基于循环神经网络的运动车辆目标分类

谷开雪 乐意

（南京国睿防务系统有限公司 江苏省南京市 210039）

履带式车辆和轮式车辆在陆战场环境中承担着不同的任务，履带式车辆威胁性大，轮式车辆威胁性较小，两类车辆目标的准确分类为陆战场环境下的精确打击提供了数据支持，因此，履带式车辆和轮式车辆的分类问题在现代战争中具有重要意义。目标分类的前提是搜索雷达可以成功探测目标并提取到目标特征，然而搜索雷达通常为窄带雷达，由于距离维分辨率低，通常从频谱角度分析目标多普勒谱的差异，进而实现分类。

传统的目标分类方法是基于目标的微多普勒效应，人工提取复杂特征，随后将特征带入到分类器中实现的。文献提取了目标的特征谱特征，然后将特征带入支撑向量机（Support Vector Machine, SVM）分类器进行分类；文献提取了轮式和履带式车辆的多普勒谱特征，然后根据最小错误率贝叶斯准则进行分类；文献提取了轮式和履带式车辆的时频谱特征，然后将特征带入SVM 分类器进行分类。特征决定分类效果，传统的目标分类中提取到的特征质量受人的经验以及专业知识的限制，往往会面临噪声稳健性的挑战。文献提取的特征谱特征在信噪比为30dB 时，识别率可以达到90%，而当信噪比为15dB 时，识别率将到75%，文献的实验在信噪比为20dB 时，识别率仅达到70%。文献中的实验数据积累点数为512，工程应用中，数据的积累点数很难达到512。深度学习算法不需要单独的特征提取步骤，只需将原始时域数据或多普勒谱数据输入到学习网络中，学习网络通过大量样本的学习，分析数据之间隐含的关系，自动提取到稳健的特征。

深度学习在雷达目标识别领域的研究也有了一定成绩，文献通过实验表述了基于深度置信网络算法的HRRP 舰船目标识别性能比基于SVM 统计建模算法的HRRP 舰船目标识别性能高4%～5%，验证了深度学习算法能提取到鲁棒性特征的能力。文献阐述了基于循环神经网络的空中目标的分类，将循环神经网络应用到常规飞机、隐身飞机、导弹等目标的分类研究中，并取得了识别率为95.3%的效果，而基于SVM 的传统分类方法识别率仅为80.8%。文献提出了一种基于双向LSTM 的雷达HRRP 目标识别算法，不同于传统算法只利用包络信息，新算法充分利用了HRRP 样本之间的时间相关特性，基于实测数据进行的实验结果表明了新算法不仅取得了有效的识别率，还具有平移敏感性的鲁棒性。文献针对现有飞行机动识别算法对领域知识过度依赖的问题，将循环神经网络应用到飞行机动识别研究中，并通过实验验证了新算法不但降低了对领域知识的依赖度，还具有更高的适应性。

循环神经网络(Recurrent Neural Network，RNN)属于深度学习的一种，它最大的特点在于记忆性和参数共享，隐含层不仅与输入层相连，隐藏层之间也有节点相连，因此RNN 在对序列数据进行学习和参数改进的过程中，可以发现数据的隐含特性，从而实现雷达目标的分类。

本文内容安排如下：第1 部分介绍了RNN 的网络结构和本实验主要网络参数的设置；第2 部分介绍了传统分类方法的特征提取和使用的分类器；第3 部分是实验验证内容，介绍了实验数据，分析了所提新方法和传统分类方法在不同信噪比条件下的识别率，表明所提新方法具有更好的分类性能；最后是结论部分。

1 基于循环神经网络的目标分类方法

1.1 RNN网络介绍

循环神经网络由Jordan 和Elman 提出，不同与传统的人工神经网络，RNN 内部神经元存在着自连接，可以较好的预测数据内部存在的依赖关系，在处理语音等时许序列方面已经被广泛应用，而且输出的序列长度可以根据实际的应用需求，选择不同的对应关系。

