基于深度遷移學(xué)習(xí)的窄帶雷達(dá)群目標(biāo)識別方法

梁復(fù)臺,李宏權(quán),張晨浩

(1.空軍預(yù)警學(xué)院， 武漢 430014； 2.解放軍31121部隊， 南京 210000)

窄帶雷達(dá)由于體制落后，存在著分辨率低、測量誤差大等問題，但由于較大的裝備基數(shù)、較低的價格，目前在防空預(yù)警體系中尚有大量部署[1]。當(dāng)多個目標(biāo)位于雷達(dá)天線波束寬度內(nèi)，稱為群目標(biāo)[2]。群目標(biāo)回波信號在時域或頻域都較難分辨。現(xiàn)代戰(zhàn)爭中戰(zhàn)機(jī)多采用編隊突防，開展窄帶雷達(dá)群目標(biāo)的研判識別具有重要的現(xiàn)實(shí)意義。

在不改變雷達(dá)工作體制的前提下，目前主要有根據(jù)目標(biāo)微多普勒特征的研判識別方法[3-4]，根據(jù)目標(biāo)RCS的統(tǒng)計特性來研判識別的方法[5]，根據(jù)目標(biāo)回波信號特征來研判識別的方法[1]，以及采用人在回路的研判識別方法[6]。但文獻(xiàn)[3-4]中的方法存在著特征影響因素多且難準(zhǔn)確區(qū)分目標(biāo)的問題。文獻(xiàn)[5]中的方法存在著特征難準(zhǔn)確提取且難有效度量的問題。文獻(xiàn)[1]中的方法存在著需額外增加信號處理通道且難有效分辨的問題。文獻(xiàn)[6]雖然采用人工識別粗分類與自動識別細(xì)分類相結(jié)合的策略，但還是擺脫不了微多普勒特征識別方法的不足。目前窄帶雷達(dá)群目標(biāo)識別仍主要靠人工、憑經(jīng)驗，工程實(shí)踐中缺乏行之有效的技術(shù)方法。

由于深度學(xué)習(xí)技術(shù)圖像特征提取上的獨(dú)特優(yōu)勢，故從窄帶雷達(dá)回波顯影的視角，采用深度學(xué)習(xí)的方法對群目標(biāo)研判識別成為可能[7-8]。深度學(xué)習(xí)技術(shù)在特征提取上的效果雖然有目共睹，但它的缺點(diǎn)同樣突出，那就是需要大量數(shù)以萬計的標(biāo)計過的數(shù)據(jù)來訓(xùn)練模型[9]。在防空預(yù)警實(shí)踐中，只能得到少量群目標(biāo)顯影數(shù)據(jù)，采用深度學(xué)習(xí)的方法對群目標(biāo)識別存在較大困難。而且深度學(xué)習(xí)模型訓(xùn)練過程耗時，對硬件要求較高，給實(shí)時性應(yīng)用帶來不便[10]。

針對以上問題，本文提出基于深度遷移學(xué)習(xí)的識別方法，為窄帶雷達(dá)群目標(biāo)識別提供了思路。

1 深度遷移學(xué)習(xí)

深度遷移學(xué)習(xí)是在深度學(xué)習(xí)的基礎(chǔ)上進(jìn)行優(yōu)化的一種深度學(xué)習(xí)架構(gòu)[11]。解決了深度學(xué)習(xí)過度依賴訓(xùn)練數(shù)據(jù)規(guī)模的問題，增強(qiáng)了深度學(xué)習(xí)的實(shí)時性與適用性。

1.1 深度學(xué)習(xí)及CNN模型

深度學(xué)習(xí)(Deep Learning，DL)是一種深層的神經(jīng)網(wǎng)絡(luò)[10]，它在視音頻處理、自然語義處理等方面應(yīng)用已較為廣泛，取得了很好的效果。目前，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)作為深度學(xué)習(xí)的重要組成，因為其局部連接及權(quán)值共享的特性，使得網(wǎng)絡(luò)權(quán)值數(shù)量大為減少，模型復(fù)雜度大為降低，目前已成為圖像處理領(lǐng)域效果最好的方法之一[12]，這給窄帶雷達(dá)群目標(biāo)研判識別帶來了深刻啟示。

