基于深度迁移学习的窄带雷达群目标识别方法

梁复台,李宏权,张晨浩

(1.空军预警学院， 武汉 430014； 2.解放军31121部队， 南京 210000)

窄带雷达由于体制落后，存在着分辨率低、测量误差大等问题，但由于较大的装备基数、较低的价格，目前在防空预警体系中尚有大量部署[1]。当多个目标位于雷达天线波束宽度内，称为群目标[2]。群目标回波信号在时域或频域都较难分辨。现代战争中战机多采用编队突防，开展窄带雷达群目标的研判识别具有重要的现实意义。

在不改变雷达工作体制的前提下，目前主要有根据目标微多普勒特征的研判识别方法[3-4]，根据目标RCS的统计特性来研判识别的方法[5]，根据目标回波信号特征来研判识别的方法[1]，以及采用人在回路的研判识别方法[6]。但文献[3-4]中的方法存在着特征影响因素多且难准确区分目标的问题。文献[5]中的方法存在着特征难准确提取且难有效度量的问题。文献[1]中的方法存在着需额外增加信号处理通道且难有效分辨的问题。文献[6]虽然采用人工识别粗分类与自动识别细分类相结合的策略，但还是摆脱不了微多普勒特征识别方法的不足。目前窄带雷达群目标识别仍主要靠人工、凭经验，工程实践中缺乏行之有效的技术方法。

由于深度学习技术图像特征提取上的独特优势，故从窄带雷达回波显影的视角，采用深度学习的方法对群目标研判识别成为可能[7-8]。深度学习技术在特征提取上的效果虽然有目共睹，但它的缺点同样突出，那就是需要大量数以万计的标计过的数据来训练模型[9]。在防空预警实践中，只能得到少量群目标显影数据，采用深度学习的方法对群目标识别存在较大困难。而且深度学习模型训练过程耗时，对硬件要求较高，给实时性应用带来不便[10]。

针对以上问题，本文提出基于深度迁移学习的识别方法，为窄带雷达群目标识别提供了思路。

1 深度迁移学习

深度迁移学习是在深度学习的基础上进行优化的一种深度学习架构[11]。解决了深度学习过度依赖训练数据规模的问题，增强了深度学习的实时性与适用性。

1.1 深度学习及CNN模型

深度学习(Deep Learning，DL)是一种深层的神经网络[10]，它在视音频处理、自然语义处理等方面应用已较为广泛，取得了很好的效果。目前，卷积神经网络(Convolutional Neural Network,CNN)作为深度学习的重要组成，因为其局部连接及权值共享的特性，使得网络权值数量大为减少，模型复杂度大为降低，目前已成为图像处理领域效果最好的方法之一[12]，这给窄带雷达群目标研判识别带来了深刻启示。

典型卷积神经网络是由卷积层、池化层、全连接层及分类器构成[13]。卷积层可逐层提取输入图像特征，池化层对特征图进行二次特征提取，全连接层将特征连接并送往分类器，最后实现分类。不同的网络结构产生不同的模型，带来不同的分类效果。

目前成熟的卷积神经网络结构已有很多，自最早的LeNet-5模型提出后，涌现出了比如 AlexNet、VGGNet 、Res Net、GoogleNet等诸多优秀的CNN模型[8]。经典的LeNet-5模型结构如图1所示。

深度学习技术虽然在图像领域得到了广泛的应用，但对这类模型的训练，需要大量数据及硬件资源，使之较难满足窄带雷达对实用性和实时性的需求。

图1 LeNet-5模型结构

1.2 迁移学习

迁移学习(Transfer Learning，TL)是运用已有的知识对不同但相关领域任务问题进行求解的一种新的机器学习方法[14]。

迁移学习包括域和任务两个概念。对于域D={X,P(x)}，其中，X是一个特征空间，x={x1,x2…,xn}∈X，P(X)为特征空间上的边缘概率分布。对于任务T={Y,P(Y|X)}，其中Y为一个标签空间，P(Y|X)为条件概率分布，也可表示为目标预测函数f(·)，它可从由特征标签对(xi∈X,yi∈Y)组成的训练数据中学习得到。

