1 引言
随着我国军事能力的提升和国家利益的延拓,反导作战需求日益紧迫,而弹道目标的有效识别是反导技术的关键,对于战略预警及反导作战意义重大[1]。但随着分导式多弹头及诱饵干扰等突防技术的不断发展[2-3],一些基于结构特征、雷达散射截面积及弹道轨迹的传统识别技术效率大幅降低[4],弹道目标的有效拦截面临严峻挑战。
目标的微动特征是其固有属性,而弹道目标由于突防技术的需要往往会进行诱饵释放,在横向扰动的影响下产生不同形式的微动,从而为弹道目标的微动识别提供可能[5]。弹道锥体目标的微动方式可分为旋转、进动及章动三种[6],典型的微动分类方法主要通过构造、提取人工特征进行识别分类[7- 8],如:文献[7]通过设置微多普勒阈值后人工提取微多普勒谱峰值,文献[8]通过熵及统计特性判断周期性强弱等特征来实现微动分类。由于特征及其提取对于分类性能的影响至关重要,而构造人工特征需要一定的先验知识,且其通用性有待探讨,同时人工提取特征不可避免地造成误差也将影响分类性能,因此有必要深入研究弹道目标微动分类的智能识别技术。
深度学习作为一种高效的智能识别方法已经在语音识别[9]、文本识别[10]及人体姿态识别[11]等领域得到广泛应用,此外在雷达领域也有相关应用[12-16]。本文考虑到深度学习在图像处理及智能提取特征方面的优势[16-17],并结合锥体目标微动时变信号的时频图进行分析。主要方法在于,通过卷积神经网络(CNN)中的AlexNet模型对时频图进行特征提取,尔后将提取到的特征输入到双向长短期记忆网络(BiLSTM)训练,并连接丢失层(dropoutLayer)、全连接层(fullyConnectedLayer)、softmaxLayer及分类层(classificationLayer)实现微动分类。
2 锥体目标微动建模
2.1 等效散射点微多普勒分析
本文参考文献[8]的电磁仿真结果,采用等效散射点模型,对锥体弹道目标上的三个等效强散射点进行时频分析,即:图1中的锥顶散射点A和锥底滑动散射点B、C[8]。
下面建立目标本地坐标系图1,其中坐标原点为锥体质心O,Z轴为对称轴OA的旋转轴(锥旋轴),雷达视线η与Z轴确定平面OYZ,Y轴垂直于Z轴,且OX=OY×OZ。记雷达视线η与Z轴夹角为雷达视线角α,OA与Z轴夹角为章动角θ,且OA在面OXY的投影与OX的夹角为锥旋角φ。下面所进行的微动分析都是在平动补偿的基础上进行的[18-19]。
图1 锥体目标模型
Fig.1 Cone target model
则雷达视线为:
η=[0,sin α,cos α]
(1)
锥顶A在η上的投影为:
rOA=OA·η
(2)
可得锥顶A的微多普勒频率为:
(3)
同理可分析滑动等效散射点B、C的微多普勒频移。所谓滑动等效散射点,即B、C两点为雷达视线η和锥体对称轴OA所确定的平面π1与锥体底面圆π2相交的两点[20]。
其中,平面π1的单位法向量为:
n1=η×OA/|η×OA|
(4)
可得平面π1为:
n1·r1=0
(5)
底面圆π2为:
OA·r1=l1
(6)
式中r1为平面π1中的任意向量,l1为坐标原点O到π2的距离。
底面圆π2的中心O1到B(C)单位方向矢量为:
n2=OA×n1/|OA×n1|
(7)
可得B(C)对应的矢量为:
rOB(C)=OO1±n2·r
(8)
式中r为锥体底面圆的半径。
所以散射点B(C)对应的微多普勒频移为:
(9)
2.2 微动形式分析
根据上节所采用的等效散射点模型对三种微动方式进行微多普勒频率分析。
(1)旋转
锥体旋转,即锥旋角φ和章动角θ保持不变。锥体除锥顶之外的散射点都存在微多普勒频移,但其散射强度太小难以观测,锥顶则不存在微动;对于锥体底部的滑动散射点而言,由其定义知其位置由雷达视线及对称轴决定,此时并未发生改变,所以也不存在微动。综上知,旋转状态最终在微多普勒时频图上表现为幅值为0的一条直线[7- 8]。
(2)进动
锥体进动,即章动角θ不变、锥旋角φ随时间变化,如下:
φ=2π fφt+φ0
(10)
其中, fφ为锥旋角频率、φ0为初始锥旋角。
(3)章动
锥体章动,即章动角θ、锥旋角φ都随时间变化,如下:
φ=2π fφt+φ0
(11)
θ=θ0sin 2π fθt+θ1
(12)
