一种基于CAE的HRRP去噪重构与识别方法_吴玲.pdf

第 卷 第 期兵 器 装 备 工 程 学 报 年 月 收稿日期：；修回日期：作者简介：吴玲（），女，博士，教授，：。通信作者：何昊天（），男，硕士研究生，：。：一种基于 的 去噪重构与识别方法吴 玲，何昊天，胡献君（海军工程大学 兵器工程学院，武汉；海军工程大学 电子工程学院，武汉）摘要：针对 识别研究中面临的噪声污染问题，提出了一种基于卷积自编码器（，）的 识别方法。此方法将 的重构功能与卷积神经网络（，）的分类性能相结合，将未含噪声的数据作为标签，利用 学习含噪声 的噪声特征，实现对 的去噪重构，后利用 对重构后的 进行识别。仿真实验表明：在 、峰值信噪比的噪声环境下，该方法对 的识别准确率分别可达到 、.，能够一定程度上克服噪声对 识别带来的不良影响，保证识别精度。关键词：高分辨率一维距离像；自编码器；卷积神经网络；雷达目标；舰船本文引用格式：吴玲，何昊天，胡献君 一种基于 的 去噪重构与识别方法 兵器装备工程学报，（）：，（）：中图分类号：；文献标识码：文章编号：（），（，；，）：，（）（），.，：；引言高分辨率一维距离像是在大发射宽带、目标尺寸远大于雷达距离分辨单元的条件下，目标散射点的子回波在雷达方向上投影的矢量和。利用 进行雷达目标自主识别，具备数据易获取、便于处理、占用空间小、包含目标结构信息等优点。如今，国内外的学者对于基于 进行目标自主识别的研究 更 加 倾 向 于 高 效 率、高 精 确 度、高 度 智 能 化。、自编码器（，）、循环神经网络 等 技 术 都 有 效 的 被 应 用 于 识 别 领 域 中。使用 对 进行分类，并与支持向量机、最邻近法进行比较，最终 的识别准确度最高。等分别将原始 数据和进行二维转换后的 数据作为输入利用 进行识别，结果表明：直接将原始数据输入识别精度更高，二维转换则会破坏掉数据结构信息，不利于识别。利用 对 数据进行降维，并利用支持向量机进行分类，大幅度减少了支持向量机计算的时间。如何在噪声条件下实现对 数据的识别，是现阶段研究的重点内容。基于字典学习对 降维分析并识别，增强了噪声环境下识别鲁棒性，但需在假定描述信号过程较信号维数更多的前提条件下实现。将正交过完备组合字典及改进的快速稀疏算法应用于 识别，具备较优的抗噪性，但在提取核心信息的过程中伴随数据降维产生信息损失，从而限制了识别率的提升。为实现在不同噪声情况下对 的高识别率，基于 模型和 模型分别对 进行识别，后结合两者优点，提出一种基于 的 识别方法。此方法中，将未含噪声的数据作为标签，利用 对含噪声的 进行训练，以学习噪声特征，实现对含噪 的去噪重构。后将重构的 作为数据集，基于 进行识别。算法介绍 基于 的 识别 是一种后向传播的神经网络，具有识别精度高、自学习能力强、人工干预少、权值共享等优点。包含卷积层、池化层、全连接层、激活层等基本结构，能够较好的挖掘数据深度特征，被广泛的应用在图像分类、语音识别、自然语言处理等方面。由于 具有平移等变性的特点，使用 对 进行识别能够克服平移敏感性带来的影响。因此，可建立结构如表 所示的一维 模型，对 数据进行识别。结构中隐藏层使用 激活函数，最终输出层使用 激活函数，并且为了防止过拟合和提高识别精度，在网络结构中增加了 层和（）层。表 结构及参数 网络层数类型输出维度卷积层，激活函数，核尺寸，步长 最大池化层，核尺寸，步长 卷积层，激活函数，核尺寸，步长 最大池化层，核尺寸，步长 卷积层，激活函数，核尺寸，步长 全连接层全连接层 层全连接层，激活函数 基于 的特征提取与识别传统的 特征提取方法是通过长期的经验积累和基于 信号的先验知识，将 的物理特征、统计特征等提取出来，如等效强散射点个数、等效目标尺寸、信号的重心、的方差 等。深度学习可以减少人为操作和先验知识的需要，并通过神经网络深层次提取 数据特征。是一种前馈神经网络，其特点是不需要对数据进行额外标签，将原本输入的数据作为参考，是一种无监督的学习方法。