基于注意力机制的堆叠LSTM网络雷达HRRP序列目标识别方法

TN95; 传统的雷达高分辨距离像(high resolution range profile,HRRP)序列识别方法依赖于人工特征提取,并且现有的深度学习方法存在梯度消失问题,导致收敛速度慢,识别精度低.针对上述问题,提出一种基于注意力机制的堆叠长短时记忆(attention-based stacked long short-term memory,Attention-SLSTM)网络模型,该模型通过堆叠多个长短时记忆(long short-term memory,LSTM)网络层,实现了 HRRP序列更深层次抽象特征的提取;通过替换模型的激活函数,减缓了堆叠LSTM(stacked LST...

Full description

Saved in:
Bibliographic Details
Published in系统工程与电子技术 Vol. 43; no. 10; pp. 2775 - 2781
Main Authors 张一凡, 张双辉, 刘永祥, 荆锋
Format Journal Article
LanguageChinese
Published 国防科技大学信息通信学院,陕西西安710106%国防科技大学电子科学学院,湖南长沙410073 01.10.2021
Subjects
高分辨距离像序列;注意力机制;长短时记忆网络;雷达目标识别
Online AccessGet full text
ISSN1001-506X
DOI10.12305/j.issn.1001-506X.2021.10.09

Cover

More Information
Summary:TN95; 传统的雷达高分辨距离像(high resolution range profile,HRRP)序列识别方法依赖于人工特征提取,并且现有的深度学习方法存在梯度消失问题,导致收敛速度慢,识别精度低.针对上述问题,提出一种基于注意力机制的堆叠长短时记忆(attention-based stacked long short-term memory,Attention-SLSTM)网络模型,该模型通过堆叠多个长短时记忆(long short-term memory,LSTM)网络层,实现了 HRRP序列更深层次抽象特征的提取;通过替换模型的激活函数,减缓了堆叠LSTM(stacked LSTM,SLSTM)模型梯度消失问题;引入注意力机制计算特征序列的分配权重并用于分类识别步骤,增强了隐藏层特征的非线性表达能力.模型在雷达目标识别标准数据集MSTAR上多种不同目的的实验结果表明,所提方法具有更快的收敛速度和更好的识别性能,与多种现有方法对比具有更高的识别率,证明了所提方法的正确性和有效性.
ISSN:1001-506X
DOI:10.12305/j.issn.1001-506X.2021.10.09