[发明专利]基于注意力机制和双向堆叠循环神经网络的雷达目标识别方法

权利要求书

1.一种基于注意力机制和双向堆叠循环神经网络的雷达目标识别方法，其特征在于，包括以下步骤：

S1，采集数据集，将雷达采集到的HRRP数据集依据目标的种类进行合并，每种种类的样本分别在不同的数据段里选择训练样本和测试样本，在训练集和测试集的选取过程中，保证所选取的训练集样本与雷达所成姿态涵盖测试集样本与雷达所成的姿态，各类目标训练集和测试集样本数的比例为8∶2，将挑选的数据集记作其中x_i1表示第i1个样本，y_k1表示样本属于第k1类，一共采集了c类目标，n1表示样本总数；

S2，对原始HRRP样本集进行预处理，由于HRRP的强度包括雷达发射功率、目标距离、雷达天线增益和雷达接收机增益因素共同决定，在利用HRRP进行目标识别前，通过l₂强度归一化的方法对原始HRRP回波进行处理，从而改善HRRP的强度敏感性问题；HRRP是通过距离窗从雷达回波数据中截取的，在截取的过程中录取的距离像在距离波门中的位置不固定，从而导致了HRRP的平移敏感性，通过重心对齐法改善HRRP的平移敏感性问题；

S3，由于HRRP中各距离单元内回波的幅度相差较大，直接将数据送入卷积层中会导致模型过多关注于幅度较大的距离单元，幅度较小的距离单元中包含一些可分性很强的特征，有助于进行雷达目标识别，在切分HRRP之前先加入动态调整层对HRRP进行整体的动态范围调整，该调整层在各距离单元大小相对关系未发生改变的前提下通过模型训练以决定如何调整HRRP的整体动态，以达到更好的识别效果；

S4，选取固定长度的滑窗窗口对经过上述处理的HRRP样本进行切分，切分后的数据格式为后续深度神经网络的输入格式；

S5，搭建重要性调整网络对经过上述处理后的数据进行通道调整，重要性网络通过学习的方式来自动获取到每个特征通道的重要程度，然后依照重要程度去提升有用的特征并抑制对当前任务用处不大的特征；

S6，搭建深度神经分类，调参并进行优化，采用双向的循环神经网络，将HRRP数据分正反双向分别输入两个独立的RNN模型，并将得到的隐层进行拼接；

所述S6进一步包括：

S601，分类网络设计为多层堆叠的双向RNN，假设输入的是特征F_RNN，其中M_i2表示第i2个双向RNN的各时间点维数，N2表示输入序列长度，假设其输出为F_output，其中H是隐单元个数，其中序列中第k个时间点所对应的向量表示为：

其中，f(·)表示激活函数，表示对应于第i2个双向RNN中所包含的前向RNN的隐藏层输出矩阵，表示第i2个双向RNN中所包含的前向RNN中所包含的第k2个隐藏层状态，同样地，表示对应于第i2个双向RNN中所包含的后向RNN的隐藏层输出矩阵，表示第i2个双向RNN中所包含的后向RNN中所包含的第k2个隐藏层状态，b_Fi2表示第i2个双向RNN的输出层偏置；

S602，网络中的注意力机制，选取最后几层双向RNN在不同时刻得到的隐层状态进行拼接，第i层拼接后的隐层状态为：

最后再将每一层拼接后隐层进行相加，即得到经过注意力模型处理后的隐层状态c_ATT为：

其中α_ik表示对应于第i层第k个时间点所对应的权重，M₁表示双向RNN模型中每层的前向RNN或后向RNN包含的隐状态的个数，即时间点维数，N₁表示网络堆叠的层数，N₀表示取从最后一层开始数，共取几层堆叠双向RNN内的隐状态用于求c_ATT，α_i3k3的求法如下式所示：

其中，e_i3k3为第i3个双向RNN中前向和后向隐藏状态进行相加后的能量，表示为：

e_i3k3＝U_ATTtanh(W_ATTh_i3k3)

其中它们是用于计算隐单元能量的参数，l是隐单元的维数，M₁是时间点维数；

S603，损失函数设计为交叉熵，通过使用训练数据计算损失函数相对于参数的梯度来学习参数，并在模型收敛时固定学习的参数，采用基于交叉熵的代价函数，表示为：

其中，N₃表示一个批次中训练样本的个数，是one-hot向量，用于表示第n个训练样本的真实标签，P(i₃|x_train)表示训练样本对应于第i₃个目标的概率；

S7，对由S1采集到的测试数据进行训练阶段的步骤S2、S3、S4预处理操作；

S8，将经过S7处理的样本送入S6构建的模型中进行测试求得结果，即最后经过注意力机制的输出会通过softmax层进行分类，第i₁₃个HRRP测试样本对应于目标集中第k₄类雷达目标的概率计算为：

其中exp(·)表示取指数运算，c表示类别个数。