. doi: 10.1080/01431161.2018.1441566
5	FENG B , CHEN B , LIU H W . Radar HRRP target recognition with deep networks[J]. Pattern Recognition, 2017, 61, 379- 393. doi: 10.1016/j.patcog.2016.08.012
6	郭尊华, 李少洪. 基于积谱的雷达目标高分辨率距离像识别[J]. 北京航空航天大学学报, 2006, 32 (4): 404- 406. doi: 10.3969/j.issn.1001-5965.2006.04.008
	GUO Z H , LI S H . Product spectrum based target recognition using high resolution radar range profiles[J]. Journal of Beijing University of Aeronautics and Astronautics, 2006, 32 (4): 404- 406. doi: 10.3969/j.issn.1001-5965.2006.04.008
7	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.DOI: 10.1186/s13634-019-0603-y.
8	但波, 姜永华, 李敬军, 等. 雷达高分辨距离像自适应角域划分方法[J]. 系统工程与电子技术, 2014, 36 (11): 2178- 2185. doi: 10.3969/j.issn.1001-506X.2014.11.11
	DAN B , JIANG Y H , LI J J , et al. Adaptive angular-sector segmentation method for radar HRRP[J]. Systems Engineering and Electronics, 2014, 36 (11): 2178- 2185. doi: 10.3969/j.issn.1001-506X.2014.11.11
9	MAHDI H , MOJTABA R , MOHAMMAD M N . A new polynomial segment model for radar target recognition using Gibbs sampling approach[J]. IET Signal Processing, 2017, 11 (3): 285- 294.
10	殷和义, 郭尊华. 一维卷积神经网络用于雷达高分辨率距离像识别[J]. 电讯技术, 2018, 58 (10): 11- 16.
	YIN H Y , GUO Z H . Radar HRRP target recognition with one-dimensional CNN[J]. Telecommunication Engineering, 2018, 58 (10): 11- 16.
11	杨予昊, 孙晶明, 虞盛康, 等. 基于卷积神经网络的高分辨距离像目标识别[J]. 现代雷达, 2017, 39 (12): 24- 28.
	YANG Y H , SUN J M , YU S K , et al. High resolution range profile target recognition based on convolutional neural network[J]. Modern Radar, 2017, 39 (12): 24- 28.
12	LU C Y , ZHANG S C , XU S C , et al. A deep learning-based satellite target recognition method using radar data[J]. Sensors, 2019, 19 (9): 2008- 2031. doi: 10.3390/s19092008
13	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.
14	WEI Y , ZHAO Y , LU C , et al. Cross-modal retrieval with CNN visual features: a new baseline[J]. IEEE Trans.on Cybernetics, 2017, 47 (2): 449- 460.
15	SUN X , WU P , HOI S C H . Face detection using deep learning: an improved faster RCNN approach[J]. Neurocomputing, 2018, 299, 42- 50. doi: 10.1016/j.neucom.2018.03.030
16	陈昌孝, 何明浩, 朱元清, 等. 基于双谱分析的雷达辐射源个体特征提取[J]. 系统工程与电子技术, 2008, 30 (6): 1046- 1049. doi: 10.3321/j.issn:1001-506X.2008.06.011
	CHEN C X , HE M H , ZHU Y Q , et al. Specific emitter features extraction based on bispectrum and Walsh transform[J]. Systems Engineering and Electronics, 2008, 30 (6): 1046- 1049. doi: 10.3321/j.issn:1001-506X.2008.06.011

