0 引言
随着高分辨率宽带雷达技术的兴起，HRRP目标识别成为国内外研究的热点[1-2]。HRRP能够提供目标的距离结构信息，包括目标散射点沿雷达径向分布的强弱特征，数据容易获取和处理[3]。基于HRRP目标识别传统的方法包括支持向量机[4](SVM)、模板匹配[5]等。随着深度神经网络的飞速发展，其可以充分挖掘数据更深层次的特征，显著提高了目标识别精度[6-7]。张等[8]使用自编码器与SVM相结合的方式将HRRP识别率提高到95%，殷等[9]直接使用卷积神经网络将HRRP识别率提高98%左右。
为了了解深度学习的迁移性能。Yosinski等[10]研究表明CNN的卷积层得到的是目标的通用特征，迁移学习可有效提升深度网络的收敛速度，提高网络的泛化性能。微调作为最简单深度网络迁移方法被广泛地使用[11-12]。但是这个过程是需要目标域数据标签信息，而且不适用于源域数据与目标域数据分布不同的情况，因此深度网络自适应方法被提出来。Ghifary 等[13]在特征层添加了一层自适应层，但由于网络层数有限，表征能力差，并没有解决数据分布不同的问题。Tzeng 等[14]提出了DDC (Deep Domain Confusion)，改善了当数据分布不同时深度网络的迁移性能。Long 等[15]提出了深度适配网络DAN，在DDC的基础上增加了自适应层的数量，并使用表征能力更好的多核MMD(Multi-Kernel MMD，MK-MMD)替代DDC中的MMD。该方法在Office-31数据集上效果比DDC高5%，使模型获得更优的泛化性能。
本文将DAN引入到HRRP目标识别中，并对其作了一些改进。实验中使用CNN提取目标特征，为了解决识别模型的泛化性能差的问题，在模型的全连接层增加自适应层，创新性地提出了混合核函数MMD方法来度量数据之间的差异。利用不同海情下的仿真数据进行实验，验证了该方法可以有效地提高识别模型在复杂环境下的识别率。
1 基于混合核深度适配网络的HRRP目标识别
泛化能力的好坏决定了神经网络对新鲜样本的适应能力。实验中发现当HRRP数据被外部环境、设备等影响时，基于CNN的HRRP识别模型不能有效地提取特征，识别率下降。为了提高识别模型在实际应用时对这些新鲜样本的识别能力，本文受迁移学习的启发，将DAN应用到HRRP目标识别来提高模型的泛化能力。
1.1 深度适配网络(DAN)
在迁移学习中，数据分为含有标签信息的源域数据Ds=
，和没有标签信息的目标域数据Dt=
。当源域和目标域的分布不同时，把利用Ds训练的网络模型迁移到目标域时会存在负迁移问题，识别性能显著下降。深度网络自适应是一类常用的迁移学习方法，此类方法通常通过在神经网络中添加自适应层实现。在自适应层可以度量源域与目标域之间的差异[16]，并利用这些差异作为损失函数调整网络中可学习的参数，来提高神经网络的泛化能力。其目的是使源域和目标域深层特征分布趋于相同，如图1所示。
图1 深度网络自适应原理
DAN是深度网络自适应的一种方法，其结构如图2所示。它是在AlexNet模型上被提出来的。因为AlexNet的全连接层得到的特征更加的Task-specific[10]，所以Long 等对AlexNet模型的fc6、fc7、fc8层都添加了自适应层。MMD距离作为深度网络自适应中最常用的度量方式，它可以将源域和目标域特征映射到再生希尔伯特空间，度量两个分布在再生希尔伯特空间中的距离。两个向量的MMD 距离大小可表示为
(1)
式中，m和n分别为X、Y中元素的个数，k(·)为核函数。DAN方法采用了表征能力更好的MK-MMD，其中k(·)选择高斯核，表达式为
(2)
MK-MMD中σ可取多个值，MK-MMD距离是使用不同σ计算MMD距离的和。DAN使用分类损失和MK-MMD距离作为损失函数来更新参数，极大地提高了模型的泛化能力。
图2 DAN结构示意图
1.2 基于混合核DAN的HRRP识别模型
常规的DAN在训练时不需要Dt的类别信息，极大地提高了模型的迁移性能和泛化性能，但是它的核函数的选取比较单一。现有的基于深度学习的HRRP目标识别，当训练环境和应用环境发生变化时，会导致模型的识别性能下降。针对这些问题，本文提出了一种基于混合核DAN的HRRP识别模型，如图3所示。模型中包含了2个卷积层、池化层和3个全连接层，在fc3层和输出层分别加了自适应层，使用混合核MMD度量不同域间的分布差异。
图3 基于混合核DAN的HRRP识别模型