其中, fθ为摆动角频率、θ1为初始摆动角。
将进动、章动形式下的表达式(10)、(11)、(12)分别带入式(3)和(9)可得相应等效散射点的微多普勒频率。
3 网络模型
3.1 AlexNet
考虑到运算速度的问题,本文采用CNN中速度较快的AlexNet网络提取图像特征,网络结构如图2所示。AlexNet网络处理图像时输入RGB三色图,由一系列的卷积层、最大池化层及激活函数等自动提取图像特征,并传至全连接层,然后通过softmaxLayer、分类层实现分类,其中丢失层用于减少训练时间,最大池化层则可用于防止过拟合[21]。
3.2 Bi-LSTM
LSTM是一种特殊的循环神经网络(RNN)[22],其结构如图3所示,通过三种“门”即输入门(it)、输出门(ot)及遗忘门( ft)和一个记忆控制器(Ct)解决了RNN的梯度弥散、爆炸问题[23],LSTM可以通过学习序列数据时间步长之间的长期依赖信息来处理时间序列[11]。由于LSTM是对序列训练、分类,且其中的遗忘门可决定状态是否被遗忘[24]而舍弃部分不需要的信息,其训练速度相比于CNN大大提高,有利于处理实时性强的问题。本文采用双向传播的长短期记忆网络(BiLSTM),可更有效地学习时间序列的依赖信息。
图2 Alexnet网络
Fig.2 Alexnet network
图3 LSTM网络
Fig.3 LSTM network
3.3 AlexNet-BiLSTM
考虑到两种网络的特点,即:AlexNet网络能对图像分类,可通过时频图有效处理具有时变特性的微动信号等分类问题[14],但其每次迭代都要重新对图像进行卷积、激活等处理,从而增加训练时间,效率有待提高;而BiLSTM网络虽然训练速度快,有利于处理实时性强的问题,但其只能对序列进行分类,而对弹道目标这类混叠的微动信号无法进行有效处理。因此我们构建一个AlexNet-BiLSTM网络,如图4所示,利用AlexNet提取二维时频图的图像特征,并将其分成多段构造一个高维特征作为多层BiLSTM的输入,通过BiLSTM网络学习这些特征之间的时序信息,在通过连接全连接层、softmaxLayer、及分类层实现分类。
图4 CNN-BiLSTM网络
Fig.4 CNN-BiLSTM network
4 基于AlexNet-BiLSTM网络的微动分类
4.1 算法流程
本文算法由以下四部分组成:(1)数据预处理;(2)数据集构建;(3)网络模型构建与训练;(4)目标分类。具体步骤如图5所示:第一步,对模拟雷达回波进行解调、脉冲压缩完成数据预处理;第二步,利用采集到的数据进行时频分析,即通过短时傅里叶变换得到微动特征的时频图完成数据集的构建;第三步,利用AlexNet网络中的前六层对二维时频图进行特征提取,通过‘activations’函数返回第六层(全连接层)的网络激活,从而将图像特征转化为序列特征并输入到BiLSTM、全连接层、softmax分类层等构建AlexNet-BiLSTM网络,同时利用数据集对其训练完成参数设置;第四步,利用训练好的AlexNet-BiLSTM网络进行微动分类,同时通过研究信噪比(Signal to Noise Ratio,SNR)对其分类性能的影响及与其他分类方法分类性能的比对验证该网络的有效性。
图5 算法流程
Fig.5 Algorithmic flow
4.2 构建数据集
本文所采用的信号都是模拟雷达信号,雷达参数:雷达载频10 GHz,观察时间5 s,脉冲重复频率1000 Hz。锥体目标的结构参数:lOA=1.125 m,OO1=0.375 m,r=0.252 m。微动参数如表1所示:章动角θ0=16°～20°,雷达视线角α=105°～150°,锥旋角频率fφ=0.82～1.2 Hz,(1)旋转时,初始锥旋角φ0=0°～360°;(2)进动时,初始锥旋角φ0=0°,锥旋角频率fφ=0.82～1.2 Hz;(3)初始锥旋角φ0=0°,章动角摆动幅度θ1=10°,锥旋角频率fφ=0.8～1.2 Hz,章动角摆动频率fθ=1～1.5 Hz。其中‘—’表示不需要此参数。
表1 微动参数设置
Tab.1 Micro-motion parameter settings