典型卷積神經(jīng)網(wǎng)絡(luò)是由卷積層、池化層、全連接層及分類器構(gòu)成[13]。卷積層可逐層提取輸入圖像特征，池化層對特征圖進(jìn)行二次特征提取，全連接層將特征連接并送往分類器，最后實(shí)現(xiàn)分類。不同的網(wǎng)絡(luò)結(jié)構(gòu)產(chǎn)生不同的模型，帶來不同的分類效果。

目前成熟的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)已有很多，自最早的LeNet-5模型提出后，涌現(xiàn)出了比如 AlexNet、VGGNet 、Res Net、GoogleNet等諸多優(yōu)秀的CNN模型[8]。經(jīng)典的LeNet-5模型結(jié)構(gòu)如圖1所示。

深度學(xué)習(xí)技術(shù)雖然在圖像領(lǐng)域得到了廣泛的應(yīng)用，但對這類模型的訓(xùn)練，需要大量數(shù)據(jù)及硬件資源，使之較難滿足窄帶雷達(dá)對實(shí)用性和實(shí)時性的需求。

圖1 LeNet-5模型結(jié)構(gòu)

1.2 遷移學(xué)習(xí)

遷移學(xué)習(xí)(Transfer Learning，TL)是運(yùn)用已有的知識對不同但相關(guān)領(lǐng)域任務(wù)問題進(jìn)行求解的一種新的機(jī)器學(xué)習(xí)方法[14]。

遷移學(xué)習(xí)包括域和任務(wù)兩個概念。對于域D={X,P(x)}，其中，X是一個特征空間，x={x1,x2…,xn}∈X，P(X)為特征空間上的邊緣概率分布。對于任務(wù)T={Y,P(Y|X)}，其中Y為一個標(biāo)簽空間，P(Y|X)為條件概率分布，也可表示為目標(biāo)預(yù)測函數(shù)f(·)，它可從由特征標(biāo)簽對(xi∈X,yi∈Y)組成的訓(xùn)練數(shù)據(jù)中學(xué)習(xí)得到。

給定一個源域Ds及對應(yīng)的源任務(wù)Ts、目標(biāo)域Dt及目標(biāo)任務(wù)Tt，遷移學(xué)習(xí)的目的就是：在Ds≠Dt,Ts≠Tt時，從Ds和Ts的信息中，學(xué)習(xí)得到目標(biāo)域Dt中的條件概率分布P(Yt|Xt)。深度遷移學(xué)習(xí)任務(wù)中ft(·)是表示深度神經(jīng)網(wǎng)絡(luò)的非線性函數(shù)[10]。

遷移學(xué)習(xí)不要求源域與目標(biāo)域同分布，模型在目標(biāo)域中訓(xùn)練時，可以借助從源域數(shù)據(jù)和特征中已經(jīng)提取的知識，實(shí)現(xiàn)在相似或相關(guān)領(lǐng)域間的復(fù)用和遷移，使傳統(tǒng)的零基礎(chǔ)學(xué)習(xí)變成有累積學(xué)習(xí)，降低了模型訓(xùn)練開銷，提高了深度學(xué)習(xí)效果，使深度學(xué)習(xí)在缺乏充足可用的標(biāo)計數(shù)據(jù)時也能夠?qū)崿F(xiàn)規(guī)模化應(yīng)用，適合窄帶雷達(dá)群目標(biāo)識別的應(yīng)用場景。

1.3 基于網(wǎng)絡(luò)的深度遷移學(xué)習(xí)

深度遷移學(xué)習(xí)可分為基于實(shí)例的深度遷移學(xué)習(xí)、基于映射的深度遷移學(xué)習(xí)、基于網(wǎng)絡(luò)的深度遷移學(xué)習(xí)和基于對抗的深度遷移學(xué)習(xí)[15]。考慮到群目標(biāo)識別工作實(shí)際，本文采用基于網(wǎng)絡(luò)的深度遷移學(xué)習(xí)方法。

