基于堆叠CNN-Bi-RNN与注意力机制的雷达HRRP目标识别模型研究

作者及机构
本研究的通讯作者为杭州电子科技大学电子信息学院的He Zhu教授，合作团队包括Mian Pan（第一作者）、Ailin Liu、Yanzhen Yu等来自杭州电子科技大学的研究人员，以及西安电子科技大学雷达信号处理国家重点实验室的Penghui Wang。研究成果发表于2022年的《IEEE Transactions on Geoscience and Remote Sensing》（卷60，文章编号5100814）。

学术背景

研究领域与动机
高分辨率宽带雷达的一维距离像（High-Resolution Range Profile, HRRP）能够反映目标散射点的径向分布，是雷达自动目标识别（Radar Automatic Target Recognition, RATR）的关键特征。然而，HRRP信号具有对目标微小变化的敏感性（如平移敏感性、强度敏感性），且传统特征提取方法（如子空间近似、稀疏表示）依赖人工设计，存在特征可分性不足和信息丢失的问题。

研究目标
本研究提出一种端到端的深度嵌套神经网络模型，通过结合卷积神经网络（CNN）和双向循环神经网络（Bi-RNN），并引入注意力机制（Attention Mechanism），旨在同时提取HRRP的包络特征（envelope features）和局部物理结构特征（local physical structural features），提升目标识别的鲁棒性和准确性。

研究方法与流程

1. 数据预处理

• 强度归一化：通过L2归一化消除雷达发射功率、目标距离等因素导致的HRRP幅度差异（公式1）。
  
• 质心对齐：平移HRRP信号使其质心（公式2计算）位于中心位置，解决平移敏感性问题（图5展示预处理效果）。
  
• 数据增强：通过添加随机噪声（能量低于信号能量的1/100）和随机平移质心，将训练集扩增至原始数据的50-100倍。
  

2. 深度嵌套神经网络架构

模型包含三个核心模块：

（1）动态调整层（Dynamic Adjustment Layer）

• 功能：通过多通道幂次变换（α=0.3, 0.7, 1, 1.4）调整不同距离单元的幅度差异，避免模型过度关注高幅度单元而忽略低幅度但可分性强的特征（公式3-4）。
  

（2）嵌套CNN-SE模块

• 卷积块：采用96个1×16的卷积核（步长8）提取局部特征，结合批量归一化（Batch Normalization, BN）和ReLU激活函数（公式5-9）。
  
• SE块（Squeeze-and-Excitation Block）：通过全局平均池化和全连接层学习通道权重，增强重要通道的特征（公式10-12，图7）。
  

（3）堆叠Bi-RNN与多级注意力机制

• Bi-RNN结构：5层双向LSTM单元，整合前向与反向序列信息，建模目标的物理结构特征（公式13）。
  
• 多级注意力机制：对最后3层Bi-RNN输出加权求和，突出关键时间点的结构特征（公式14-15，图9）。
  

3. 分类与损失函数

• Softmax分类器：输出目标类别的概率分布（公式16-17）。
  
• 损失函数：交叉熵损失（公式18），采用小批量梯度下降优化。
  

主要实验结果

1. 全训练集下的性能

• 数据集：包含An-26、Cessna、Yark-42三类飞机目标的实测HRRP数据（256个距离单元），训练集137,880个样本。
  
• 识别率：模型平均识别率达98.38%，优于对比方法（CNN 93.59%、RNN 93.73%、非线性SVM 95.27%），且各类别识别率均衡（差异<2.79%，图11）。
  

2. 消融实验（表III）

• 模块贡献：移除多级注意力机制、动态调整层或SE块分别导致识别率下降1.05%、1.22%和1.34%，验证了各模块的必要性。
  
• 嵌套CNN的优越性：相比传统时域分割方法，嵌套CNN减少特征冗余，识别率提升2.35%。
  

3. 小样本与噪声鲁棒性

• 小样本训练：仅用270个样本时，识别率仍达90.49%，显著高于对比模型（如Stacked AE仅77.79%）。
  
• 噪声鲁棒性：在5dB低信噪比下，识别率保持68.06%，优于其他方法（图16）。
  

结论与价值

科学价值
1. 方法创新：首次将嵌套CNN、Bi-RNN与多级注意力机制结合，解决了HRRP特征提取中包络与结构特征难以兼顾的问题。
2. 工程意义：模型对样本平移、噪声和小训练集具有强鲁棒性，适用于非合作目标识别场景。

亮点
- 双向特征利用：Bi-RNN同时利用当前时刻前后信息，优于传统单向RNN。
- 动态调整能力：通过幂次变换自动平衡不同幅度单元的重要性，无需人工干预。
- 多级注意力机制：自适应融合不同层次的物理结构特征，提升分类可解释性。

应用前景
该模型可扩展至合成孔径雷达（SAR）图像识别、无人机目标检测等领域，为雷达信号处理提供通用框架。

其他有价值内容

• 数据公开性：实验基于ISAR雷达实测数据（表I），参数透明，可复现性强。
  
• 计算效率：通过BN层和池化操作降低计算量，适合嵌入式设备部署。