文档介绍：基于卷积神经网络的高分辨率雷达目标识别
 
 
何松华张润民欧建平张军
摘   要：提出一种基于卷积神经网络（Convolution Neural Network，CNN）的高分辨率雷达目标识别方法或特征模板，存储量显著降低，但需要的姿态搜索、特征预测和匹配识别所需的运算量依然较大.
文献中经常使用的特征提取方法有平移不变特征、，[3-4]. 主要模型有深度置信网络（Deep Belief Network，DBN）[5]、栈式降噪自动编码器（Stacked Denoising Autoencoders，SDA）[6]和卷积神经网络（CNN）[7]等.
CNN作為一种监督学习算法，去除了传统目标识别中复杂的特征提取和数据重建过程，利用多个非线性隐含层，、，使得网络对平移、旋转等变换具有鲁棒性.
Simonyan提出的VGGNet模型包含了16～19个权重值，整个网络一致使用了3*3的卷积核和2*2的汇聚层，显示出网络深度对算法性能的提高具有关键作用[8]. He提出的残差网络（ResNet）结构采用了独特的跳跃链接，多次使用批归一化，在ImageNet数据集上构建了152层网络，虽然其深度是VGGNet深度的8倍，但仍具有较低的复杂度[9].，将CNN应用于飞机目标识别[10]. Osman设计了有效的CNN模型，自动提取了舰船目标距离像特征，实现了军事和民用车辆的识别[11].
就目前国内外研究现状而言，，，往往由于网络模型复杂、数据源所提供的特征有限等因
素，，借鉴了VGGNet网络特点，将批归一化算法[12]引入改进的CNN网络，，将Softmax分类器替换为支持向量机[13].基于车辆目标高保真电磁仿真数据的识别实验表明，本文方法具有更高的识别率，验证了其有效性.
1   信号模型
理论分析表明，光学区雷达目标的电磁散射可以用目标的局部散射源表示，，（Motion Through Range Cells，MTRC）的转角区间内，距离单元内散射中心数目保持不变，，目标横向长度设为Lx，则散射中心不产生MTRC的转角区间为
当采用亚米级分辨率雷达对地面目标观测时，根据经验，Δθ一般为3°～5°左右，假设雷达在目标运动过程中接收到N次回波、（n = 1，2，…，N）次回波相对于目标质心的径向位移差为Δrmt（n）
式中：Tm为第m（m = 1，2，…，M）个距离单元内散射中心总个数;amt是距离单元电磁回波中常数项的乘积，即为第m个距离单元内第t个散射中心回波的反射系数;？准mt表示初始相位;，且不确定性较大，在匹配识别中难以利用，所以在实验中通常采用实数HRRP，则第n次回波幅度定义为：
X = x1（n），x2（n），…，xM（n）T    （3）
由于雷达到目标距离、天线增益、雷达接收机增益等雷达系统参数的差异，不同目标与雷达的距离像具有不同的幅度尺度标准，即便是同一目标的HRRP，观测条件不同，其幅度也存在很大差异，称为HRRP的强度敏感性. 解决此类敏感性，，然后输入到CNN模型分类器，，测试时采用单幅距离像，使得识别模型不仅适应目标姿态变化，而且适应目标距离像在非严格远场条件且相对运动过程中的起伏.
2  卷积神经网络
CNN通常由输入层、卷积层、汇聚层、，网络性能可以通过改变网络的深度和广度来