微动参数旋转进动章动α/(°)105∶5∶150105∶5∶150105∶5∶150θ0/(°)16∶2∶2016∶2∶2016∶2∶20φ0/(°)18∶18∶36000fφ/Hz—0.82∶0.02∶1.20.84∶0.04∶1.2θ1/(°)——10fθ/Hz——1∶0.5∶1.5
数据集包含理想及7种不同信噪比总共
1800张时频图,每种条件下三种微动形式各600张。对每种情况进行分类时,按照70%、30%的比例随机抽选训练集和测试集。图6、图7分别给出理想、SNR=0 dB条件下数据集中的三种微动时频图,亮色部分为等效散射点的时频多普勒频移,根据以上微动参数设置,考虑到遮挡效应,底部仅有一个滑动等效散射点在观察雷达视线范围内。
图6 理想条件下数据集示例
Fig.6 Data set example at ideal conditions
图7 SNR=0 dB时数据集示例
Fig.7 Data set example at SNR=0 dB
4.3 网络参数
本文使用Matlab,VS2013等软件,计算机配置i5- 8300H处理器,GTX1050 4G显卡,内存8G。
利用数据集对网络进行多次训练,根据训练过程的精确度、损失值及训练时间等分类性能指标,设置网络参数如表2所示。其中:运算方式(ExecutionEnvironment)‘GPU’,验证频率(ValidationFrequency)30,渐变阈值(GradientThreshold)2,隐藏单元(numHiddenUnits)200,初始学习率(InitialLearnRate)0.0001,最小训练批量(MiniBatchSize)60,网络解算器(SolverName)为RMSProp优化器,培训进度信息指示符(Verbose)‘false’。
表2 网络参数
Tab.2 Network parameters
参数名称数值/方法ExecutionEnvironment GPUValidationFrequency30GradientThreshold2numHiddenUnits 200InitialLearnRate0.0001MiniBatchSize60SolverNameRMSPropVerbosefalse
为提高训练速度,增强实时性能,可将CNN提取到的一维特征进行分段处理,但其必然会导致特征序列的时序性特征减弱,影响分类性能。因此,在保证识别率的前提下,本文将特征维度设置为inputSize_lstm=8,从而提高训练速度。
5 仿真结果与分析
5.1 网络分类性能
根据上一节构建的AlexNet-BiLSTM网络及参数设定,利用训练好的网络对测试集进行分类,并进行分析。图8给出SNR=0 dB条件下AlexNet-BiLSTM网络训练过程中训练损失值(a)、训练精度(b)以及分类混淆矩阵图(c)。
图8 AlexNet-BiLSTM网络分类性能
Fig.8 AlexNet-BiLSTM network classification performance
分析知:(1)识别率由高到低依次是旋转、章动、进动,且总的识别率在97%以上,相当可观;(2)主要误判在于进动与章动之间,原因在于两者之间差别仅在于章动角是否恒定,在某些参数下章动角摆动较小,加上由于噪声对于时频图的干扰,从而导致两种微动形式下的部分时频图差别不大,使得CNN提取到的图像特征差距不明显,此外BiLSTM网络的分段降低了特征的时序性,从而导致误判;(3)旋转目标的分类准确性最高,达到100%,这是因为其时频图仅有一条0 Hz的直线,与进动、章动相比CNN所提取到的特征明显,大大提高了分类准确性。
5.2 信噪比对分类性能的影响
考虑到实际应用中的复杂电磁环境及接收机固有噪声等情况,有必要研究噪声条件下的分类性能。本文采用加入零均值的高斯白噪声进行模拟,考虑到噪声及测试集的随机性,我们将对不同信噪比时的分类进行3仿真并取平均值,图9给出对应的AlexNet-BiLSTM网络识别率。
分析图9知:(1)在不同的信噪比情况下,旋转识别率最高,始终为100%;(2)当信噪比低于0 dB时,进动和章动的识别率迅速下降,由于噪声的干扰以及进动和章动的相似性,导致CNN提取的图像特征减弱,从而分类性能降低;(3)当信噪比不低于-2 dB时,三种微动的识别率都在90%以上,不低于3 dB时保持在95%以上。