RNN 如图1 所示，由输入层、隐藏层、输出层组成，循环节点之间链式链接，神经元有自反馈的功能，将网络结构在时间维上展开之后可以看到，所有层的权值矩阵是共享的。因此RNN 当前时刻的输出不仅与当前时刻的输入和网络的权值矩阵有关，和之前所有时刻的输入均有关。

图1：循环神经网络示意图

向量X 为输入数据矩阵，U 为输入层和隐藏层之间的权值矩阵，W 为隐藏层之间的权值矩阵，S 为隐藏层的输出，V 为隐藏层和输出层之间的权值矩阵，O 为输出层的输出，L 为代价函数，Y 为目标类别。

RNN 通过前向计算算法得到预测结果，然后通过代价函数来计算模型的损失函数，最后通过随时间反向传播算法（Back Propagation Through Time, BPTT）对权值进行更新优化。

前向计算公式为：

其中，a、b 为偏置量，f 为隐藏层的激活函数，Y 为输出层的输出。

实验中设置RNN 的网络结构主要通过网络层数、迭代次数、学习率、激活函数、损失函数等参数实现的。

网络层数是在实际应用中根据硬件平台的性能，在识别率满足工程应用的前提下，对应的最小结构。本实验的输入数据为64 维，设置隐含层为1 层网络，64 个神经元。

迭代次数为RNN 学习的次数，学习到一定程度时，分类结果收敛。本文设置为50 次。

激活函数选择tanh(·)，表示如下：

代价函数衡量的是目标期望输出与实际计算结果之间的差异，用以表征计算值与期望值之间的差距，然后利用这个差距来调节RNN 网络的权值矩阵，使得代价函数最小。RNN 随时间反向传播计算时，使用参数的学习率控制学习的速度。代价函数选择交叉熵，因为该实验是个二分类问题，所以其交叉熵可表示为：

其中，y 为目标的真实类别， 为RNN 网络预测的结果。

1.2 实验流程

实验流程图2 所示：首先对训练数据和测试数据进行预处理，然后将训练数据带入RNN 训练神经网络的权值，当预测的目标类别和实际的目标类别之间的误差满足一定要求时，保存此时的RNN 参数作为训练好的网络模型，最后使用测试数据进行验证，得到测试数据的目标类别输出。

图2：实验流程图

2 传统分类方法介绍

2.1 特征提取

传统分类方法的特征提取是从雷达回波数据中提取出能够反应目标运动特性的特征，一般在时域、频域、时频域、特征谱域等变换域完成。特征谱能够反应雷达目标回波子空间的分布特性，因此特征谱可以在相对较深的层次体现目标的本质。本文传统分类方法提取特征谱的3 维散布特征进行轮式车辆和履带式车辆的分类。

雷达回波的时域信号表示为s(n)，信号长度为N，计算特征谱的过程如下：

（1）以窗长为K 的矩形窗，步长为1，对s(n)进行滑窗，得到N-K+1 个新的数据s, i=1,2,…,N-K+1，数据长度为K，滑窗后的数据表示为S=(s,s,…,s)；

（2）计算的自相关矩阵：R=SS/(N-K+1)；

（3）对自相关矩阵进行特征值分解，然后将特征值按照非递增顺序排列，得到特征谱u=[λ,λ,…,λ]，其中，λ为第K 个特征值。

第一维特征：车身能量和总能量的比值，即最大特征值所占比例：

第二维特征：总能量98%对应的谐波数量，即贡献率为98%的大特征值数量：

第三维特征：能量用车身分量归一化后的总值，即用最大特征值归一化后的特征值之和：

第四维特征：谐波能量的分散程度，即特征谱的熵。

2.2 SVM分类器

SVM 起源于统计学习理论，是基于结构风险最小化原则的一种实现，它的基本思想是将低维度的输入数据通过核函数映射到高维空间，然后在高维空间建立一个超平面，各类样本到该超平面的分类间隔越大，推广能力就越强，当分类间隔最大时，此时的超平面即为判决超平面。

