第４３卷 第１２期系统工程与电子技术Ｖｏｌ．４３ Ｎｏ．１２２０２１年１２月ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇ ａｎｄＥｌｅｃｔｒｏｎｉｃｓＤｅｃｅｍｂｅｒ２０２１
文章编号：１００１ ５０６Ｘ（２０２１）１２ ３５３３ ０９ 网址：ｗｗｗ．ｓｙｓ ｅｌｅ．ｃｏｍ收稿日期：２０２００６２８；修回日期：２０２００７２４；网络优先出版日期：２０２１０３１５。网络优先出版地址：ｈｔｔｐｓ：∥ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／１１．２４２２．ＴＮ．２０２１０３１５．１５５１．００８．ｈｔｍｌ基金项目：国家自然科学基金（６１８７６１８９，６１２７３２７５，６１５０３４０７，６１８０６２１９，６１７０３４２６）资助课题 通讯作者．引用格式：张国令，吴崇明，李睿，等．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．犚犲犳犲狉犲狀犮犲犳狅狉犿犪狋：ＺＨＡＮＧＧＬ，ＷＵＣＭ，ＬＩＲ，ｅｔａｌ．ＨＲＲＰｔａｒｇｅｔｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｏｎｅ ｄｉｍｅｎｓｉｏｎａｌｓｔａｃｋｅｄｐｏｏｌｉｎｇｆｕｓｉｏｎｃｏｎｖｏｌｕｔｉｏｎａｌａｕｔｏｅｎｃｏｄｅｒ［Ｊ］．ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａ 卷积编码
ｎｄＥｌｅｃｔｒｏｎｉｃｓ，２０２１，４３（１２）：３５３３ ３５４１．基于一维堆叠池化融合卷积自编码器的犎犚犚犘目标识别方法
张国令１，吴崇明２， ，李 睿１，来 杰１，向 前１
（１．空军工程大学防空反导学院，陕西西安７１００５１；２．西京学院，陕西西安７１０１２３）
摘 要：针对雷达高分辨距离像（ｈｉｇｈｒｅｓｏｌｕｔｉｏｎｒａｎｇｅｐｒｏｆｉｌｅ，ＨＲＲＰ）目标识别中特征提取及识别问题，提出了一种基于一维堆叠池化融合卷积自编码器（ｏｎｅ ｄｉｍｅｎｓｉｏｎａｌｓｔａｃｋｅｄｐｏｏｌｉｎｇｆｕｓｉｏｎｃｏｎｖｏｌｕｔｉｏｎａｌａｕｔｏｅｎｃｏｄｅｒ，１ＤＳＰＦ ＣＡＥ）的识别方法。首先构造一维池化融合卷积自编码器（ｏｎｅ ｄｉｍｅｎｓｉｏｎａｌｐｏｏｌｉｎｇｆｕｓｉｏｎｃｏｎｖｏｌｕｔｉｏｎａｌａｕｔｏ ｅｎｃｏｄｅｒ，１ＤＰＦ ＣＡＥ），在编码阶段，采用最大池化和平均池化同时提取不同的编码特征并进行融合来提取ＨＲＲＰ的结构特征；然后堆叠多个１ＤＰＦ ＣＡＥ形成１ＤＳＰＦ ＣＡＥ；最后使用标签数据对网络进行微调，实现ＨＲ ＲＰ目标识别。并使用ＡｄａＢｏｕｎｄ算法优化网络训练来提高识别性能。基于弹道中段目标仿真数据的实验结果表明，该方法具有较强的特征提取能力，对于ＨＲＲＰ目标识别准确率高、鲁棒性强。关键词：雷达自动目标识别；高分辨距离像；卷积自编码器；特征提取；池化融合中图分类号：ＴＰ１８３ 文献标志码：Ａ 犇犗犐：１０．１２３０５／ｊ．ｉｓｓｎ．１００１ ５０６Ｘ．２０２１．１２．１５犎犚犚犘狋犪狉犵犲狋狉犲犮狅犵狀犻狋犻狅狀犿犲狋犺狅犱犫犪狊犲犱狅狀狅狀犲 犱犻犿犲狀狊犻狅狀犪犾狊狋犪犮犽犲犱狆狅狅犾犻狀犵 犳