图9 AlexNet-BiLSTM识别率
Fig.9 AlexNet-BiLSTM recognition rate
同时为验证本方法的有效性,将与相关文献中所使用的方法进行比对。表3、表4给出与文献[15]中所用的AlexNet网络迁移学习法的分类性能对比,其中,表3为SNR=-5 dB时,两种网络的迭代训练时间—准确率表,表4是两种网络的分类性能对比表;图10给出与文献[7]、[8]人工提取特征的传统分类方法的性能对比图。
表3 网络迭代训练时间—准确率表
Tab.3 Network iterative training time-accuracy table
AlexnetAlexNet-BiLSTM迭代次数训练时间/s识别率/%迭代次数训练时间/s识别率/%24793.15157986.2748995.93209689.05613097.412511988.10817297.593013991.031021398.893515591.981226297.784017890.06
表4 分类性能对比
Tab.4 Classification performance comparison
SNRAlexnetAlexNet-BiLSTM迭代次数训练时间/s识别率/%迭代次数训练时间/s识别率/%-5 dB1021398.893515591.980 dB49299.26126797.305 dB36299.6374697.5410 dB24299.6332798.10
图10 分类性能对比图
Fig.10 Classification performance comparison chart
由表3、表4知:(1)在训练速度方面,AlexNet-BiLSTM网络模型比AlexNet网络快得多,且信噪比越低,速度优势越明显。原因在于:AlexNet每次迭代需重新提取时频图特征,而AlexNet-BiLSTM仅需提出一次图像特征,然后对时序特征迭代训练;(2)在识别率方面,当信噪比不低于0 dB时,AlexNet-BiLSTM网络模型比AlexNet识别率稍差,当低于0 dB时,AlexNet-BiLSTM网络模型比AlexNet差了7%。原因在于:信噪比减低,使得时频图中强散射点产生的时频曲线被噪声淹盖,图像特征减弱,从而致使BiLSTM网络中的遗忘门舍弃更多信息,导致AlexNet-BiLSTM模型比AlexNet的识别率大幅下降。
分析图10知:(1)随着信噪比的下降,目标微动特征减弱,分类准确性随之降低;(2)相比于传统的人工提取特征的分类方法而言,基于深度学习的智能分类识别率显著提升;(3)人工提取特征的微动分类方法在信噪比高于15 dB也能够到达有效的微动识别,但在信噪比低于15 dB时分类性能迅速降低,而此时基于深度学习的智能微动方法准确性仍在96%以上;(4)当信噪比为5 dB时,人工提取特征的微动识别率为70%左右,而深度学习的智能分类方法分类准确性仍在95%左右;(5)当信噪比低于为-5 dB时,人工提取特征的微动分类方法失去参考价值,而深度学习的智能分类方法分类准确性仍在90%以上;(6)基于深度学习方法的分类性能不仅准确性高,而且噪声条件下分类准确性变化更小,鲁棒性更好。
6 结论
弹道目标有效识别意义重大,传统人工提取特征的微动分类方法不可避免存在误差且需要一定的先验知识,通用性不强,为此本文提出一种基于深度学习的智能微动分类方法,主要有以下结论:
(1)利用AlexNet和BiLSTM构造一种新的AlexNet-BiLSTM网络模型,相比于直接利用AlexNet网络而言,识别率略有下降,但训练速度快得多;
(2)利用该网络对模拟雷达回波生成的时频图进行微动分类,不仅能智能提取特征且识别率相比传统的人工提取特征的分类方法更高,同时在低信噪比时分类性能更好,鲁棒性更强。
下一步将研究如何设置合理的噪声门限净化时频图从而达到提高噪声情况下的分类性能,及应对空间群目标如何做到有效智能识别等问题。
[1] 冯存前, 李靖卿, 贺思三, 等. 组网雷达中弹道目标微动特征提取与识别综述[J]. 雷达学报, 2015, 4(6): 609- 620.
