袁 浩，張軍良

(中國電子科技集團公司 第五十四研究所，石家莊 050081)

0 引言

雷達是一種主要利用電磁波來探測目標的電子設備，通過對目標發(fā)射電磁波進行照射并接受其回波來獲得目標的距離、高度、方位等信息[1]。因其具有全天候、全天時、作用范圍廣、穿透能力強等特點[2]，在軍事偵察、目標探測、氣象觀測等多個領域得到了廣泛應用。

近年來隨著小型無人機、無人智能車等小型設備的出現(xiàn)，給雷達目標識別方面帶來了巨大挑戰(zhàn)。此類設備可以被輕易的投放和回收，且由于體積小不易被發(fā)現(xiàn)，可輕松潛入各種目標區(qū)域進行偷拍和探測，給生產(chǎn)生活甚至國家安全帶來了巨大隱患。在使用雷達對此類目標進行探測時，由于其目標小、速度低且種類多樣，接收到的回波能量通常比較低，在復雜環(huán)境的噪聲與雜波影響下，會導致信號回波被背景噪聲所覆蓋。傳統(tǒng)的恒虛警[3](CFAR,constant false alarm rate) 處理技術(shù)是雷達自動檢測系統(tǒng)中一種重要的目標識別方法，能夠根據(jù)雷達雜波數(shù)據(jù)對檢測門限進行動態(tài)調(diào)整，可以使目標檢測概率在虛警概率保持不變的情況下達到最大化[4]。但該方法要求目標與背景噪聲有較大的強度差異[5]，在這種低信噪比的場景下會受到很大限制，對目標的識別率較差。

隨著計算機計算能力的提升以及神經(jīng)網(wǎng)絡的不斷發(fā)展，現(xiàn)如今深度學習發(fā)展十分迅速。將深度學習方法引入到雷達目標檢測識別中，能夠解決傳統(tǒng)方法中人工提取特征困難、模型表達能力不足的問題[6]。同時深度學習方法能夠?qū)δ繕藱z測和識別進行一體化實現(xiàn)，建立從輸入數(shù)據(jù)到輸出檢測結(jié)果的端對端的識別網(wǎng)絡[7]。目前深度學習中的卷積神經(jīng)網(wǎng)絡方法已被應用于許多雷達目標檢測和識別場景中。韓子碩[8]等設計了基于卷積神經(jīng)網(wǎng)絡的深層次特征增強網(wǎng)絡，用于對SAR圖像艦船的檢測問題中；He[9]等設計了基于卷積神經(jīng)網(wǎng)絡的飛機目標檢測算法；KANG[10]等對目標及其周邊特征構(gòu)建上下文信息，并以此來訓練神經(jīng)網(wǎng)絡，有效降低了目標虛警。雖然卷積神經(jīng)網(wǎng)絡在雷達目標識別領域得到了廣泛的應用，但在對小型目標的雷達目標識別應用場景中若想達到較高的準確率需要搭建的網(wǎng)絡層數(shù)較多，往往需要多個卷積神經(jīng)網(wǎng)絡級聯(lián)，導致網(wǎng)絡結(jié)構(gòu)設計較為復雜；另一方面，在處理雷達回波數(shù)據(jù)這類時間序列數(shù)據(jù)時，卷積神經(jīng)網(wǎng)絡也不能很好的利用樣本數(shù)據(jù)的時序相關性來進行訓練。

為減少雷達目標識別模型網(wǎng)絡結(jié)構(gòu)的復雜度，同時考慮到雷達接收的回波數(shù)據(jù)樣本具有時序相關性[11]，選擇相較于卷積神經(jīng)網(wǎng)絡更適合于分析序列數(shù)據(jù)的循環(huán)神經(jīng)網(wǎng)絡模型。在當前研究中，沈夢啟[12]等提出了一種關于寬帶雷達一維高分辨距離像序列的目標識別方法，先使用卷積神經(jīng)網(wǎng)絡抽取目標的特征，再使用循環(huán)神經(jīng)網(wǎng)絡對序列進行識別，準確率優(yōu)于現(xiàn)有的機器學習算法；楊星鑫[13]等提出了一種基于LSTM的無人機實時飛行參數(shù)目標識別方法，通過構(gòu)造目標的飛行軌跡特征，使用雷達探測到的目標飛行數(shù)據(jù)訓練模型，對無人機目標進行識別;徐彬[14]等提出了一種雙向LSTM模型，能夠從前后兩個方向提取雷達高分辨距離像的特征，提高了目標識別性能，并且在樣本發(fā)生平移的情況下仍具有穩(wěn)健的識別率。