狌狊犻狅狀犮狅狀狏狅犾狌狋犻狅狀犪犾犪狌狋狅犲狀犮狅犱犲狉ＺＨＡＮＧＧｕｏｌｉｎｇ１，ＷＵＣｈｏｎｇｍｉｎｇ２， ，Ｌ
ＩＲｕｉ１，ＬＡＩＪｉｅ１，ＸＩＡＮＧＱｉａｎ１（１．犃犻狉犪狀犱犕犻狊狊犻犾犲犇犲犳犲狀狊犲犆狅犾犾犲犵犲，犃犻狉犉狅狉犮犲犈狀犵犻狀犲犲狉犻狀犵犝狀犻狏犲狉狊犻狋狔，犡犻’犪狀７１００５１，犆犺犻狀犪；２．犡犻犼犻狀犵犆狅犾犾犲犵犲，犡犻’犪狀７１０１２３，犆犺犻狀犪） 犃犫狊狋狉犪犮狋：Ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｏｆｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎｉｎｈｉｇｈｒｅｓｏｌｕｔｉｏｎｒａｎｇｅｐｒｏｆｉｌｅ（ＨＲＲＰ）ｔａｒｇｅｔｒｅｃｏｇｎｉｔｉｏｎ，ａｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｏｎｅ ｄｉｍｅｎｓｉｏｎａｌｓｔａｃｋｅｄｐｏｏｌｉｎｇｆｕｓｉｏｎｃｏｎｖｏｌｕｔｉｏｎａｌａｕｔｏｅｎｃｏｄｅｒ（１ＤＳＰＦ ＣＡＥ）ｉｓｐｒｏｐｏｓｅｄｉｎｔｈｉｓｐａｐｅｒ．Ｆｉｒｓｔｌｙ，ａｏｎｅ ｄｉｍｅｎｓｉｏｎａｌｐｏｏｌｉｎｇｆｕｓｉｏｎｃｏｎｖｏｌｕｔｉｏｎａｌａｕｔｏｅｎｃｏｄｅｒ（１ＤＰＦ ＣＡＥ）ｉｓｃｏｎｓｔｒｕｃｔｅｄ．Ｉｎｔｈｅｅｎｃｏｄｉｎｇｓｔａｇｅ，ｔｈｅｍａｘｉｍｕｍｐｏｏｌｉｎｇａｎｄａｖｅｒａｇｅｐｏｏｌｉｎｇａｒｅｕｓｅｄｔｏｅｘｔｒａｃｔｄｉｆｆｅｒｅｎｔｅｎｃｏｄｉｎｇｆｅａｔｕｒｅｓａｎｄｆｕｓｅｔｈｅｍｔｏｅｘｔｒａｃｔｔｈｅｓｔｒｕｃｔｕｒａｌ
ｆｅａｔｕｒｅｓｏｆＨＲＲＰ．Ｔｈｅｎ，ｍｕｌｔｉｐｌｅ１ＤＰＦ ＣＡＥｓａｒｅｓｔａｃｋｅｄｔｏｆｏｒｍ１ＤＳＰＦ ＣＡＥ．Ｆｉｎａｌｌｙ，ｔｈｅｎｅｔｗｏｒｋｉｓｆｉｎｅ ｔｕｎｅｄｕｓｉｎｇｌ
ａｂｅｌｄａｔａｔｏｒｅａｌｉｚｅＨＲＲＰｔａｒｇｅｔｒｅｃｏｇｎｉｔｉｏｎ．ＡｎｄｔｈｅＡｄａＢｏｕｎｄａｌｇｏｒｉｔｈｍｉｓｕｓｅｄｔｏｏｐｔｉｍｉｚｅｎｅｔｗｏｒｋｔｒａｉｎｉｎｇｆｏｒｉｍｐｒｏｖｉｎｇｔｈｅｒｅｃｏｇｎｉｔｉｏｎｐｅｒｆｏｒｍａｎｃｅ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｂａｓｅｄｏｎｔｈｅｓｉｍｕｌａｔｅｄｄａｔａｏｆｔｈｅｔａｒｇｅｔｉｎｔｈｅｍｉｄｄｌｅｐａｒｔｏｆｔｈｅｔｒａｊｅｃｔｏｒｙｓｈｏｗｔｈａｔｔｈｅｍｅｔｈｏｄｈａｓｓｔｒｏｎｇｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｃａｐａｂｉｌｉｔｙ，ａｎｄｈａｓｈｉｇｈａｃｃｕｒａｃｙａｎｄｒｏｂｕｓｔｎｅｓｓｆｏｒＨＲＲＰｔａｒｇｅｔｒｅｃｏｇｎｉｔｉｏｎ．