基于網(wǎng)絡(luò)的深度遷移學(xué)習(xí)是指復(fù)用在源域中預(yù)先訓(xùn)練好的部分網(wǎng)絡(luò)，包括其網(wǎng)絡(luò)結(jié)構(gòu)和連接參數(shù)，將其遷移到目標(biāo)域中使用的深度神經(jīng)網(wǎng)絡(luò)[15]。基于網(wǎng)絡(luò)的深度遷移學(xué)習(xí)示意圖如圖2所示。

從圖中可看到，首先，在源域中使用龐大的訓(xùn)練數(shù)據(jù)集訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)模型。然后，將源域中預(yù)訓(xùn)練的部分網(wǎng)絡(luò)遷移到目標(biāo)域，使其成為新的深度遷移學(xué)習(xí)網(wǎng)絡(luò)模型的一部分。最后，經(jīng)過訓(xùn)練調(diào)整，該網(wǎng)絡(luò)參數(shù)得到更新，深度遷移學(xué)習(xí)模型即訓(xùn)練完成。可以將深度遷移學(xué)習(xí)網(wǎng)絡(luò)看成兩部分，前面層可視為特征提取器，后面層可看作是分類器。

圖2 基于網(wǎng)絡(luò)的深度遷移學(xué)習(xí)

2 遷移學(xué)習(xí)數(shù)據(jù)集及模型

建立訓(xùn)練數(shù)據(jù)集、構(gòu)建網(wǎng)絡(luò)模型是深度學(xué)習(xí)的兩個重要環(huán)節(jié)，深度遷移學(xué)習(xí)也不例外。

2.1 建立遷移學(xué)習(xí)數(shù)據(jù)集

深度遷移學(xué)習(xí)屬于監(jiān)督學(xué)習(xí)，必須建立起訓(xùn)練數(shù)據(jù)集。群目標(biāo)遷移學(xué)習(xí)數(shù)據(jù)集的建立包括數(shù)據(jù)標(biāo)記和數(shù)據(jù)增強(qiáng)兩個步驟。

2.1.1數(shù)據(jù)標(biāo)記

建立群目標(biāo)遷移學(xué)習(xí)數(shù)據(jù)集面臨的第一個問題是數(shù)據(jù)標(biāo)記，也即將數(shù)據(jù)標(biāo)記為何種類型。對于群目標(biāo)識別來說，區(qū)分一批一架和一批多架(含二架)是有意義的，主要原因有以下幾點(diǎn)：

首先，因為對群目標(biāo)與單目標(biāo)的區(qū)分有迫切的現(xiàn)實(shí)需求。編隊飛行的群目標(biāo)與一批一架目標(biāo)在雷達(dá)顯影上不易區(qū)分，容易混淆，因此會造成誤判乃至延誤戰(zhàn)機(jī)。其次，因為群目標(biāo)與單目標(biāo)在顯影特征上有一定差別。實(shí)踐經(jīng)驗表明：基于窄帶雷達(dá)A顯的飛機(jī)目標(biāo)回波特征是幅度較大、寬度較寬、波色較亮,單機(jī)波峰穩(wěn)定,而雙機(jī)以上編隊則波峰跳動或抖動，波內(nèi)組織復(fù)雜[16]，經(jīng)驗豐富的操作員對這些差別可以有效辨別。最后，因為一批多架的群目標(biāo)顯影數(shù)據(jù)難以搜集，要實(shí)現(xiàn)群目標(biāo)的具體架數(shù)識別還缺少數(shù)據(jù)支持。

故此，本文根據(jù)防空預(yù)警工作實(shí)際，搜集并標(biāo)記某型窄帶雷達(dá)群目標(biāo)及非群目標(biāo)兩類回波顯影樣本數(shù)據(jù)，給每類數(shù)據(jù)打上相同的數(shù)字標(biāo)簽，分別為0、1，以便深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練。 兩類樣本實(shí)例見圖3，其中左圖為一批兩架群目標(biāo)，右圖為一批一架非群目標(biāo)。

圖3 兩類樣本實(shí)例

2.1.2數(shù)據(jù)增強(qiáng)

