雷达高分辨率距离像(High Resolution Range Profile,HRRP)是在目标尺寸远大于雷达距离分辨单元的情况下,目标散射点的子回波在雷达视线方向上投影的矢量和,它包含着目标丰富的结构信息,如目标沿雷达视线的投影大小、散射点分布、电磁散射特性等。同时,由于HRRP易于获取,占用存储空间小,有利于目标识别系统的高效运行,以上优势使得在雷达目标自动识别(Radar Automatic Target Recognition,RATR)领域中,基于HRRP的雷达目标识别成为一种很有应用前景的识别方法
[1⇓-3]。
目前,基于HRRP的目标识别的研究重点主要分为特征提取和分类器设计两个方面,常用的特征提取方法主要分为以下三类:1)基于变换域的HRRP目标识别方法,该方法通过提取信号变换域的平移不变特征缓解了HRRP信号的平移敏感性,提高目标的识别性能,张瑞等人
[4-5]研究了HRRP的谱特性,将信号的频谱、高阶谱以及对数谱和双干谱特征作为一种有效特征进行分类识别的能力。2)基于统计建模的HRRP目标识别方法,假设在某一段角域中,HRRP信号服从某种特定的统计分布,通过训练数据集估计出在该段角域中统计模型的参数,再利用训练好的统计模型参数作为特征进行目标识别
[6-7]。3)基于子空间的HRRP目标识别方法,采用奇异值分解(Singular Value Decomposition, SVD)、主成分分析(Principal Component Analysis, PCA)等方法,通过降低信号维度的思想,把高维的HRRP信号投影到低维空间上,再利用低维特征进行雷达HRRP目标识别
[8⇓-10]。分类器设计主要分为以下两类:1)基于机器学习的目标识别方法,在HRRP目标识别问题中,机器学习的算法得到了广泛应用,研究人员进行了深入的探索和尝试,并将k最近邻(K-Nearest Neighbors, KNN)算法应用到了HRRP目标识别中
[11],这使目标识别性能得到了极大的提升。除了k最近邻算法之外,支持向量机(Support Vector Machine, SVM)
[12]和随机森林(Random Forest,RF)算法
[13]也是雷达目标识别任务中常用的分类器,这些算法已广泛应用于各种HRRP目标识别场景中,并且都取得了不错的成果。2)基于深度学习的HRRP目标识别方法,通过深度神经网络自动提取出HRRP目标的深层结构特征,减少了对丰富的研究经验和大量的先验知识的依赖
[14],文献[
15]提出了一种一维卷积神经网络(Convolutional Neural Network, CNN)结构,再利用多类目标的HRRP数据集进行测试,验证了CNN应用于HRRP分类识别的可行性,Tu等人
[16]提出了一种基于长短时记忆网络(Long Short-Term Memory, LSTM)的雷达目标识别方法,该方法可以有效地提取出更具有分辨性的序列特征。
雷达目标识别系统在现代化军事领域的实际应用中,对非合作目标的识别更具有实际意义,但我们往往很难获取非合作目标大量的、全角域姿态角下的样本
[17]。上述各种方法构造的目标识别模型在具有大量的、完备角域的HRRP训练集的情况下通常都能得到较好的识别性能和泛化能力,但是,若样本数量不足,角域数据不全,则会导致模型参数估计不准,进而在测试阶段性能较差,出现对训练数据的过拟合问题。
基于此,本文提出了一种基于时间序列森林(Time Series Forest,TSF)
[18]的HRRP识别方法,该方法是对随机森林(RF)算法进行了改进。相较于传统的RF算法,TSF算法能够更好地利用时间序列的特性,提取样本区间特征,生成多个新的区间样本训练集,再用新训练集对决策树进行训练。在决策树的学习过程中,该方法采用了一种熵和距离增益的准则,实现了决策树内部节点的高质量分裂。最后,该方法基于多个时间序列树进行投票得到最终的识别结果。该方法在HRRP实测数据上进行了测试,并与HRRP目标识别领域经典算法(如KNN、SVM、RF、CNN和LSTM)进行了比较。
实验结果表明,基于TSF的HRRP目标识别方法具有较优的识别性能,并且在不完备角域训练集的情况下,具有更好的角域推广能力,能够实现在不完备角域训练集情况下对完备角域数据的有效识别,具有一定的应用前景。