可以看出，關于循環(huán)神經(jīng)網(wǎng)絡在雷達目標分類識別的研究多采用雷達高分辨距離像數(shù)據(jù)。但是對目標進行高分辨成像需要雷達設備提供較高的帶寬，且對信號處理機的運算性能有較高的要求。而現(xiàn)階段窄帶雷達技術(shù)成熟，造價低，在很多場景下仍無法被寬帶雷達所替換?？紤]到窄帶雷達目標回波本身無法攜帶目標的形狀、結(jié)構(gòu)等信息。使用雷達同一距離門的目標回波序列構(gòu)建數(shù)據(jù)集，從頻域上分析，目標豐富的微多普勒特征可以用于目標識別，而循環(huán)神經(jīng)網(wǎng)絡模型可以自動提取到這些隱含的特征。因此，本文采集了窄帶雷達實測數(shù)據(jù)，提出一種基于殘差連接長短期記憶網(wǎng)絡的神經(jīng)網(wǎng)絡模型，用于處理包括小型無人機、小型智能車以及行人在內(nèi)的多種類別的雷達目標識別問題。通過實驗仿真并將識別效果進行對比，相比于傳統(tǒng)的恒虛警檢測算法，該模型對于多類小型目標具有更高的識別準確率。

1 循環(huán)神經(jīng)網(wǎng)絡模型

1.1 循環(huán)神經(jīng)網(wǎng)絡

循環(huán)神經(jīng)網(wǎng)絡(RNN,recurrent neural network)是一種用來分析序列數(shù)據(jù)的神經(jīng)網(wǎng)絡模型[15]，可以挖掘出數(shù)據(jù)中的時序信息[16]，對于處理雷達信號回波這類具有序列特性的數(shù)據(jù)非常有效。其網(wǎng)絡結(jié)構(gòu)如圖1所示。

圖1 循環(huán)神經(jīng)網(wǎng)絡基本結(jié)構(gòu)

圖中，X表示輸入到網(wǎng)絡中的特征向量，U表示從輸入層到隱藏層的參數(shù)矩陣，S表示隱藏層向量，V表示從隱藏層到輸出層的參數(shù)矩陣，O表示輸出層向量。W表示每個時間點之間的權(quán)重矩陣，在每一個時刻隱藏層不僅由該時刻的輸入層決定，還會受到上一時刻隱藏層的影響[17]，這是循環(huán)神經(jīng)網(wǎng)絡能夠很好解決序列問題的關鍵之一。因此t時刻的輸出Ot可表示為：

Ot=g(V·St)

(1)

St=f(U·Xt+W·St-1)

(2)

其中:St、St-1分別代表t時刻和t-1時刻的隱藏層的值?？梢钥吹诫[藏層的St的數(shù)值不僅與該時刻的輸入xt有關，還與前一時刻的隱藏層數(shù)值St-1有關，同時St-1又會與St-2有關，所以當前時刻的St包含了其歷史時刻的信息。這是循環(huán)神經(jīng)網(wǎng)絡區(qū)別于傳統(tǒng)前向神經(jīng)網(wǎng)絡的特別之處，這種循環(huán)連接收集當前信息的上下文關聯(lián)的方式，使得循環(huán)神經(jīng)網(wǎng)絡可以更好的處理帶有時序特征的信號，因此在處理雷達目標識別時也能比使用卷積神經(jīng)網(wǎng)絡取得更好的效果。

模型訓練過程中，使用反向傳播[18]的方法BPTT(backpropagation through time)對參數(shù)進行調(diào)整。但在處理雷達目標識別樣本序列這種長時間序列時難免會造成梯度爆炸或消失，這是普通循環(huán)神經(jīng)網(wǎng)絡難以被直接應用的原因。

1.2 LSTM網(wǎng)絡

為解決梯度消失或者梯度爆炸的問題，考慮使用循環(huán)神經(jīng)網(wǎng)絡的一種改進網(wǎng)絡即長短期記憶網(wǎng)絡[19](LSTM,long short-term memory)來設計網(wǎng)絡模型。其單元結(jié)構(gòu)如圖2所示。

圖2 LSTM單元結(jié)構(gòu)

可以看到與普通循環(huán)神經(jīng)網(wǎng)絡相比，LSTM的特點是設置了門控機制，整個門控機制包括遺忘門、輸入門和輸出門三個部分[20]。除門控機制外，LSTM還增加了記憶狀態(tài)C這一元素[21]。本期記憶狀態(tài)值Ct由上期狀態(tài)值Ct-1經(jīng)遺忘門過濾到本期的部分以及本期新增的部分所決定。LSTM網(wǎng)絡的反向傳播過程計算[22]如下：