的隐藏层是用于特征提取的核心，其训练目标在于降低输出输入差距，可以通过高质量的输出数据反推出解码过程中输入数据蕴含的高质量特征。具有方位敏感性、幅度敏感性、平移敏感性等特征，方位敏感性影响可通过多方位角 数据参与训练来降低，幅度敏感性影响可通过归一化来降低，平移敏感性则可以通过 中具有平移等变性的卷积操作来降低影响。基于 的网络结构，将编码器与解码器区域的全连接层替换为卷积层，以隐藏层为轴构建对称的 和逆，建立 模型，可利用卷积操作的平移等变性对 进行特征提取。结构中的编码器部分包含三层卷积层，一层全连接层，由于 是一维数据，因此 中采用的是一维卷积的方式，即卷积核在一维空间滑动计算。解码器中卷积层变为实现升采样的逆卷积层，并且再最后加上一层全连接层，保证经过卷积和逆卷积后的输出数据维度和输入维度完全一致。训练采用的损失函数为均方差函数（，），其表达式为 （）（）式（）中：表示输入的 数据；表示解码后的数据，通过 比较两者差异，经过反向传播后，不断迭代训练，实现两者差异减小，达到提高编码质量的目的。的具体结构和参数如图、表 所示。吴 玲，等：一种基于 的 去噪重构与识别方法图 的基本结构 表 结构及参数 网络层数类型输出维度卷积层，激活函数，核尺寸，步长 卷积层，激活函数，核尺寸，步长 层卷积层，激活函数，核尺寸，步长 全连接层，激活函数 全连接层特征维度全连接层，激活函数 全连接层，激活函数 逆卷积层，激活函数，核尺寸，步长 层逆卷积层，激活函数，核尺寸，步长 逆卷积层，激活函数，核尺寸，步长 全连接层，激活函数 原始 数据经 编码后，到达指定压缩维度的隐藏层，将隐藏层数据提取后，便可得到能表征 的特征向量。特征提取维度随网络隐藏层参数变化而变化，通过多轮训练更新网络权重，在实现数据降维的同时，将具有同类样本不变性、不同类样本鉴别性和对噪声鲁棒性的核心特征信息提取出来，提高识别精度。基于 特征提取，利用三层全连接层和一层 层组成的 分类器，完成了如图 所示的识别流程。图 基于 的识别流程 基于 的去噪重构 除了能够进行特征提取，同样可以对带噪声的数据进行一定程度上的去噪。为实现 的去噪功能，采用了一种如图 所示的 去噪流程。在训练去噪 过程中，给 仿真数据中加入噪声作为网络的输入，并将未加噪声的数据作为标签进行损失计算。图 去噪流程 通过此过程，能够在编码过程中学习到数据中的噪声特征，训练完毕后可以对含噪声数据降噪重构。仿真实验 数据集准备在进行识别前，首先参考公开模型数据，利用 软件建立两类舰船简化模型，后用电磁仿真软件 对简化模型进行 数据仿真。舰船的简化模型如图 所示，尺寸参数如表 所示。图 两类舰船简化模型 兵 器 装 备 工 程 学 报：表 两类舰船尺寸参数 模型舰长 舷宽 吃水 舰船模型 舰船模型 设置仿真频率为 ，带宽 ，极化方式为垂直极化，方位角范围为 ，角度步长为 ，完成仿真后对回波进行逆傅里叶变化得到 数据。使用式（）的方式进行取模，并利用式（）的 范数归一化对数据进行归一化，消除 的幅度敏感性。（）（），（）（）两类舰船模型仿真后对应方位角的 实例如图 所示。图 两类模型在方位角 下的 仿真得到大小为 的数据集，其中每类舰船各 幅一维距离像，每幅距离像有 个频点。在后续识别的训练与测试时，随机抽取 的数据作为训练集，的数据为测试集，的数据为验证集。深度学习实验框架为，为 ，为 。基于 的 识别针对原始 数据，构建 节所示的 模型，对舰船目标进行识别。网络训练过程中，为寻求较优学习率并加快收敛，采用指数下降法的方式动态调整学习率，如式（）所示，设第 轮训练过后精度为，若后十轮训练中满足：（，），（）则后续训练学习率 不再变化。（）训练参数如表 所示。基于 对 数据识别训练精度和误差曲线如图 所示。表 训练参数 训练轮次 初始学习率 损失函数交叉熵损失函数优化器图 基于 的 识别训练结果 训练完成后利用测试集对网络进行测试，结果显示，对舰船目标 识别精度可达 ，可知在 未经噪声污染情况下，基于 的识别能够达到较高的识别率。