犓犲狔狑狅狉犱狊：ｒａｄａｒａｕｔｏｍａｔｉｃｔａｒｇｅｔｒｅｃｏｇｎｉｔｉｏｎ；ｈｉｇｈｒｅｓｏｌｕｔｉｏｎｒａｎｇｅｐｒｏｆｉｌｅ；ｃｏｎｖｏｌｕｔｉｏｎａｕｔｏｅｎｃｏｄｅｒ；ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ；ｐｏｏｌｉｎｇｆ
ｕｓｉｏｎ０ 引 言雷达高分辨率距离像（ｈｉｇｈｒｅｓｏｌｕｔｉｏｎｒａｎｇ
ｅｐｒｏｆｉｌｅ，ＨＲＲＰ）不仅能够反映目标散射点沿雷达视线方向的分布情况，而且包含目标的结构特征，为目标识别提供了重要的目标结构特征信息。且相较于二维距离像，一维ＨＲＲＰ更
·３５３４ ·系统工程与电子技术第４３卷 易获取、处理以及存储，因此ＨＲＲＰ目标识别成为雷达自动目标识别研究领域的热点［１３］。如何提取有效特征是ＨＲ ＲＰ目标识别的关键，现已有不少相关研究［４６］。如基于核主分量相关判别分析的特征提取法［４］、基于字典学习的鲁棒性特征提取法［５］、基于特权信息的特征提取法［６］等。由于这些方法基于浅层线性结构，所以提取的特征表达能力受限，而且特征需要人为设计，限制了识别性能的提升。因此，如何自动提取目标的深层特征成为雷达目标识别的研究热点。深度学习本质上是利用深度神经网络自动提取目标的深层特征，目前已经在ＨＲＲＰ识别领域取得一些研究成果［７１０］。Ｐａｎ等［７］提出了一种基于ｔ分布随机邻域嵌入（ｔ ｄｉｓｔｒｉｂｕｔｅｄｓｔｏｃｈａｓｔｉｃｎｅｉｇｈｂｏｒｅｍｂｅｄｄｉｎｇ，ｔ ＳＮＥ）和判别深度置信网络（ｄｉｓｃｒｉｍｉｎａｎｔｄｅｅｐｂｅｌｉｅｆｎｅｔｗｏｒｋ，ＤＤＢＮ）的ＨＲＲＰ识别模型，该模型利用了ＨＲＲＰ的深层特征进行识别。杨予昊等［８］提出一种基于卷积神经网络（ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ，ＣＮＮ）的ＨＲＲＰ识别方法，充分发掘ＨＲ ＲＰ所包含的深层属性特征，并实现了自动特征提取。Ｆｅｎｇ等［９］提出一种用于ＨＲＲＰ识别的堆叠校正自编码器（ｓｔａｃｋｅｄｃｏｒｒｅｃｔｉｖｅａｕｔｏｅｎｃｏｄｅｒ，ＳＣＡＥ），实验表明该方法具
有较强的特征提取能力。Ｚｈａｏ等［１０］利用堆叠自编码器（ｓｔａｃｋｅｄａｕｔｏｅｎｃｏｄｅｒ，ＳＡＥ）提取ＨＲＲＰ高层次特征，利用极限学习机（ｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅ，ＥＬＭ）代替反向传播（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ，ＢＰ）网络，实现了对小样本ＨＲＲＰ数据集的快速准确识别。