给定一个源域Ds及对应的源任务Ts、目标域Dt及目标任务Tt，迁移学习的目的就是：在Ds≠Dt,Ts≠Tt时，从Ds和Ts的信息中，学习得到目标域Dt中的条件概率分布P(Yt|Xt)。深度迁移学习任务中ft(·)是表示深度神经网络的非线性函数[10]。

迁移学习不要求源域与目标域同分布，模型在目标域中训练时，可以借助从源域数据和特征中已经提取的知识，实现在相似或相关领域间的复用和迁移，使传统的零基础学习变成有累积学习，降低了模型训练开销，提高了深度学习效果，使深度学习在缺乏充足可用的标计数据时也能够实现规模化应用，适合窄带雷达群目标识别的应用场景。

1.3 基于网络的深度迁移学习

深度迁移学习可分为基于实例的深度迁移学习、基于映射的深度迁移学习、基于网络的深度迁移学习和基于对抗的深度迁移学习[15]。考虑到群目标识别工作实际，本文采用基于网络的深度迁移学习方法。

基于网络的深度迁移学习是指复用在源域中预先训练好的部分网络，包括其网络结构和连接参数，将其迁移到目标域中使用的深度神经网络[15]。基于网络的深度迁移学习示意图如图2所示。

从图中可看到，首先，在源域中使用庞大的训练数据集训练深度学习网络模型。然后，将源域中预训练的部分网络迁移到目标域，使其成为新的深度迁移学习网络模型的一部分。最后，经过训练调整，该网络参数得到更新，深度迁移学习模型即训练完成。可以将深度迁移学习网络看成两部分，前面层可视为特征提取器，后面层可看作是分类器。

图2 基于网络的深度迁移学习

2 迁移学习数据集及模型

建立训练数据集、构建网络模型是深度学习的两个重要环节，深度迁移学习也不例外。

2.1 建立迁移学习数据集

深度迁移学习属于监督学习，必须建立起训练数据集。群目标迁移学习数据集的建立包括数据标记和数据增强两个步骤。

2.1.1数据标记

建立群目标迁移学习数据集面临的第一个问题是数据标记，也即将数据标记为何种类型。对于群目标识别来说，区分一批一架和一批多架(含二架)是有意义的，主要原因有以下几点：

首先，因为对群目标与单目标的区分有迫切的现实需求。编队飞行的群目标与一批一架目标在雷达显影上不易区分，容易混淆，因此会造成误判乃至延误战机。其次，因为群目标与单目标在显影特征上有一定差别。实践经验表明：基于窄带雷达A显的飞机目标回波特征是幅度较大、宽度较宽、波色较亮,单机波峰稳定,而双机以上编队则波峰跳动或抖动，波内组织复杂[16]，经验丰富的操作员对这些差别可以有效辨别。最后，因为一批多架的群目标显影数据难以搜集，要实现群目标的具体架数识别还缺少数据支持。

故此，本文根据防空预警工作实际，搜集并标记某型窄带雷达群目标及非群目标两类回波显影样本数据，给每类数据打上相同的数字标签，分别为0、1，以便深度学习网络训练。 两类样本实例见图3，其中左图为一批两架群目标，右图为一批一架非群目标。

图3 两类样本实例

2.1.2数据增强

建立群目标迁移学习数据集面临的另一个问题是数据量偏少。虽然深度迁移学习对数据规模要求不高，但因为群目标回波显影数据较难获取，为避免模型过拟合，必须对真实数据进行数据增强，以提高模型的泛化能力。

对于基于窄带雷达A显的回波显影图像，数据增强措施之一是对图像适当展宽与拉伸，以模拟目标大小、距离及其他因素对窄带雷达显影的影响。不同型号雷达对回波信号的处理方式不一，回波显影图像数据增强幅度也有所不同，但展宽拉伸的范围都应在雷达探测范围、门限范围内。数据增强措施之二是对图形适度平移，以模拟目标回波图像截取位置偏差带来的影响。根据某型雷达实际，本文中展宽范围在1/2波宽内取随机值，拉伸范围在1/3波峰高度内取随机值，平移偏移量在一个波宽内取随机值，通过Python语言调用Opencv库来编程实现。考虑到迁移学习模型以Inception-v3为基础，而Inception-v3模型输入必须为299像素彩色图像，因而统一把所有显影图像缩放为299×299×3尺寸，然后进行4种展宽变换、4种拉伸变换、4种平移变换，将原始数据的40张样本图像将扩充到 2 560张。数据增强效果见图4。其中,左图为一批两架群目标增强效果，右图为一批一架群目标增强效果。

