基于混合核深度适配网络的HRRP目标识别

王国帅，汪文英，魏 耀，郑玄玄，雷志勇

(南京电子技术研究所，江苏南京 210039)

0 引言

随着高分辨率宽带雷达技术的兴起，HRRP目标识别成为国内外研究的热点[1-2]。HRRP能够提供目标的距离结构信息，包括目标散射点沿雷达径向分布的强弱特征，数据容易获取和处理[3]。基于HRRP目标识别传统的方法包括支持向量机[4](SVM)、模板匹配[5]等。随着深度神经网络的飞速发展，其可以充分挖掘数据更深层次的特征，显著提高了目标识别精度[6-7]。张等[8]使用自编码器与SVM相结合的方式将HRRP识别率提高到95%，殷等[9]直接使用卷积神经网络将HRRP识别率提高98%左右。

为了了解深度学习的迁移性能。Yosinski等[10]研究表明CNN的卷积层得到的是目标的通用特征，迁移学习可有效提升深度网络的收敛速度，提高网络的泛化性能。微调作为最简单深度网络迁移方法被广泛地使用[11-12]。但是这个过程是需要目标域数据标签信息，而且不适用于源域数据与目标域数据分布不同的情况，因此深度网络自适应方法被提出来。Ghifary 等[13]在特征层添加了一层自适应层，但由于网络层数有限，表征能力差，并没有解决数据分布不同的问题。Tzeng 等[14]提出了DDC (Deep Domain Confusion)，改善了当数据分布不同时深度网络的迁移性能。Long 等[15]提出了深度适配网络DAN，在DDC的基础上增加了自适应层的数量，并使用表征能力更好的多核MMD(Multi-Kernel MMD，MK-MMD)替代DDC中的MMD。该方法在Office-31数据集上效果比DDC高5%，使模型获得更优的泛化性能。

本文将DAN引入到HRRP目标识别中，并对其作了一些改进。实验中使用CNN提取目标特征，为了解决识别模型的泛化性能差的问题，在模型的全连接层增加自适应层，创新性地提出了混合核函数MMD方法来度量数据之间的差异。……