作为一种深度神经网络，卷积自编码器（ｃｏｎｖｏｌｕｔｉｏｎａｌａｕｔｏｅｎｃｏｄｅｒ，ＣＡＥ）因其提取数据深层特征的能力受到了广泛关注［１１１４］。Ｃｈｅｎ等［１１］利用ＣＡＥ通过无监督学习提取ＣＴ图像特征，成功地应用于医疗领域。Ｈｕａｎｇ等［１２］采用卷积核为自编码器的基本单元，提出深度ＣＡＥ（ｄｅｅｐＣＡＥ，ＤＣＡＥ），利用ＣＮＮ的层次特征提取的优势来提取脑功能核磁共振数据中的特征，取得了较好的效果。Ｌｕｏ等［１３］提出一种卷积稀疏自编码器（ｃｏｎｖｏｌｕｔｉｏｎａｌｓｐａｒｓｅａｕｔｏｅｎｃｏｄｅｒ，ＣＳＡＥ），利用ＣＳＡＥ提取到的图像局部特征初始化ＣＮＮ进行分类。Ｄｕ等［１４］提出一种堆叠卷积去噪自编码器（ｓｔａｃｋｅｄｃｏｎｖｏｌｕｔｉｏｎａｌｄｅｎｏｉｓｉｎｇａｕｔｏｅｎｃｏｄｅｒ，ＳＣＤＡＥ），该网络以卷积方式叠加多层去噪自编码器来实现分层训练优化，每层利用去噪自编码器学习的核函数对下层的特征进行卷积，生成高维特征映射。ＣＡＥ采用了自编码器的思想进行无监督特征学习，通过卷积和池化操作来提取数据的深层结构特征。从ＨＲＲＰ目标识别的研究现状来看，利用ＣＡＥ进行ＨＲＲＰ识别的研究很少，本研究旨在设计出性能良好的ＣＡＥ网络，提取ＨＲＲＰ有效深层特征，实现目标识别。为了充分利用ＨＲＲＰ数据的内部结构信息，进一步提高雷达ＨＲＲＰ目标的识别准确率，本文提出了一种一维池化融合Ｃ
ＡＥ（ｏｎｅ ｄｉｍｅｎｓｉｏｎａｌｐｏｏｌｉｎｇｆｕｓｉｏｎＣＡＥ，１ＤＰＦ ＣＡＥ）。在编码阶段，利用最大池化和平均池化提取特征并融合，两者提取到的特征互相补充丰富，然后将１ＤＰＦ ＣＡＥ堆叠形成一维堆叠池化融合ＣＡＥ（ｏｎｅ ｄｉｍｅｎｓｉｏｎｓｔａｃｋｅｄｐｏｏｌｉｎｇｆｕｓｉｏｎＣＡＥ，１ＤＳＰＦ ＣＡＥ），从而增强其深层特征提取能力，进一步提出了基于１ＤＳＰＦ ＣＡＥ的ＨＲＲＰ目标识别方法。同时，考虑到深层网络固有的训练困难问题，使用Ａｄａ Ｂｏｕｎｄ［１５］优化算法优化网络训练，以提高网络的整体性能。实验结果表明，本文提出的基于１ＤＳＰＦ ＣＡＥ的ＨＲＲＰ目标识别方法取得了良好的效果。１ 犆犃犈原理１．１ 犆犃犈自动编码器由两部分组成：编码器和解码器，如图１所示
。１ Ｆｉｇ．１ Ａｒｃｈｉｔｅｃｔｕｒｅｏｆａｕｔｏｅｎｃｏｄｅｒ编码器使用确定性的映射函数将输入狓映射到隐层表示狔，通常映射函数犳是非线性的，狔可表示为狔＝犳（犠狓＋犫）（１）式中：犠表示输入和隐层表示之间的权重；犫表示偏置。解码器通过隐层表示狔重构输出狕，公式为狕＝犳′（犠′狔＋犫′）（２）式中：犠′是隐层表示与输出之间的权重；犫′是偏置。自编码器通过最小化重构误差进行训练，假设训练集犇＝｛狓（犻）｝犖犻＝１，则自编码器的损失函数为犔（