但在实际情况中，数据往往包含噪声，因此，为研究 在含噪声情况下对 数据的识别表现，本文对 数据加入了峰值信噪比为 的高斯白噪声并利用 进行识别。同等训练条件下，基于 对含噪 数据识别的训练精度和误差曲线如图 所示。训练完成后，利用测试集对网络进行测试的结果显示，对含噪 识别精度为 。观察测试结果可以看出，在噪声的影响下，对 的识别效果有所下滑。基于 的 特征提取与识别本节利用 对 数据进行编码解码，得到维度降低的特征集后，利用 分类器进行识别。在特征提取过程中，设置不同维度隐藏层进行训练，比较训练过程中的损失值，在确保解码质量的基础上，尽量降低特征维度，减吴 玲，等：一种基于 的 去噪重构与识别方法少数据量，提高识别效率。图 基于 的含噪声 识别训练结果 为比较 和常规 对 特征提取的效果，设置训练参数如表 所示，分别利用、在不同特征维度下对 数据进行训练。由于 经幅度归一化后数值范围为 ，采用 损失函数会导致损失计算值过小，为方便后续对比，本文在每次进行误差计算前，对输入数据和解码数据进行扩大处理，如式（）所示：（）（）式（）中：为扩大系数，设置为，、为输入数据和解码数据。表 和 训练参数 参数取值训练轮次 初始学习率 损失函数均方差损失函数优化器 经 轮训练后，不同隐藏层维度下 的误差变化曲线和传统 模型下的误差变化曲线对比如图 所示，测试结果如表 所示。观察解码结果，相较于传统的，具有更好的误差下降效果，且每轮训练解码出的数据与原始 之间的误差显著减小。当使用 进行特征提取并将特征维度设为 时，相较于 维，能够较明显的提升解码精度，相较于 维误差差距较小且输出特征维度更低。因此，使用 对 进行特征提取，设定特征维度为 维，保证后期识别精度的基础上，降低模型的参数量和内存，提高运算效率。对提取的特征向量进行识别，设置 分类器的训练 为，学习率使用式（）指数收敛法动态变化，训练结果如图 所示。图 和 对 特征提取训练结果对比 表 和 在经不同维度隐藏层后解码损失对比 自编码器模型 维 维 维 图 基于 的 识别结果 训练完成后，经测试，基于 的 识别准确率为。对含噪声情况下的识别效果进行测试，设置与 节相同的峰值信噪比 的白噪声环境，训练参数不变，得到的训练结果如图 所示。经测试，对含噪声 数据的识别准确率为。兵 器 装 备 工 程 学 报：图 基于 的含噪 识别训练结果 观察 节和 节的识别实验结果，可看出在无噪声情况下，基于 的识别精度为 ，高于 方法的。但在含峰值信噪比 高斯白噪声的情况下，方法的识别率为 高于 的。分析可知，在无噪声数据识别方面，基于 的方法性能更优，而在含噪声的数据识别方面，基于 的方法表现更好。因此，本文将两者优点结合，提出用 的方法对含噪声 数据进行识别。基于 的 识别基于 的 数据识别方法结合了 挖掘数据鲁棒性特征的特点和 的分类性能。首先采用图 所展示流程对含噪声 数据去噪，得到去噪后的重构数据，再参考前序实验中 对不加噪的高维数据的识别率较优的特点，选用 对不降维的重构数据进行识别，提高对含噪声 数据识别准确率。实验中，利用隐藏层维度为 的 的网络对含噪数据进行训练，输入的数据是加入了峰值信噪比为 的高斯白噪声。经过 轮次训练，重构 数据降噪效果如图 所示。图 去噪重构数据与噪声数据、原数据的对比 经测试，测试集中所有 数据与含噪声 数据之间的均方差总和为 ，而经过重构后的 数据与原始 数据之间均方差总和为 ，去噪重构后的数据与原始数据差距减小明显，因此 对 有着较好的去噪效果。对去噪 数据基于 进行识别，训练参数设置与表 相同，结果如图 所示。图 基于 的含噪 识别训练结果 经测试，对含峰值信噪比 噪声的 的识别率可以达到，高于 的 和 的 。实验结果对比分析在对不含噪的 识别中，基于 的识别和基于 识别都表现良好，但基于 的识别精度较于前者略低，考虑是因为特征的降维，导