深度學習在雷達中的研究綜述（一）

深度學習在雷達中的研究綜述

王俊, 鄭彤, 雷鵬, 魏少明    

摘要：雷達通過發射天線發射電磁波，經過不同物體反射接收到相應的反射波，對其接收結果進行分析，能得到物體距雷達的位置，徑向運動速度等信息，所以對雷達信號的分析具有重要的研究意義。近些年深度學習成為各個領域的研究熱點，而在雷達領域同樣可通過深度學習算法實現對信號的相應的信息處理。與傳統方法相比，深度學習算法具有自動提取深層特征、獲取較高準確率等優勢。該文具體介紹了近期典型的深度學習算法在雷達信號處理中的應用及研究情況。此外，該文介紹了兩個在雷達領域中應用深度學習亟待解決的問題，即過擬合和可解譯性。

關鍵詞：雷達    深度學習    信號處理    

Study on Deep Learning in Radar

Wang Jun, Zheng Tong, Lei Peng, Wei Shaoming    

Abstract: Electromagnetic waves are transmitted by radars and reflected by different objects, and radar signal processing is highly significant as its analyses can lead to the acquisition of important information such as the situation and radial movement speed. Moreover, deep learning has gained much attention in several fields, and it can be utilized to implement radar signal processing. Compared with the traditional methods, deep learning can realize automatic feature extraction and yield highly accurate results; hence, in this paper, the application of deep learning algorithm in radar signal processing is studied. In addition, the study directions in radar signal processing are summarized into overfitting and interpretation. Thus, these two issues are being considered.

Key words: Radar    Deep learning    Signal processing    

1 引言

雷達是一種通過電磁波探測物體的電子設備。其主要包括：發射機、發射天線、接收機、接收天線以及信號處理部分。發射機通過發射天線，將電磁波向外發射，在某方向上與物體發生碰撞，電磁波發生反射，反射回波則被接收天線和接收設備接收，傳至信號處理部分進行分析。該過程能夠有效提取物體距雷達的距離、物體徑向運動速度等信息。并且這些信息能夠滿足許多應用場景的需求。例如，在軍事方面，其根據雷達所實現的功能不同，可分為預警雷達^[1–3]、搜索警戒雷達^[4–6]、導航雷達^[7–9]以及防撞和敵我識別雷達等等。在社會科學發展方面，雷達可應用于氣象預報^[10–12]、資源探測^[13–15]、環境監測^[16–18]等。鑒于雷達的廣泛應用場景，對雷達信號處理的研究就顯得至關重要。

近些年，深度學習成為各個領域的研究熱點，且在雷達領域同樣如此。本文主要介紹通過深度學習方法對不同形式雷達數據進行處理的研究情況，整體框架如圖1所示。經過調研發現，針對不同雷達成像原理以及信號處理方法，可獲得不同形式的雷達數據。例如，合成孔徑雷達(Synthetic Aperture Radar, SAR)圖像^[19–24]、高分辨距離像(High Range Resolution Profiles, HRRP)^[25–28]、微多普勒(Micro-Doppler)譜圖^[29–32]以及距離多普勒(Range-Doppler, R-D)^[33–36]譜圖等。本文則主要針對上述可獲取的雷達數據進行深度學習方法處理。其中，深度學習在SAR圖像處理領域已得到廣泛應用，典型應用的網絡包括卷積神經網絡(Convolutional Neural Network, CNN)^[37]、稀疏自編碼器(Sparse AutoEncoder, SAE)^[38]以及深度置信網絡(Deep Belief Network, DBN)^[39]等等。其中，由于CNN在圖像處理中具有明顯優勢，因此，基于CNN的SAR圖像處理應用最為廣泛。本文同時介紹了通過上述3類網絡以及其他深度學習方法對HRRP, Micro-Doppler特征, R-D譜圖等雷達數據進行處理的研究近況。

圖 1 本文介紹流程Fig.1 Flow chart of this paper

2 典型深度學習網絡基本原理2.1 CNN基本原理

20世紀60年代，Hubel和Wiese研究貓腦皮層發現用于局部敏感和方向選擇的神經元具有獨特的網絡結構，該結構可以降低反饋神經網絡的復雜性，針對此研究提出了CNN。近些年，針對CNN具有避免圖像的復雜前期預處理的優勢，該網絡被廣泛應用于圖像的模式分類領域。其基本架構如圖2所示，經典的CNN一般包括卷積層、池化層、全連接層和分類器。

圖 2 CNN結構示意圖Fig.2 Typical CNN structure

在卷積層中，其目的是對圖像進行特征提取。即通過對上一層輸出的特征圖進行卷積，并在加入偏置后通過一個激活函數激活，得到當前層的輸出特征圖，即得到當前層對應特征情況，如式(1)所示：

其中， x

 表示特征圖， Mj 表示輸入特征圖的集合， k 為卷積核， b 為偏置， l 是層序號， i 是卷積核序號，j

 是特征圖通道序號。對于池化層而言，該層設置的目的是對圖像進行下采樣處理，而經典的池化方法包括：最大池化、均值池化等。在全連接層中可將上一層得到的特征圖進行按順序排列，得到1維向量，對其進行典型神經網絡連接。最后，對于不同神經元的輸出進行分類器分類，一般采用softmax或支持向量機(Support Vector Machine, SVM)分類器，得到分類標簽。

在學習過程中，其主要針對網絡中的卷積核、偏置情況進行學習，即需要通過反向迭代更新網絡參數，進而使網絡獲得穩定的識別效果，網絡訓練結束。其中，反向迭代更新過程是通過對訓練誤差進行隨機梯度下降處理。在典型的CNN中，訓練誤差由式(2)表示：

其中， tnk

 表示第 n 個樣本對應標簽的第 k 維， ynk 表示第 n 個樣本對應網絡輸出的第 k 維， N 表示訓練樣本數， c

 表示待識別的種類數。

2.2 SAE基本原理

自編碼器(AutoEncoder, AE)是一種盡可能復現輸入信號的神經網絡，可以代表輸入數據的最重要的因素，并且其類似主成分分析方法，能夠代表原信息的主要成分。其結構如圖3所示。在AE的基礎上加上L1正則化限制，就可以得到一個SAE。該限制使每次的編碼表達盡量稀疏，更為有效。

圖 3 AE結構示意圖Fig.3 Typical AE structure

AE嘗試學習一個盡量滿足 hw,b(x)≈x

 條件的網絡。即當網絡輸出接近于輸入時，說明隱層神經元可以表示為輸入元素的特征。在討論SAE的代價函數表示時，首先需要引入激活度的概念。用 a(2)j(x) 表示給定輸入為 x 的情況下，AE的隱層神經元 j 的激活度，則將隱層神經元 j

 的平均激活度記為：

其中， m

 為神經元個數。SAE是在AE的基礎上加入稀疏性限制，而該限制的目的是使隱藏神經元的平均激活度特別小。為了滿足該條件，需要在原始神經網絡約束條件下加入稀疏性限制這一項，作為額外的懲罰因子，也稱為相對熵，如式(4)所示：

其中， s2

 是隱層神經元數量， ρ 是稀疏性參數。可以發現，當滿足 ρ=ρ^j

 條件時相對熵獲得最小值。

SAE的總體代價函數可表示為：