狓，狕）＝１犖∑狓∈犇‖狓－狕‖２（３） ＣＡＥ将卷积连接和自编码器结合在一起，由卷积编码器和卷积解码器组成［１６］。卷积编码器实现输入到特征的卷积转换，卷积解码器实现特征到输出的卷积转换。在ＣＡＥ中，通过ＣＮＮ计算提取的特征和重构输出。因此，式（１）和式（２）可改写为狔＝ＲｅＬＵ（狑狓＋犫）（４）狕＝ＲｅＬＵ（狑′狔＋犫′）（５）式中：狑为狓和狔之间的卷积核；狑′为狔和狕之间的卷积核。一维堆叠卷积自编码器（ｏｎｅ ｄｉｍｅｎｓｉｏｎａｌｓｔａｃｋｅｄＣＡＥ，１Ｄ ＳＣＡＥ）是一种特殊的卷积自编码器，其原理如下节所述。１．２ １犇 犛犆犃犈１Ｄ ＳＣＡＥ由多个一维ＣＡＥ（ｏｎｅ ｄｉｍｅｎｓｉｏｎＣＡＥ，１Ｄ ＣＡＥ）分层堆叠而成，前一个１Ｄ ＣＡＥ编码器的输出为后一个１Ｄ ＣＡＥ的输入［１７］。１Ｄ ＳＣＡＥ能够学习到鲁棒性强、抽象度高的特征，主要有两大原因：一是与单层自动编码器相比，１Ｄ ＳＣＡＥ堆叠起来的深层网络结构具有更强的特征表征能力［１７］；二是与全连接网络相比，１Ｄ ＳＣＡＥ网络采用卷积和池化操作，能够在提取局部特征的同时，从全局上把握整体的变化特征，使得提取到的特征更具鲁棒性［１８］。图２是由两个１Ｄ ＣＡＥ堆叠而成的１Ｄ ＳＣＡＥ。
第１
２期张国令等：基于一维堆叠池化融合卷积自编码器的ＨＲＲＰ目标识别方法
·３５３５ · 图２ １Ｄ ＳＣＡＥＦｉｇ．２ １Ｄ ＳＣＡＥ每层
１Ｄ ＣＡＥ在编码阶段通过一维卷积和池化提取数据的特征，在解码阶段通过上采样和一维反卷积运算重建输入。（１）编码过程由一维卷积和池化组成。其公式为犺犻，１＝ＲｅＬＵ（ω犻 狓犻＋犫犻）（６）犺犻，２＝ｐｏｏｌ（犺犻，１）（７）式中：狓犻＝犺犻－１（犻＝１，２，…，狀），犻＝１时，狓犻＝狓；犺犻，１为第犻个编码器的一维卷积输出；犺犻，２为第犻个编码器输出的特征；ω犻和犫犻分别为第犻个编码器的卷积核和偏置； 表示卷积操作；ｐｏｏｌ表示池化操作。（２）解码过程由上采样和一维反卷积组成。其公式为犺－犻，１＝ｕｐｓａｍｐｌｅ（犺犻，２）（８）犺－犻，２＝ＲｅＬＵ（ω－犻，１ 犺－犻，１＋犫－犻，１）（９）狓－犻＝ＲｅＬＵ（ω－犻，２ 犺－犻，２＋犫－犻，２）（１０）式中：狓－犻是输入数据狓犻的重构；犺－犻，１为第犻个编码器的上采样输出；ω－犻，１和犫－犻，１分别是第犻个１Ｄ ＣＡＥ第一个一维反卷积的卷积核和偏置；ω－犻，２和犫－犻，２分别是第犻个１Ｄ ＣＡＥ第二个一维反卷积的卷积核和偏置，且ω－犻，２卷积核数为１，从而使狓－犻和狓犻保持一致；ｕｐｓａｍｐｌｅ表示上采样操作。各层１Ｄ ＣＡＥ通过最小化重构误差进行训练，第犻个１Ｄ ＣＡＥ的损失函数为犔（狓犻，狓－犻）＝１２犖∑犖狀＝１‖狓狀犻－狓－狀犻‖２（１１） 为进一步提高１Ｄ ＣＡＥ的特征提取能力，在上述经典１Ｄ ＣＡＥ的基础上，本文在１Ｄ ＣＡＥ编码阶段采用最大池化和平均池化同时提取特征，并将提取到的特征进行融合，设计了一种１ＤＰＦ ＣＡＥ，进一步将堆叠的１ＤＰＦ ＣＡＥ用于ＨＲＲＰ特征的自动提取，从而提出一种基于１ＤＳＰＦ ＣＡＥ的ＨＲＲＰ识别方法。２ 基于１犇犛犘犉 犆犃犈的犎犚犚犘识别方法２．１ １犇犛犘犉 犆犃犈传统的１Ｄ ＣＡＥ因其网络模型采用