Feng Cunqian, Li Jingqing, He Sisan, et al. Micro-Doppler feature extraction and recognition based on netted radar for ballistic targets[J]. Journal of Radars, 2015, 4(6): 609- 620.(in Chinese)
[2] Cohort 311-121O/Team LCS, Missile Defense in the 21st Century Acquisition Environment: Exploring a BMDCapable LCS Mission Package[A]. Naval Postgraduate School, Monterey, CA, 2013: 1- 8.
[3] Johnson S B. Technical and Institutional Factors in the Emergence of Project Management[J]. International Journal of Project Management, 2013, 31(5): 670- 681.
[4] 周万幸. 弹道导弹雷达目标识别技术[M]. 北京: 电子工业出版社, 2011: 10-27.
Zhou Wanxing. BMD Radar Target Recognition Technology[M]. Beijing: Publishing House of Electronics Industry, 2011: 10-27.(in Chinese)
[5] Chen V C. Analysis of radar micro-Doppler signature with time-frequency transform[C]∥Proceedings of the IEEE Workshop on Statistical Signal and Array Processing, Pocono Manor, PA, 2000: 463- 466.
[6] 高红卫, 谢良贵, 文树梁, 等. 弹道导弹目标微动特性的微多普勒分析与仿真研究[J]. 系统仿真学报, 2009, 21(4): 954-961.
Gao Hongwei, Xie Lianggui, Wen Shuliang, et al. Micro-Doppler analysis and simulation study of micro-motion performance of ballistic missile targets[J]. Journal of System Simulation, 2009, 21(4): 954-961.(in Chinese)
[7] 束长勇, 张生俊, 黄沛霖, 等. 基于微多普勒的空间锥体目标微动分类[J]. 北京航空航天大学学报, 2017, 43(7): 1387-1394.
Shu Changyong, Zhang Shengjun, Huang Peilin, et al. Micro-Motion Classification of Spatial Cone Target Based on Micro-Doppler[J]. Journal of Beijing University of Aeronautics and Astronautics, 2017, 43(7): 1387-1394.(in Chinese)
[8] 韩勋, 杜兰, 刘宏伟, 等. 基于时频分布的空间锥体目标微动形式分类[J].系统工程与电子技术, 2013, 35(4): 684- 691.
Han Xun, Du Lan, Liu Hongwei, et al. Classfifcation of micro motion form of space cone shaped objects based on time-frequency distribution[J]. Systems Engineering and Electronics, 2013, 35(4): 684- 691.(in Chinese)
[9] 张宇, 张鹏远, 颜永红. 基于注意力LSTM和多任务学习的远场语音识别[J]. 清华大学学报: 自然科学版, 2018, 58(3): 249-253.
Zhang Yu, Zhang Pengyuan, Yan Yonghong. Long short-term memory with attention and multi-task learning for distant speech recognition[J]. Journal of Tsinghua University: Science and Technology, 2018, 58(3): 249-253.(in Chinese)
[10] 谭咏梅, 刘姝雯, 吕学强. 基于CNN与双向LSTM的中文文本蕴含识别方法[J]. 中文信息学报, 2018, 32(7): 11-19.
Tan Yongmei, Liu Shuwen, Lv Xueqiang. CNN and BiLSTM Based Chinese Textual Entailment Recognition[J]. Journal of Chinese Information Processing, 2018, 32(7): 11-19.(in Chinese)
[11] 张儒鹏, 于亚新, 张康, 等. 基于OI-LSTM神经网络结构的人类动作识别模型研究[J]. 计算机科学与探索, 2018, 12(12): 1926-1939.
Zhang Rupeng, Yu Yaxin, Zhang Kang, et al. Research on Human Action Recognition Model Based on OI-LSTM Neural Network Structure[J]. Journal of Frontiers of Computer Science and Technology, 2018, 12(12): 1926-1939.(in Chinese)
[12] 周龙, 韦素媛, 崔忠马, 等. 基于深度学习的复杂背景雷达图像多目标检测[J]. 系统工程与电子技术, 2019, 41(6): 1258-1264.
