高分辨距离像(High Resolution Range Profile,HRRP)是宽带雷达信号获
取的目标散射点子回波在雷达射线上投影的向量和的幅度波形。它反映了目标
散射体的雷达散射截面积沿雷达视线的分布情况,包含有重要的结构特征。相
比于 SAR/ISAR 图像,HRRP 数据作为一维特征具有易获取、易存储、易运算
等优点,获得了雷达目标识别领域(Radar Automatic Target Recognition,RATR)
的广泛关注。
HRRP 目标识别的核心在于提取可分性特征,大量学者对这一问题进行了
深入研究
[1,2,3,4,5,6,7,8,9,10,11,12,13]
。文献[1]采用数据的频谱特征进行识别,用来解决平
移敏感性。而文献[2]针对 HRRP 的平移敏感性提取了三种稳健特征,并设计了
多特征融合的分类器。但这些方法过分依赖人为经验和对数据的认知,算法普
适应较差。文献[3]采用了多任务稀疏学习方法进行统计建模,不同帧的 HRRP
样本能够通过共享帧间信息而产生相关性,使得模型能自动地从小样本中学习
特征。文献[4]设计了一种多层自编码模型,通过设计目标函数使模型能自动地
学习模型参数,并通过多层结构逐层地提取 HRRP 数据中的抽象特征。这些方
法均通过模型自动学习参数实现精准的特征提取。但他们仅仅考虑了 HRRP
样本的包络信息,而没有考虑样本内部距离单元之间的时序相关性。文献[5]将
HRRP 样 本 转 化 为 序 列 的 形 式 , 然 后 采 用 隐 马 尔 科 夫 模 型 (Hidden Markov
Model,HMM)对序列进行建模来提取样本距离单元间的时序关系。文献[6]采用
循环神经网络模型(Recurrent Neural Network,RNN)对 HRRP 样本进行建模,
模型通过相邻时刻隐层单元之间的转移矩阵传递时序信息,并采用注意机制将
所有时刻的信息进行融合,输出样本的类别。为了考虑双向时序相关性,研究者
将 原 始 HRRP 样 本 转 化 为 前 向 和 后 向 序 列 , 并 设 计 前 向 和 后 向 长 短 期 记 忆
(Long Short-Term Memory,LSTM)模型提取时序信息
[7]
。通过考虑时序相关性,
这些算法能够更准确地对 HRRP 进行建模,提 取可分性特征,进 行有效的识别。
但是,HRRP 样本具有方位 敏感性,当 目标相对于雷 达视线的姿态发生变化时,
会导致散射点的相对径向距离发生变化,从而使得 HRRP 的包络发生较大变化。
同时,对于不同方位角下的 HRRP 数据而言,其距离单元间的时序相关性也必然
发生变化。
为了解决 HRRP 方位敏感性导致的时序相关性变化与参数固定模型不匹
配 的 问 题 , 笔 者 提 出 了 一 种 乘 性 循 环 神 经 网 络 模 型 (Multiplicative Recurrent
Neural Network,MRNN)对 HRRP 进行识别。首先,模型将 HRRP 样本转化为