了ＣＮＮ，具有局部连接、参数共享、池化、多卷积核等优势；而且经过池化操作得到的特征对于小范围内的旋转和平移具有较好的鲁棒性，因此具有较强的特征表达能力［１９］。为进一步提高网络的表达能力，本文设计了一种１ＤＰＦ ＣＡＥ，在编码阶段，同时采用最大池化和平均池化提取不同的编码特征，并将两者提取到的特征进行串联连接为最终的池化输出。在此基础上，将１ＤＰＦ ＣＡＥ形成１ＤＳＰＦ ＣＡＥ，其网络结构如图３所示
。３ １ＤＳＰＦ ＣＡＥＦｉｇ．
３ Ｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅｏｆ１ＤＳＰＦ ＣＡＥ
·３５３６ ·系统工程与电子技术第４３卷 其中，堆叠的三层１ＤＰＦ ＣＡＥ主要用于特征提取，后面的网络主要用于分类。１ＤＳＰＦ ＣＡＥ的每层１ＤＰＦ ＣＡＥ都通过无监督学习来提取特征，其无监督学习分为卷积编码和卷积解码两个阶段。编码阶段，首先进行两次一维卷积操作，目的在于充分提取数据的局部结构特征；然后同时进行最大池化和平均池化操作，并将两部分不同特征进行融合作为池化输出。编码的具体过程如下所示：犺犻，１＝ＲｅＬＵ（ω犻，１ 狓犻＋犫犻，１）（１２）犺犻，２＝ＲｅＬＵ（ω犻，２ 犺犻，１＋犫犻，２）（１３）犺犻，３＿ｍａｘ＝ｍａｘｐｏｏｌ（犺犻，２）（１４）犺犻，３＿ａｖｇ＝ａｖｇｐｏｏｌ（犺犻，２）（１５）犺犻，３＝犺犻，３＿ｍａｘ 犺犻，３＿ａｖｇ（１６）式中：狓犻＝犺犻－１（犻＝１，２，３），犻＝１时，狓犻＝狓；犺犻，１为第犻个编码器的第１个一维卷积输出；犺犻，２为第犻个编码器的第２个一维卷积输出；犺犻，３＿ｍａｘ为第犻个编码器的最大池化输出；犺犻，３＿ａｖｇ为第犻个编码器的平均池化输出；犺犻，３为第犻个编码器输出的特征；ｍａｘｐｏｏｌ表示最大池化操作，ａｖｇｐｏｏｌ表示平均池化操作； 代表串联连接。解码的过程与第１．２节中的解码过程等同，即式（８）～式（１０）。网络含有大量可训练的参数θ，容易导致过拟合，因此在全连接层加入Ｄｒｏｐｏｕｔ技术［２０］，以概率随机舍弃部分节点，减少了冗余特征，缓
解了过拟合现象。２．２ 训练优化１ＤＰＦ ＣＡＥ网络的训练采用小批量训练模式。随机梯度下降（ｓｔｏｃｈａｓｔｉｃｇｒａｄｉｅｎｔｄｅｓｃｅｎｔ，ＳＧＤ）法分批次随机抽取犿个训练样本作为输入，第狋次迭代时，参数更新为θ狋＋１＝θ狋－α犵狋（１７）式中：犵狋为损失函数的梯度；α为学习率。ＳＧＤ使用固定的学习率进行参数更新，存在学习率选择困难的问题，因此１ＤＰＦ ＣＡＥ采用ＡｄａＢｏｕｎｄ算法对参数更新过程进行优化。每次参数更新时，ＡｄａＢｏｕｎｄ利用梯度一阶矩和二阶矩估计分别更新犵狋和α，同时施加动态边界限制了α的变化范围，使得参数更新过程更平稳。