Zhou Long, Wei Suyuan, Cui Zhongma, et al. Multi-objective detection of complex background radar image based on deep learning[J]. Systems Engineering and Electronics, 2019, 41(6): 1258-1264.(in Chinese)
[13] 王俊, 郑彤, 雷鹏, 等. 深度学习在雷达中的研究综述[J]. 雷达学报, 2018, 7(4): 395- 411.
Wang Jun, Zheng Tong, Lei Peng, et al. Study on Deep Learning in Radar[J]. Journal of Radars, 2018, 7(4): 395- 411.(in Chinese)
[14] 苏宁远, 陈小龙, 关键, 等. 基于卷积神经网络的海上微动目标检测与分类方法[J]. 雷达学报, 2018, 7(5): 565-574.
Su Ningyuan, Chen Xiaolong, Guan Jian, et al. Detection and Classification of Maritime Target with Micro-motion Based on CNNs[J]. Journal of Radars, 2018, 7(5): 565-574.(in Chinese)
[15] Wang Y Z, Feng C Q, Zhang Y S. Classification of Space Targets with Micro-motion Based on Deep CNN[C]∥2019 IEEE 2nd International Conference on Electronic Information and Communication Technology, Harbin, Jan 2019: 557-561.
[16] 徐真, 王宇, 李宁, 等. 一种基于CNN的SAR图像变化检测方法[J].雷达学报, 2017, 6(5): 483- 491.
Xu Zhen, Wang Yu, Li Ning, et al. A novel approach to change detection in SAR images with CNN classification[J]. Journal of Radars, 2017, 6(5): 483- 491.(in Chinese)
[17] 杨真真, 匡楠, 范露, 等. 基于卷积神经网络的图像分类算法综述[J]. 信号处理, 2018, 34(12): 1474-1489.
Yang Zhenzhen, Kuang Nan, Fan Lu, et al. Review of Image Classification Algorithms Based on Convolutional Neural Networks[J]. Journal of Signal Processing, 2018, 34(12): 1474-1489.(in Chinese)
[18] 胡晓伟, 童宁宁, 董会旭, 等. 弹道中段群目标平动补偿与分离方法[J]. 电子与信息学报, 2015, 37(2): 291-296.
Hu Xiaowei, Tong Ningning, Dong Huixu, et al. Translation compensation and resolution of multi-ballistic targets in midcourse[J]. Journal of Electronic&Information Technology, 2015, 37(2): 291-296.(in Chinese)
[19] 贺思三, 赵会宁, 张永顺. 弹道中段进动目标高精度平动补偿方法[J]. 电子与信息学报, 2016, 38(8): 1962-1968.
He Sisan, Zhao Huining, Zhang Yongshun. Translation motion high accuracy compensation for procession ballistic target in midcourse[J]. Journal of Electronic&Information Technology, 2016, 38(8): 1962-1968.(in Chinese)
[20] 黄培康, 殷红成, 许小剑. 雷达目标特性[M]. 北京: 电子工业出版社, 2005: 86-92.
Huang Peikang, Yin Hongcheng, Xu Xiaojian. Radar target character[M]. Beijing: Publishing House of Electronic Industry, 2005: 86-92.(in Chinese)
[21] 翁建新, 赵知劲, 占锦敏. 利用并联CNN-LSTM的调制样式识别算法[J]. 信号处理, 2019, 35(5): 870- 876.
Weng Jianxin, Zhao Zhijin, Zhan Jinmin. Modulation Recognition Algorithm By Using Parallel CNN-LSTM[J]. Journal of Signal Processing, 2019, 35(5): 870- 876.(in Chinese)
[22] Elman J L. Finding structure in time[J]. Cognitive Science,1990, 14(2): 179-211.
[23] Bengio Y, Simard P, Frasconi P. Learning long-term de-pendencies with gradient descent is difficult[J]. IEEE Transactions on Neural Networks, 1994, 5(2): 157-166.
[24] 李焕焕, 彭盛亮, 陈铮, 等. 认知无线电中基于LSTM网络的MAC协议识别[J]. 信号处理, 2019, 35(5): 837- 842.
Li Huanhuan, Peng Shengliang, Chen Zheng, et al. MAC Protocol Recognition based on LSTM Network in Cognitive Radio[J]. Journal of Signal Processing, 2019, 35(5): 837- 842.(in Chinese)