常见的核函数有线性函数，多项式函数，高斯函数等，核函数必须满足Mercer 条件如公式（11）所示，本文选择高斯核函数，公式表示为（12）：

3 实验验证

3.1 实验数据介绍

本实验所用数据为录取的实测数据，数据已经经过杂波抑制，轮式车辆目标为卡车，履带式车辆目标有两种，分别为装甲车和坦克。

两类目标的数据是在较为相似的环境中录取的，每类目标包含逼近雷达和远离雷达两种姿态，两类目标的多普勒维样本示意如图3 所示，录取的数据均为高信噪比数据。训练过程所用数据为高信噪比数据。考虑到远距离的目标反射回波信噪比低的实际现象，将对录取的高信噪比时域数据加不同信噪比的复高斯白噪声所得数据作为测试数据。

图3：录取的高信噪比数据

履带式车辆和轮式车辆多普勒谱的回波能量分布在(0，2f)之间，由车身对应的平动分量f和车轮或履带对应的微动分量组成。车轮的材质是橡胶的，微动回波弱，多普勒谱成分简单。履带的材质是金属的，微动回波强，上履带回波产生的较强分量为2f，多普勒谱的能量较丰富。当上履带在雷达视线方向有遮挡时，履带式车辆对应的2f分量能量下降。

3.2 数据预处理

数据预处理分为三步，第一步将雷达回波时域数据进行能量归一化：

3.3 结果分析

为了验证本实验网络参数设置对实验性能的影响，本文分析了损失率随迭代次数的变化情况。学习率设为0.001 时，测试数据（对高信噪比时域数据加信噪比为40dB 的复高斯白噪声后得到的数据）的识别率随迭代次数的上升逐渐上升，最终收敛到0.9407；损失率随迭代次数的上升逐渐降低，最终收敛到0.1731。

表1 为本文所提基于RNN 的运动车辆目标分类方法和传统分类方法在不同信噪比时对应的识别率。可以发现，当信噪比高于25dB 时，传统分类方法正确分类性能为90%，基于RNN 的运动车辆目标分类方法正确分类性能可以达到94.07%；当信噪比降低到15dB 时，噪声分量对微动分量的影响较小，传统分类方法正确分类性能可以达到87%，而基于RNN 的运动车辆目标分类方法正确分类性能可以达到91.4%；随信噪比的下降，微动分量逐渐被噪声淹没，当信噪比为10dB 时，轮式车辆的微动分量已经全部被噪声淹没，履带式车辆的微动分量也被污染，尤其是上履带有遮挡时，履带式车辆的有效微动分量减少，加高斯白噪声后，两类车辆目标的多普勒谱可分性下降，但基于RNN 的运动车辆目标分类方法正确分类性能依然可以达到82%，而传统分类方法识别率只能达到75.8%。当信噪比为5dB 时，二者的微动分量均被噪声淹没，此时于传统分类方法已经不具有分类能力，而基于RNN 的运动车辆目标分类方法正确分类性能约76%。此对比结果验证了本文所提分类方法的有效性。

表1：不同信噪比条件下的识别率

4 结束语

地面运动车辆目标的分类一直都是窄带雷达目标分类的热点之一，现阶段的研究内容大都是人工进行特征提取，然后将分类特征送入分类器（如SVM）进行目标类别的判断。数据易受距离、天气等因素的影响，传统的分类方法对人工的经验依赖性较强，而RNN 可以通过大量数据的学习，自动分析数据之间的联系，提取噪声稳健特征。基于实测数据进行的对比实验说明了本文所提方法在地面运动车辆目标分类中不仅有较好的识别性能，还具有噪声鲁棒性。