基于代价敏感剪枝卷积神经网络的弹道目标识别

向前，王晓丹，宋亚飞，李睿，来杰，张国令

（空军工程大学 防空反导学院，西安 710051）

高分辨距离像（High-Resolution Range Profile，HRRP）是宽带雷达的回波在对应散射距离单元上的叠加，包含了散射源丰富的结构信息，且具有获取容易、处理速度快等优势，可作为弹道目标识别的有效信息［1-2］。

作为深度学习的经典算法之一，卷积神经网络（Convolutional Neural Network，CNN）［3］具有较强的特征提取能力，在基于HRRP的雷达目标识别领域中具有较多的研究与应用。例如，Chen等［4］将极值理论引入到CNN中，并使用openmax层代替Softmax分类器用于估计HRRP样本属于已知类别和未知类别的概率，解决了HRRP的开集识别问题；Guo等［5］使用多尺度卷积核提取HRRP的不同精细度特征，并构造中心损失函数对网络进行训练，有效克服了目标平移敏感性和姿态敏感性问题；Wan等［6］将原始的一维HRRP数据转化为二维的光谱图，并利用深度CNN对HRRP光谱图进行识别，同时引入了基于反卷积的解码器结构克服了离群值的影响，相比基于原始HRRP的识别方法具有更高的识别正确率；Wen等［7］结合迁移学习技术，先利用视角完备的HRRP辅助数据集对一维CNN（One-Dimensional CNN，1D-CNN）进行预训练，再使用真实数据对预训练的模型进行微调，提高了视角不完备条件下的HRRP识别效果。

虽然以上基于CNN的方法解决了特定条件下的雷达目标识别问题，但对于弹道导弹目标HRRP识别而言，仍然存在以下2个方面的不足：

1）以目标的整体识别正确率为目标，忽略了各类目标的误识别代价。对于弹道目标识别，把弹头误识别为诱饵比把诱饵误识别为弹头所产生的代价大得多［2］，因此，考虑误识别代价的影响至关重要。……