DAN最开始是针对AlexNet设计的，对二维图像迁移学习自适应问题有明显改善。本文使用一维CNN来提取目标特征。一维CNN不需要将HRRP转换成二维图像进行卷积，更有利于提取特征，而且训练的参数少，训练速度快，在实际应用时可以减少反应时间，提高效率。
MMD中核函数的选择极其重要，这会影响自适应层对模型的改善效果。核函数分为全局核函数(多项式核、线性核等)和局部核函数(高斯核)，前者的泛化能力更好，而学习能力方面则是后者较好。为了结合两者的优势，提出了使用高斯核和多项式核相结合的混合核函数作为MMD的核函数。混合核MMD定义为
MMDl=a×MK-MMD(fl(Ds),fl(Dt))+
(1-a)×MMD(fl(Ds),fl(Dt))
(3)
等式右侧第一项是MK-MMD距离，第二项是使用多项式核计算得到的MMD距离，fl(Ds)和fl(Dt)分别是源域、目标域数据在第l层得到的特征，a的取值为0到1之间。其中多项式核为
k(x,y)=(xTy)d
(4)
该模型的损失函数定义为
(5)
等式右边第一部分代表的是Ds的分类损失，第二部分代表的是混合核MMD距离。在本模型中l为全连接层3和输出层。
损失函数中的分类损失和混合核MMD距离都是权重W和偏置b的函数。根据损失函数可以使用随机梯度下降的方法逐层更新模型的W和b，使用学习率η控制更新速度：
(6)
(7)
该模型使用常规海情下的数据作为源域，使用加入海杂波的数据作为目标域。通过不断地训练、迭代，使识别模型即使在杂波影响下也可以有效地提取到目标特征，从而达到更好的识别效果。
2 实验与分析
2.1 数据集
采用仿真的常规海情下的10型舰船的HRRP作为实验数据，每一型舰船数据有32 000帧，每帧包含256个距离单元(如图4所示)。实验中按照4∶6的比例将舰船HRRP数据分为 Ds和Dt。从中随机挑选一批数据构成训练集和测试集，如表1所示。实验中通过对Dt加不同强度的服从瑞利分布的海杂波的方式构造不同海情的HRRP数据。Dt训练集没有标签。
表1 数据集划分 (帧)
数据集训练集测试集数据总数Ds2000,3000030000128000Dt2000,3000030000192000
(a) 第1型舰船
(b) 第4型舰船
(c) 第6型舰船
(d) 第10型舰船
图4 舰船HRRP
2.2 数据预处理
HRRP具有平移敏感性、幅度敏感性和方位敏感性，所以预处理是进行目标识别前重要的步骤。当目标相对于雷达平移时，目标在距离窗中的位置也会发生变化。为了减小平移敏感性的影响，文中选取重心对齐的方法对HRRP的时域信号进行对齐。某帧HRRP数据的重心W为
(8)
式中，xn 为该帧数据中第n个距离单元的幅度值大小，N在本文中为256。计算得到重心后，将HRRP数据进行平移，平移长度d为
(9)
选取包络对齐的方式对HRRP的频域信号进行对齐。
从图4可以看出，每一型舰船的HRRP幅度差异明显，为了减小幅度敏感性对目标识别带来的影响，对HRRP进行了能量归一化，随后对归一化后的数据进行减均值除以标准差的处理。这样做更能捕捉到HRRP数据中的个性而非共性，更有利于深度模型使用随机梯度优化方法更新参数，减少网络训练时的震荡，提高网络模型稳定性。
2.3 网络模型训练
实验中，HRRP数据的仿真和预处理，数据集的划分以及海杂波的仿真是通过MATLAB完成的。网络模型的构建和训练是在Pytorch框架完成的。实验中使用图3所示的模型，其参数设置如表2所示。每个卷积层使用的卷积核大小都是 1×5，卷积时不使用填充。训练时学习率为 0.003，学习率衰减率为0.99，dropout为0.3，批次大小是150。模型中的激活函数均为Relu函数。训练流程如图5所示。
表2 网络模型参数设置
层数参数设置输入层256卷积层1252,通道数:64,步长:1 最大池化126,步长:2卷积层2122,通道数:50,步长:1 最大池化61,步长:2全连接层13050全连接层2128 全连接层3100 输出层10
图5 训练流程
因为Dt所加的海杂波强度(SCR=15，20，25，30 dB)不同，所以要针对它们各训练一个识别模型。在训练过程中Ds和Dt共享模型的参数，在fc3层将源域和目标域特征按照批次大小分开，并计算它们之间的混合核MMD距离。在输出层计算Ds的分类损失以及源域和目标域之间的混合核MMD距离。式(3)中a为0.6，式(5)中λl为0.5。利用计算得到的Loss不断调整、更新网络中的W和b，来达到减少域之间差异的目的。实验中MK-MMD的高斯核中σ的取值为：10-6，10-5，10-4，10-3，10-2，10-1，1，5，10，15，20，25，30，35，100，103，104，105和106。多项式核中的d为2。迭代次数满足一定条件，测试和记录Dt识别率。