建立群目標(biāo)遷移學(xué)習(xí)數(shù)據(jù)集面臨的另一個問題是數(shù)據(jù)量偏少。雖然深度遷移學(xué)習(xí)對數(shù)據(jù)規(guī)模要求不高，但因為群目標(biāo)回波顯影數(shù)據(jù)較難獲取，為避免模型過擬合，必須對真實(shí)數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)，以提高模型的泛化能力。

對于基于窄帶雷達(dá)A顯的回波顯影圖像，數(shù)據(jù)增強(qiáng)措施之一是對圖像適當(dāng)展寬與拉伸，以模擬目標(biāo)大小、距離及其他因素對窄帶雷達(dá)顯影的影響。不同型號雷達(dá)對回波信號的處理方式不一，回波顯影圖像數(shù)據(jù)增強(qiáng)幅度也有所不同，但展寬拉伸的范圍都應(yīng)在雷達(dá)探測范圍、門限范圍內(nèi)。數(shù)據(jù)增強(qiáng)措施之二是對圖形適度平移，以模擬目標(biāo)回波圖像截取位置偏差帶來的影響。根據(jù)某型雷達(dá)實(shí)際，本文中展寬范圍在1/2波寬內(nèi)取隨機(jī)值，拉伸范圍在1/3波峰高度內(nèi)取隨機(jī)值，平移偏移量在一個波寬內(nèi)取隨機(jī)值，通過Python語言調(diào)用Opencv庫來編程實(shí)現(xiàn)。考慮到遷移學(xué)習(xí)模型以Inception-v3為基礎(chǔ)，而Inception-v3模型輸入必須為299像素彩色圖像，因而統(tǒng)一把所有顯影圖像縮放為299×299×3尺寸，然后進(jìn)行4種展寬變換、4種拉伸變換、4種平移變換，將原始數(shù)據(jù)的40張樣本圖像將擴(kuò)充到 2 560張。數(shù)據(jù)增強(qiáng)效果見圖4。其中,左圖為一批兩架群目標(biāo)增強(qiáng)效果，右圖為一批一架群目標(biāo)增強(qiáng)效果。

圖4 增強(qiáng)后的效果

2.2 構(gòu)建深度遷移學(xué)習(xí)模型

在遷移學(xué)習(xí)中，對于預(yù)訓(xùn)練模型的處理，主要有微調(diào)和特征提取兩種方式[17]。鑒于源域訓(xùn)練集數(shù)據(jù)與目標(biāo)域訓(xùn)練集數(shù)據(jù)種類不同的情況，這里采取特征提取的方式。特征提取是重新設(shè)計原模型的后面層，通過目標(biāo)域數(shù)據(jù)集訓(xùn)練得到與待解決問題相符的輸出層。該方式需要對深度學(xué)習(xí)模型進(jìn)行改進(jìn)，重新構(gòu)建連接層、分類層或者部分卷積層。

深度遷移學(xué)習(xí)模型可以基于原有成熟模型構(gòu)建[18]。鑒于Google開源的Inception-v3模型均衡的性能、較少的參數(shù)、較快的的響應(yīng)速度，本文以該模型為基礎(chǔ)進(jìn)行構(gòu)建。保留模型所有隱層，以提取顯影圖像特征，重新構(gòu)建全連接層及分類層，把這些特征經(jīng)過全連接層進(jìn)行分類，實(shí)現(xiàn)對目標(biāo)回波顯影圖像的區(qū)分。圖5為該模型結(jié)構(gòu)。

圖5 深度遷移學(xué)習(xí)模型結(jié)構(gòu)圖

如圖5所示，Inception-v3模型的后三層被丟棄，重新構(gòu)建了Dropout層、全連接層及輸出層，將分類結(jié)果設(shè)置為兩類。模型瓶頸層的結(jié)果輸出為新的遷移學(xué)習(xí)模型所提取的特征， Bottleneck feature 位置即為顯影圖像特征輸出位置，該結(jié)果是 2 048長度的特征向量。獲得該特征向量之后，經(jīng)Dropout后，將其輸入一個全連接層進(jìn)行分類，遷移學(xué)習(xí)模型全連接層的模型結(jié)構(gòu)示意圖見圖6。左側(cè)為 2 048個神經(jīng)元，對應(yīng)模型瓶頸層輸出的特征向量，右側(cè)輸出設(shè)置為n個。本文只選用2個輸出，對應(yīng)群目標(biāo)與非群目標(biāo)兩類結(jié)果，后期根據(jù)需要可選取多個輸出，對應(yīng)群目標(biāo)具體架數(shù)。

