深度学习在雷达中的研究综述

雷达作为一种通过电磁波探测物体的电子设备，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，从而满足军事以及社会科学等方面的需求。此外，近些年，深度学习成为各个领域的研究热点。在雷达领域，同样可通过深度学习算法实现信息处理。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。

北京航空航天大学王俊教授的团队对近期深度学习算法在雷达信号处理中的典型应用及研究进行总结，并且凝练了在该领域中亟待解决的部分问题。

该工作已发表在《雷达学报》2018年第4期 “深度学习在雷达中的研究综述”（王俊，郑彤，雷鹏，魏少明）。

图1 文献综述介绍流程

该文对深度学习在雷达中的已有研究进行了总结。其主要通过对不同雷达信号的类型进行划分，分别归纳深度学习在相应场景下的研究情况（图1）。首先，对典型的深度学习网络的基本原理进行介绍，包括卷积神经网络（CNN）、自编码器以及深度置信网络。进而，根据雷达信号形式的不同，依次总结基于深度学习的合成孔径雷达图像（SAR）、高分辨距离像、微多普勒谱图以及距离多普勒谱图的处理方法。该研究中所涉及的大部分方法均用来实现对目标的检测与识别。其中，由于SAR的特点，即具有全天时、全天候观测，以及穿透云雾、植被等覆盖物的能力，拥有多极化、多频段的信息等，所以，大部分目标检测识别研究基于SAR图像展开。此外，鉴于CNN（图2）在图像处理中具有明显优势，因此，基于CNN的SAR图像处理研究尤为丰富。最后，本文讨论了近阶段深度学习研究面临的挑战。其中，当测试数据与训练数据有一定差异，而测试误差明显高于训练误差时，即说明网络泛化能力较差，出现过拟合现象。为了保证网络性能的稳定，如何避免过拟合成为重要的研究方向。此外，由于一般网络参数设置具有“黑箱”特点，为了避免网络设置的盲目性，提升网络可解译性也成为该领域研究的必然趋势。

图2 CNN示意图

本课题组也进行了一系列基于深度学习的雷达信号处理研究工作。其中，为了去除SAR图像中固有斑点噪声对目标识别效果的影响，提出一种双级耦合CNN架构（图3）。首先，在第一级对含有斑点噪声的SAR图像进行基于CNN的去噪处理。进而，在第二级将残留的斑点噪声作为有用信息，协助目标的特征提取，即通过对去噪后图像进行目标分类处理，得到识别结果。此外，本课题组开展了基于MSTAR数据集的一系列实验，说明所提出的方法能够适应带有不同强度的SAR图像的识别问题，提升了目标识别的鲁棒性。

图3 双级耦合CNN架构