2.4 特征可视化
可视化是理解CNN过程最直观的方法。从表2可知，卷积层2池化后的特征长度为61，卷积核的通道数是50，所以每一帧HRRP数据卷积后得到的特征张量为1×50×61。将Ds测试集输入到训练好的识别模型，并对第二层卷积，池化后的前3层特征进行可视化，如图6所示。从图中可以看出，卷积层对不同型号舰船HRRP数据提取了有明显差异的特征，增大了不同型号舰船的可分性。这也说明CNN通过不断迭代、学习，可以挖掘到目标更深层次的特征。
(a) 第1型舰船
(b) 第2型舰船
(c) 第6型舰船
图6 卷积层2前三层特征
2.5 结果分析
图7(a)在训练的时候没有使用域自适应方法，所以总的损失函数中只有分类损失没有MMD损失，图7(b)是使用混合核DAN方法的训练过程。从图中可以看出，在使用传统方法时，MMD损失可以达到2.5左右，此时Dt的识别率只有78%。混合核DAN 方法的加入将MMD损失减小到0.25左右，降低了源域和目标域特征间的分布差异，并把识别率提高到了90%，显著改善了识别模型的性能。图7(c)是对fc3层特征降成二维后(Tsne降维法)的可视化结果，源域中同种型号舰船的特征都比较集中，但是海杂波的影响使得目标域与源域分布不一致，模型提取Dt特征的能力降低。对比图7(c)中左右两图可以看出，混合核DAN方法改善了模型提取特征的能力。
从表3可看出，即使是很小的海杂波(SCR =30 dB)也会对模型的识别率有很大的影响，混合核DAN方法改善了不同强度海杂波下的Dt识别 率。且本文提出的方法优于原始的DAN方法，减小了引入的杂波对识别的影响。当海杂波较大时，该方法对识别率的提高在5%～10%；随着加入海杂波强度的减少，该方法可将识别率提高15%左右，识别率可以达到82%。在实验中还发现在使用DAN方法时，MMD损失的加入会对模型中共享的参数产生影响，但是这并不会降低模型对Ds的识别率。所以该方法在不改变Ds识别率的情况下提高了模型对含杂波目标的识别率，的确提高了模型对新鲜样本的识别能力。
(a) 使用传统方法时训练时的损失函数和准确率
(b) 使用混合核DAN训练时的损失函数和准确率
(c) 使用混合核DAN方法前后特征分布图
图7 训练数据大小为2 000，加入SCR=30 dB海杂波时训练过程(频域)
表3 时域上不同信杂比、数据量下的识别率 (%)
参数200030000传统方法DAN混合核DAN传统方法DAN混合核DAN15dB18.8522.4824.0319.3423.6725.1620dB32.1835.5937.7533.4036.2439.6625dB45.1358.2261.0346.8360.0562.4530dB65.8077.6181.4166.4778.6582.57Ds93.2196.43
表4是在频域上所测的不同条件下的目标域测试数据的识别率。通过与表3结果对比可以看出，在频域的识别率均优于时域的识别率。当海杂波强度较小时，使用混合核DAN方法识别率可以达到90%左右，比时域识别率高了8%。因此可以优先选择从频域角度出发对目标进行识别。如果Dt类别信息存在的话，还可以对混合核DAN模型再进行微调来达到更好的效果。在实际应用时，可以同时使用在不同强度杂波下训练的模型对目标进行识别，然后综合它们的识别结果，得出更可信的结论。总的来说，使用混合核DAN模型的识别效果要比只使用传统方法或DAN模型的效果要好。
表4 频域上不同信杂比、数据量下的识别率 (%)
参数200030000传统方法DAN混合核DAN传统方法DAN混合核DAN15dB22.1427.0229.8724.8728.0330.1520dB42.2554.6656.1445.7155.8557.4225dB58.1678.2781.8760.2180.5683.0430dB77.4886.9890.4578.9289.3291.78Ds94.7896.89
3 结束语
由于测量数据设备等各种因素的影响，再加上所测物体所处环境复杂多变等因素，需要高性能的算法来改善深度神经网络的泛化能力，提高复杂环境下HRRP目标识别的准确率。本文创新性地提出了基于混合核DAN的HRRP目标识别方法，与直接进行权重迁移或DAN方法相比，该方法显著提高了模型的识别率，提升了泛化能力和鲁棒性。此方法可以用来训练性能更好的识别模型。