特征表示	阶段数目	平均识别率/%						总体识别率/%
特征表示	阶段数目	No.1	No.2	No.3	No.4	No.5	No.6	总体识别率/%
双谱-谱图特征	1	96.5	95.5	97.3	99.6	99.9	99.1	98.0
	2	97.2	96.2	97.8	99.6	99.9	99.2	98.3
	3	97.3	96.7	97.5	99.6	99.9	99.1	98.2
谱图特征	1	93.1	92.2	95.9	99.2	99.9	96.8	96.2
	2	94.0	91.8	95.5	99.2	99.9	97.2	96.2
	3	94.4	92.3	95.7	99.7	99.9	97.4	96.5
双谱特征	1	76.6	73.9	82.0	98.7	93.2	91.4	86.2
	2	83.7	77.1	87.9	99.5	96.7	94.8	89.6
	3	79.5	75.0	85.8	99.5	96.8	95.6	88.7

[1]	孙晶明, 虞盛康, 孙俊. 基于元学习的雷达小样本目标识别方法及改进[J]. 系统工程与电子技术, 2022, 44(6): 1839-1845.
[2]	孙晶明, 虞盛康, 孙俊. 基于深度学习的HRRP识别姿态敏感性分析[J]. 系统工程与电子技术, 2022, 44(3): 802-807.
[3]	王彩云, 姚晨, 吴钇达, 王佳宁, 李晓飞, 黄盼盼. 基于改进Dijkstra算法与时频域滤波的雷达目标识别[J]. 系统工程与电子技术, 2022, 44(10): 3090-3095.
[4]	但波, 付哲泉, 高山, 简涛. 基于卷积神经网络的海面目标全极化高分辨距离像识别技术[J]. 系统工程与电子技术, 2022, 44(1): 108-116.
[5]	韦娟, 丁智恺, 宁方立. 基于神经网络的声场景数据声谱图提取方法[J]. 系统工程与电子技术, 2021, 43(12): 3462-3469.
[6]	张国令, 吴崇明, 李睿, 来杰, 向前. 基于一维堆叠池化融合卷积自编码器的HRRP目标识别方法[J]. 系统工程与电子技术, 2021, 43(12): 3533-3541.
[7]	张良, 杨威, 李玮杰, 杨小琪, 刘永祥. 基于复数卷积-残差网络的雷达杂波幅度统计模型分类[J]. 系统工程与电子技术, 2021, 43(11): 3086-3097.
[8]	张一凡, 张双辉, 刘永祥, 荆锋. 基于注意力机制的堆叠LSTM网络雷达HRRP序列目标识别方法[J]. 系统工程与电子技术, 2021, 43(10): 2775-2781.
[9]	向前, 王晓丹, 李睿, 来杰, 张国令. 基于DCNN的弹道中段目标HRRP图像识别[J]. 系统工程与电子技术, 2020, 42(11): 2426-2433.
[10]	刘代, 赵永波, 周永伟, 陈明哲, 李伟. 高分辨距离像辅助的机动目标跟踪算法[J]. 系统工程与电子技术, 2019, 41(9): 1967-1972.
[11]	王彩云, 黄盼盼, 李晓飞, 王佳宁, 赵焕玥. 基于AEPSO-SVM算法的雷达HRRP目标识别[J]. 系统工程与电子技术, 2019, 41(9): 1984-1989.
[12]	杨龙, 苏娟, 李响. 基于深度卷积神经网络的SAR舰船目标检测[J]. 系统工程与电子技术, 2019, 41(9): 1990-1997.
[13]	郭鹏程, 刘峥, 罗丁利. 基于两次异常检测的雷达HRRP杂波稳健目标识别方法[J]. 系统工程与电子技术, 2019, 41(10): 2221-2226.
[14]	魏存伟, 段发阶, 刘先康. 基于宽带雷达HRRP舰船目标长度估计算法[J]. 系统工程与电子技术, 2018, 40(9): 1960-1965.
[15]	袁家雯, 刘文波, 张弓. 基于统计建模的字典学习算法在HRRP的应用[J]. 系统工程与电子技术, 2018, 40(4): 762-767.

基于双谱-谱图特征和深度卷积神经网络的HRRP目标识别方法

HRRP target recognition method based on bispectrum-spectrogram feature and deep convolutional neural network

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 16

相关文章 15

编辑推荐

Metrics

本文评价