深度学习在雷达中的研究综述（一）
深度学习在雷达中的研究综述
王俊
, 郑彤, 雷鹏, 魏少明
摘要：雷达通过发射天线发射电磁波，经过不同物体反射接收到相应的反射波，对其接收结果进行分析，能得到物体距雷达的位置，径向运动速度等信息，所以对雷达信号的分析具有重要的研究意义。近些年深度学习成为各个领域的研究热点，而在雷达领域同样可通过深度学习算法实现对信号的相应的信息处理。与传统方法相比，深度学习算法具有自动提取深层特征、获取较高准确率等优势。该文具体介绍了近期典型的深度学习算法在雷达信号处理中的应用及研究情况。此外，该文介绍了两个在雷达领域中应用深度学习亟待解决的问题，即过拟合和可解译性。
关键词：雷达 深度学习 信号处理
Study on Deep Learning in Radar
Wang Jun, Zheng Tong, Lei Peng, Wei Shaoming
Abstract: Electromagnetic waves are transmitted by radars and reflected by different objects, and radar signal processing is highly significant as its analyses can lead to the acquisition of important information such as the situation and radial movement speed. Moreover, deep learning has gained much attention in several fields, and it can be utilized to implement radar signal processing. Compared with the traditional methods, deep learning can realize automatic feature extraction and yield highly accurate results; hence, in this paper, the application of deep learning algorithm in radar signal processing is studied. In addition, the study directions in radar signal processing are summarized into overfitting and interpretation. Thus, these two issues are being considered.
Key words: Radar Deep learning Signal processing
1 引言
雷达是一种通过电磁波探测物体的电子设备。其主要包括：发射机、发射天线、接收机、接收天线以及信号处理部分。发射机通过发射天线，将电磁波向外发射，在某方向上与物体发生碰撞，电磁波发生反射，反射回波则被接收天线和接收设备接收，传至信号处理部分进行分析。该过程能够有效提取物体距雷达的距离、物体径向运动速度等信息。并且这些信息能够满足许多应用场景的需求。例如，在军事方面，其根据雷达所实现的功能不同，可分为预警雷达[1–3]、搜索警戒雷达[4–6]、导航雷达[7–9]以及防撞和敌我识别雷达等等。在社会科学发展方面，雷达可应用于气象预报[10–12]、资源探测[13–15]、环境监测[16–18]等。鉴于雷达的广泛应用场景，对雷达信号处理的研究就显得至关重要。
近些年，深度学习成为各个领域的研究热点，且在雷达领域同样如此。本文主要介绍通过深度学习方法对不同形式雷达数据进行处理的研究情况，整体框架如图1所示。经过调研发现，针对不同雷达成像原理以及信号处理方法，可获得不同形式的雷达数据。例如，合成孔径雷达(Synthetic Aperture Radar, SAR)图像[19–24]、高分辨距离像(High Range Resolution Profiles, HRRP)[25–28]、微多普勒(Micro-Doppler)谱图[29–32]以及距离多普勒(Range-Doppler, R-D)[33–36]谱图等。本文则主要针对上述可获取的雷达数据进行深度学习方法处理。其中，深度学习在SAR图像处理领域已得到广泛应用，典型应用的网络包括卷积神经网络(Convolutional Neural Network, CNN)[37]、稀疏自编码器(Sparse AutoEncoder, SAE)[38]以及深度置信网络(Deep Belief Network, DBN)[39]等等。其中，由于CNN在图像处理中具有明显优势，因此，基于CNN的SAR图像处理应用最为广泛。本文同时介绍了通过上述3类网络以及其他深度学习方法对HRRP, Micro-Doppler特征, R-D谱图等雷达数据进行处理的研究近况。
 | 图 1 本文介绍流程Fig.1 Flow chart of this paper |
2 典型深度学习网络基本原理2.1 CNN基本原理
20世纪60年代，Hubel和Wiese研究猫脑皮层发现用于局部敏感和方向选择的神经元具有独特的网络结构，该结构可以降低反馈神经网络的复杂性，针对此研究提出了CNN。近些年，针对CNN具有避免图像的复杂前期预处理的优势，该网络被广泛应用于图像的模式分类领域。其基本架构如图2所示，经典的CNN一般包括卷积层、池化层、全连接层和分类器。
 | 图 2 CNN结构示意图Fig.2 Typical CNN structure |
在卷积层中，其目的是对图像进行特征提取。即通过对上一层输出的特征图进行卷积，并在加入偏置后通过一个激活函数激活，得到当前层的输出特征图，即得到当前层对应特征情况，如式(1)所示：
 |
其中， x
表示特征图， Mj 表示输入特征图的集合， k 为卷积核， b 为偏置， l 是层序号， i 是卷积核序号，j
是特征图通道序号。对于池化层而言，该层设置的目的是对图像进行下采样处理，而经典的池化方法包括：最大池化、均值池化等。在全连接层中可将上一层得到的特征图进行按顺序排列，得到1维向量，对其进行典型神经网络连接。最后，对于不同神经元的输出进行分类器分类，一般采用softmax或支持向量机(Support Vector Machine, SVM)分类器，得到分类标签。
在学习过程中，其主要针对网络中的卷积核、偏置情况进行学习，即需要通过反向迭代更新网络参数，进而使网络获得稳定的识别效果，网络训练结束。其中，反向迭代更新过程是通过对训练误差进行随机梯度下降处理。在典型的CNN中，训练误差由式(2)表示：
 |
其中， tnk
表示第 n 个样本对应标签的第 k 维， ynk 表示第 n 个样本对应网络输出的第 k 维， N 表示训练样本数， c
表示待识别的种类数。
2.2 SAE基本原理
自编码器(AutoEncoder, AE)是一种尽可能复现输入信号的神经网络，可以代表输入数据的最重要的因素，并且其类似主成分分析方法，能够代表原信息的主要成分。其结构如图3所示。在AE的基础上加上L1正则化限制，就可以得到一个SAE。该限制使每次的编码表达尽量稀疏，更为有效。
 | 图 3 AE结构示意图Fig.3 Typical AE structure |
AE尝试学习一个尽量满足 hw,b(x)≈x
条件的网络。即当网络输出接近于输入时，说明隐层神经元可以表示为输入元素的特征。在讨论SAE的代价函数表示时，首先需要引入激活度的概念。用 a(2)j(x) 表示给定输入为 x 的情况下，AE的隐层神经元 j 的激活度，则将隐层神经元 j
的平均激活度记为：
 |
其中， m
为神经元个数。SAE是在AE的基础上加入稀疏性限制，而该限制的目的是使隐藏神经元的平均激活度特别小。为了满足该条件，需要在原始神经网络约束条件下加入稀疏性限制这一项，作为额外的惩罚因子，也称为相对熵，如式(4)所示：
 |
其中， s2
是隐层神经元数量， ρ 是稀疏性参数。可以发现，当满足 ρ=ρ^j
条件时相对熵获得最小值。
SAE的总体代价函数可表示为：
 |