[1] LIU Wenbo,YUAN Jiawen,ZHONG Gong,et al. HRRP Target Recognition Based on Kernel Joint Discriminant Analysis[J]. Journal of Systems Engineering and Electronics,2019,30(4):703-708.
[2] 陈旺才. 基于特征提取的雷达HRRP目标识别技术研究[D].南京：南京航空航天大学,2019.
[3] 郭晨,简涛,徐从安,等.基于深度多尺度一维卷积神经网络的雷达舰船目标识别[J].电子与信息学报,2019,41(6):1302-1309.
[4] LONG Li,ZHENG Liu,TAO Li. Radar High Resolution Range Profile Recognition via Multi-SV Method[J]. Journal of Systems Engineering and Electronics,2017,28(5):879-889.
[5] 李龙. 基于高分辨距离像的雷达地面目标识别技术[D].西安：西安电子科技大学,2018.
[6] 胡显,姚群力,侯冰倩,等.基于卷积神经网络的合成孔径雷达图像目标识别[J].科学技术与工程,2019,19(21):228-232.
[7] 何松华,张润民,欧建平,等.基于卷积神经网络的高分辨率雷达目标识别[J].湖南大学学报(自然科学版),2019,46(8):141-148.
[8] 张建强,汪厚祥,杨红梅. 基于自编码神经网络的高分辨率距离像降维法[J]. 解放军理工大学学报(自然科学版),2016，17(1):31-37.
[9] 殷和义,郭尊华.一维卷积神经网络用于雷达高分辨率距离像识别[J].电讯技术,2018,58(10):1121-1126.
[10] YOSINSKI J,CLUNE J,BENGIO Y,et al. How Transferable are Features in Deep Neural Networks?[C]∥ Advances in Neural Information Processing Systems,[S.l.]: Curran Associates,2014:3320-3328.
[11] 张椰,朱卫纲. 基于迁移学习的SAR图像目标检测[J]. 雷达科学与技术,2018,16(5):533-538.
ZHANG Ye,ZHU Weigang.Target Detection in SAR Images Based on Transfer Learning[J].Radar Science and Technology,2018,16 (5):533-538.(in Chinese)
[12] 徐旭东,马立乾.基于迁移学习和卷积神经网络的控制图识别[J].计算机应用,2018,38(S2):290-295.
[13] GHIFARY M,KLEIJN W B,ZHANG Mengjie. Domain Adaptive Neural Networks for Object Recognition[J]. Pacific Rim International Conference on Artificial Intelligence,[S.l.]:Springer,2014:898-904.
[14] TZENG E,HOFFMAN J,ZHANG Ning,et al. Deep Domain Confusion: Maximizing for Domain Invariance[J]. arXiv,2014:1-9.
[15] LONG Mingsheng,CAO Yue,WANG Jianmin,et al. Learning Transferable Features with Deep Adaptation Networks[J]. Proceedings of the 32nd International Conference on International Conference on Machine Learning,2015,37(7):97-105.
[16] PAN S J,TSANG I W,KWOK J T,et al. Domain Adaptation via Transfer Component Analysis[J]. IEEE Trans on Neural Networks,2011,22(2):199-210.