基于ＡｄａＢｏｕｎｄ的１ＤＰＦ ＣＡＥ训练优化算法见算法１。算法１ 基于ＡｄａＢｏｕｎｄ的１ＤＰＦ ＣＡＥ训练优化算法输入：训练集、测试集输出：最优模型１参数配置：设置ｅｐｏｃｈｓ为１００，ｂａｔｃｈｓｉｚｅ为２００，学习率α０＝０．００１，α犳＝０．１，β１＝０．９，β２＝０．９９９，以及小常数γ＝１０－３，ε＝１０－７。２模型初始化：设置模型参数θ为近似０的随机值。３参数更新。４初始化梯度一阶矩估计：犿０←０５初始化梯度二阶矩估计：狏０←０６ｆｏｒ狋＝１ｔｏ犜ｄｏ７根据式（１１）计算前向传播误差：犔（θ狋－１）８计算损失函数的梯度：犵狋←Δ
θ狋－１犔（θ狋－１）９更新α：α狋←α０１－β狋槡２１－β狋１１０计算α的下界：α犾←α犳（１－１γ狋＋１）１１计算α的上界：αμ←α犳（１＋１γ狋）１２更新梯度一阶矩估计：犿狋←β狋犿狋－１＋（１－β１）犵狋１３更新梯度二阶矩估计：狏狋←β２狏狋－１＋（１－β２）犵２狋１４更
新θ：θ狋←θ狋－１－犿狋·ｍｉｎ｛ｍａｘ｛α狋狏槡狋＋ε，α犾｝，αμ｝１５ｅｎｄｆｏｒ训练好每个１ＤＰＦ ＣＡＥ之后将其堆叠构造１ＤＳＰＦ ＣＡＥ，然后再使用ＡｄａＢｏｕｎｄ算法对整个网络进行微调，最终采用Ｓｏｆｔｍａｘ分类器实现分类。２．３ 基于１犇犛犘犉 犆犃犈的犎犚犚犘目标识别方法本节利用提出的１ＤＳＰＦ ＣＡＥ对雷达ＨＲＲＰ目标进行识别，凭借１ＤＰＦ ＣＡＥ提取特征能力强的优势，提取ＨＲＲＰ的深层结构特征；然后堆叠多个１ＤＰＦ ＣＡＥ形成１ＤＳＰＦ ＣＡＥ；最后使用标签数据对网络进行微调，实现ＨＲＲＰ目标识别。基于１ＤＳＰＦ ＣＡＥ的ＨＲＲＰ目标识别方法主要包括３个阶段：预处理阶段、训练阶段和测试阶段。（１）预处理阶段：对原始的ＨＲＲＰ数据进行去噪处理和归一化处理。（２）训练阶段：训练阶段分为预训练和微调。首先对３个１ＤＰＦ ＣＡＥ单独训练，然后将训练好的３个１ＤＰＦ ＣＡＥ按照图３进行堆叠，再对Ｓｏｆｔｍａｘ预训练。在微调阶段，对整个网络进行微调，优化１ＤＳＰＦ ＣＡＥ中的每个１ＤＰＦ ＣＡＥ和Ｓｏｆｔｍａｘ分类器的参数，得到最终的训练模型。（３）测试阶段：利用训练好的网络对测试集ＨＲＲＰ数据进行分类得到目标类型。３ 实验与结果分析３．１ 实验设置为了测试本文提出方法的性能，在此设计了以下实验。实验１ 模型的训练实验。实验２ 不同池化方式对方法性能的影响分析。实验３ 特征可视化分析实验。实验４ 参数影响分析实验，分析了不同堆叠层数、不同优化算法以及不同Ｄｒｏｐｏｕｔ取值对方法性能的影响。实验５ 与其他算法在加噪和未加噪数据集上的性能对比分析。