圖6 全連接層的模型結(jié)構(gòu)

3 實(shí)驗分析

為驗證算法的有效性及實(shí)用性，對零基礎(chǔ)深度學(xué)習(xí)與運(yùn)用深度遷移學(xué)習(xí)方法做了實(shí)驗對比。實(shí)驗平臺為32位Windows7系統(tǒng)，CPU3.6 GHz，內(nèi)存8 GB，用Python語言編程，采用Tensorflow框架CPU版本實(shí)現(xiàn)。

3.1 零基礎(chǔ)深度學(xué)習(xí)效果

采用Inception-v3模型進(jìn)行零基礎(chǔ)訓(xùn)練時，必須建立規(guī)模龐大的數(shù)據(jù)集，這里對真實(shí)數(shù)據(jù)進(jìn)行更大范圍的數(shù)據(jù)增強(qiáng)，形成每類樣本5萬張圖片的數(shù)據(jù)集，數(shù)據(jù)增強(qiáng)方法同2.1.2節(jié)所述。超參數(shù)設(shè)置為：學(xué)習(xí)率ξ=0.01，正則項f=0.1，批大小 (BatchSize) 選為 16，迭代步數(shù)設(shè)為7 500。將訓(xùn)練集數(shù)據(jù)輸入Inception-v3網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，網(wǎng)絡(luò)模型的交叉熵?fù)p失值和識別準(zhǔn)確率隨著迭代次數(shù)的變化如圖7所示。

圖7 零基礎(chǔ)學(xué)習(xí)效果

可以看到隨著迭代步數(shù)的增大，識別準(zhǔn)確率在上升，在7 000 步之后數(shù)據(jù)集的識別正確率最終達(dá)到90.13%，并且還有進(jìn)一步提高的趨勢。交叉熵?fù)p失值也隨迭代步數(shù)的增加逐步變小。但同時也看到訓(xùn)練的過程中準(zhǔn)確率與損失值波動較大，訓(xùn)練時間偏長，到7 500步訓(xùn)練中斷時共用時186 h。

3.2 深度遷移學(xué)習(xí)效果

采用2.2節(jié)深度遷移學(xué)習(xí)模型，對2.1節(jié)所建立的數(shù)據(jù)集進(jìn)行訓(xùn)練，網(wǎng)絡(luò)超參數(shù)設(shè)置不變，網(wǎng)絡(luò)的識別準(zhǔn)確率和損失值隨著迭代次數(shù)的變化見圖8。

圖8 遷移學(xué)習(xí)效果圖

可以看到在1 500步時識別正確率就已達(dá)到97.73%，之后數(shù)據(jù)集的識別正確率和損失函數(shù)值已無較大波動。整體用時0.3 h。

由表1可知，不管是從訓(xùn)練耗時還是準(zhǔn)確率來看，很明顯基于深度遷移學(xué)習(xí)的方法都更具實(shí)用性。

表1 學(xué)習(xí)效果

4 結(jié)論

通過建立群目標(biāo)顯影遷移學(xué)習(xí)數(shù)據(jù)集，使用基于Inception-v3模型構(gòu)建的遷移學(xué)習(xí)模型對數(shù)據(jù)集訓(xùn)練，得到群目標(biāo)識別模型。實(shí)測數(shù)據(jù)表明，該模型在窄帶雷達(dá)群目標(biāo)識別上效果較好，具備了一定的實(shí)用價值。在未來的工作中，將對模型進(jìn)行進(jìn)一步改進(jìn)，使之在群目標(biāo)架數(shù)、目標(biāo)型別識別等方面發(fā)揮更好的作用。