图4 增强后的效果

2.2 构建深度迁移学习模型

在迁移学习中，对于预训练模型的处理，主要有微调和特征提取两种方式[17]。鉴于源域训练集数据与目标域训练集数据种类不同的情况，这里采取特征提取的方式。特征提取是重新设计原模型的后面层，通过目标域数据集训练得到与待解决问题相符的输出层。该方式需要对深度学习模型进行改进，重新构建连接层、分类层或者部分卷积层。

深度迁移学习模型可以基于原有成熟模型构建[18]。鉴于Google开源的Inception-v3模型均衡的性能、较少的参数、较快的的响应速度，本文以该模型为基础进行构建。保留模型所有隐层，以提取显影图像特征，重新构建全连接层及分类层，把这些特征经过全连接层进行分类，实现对目标回波显影图像的区分。图5为该模型结构。

图5 深度迁移学习模型结构图

如图5所示，Inception-v3模型的后三层被丢弃，重新构建了Dropout层、全连接层及输出层，将分类结果设置为两类。模型瓶颈层的结果输出为新的迁移学习模型所提取的特征， Bottleneck feature 位置即为显影图像特征输出位置，该结果是 2 048长度的特征向量。获得该特征向量之后，经Dropout后，将其输入一个全连接层进行分类，迁移学习模型全连接层的模型结构示意图见图6。左侧为 2 048个神经元，对应模型瓶颈层输出的特征向量，右侧输出设置为n个。本文只选用2个输出，对应群目标与非群目标两类结果，后期根据需要可选取多个输出，对应群目标具体架数。

图6 全连接层的模型结构

3 实验分析

为验证算法的有效性及实用性，对零基础深度学习与运用深度迁移学习方法做了实验对比。实验平台为32位Windows7系统，CPU3.6 GHz，内存8 GB，用Python语言编程，采用Tensorflow框架CPU版本实现。

3.1 零基础深度学习效果

采用Inception-v3模型进行零基础训练时，必须建立规模庞大的数据集，这里对真实数据进行更大范围的数据增强，形成每类样本5万张图片的数据集，数据增强方法同2.1.2节所述。超参数设置为：学习率ξ=0.01，正则项f=0.1，批大小 (BatchSize) 选为 16，迭代步数设为7 500。将训练集数据输入Inception-v3网络模型进行训练，网络模型的交叉熵损失值和识别准确率随着迭代次数的变化如图7所示。

图7 零基础学习效果

可以看到随着迭代步数的增大，识别准确率在上升，在7 000 步之后数据集的识别正确率最终达到90.13%，并且还有进一步提高的趋势。交叉熵损失值也随迭代步数的增加逐步变小。但同时也看到训练的过程中准确率与损失值波动较大，训练时间偏长，到7 500步训练中断时共用时186 h。

3.2 深度迁移学习效果

采用2.2节深度迁移学习模型，对2.1节所建立的数据集进行训练，网络超参数设置不变，网络的识别准确率和损失值随着迭代次数的变化见图8。

图8 迁移学习效果图

可以看到在1 500步时识别正确率就已达到97.73%，之后数据集的识别正确率和损失函数值已无较大波动。整体用时0.3 h。

由表1可知，不管是从训练耗时还是准确率来看，很明显基于深度迁移学习的方法都更具实用性。

表1 学习效果

4 结论

通过建立群目标显影迁移学习数据集，使用基于Inception-v3模型构建的迁移学习模型对数据集训练，得到群目标识别模型。实测数据表明，该模型在窄带雷达群目标识别上效果较好，具备了一定的实用价值。在未来的工作中，将对模型进行进一步改进，使之在群目标架数、目标型别识别等方面发挥更好的作用。