第１２期张国令等：基于一维堆叠池化融合卷积自编码器的ＨＲＲＰ目标识别方法·３５３７ · ３．１．１ 实验环境及实验数据本文试验环境为Ｔｅｎｓｏｒｆｌｏｗ，计算机配置为Ｉｎｔｅｌ（Ｒ）Ｃｏｒｅ（ＴＭ）ｉ７ ４７９０ＣＰＵ３．６０ＧＨｚ，１６ＧＢＲＡＭ。本文使用ＦＥＫＯ和Ｍａｔｌａｂ联合仿真得到５类弹道中段目标的ＨＲＲＰ仿真数据。其中，雷达参数设置如下：中心频率１０ＧＨｚ、带宽１ＧＨｚ、方位角范围０°～１８０°、方位角间隔０．０５°。５类仿真目标及其物理参数如图４所示。图４ ５类弹道中段目标Ｆｉｇ．４ Ｆｉｖｅｔｙｐｅｓｏｆｔｈｅｔａｒｇｅｔｉｎｔｈｅｍｉｄｄｌｅｐａｒｔｏｆｔｈｅｔｒａｊｅｃｔｏｒｙ仿真得到１８００５个２５６维的一维ＨＲＲＰ样本数据，每类目标ＨＲＲＰ数量为３６０１。按照６６％、３３％的比例随机划分训练集和测试集，构造数据集Ａ；按照５０％、５０％的比例随机划分训练集和测试集，构造数据集Ｂ；按照３３％、６６％的比例随机划分训练集和测试集，得到数据集Ｃ。在不加说明的情况下，以下均将数据集Ａ作为实验数据集。３．１．２ 模型参数设置１ＤＳＰＦ ＣＡＥ训练参数设置如下：学习率为０．００１，批量大小为２００，Ｄｒｏｐｏｕｔ率为０．２。网络结构设置如表１所示。表１ 网络参数设置犜犪犫犾犲１ 犖犲狋狑狅狉犽狆犪狉犪犿犲狋犲狉狊狊犲狋狋犻狀犵网络层输入核数核／窗口步长输出Ｃ１（２５６×１）×１３２３×１１（２５６×１）×３２Ｃ１（２５６×１）×１３２３×１１（２５６×１）×３２Ｐ１＿ｍａｘ（２５６×１）×３２—２×１２（１２８×１）×３２Ｐ１＿ａｖｇ（２５６×１）×３２—２×１２（１２８×１）×３２Ｐ１————（１２８×１）×６４Ｃ２（１２８×１）×６４４８３×１１（１２８×１）×４
８Ｃ２（１２８×１）×４８４８３×１１（１２８×１）×４８Ｐ２＿ｍａｘ（１２８×１）×４８—２×１２（６４×１）×４８Ｐ２＿ａｖｇ（１２８×１）×４８—２×１２（６４×１）×４８Ｐ２————（６４×１）×９６Ｃ３（６４×１）×９６６４３×１１（６４×１）×６４Ｃ３（６４×１）×６４６４３×１１（６４×１）×６４Ｐ３＿ｍａｘ（６４×１）×６４—２×１２（３２×１）×６４Ｐ３＿ａｖｇ（６４×１）×６４—２×１２（３２×１）×６４Ｐ３————（３２×１）×１２８Ｆｌａｔｔｅｎ（３２×１）×１２８———４０９６×１全连接４０９６×１———４００×１Ｓｏｆｔｍａｘ４００×１———５×１
３．２ 模型训练在预训练阶段，１ＤＳＰＦ ＣＡＥ中的每一层１ＤＰＦ ＣＡＥ进行无监督式学习，通过对输入数据重构提取数据的特征。在微调阶段，将各层１ＤＰＦ ＣＡＥ和Ｓｏｆｔｍａｘ分类器看作一个整体去调整自由参数，参数调优的过程直观表现为损失不断降低，当损失收敛时得到的参数是最优的。实验进行１００次迭代，
训练集和测试集的损失变化如图５所示。图５ 损失变化Ｆｉｇ．５ Ｌｏｓｓｖａｒｉａｔｉｏｎ由图５看出，在训练初期，损失随着迭代次数的增加而快速下降，训练后期趋于稳定且训练误差较低。说明１ＤＳＰＦ ＣＡＥ网络具有良好的训练效果，收敛速度快，并且收敛后训练误差小。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议