基于噪声抑制的雷达目标检测分类方法

基于噪声抑制的雷达目标检测分类方法

张在吉，唐慧芹，杨茜

西安雷通科技有限责任公司，陕西西安710119

摘要：在雷达目标分类领域，传统基于长短期记忆网络（LSTM）的算法因其在处理时间序列数据方面的优越性能而得到广泛应用。然而，这类算法容易受到噪声干扰，从而影响分类的准确性。为了解决这一问题，本研究提出了一种改进的LSTM模型(噪声抑制LSTM，Noise Inhibition LSTM，NI-LSTM)，在标准LSTM中引入了噪声抑制模块。该模块能够有效降低噪声节点在整个时间步长中的影响占比，同时提高理想数据的比重，从而增强模型对目标分类的鲁棒性。

关键词： 雷达目标分类，长短期记忆网络，噪声抑制

1. 引言

在现代军事和民用领域，雷达技术发挥着至关重要的作用。雷达目标分类作为雷达信号处理的一个关键环节，直接影响到雷达系统的性能和应用效果。传统的雷达目标分类方法主要依赖于信号处理和特征提取技术，这些方法对信号的噪声敏感，分类精度和鲁棒性有限。近年来，随着深度学习技术的迅猛发展，基于神经网络的方法，尤其是长短期记忆网络（LSTM），在处理时间序列数据方面展现出了优越性能，并逐渐成为雷达目标分类的研究热点。

Kim等人[1]提出了一种基于LSTM的雷达目标分类方法，通过处理雷达回波的时间序列数据，实现了高精度分类。韩子硕等人研发了一种利用卷积神经网络的深层特征增强网络，用于解决SAR图像中的舰船检测问题；He等人[2]提出了一种基于卷积神经网络的飞机目标识别方法；Kang等人[3]通过构建目标及其周围特征的上下文信息来训练神经网络，显著减少了目标虚警。沈梦启等人提出了一种针对宽带雷达一维高分辨率距离像序列的目标识别方法，首先利用卷积神经网络提取目标特征，然后通过循环神经网络进行序列识别，其准确率超过了现有的机器学习算法；杨星鑫等人提出了一种基于LSTM的无人机实时飞行参数目标识别技术，通过构建目标飞行轨迹特征，利用雷达探测到的飞行数据训练模型，对无人机目标进行识别；徐彬等人提出了一种基于Bi-LSTM的模型，可以从前后两个方向提取雷达高分辨率距离像的特征，提升了目标识别性能，并且在样本发生平移时仍保持稳健的识别率。

2. 基于时间域噪声抑制LSTM目标识别

对于标准的LSTM模型[7]，如图 (a) 所示，和 分别用于遗忘门和输入门，分别控制前一状态的遗忘状态和当前状态的保留状态，以计算细胞在时刻的状态输出，如方程(1)所示。

(a)标准LSTM 单元(b) NI-LSTM 单元

图 1. LSTM和NI-LSTM结构的示意图

                          (1)

其中, , .

受Zhou等人工作的启发[8]，本文在标准 LSTM 中添加了时间异常抑制模块，如图 3(b) 中的绿色模块所示，并使用表示和之间的差异，作为在时刻控制细胞状态的输出参数，如方程(2)所示。

                                  (2)

在这种情况下，当前时刻的状态更有可能是干扰噪声，因此应该被抑制。相反，较低的 值表明当前时刻的状态不包含噪声。同时，为了确保最终训练过程能够更快收敛，被分布在区间[0,1]内。如方程(3)所示，被用于处理以获得系数，用于控制前一时刻的遗忘程度并使达到最佳。

                                      (3)

同时，考虑到,有必要对和进行仿射变换,从而确保,如方程4所示.

,                              (4)

其中， 是可学习的仿射矩阵。然后在时刻的细胞状态输出为：

                   (5)

在获得从 NI-LSTM 单元输出的中间隐藏层向量 之后, 我们通过全连接和回归操作对其进行处理。最终，我们得到了去除噪声干扰的各个通道的预测值 .

                           (6)

如方程 (7) 所示，最终的损失值 是通过目标值 和预测值 计算得到的。其中， 和 分别表示在时刻 i 的第 j 通道的目标值和预测值。

                         (7)

3．实验与分析

3.1 数据集构建

这里选择将雷达MTI处理输入前的距离维解调数据作为数据集，实验中使用的数据样本由实测得到，目标的类别包括汽车、行人和接受机噪声，以距离门为单个样本单元并标注信号类别标签构建数据集、验证集和测试集。最后得到四类目标样本，样本特征的两个维度为I/Q正交两路信号。

3.2 模型训练

使用处理好的样本集在网络模型上进行训练，训练集中每类样本各3600个，总数为10800个，当满足停止训练条件时则结束网络训练过程。定义识别准确率如下：

                      识别准确率=                               （5）

其中：表示被正确分类的样本数，表示总样本数。记录训练过程中训练集和验证集的识别准确率以及损失函数值。

可以看到模型在第360次迭代后达到收敛并停止了训练，最终得到的模型在验证集上的识别准确率达到98%，且未发生欠拟合或者过拟合现象。

3.3 结果分析

使用测试集对RNN算法、标准的LSTM模型、NI-LSTM分别进行测试，评估其具体的多类别目标识别性能并进行对比。测试集中各类样本的数量各有200个，总计有600个。通过混淆矩阵来展示预测结果。

NI-LSTM雷达目标识别模型在目标分类预测效果上显著优于传统的RNN算法。这表明，NI-LSTM模型在捕捉目标特征和处理序列数据方面具有更强的能力。同时，与标准LSTM模型相比，NI-LSTM具有更强的噪声抑制能力，同时由于在过程中通过预期与实际差进行噪声抑制，使整个神经网络具有更强的可解释性。此外，实验结果进一步验证了基于NI-LSTM的雷达目标识别模型的优越性。在保持较小模型规模的情况下，NI-LSTM模型能够实现与卷积神经网络（CNN）模型相当的识别性能。

4.结束语

本研究提出了一种改进的LSTM模型，即噪声抑制LSTM（Noise Inhibition LSTM，NI-LSTM），通过在标准LSTM中引入噪声抑制模块，有效降低了噪声节点在整个时间步长中的影响占比，同时提高了理想数据的比重，从而增强了模型对目标分类的鲁棒性。通过一系列对比实验，我们验证了改进后的LSTM模型相较于传统递归神经网络（RNN）和标准LSTM算法在不同噪声水平下均表现出较高的分类准确性。实验结果表明，NI-LSTM模型在噪声环境中依然能够保持较高的分类精度，显著优于传统算法。

参考文献：

1. 沈梦启.基于卷积-循环神经网络的雷达高分辨距离像目标识别方法研究[D].西安电子科技大学,2019.
2. 杨星鑫,吕泽均.基于LSTM的无人机轨迹识别技术研究[J].现代计算机,2020,(05):18-22+25.
3. 徐彬,陈渤,刘家麒,等.采用双向LSTM模型的雷达HRRP目标识别[J].西安电子科技大学学报,2019,46(02):29-34.