(3)

LSTM模型反向傳播過程中通過遺忘門、輸入門、輸出門等參數(shù)的更新調(diào)整，可以有效避免普通循環(huán)神經(jīng)網(wǎng)絡在網(wǎng)絡訓練過程中出現(xiàn)梯度爆炸或消失的情況。

2 基于殘差連接LSTM的多目標識別網(wǎng)絡

2.1 多層LSTM網(wǎng)絡

當面對復雜的分類任務和大量的樣本數(shù)據(jù)時，單隱藏層的LSTM網(wǎng)絡通常會難以很好地提取樣本特征，易導致網(wǎng)絡欠擬合[23]。為解決這一問題，通常使用多層網(wǎng)絡來增加網(wǎng)絡深度和參數(shù)數(shù)量，進而能夠更好地提取樣本特征并提高對復雜樣本的擬合能力。因此為解決雷達多類別目標識別的問題，嘗試設計多層LSTM網(wǎng)絡，使用上一層網(wǎng)絡的輸出作為下一層網(wǎng)絡的輸入來進行訓練，多層LSTM網(wǎng)絡結(jié)構(gòu)如圖3所示。

圖3 多層LSTM網(wǎng)絡結(jié)構(gòu)圖

多層LSTM網(wǎng)絡的每個隱藏層提取到的特征信息都將作為下一層網(wǎng)絡的輸入，從而達到提取樣本數(shù)據(jù)深層特征信息的目的[24]，使得網(wǎng)絡具備對多類別目標樣本的識別和分類能力。多層循環(huán)神經(jīng)網(wǎng)絡相比于單層網(wǎng)絡，雖然網(wǎng)絡的深度和參數(shù)規(guī)模大大增加，但訓練時長并沒有大幅增加，且對于雷達目標的識別能達到更好的效果。

2.2 殘差結(jié)構(gòu)設計

LSTM在一定程度上增加網(wǎng)絡層數(shù)有利于更好提取樣本特征，但隨著網(wǎng)絡層數(shù)的增加，模型的訓練效果并不總是會得到提升[25]。在神經(jīng)網(wǎng)絡可收斂的前提下，網(wǎng)絡模型的表現(xiàn)往往是隨著深度的增加先逐漸趨于飽和之后迅速下降，且這種變化不是由過度擬合引起，這便是網(wǎng)絡退化問題。為解決這一問題，何愷明[26]等在ResNet網(wǎng)絡中提出了殘差連接的概念，主要以跳層連接的形式實現(xiàn)，如圖4所示。

圖4 殘差連接模塊

殘差模塊的輸出結(jié)果為：

H(x)=F(x,wi)+x

(4)

其中:x表示某網(wǎng)絡層輸入，H(x)表示期望輸出，wi表示權(quán)重，函數(shù)F(x)表示待學習的殘差映射。理想情況下，深層網(wǎng)絡的表現(xiàn)相較于淺層網(wǎng)絡應該至少是持平的，但由于非線性激活函數(shù)的存在，每一層網(wǎng)絡的輸入和輸出幾乎是不可逆的，這就造成了很多不可逆的信息損失。殘差連接通過式(4)構(gòu)造恒等映射來解決這一問題，若要讓深層網(wǎng)絡學習恒等映射H(x)→x，就等價于令殘差分部F(x)→0，網(wǎng)絡的學習目標從學習完整的輸出變?yōu)閷W習如何使殘差逼近于0。通過擬合恒等映射，打破了傳統(tǒng)神經(jīng)網(wǎng)絡某一層只能使用上一層的輸出作為該層輸入的慣例，有利于保證網(wǎng)絡不會隨著層數(shù)增加而發(fā)生信息損失，導致網(wǎng)絡退化情況的出現(xiàn)。

2.3 基于殘差連接LSTM的多目標識別模型

由于應用場景涉及到對無人機、小型智能車、行人以及噪聲等四類樣本，首先對樣本種類進行標簽化，設置無人機標簽為0，行人標簽為1，智能車標簽為2，噪聲標簽為3，之后將類別標簽轉(zhuǎn)化為one-hot形式：

(5)

其中,第一行到第四行分別為無人機、行人、智能車和噪聲標簽的one-hot形式。

在對網(wǎng)絡進行設計時，網(wǎng)絡結(jié)構(gòu)的設置至關重要。如果網(wǎng)絡結(jié)構(gòu)設計相對簡單，對于數(shù)據(jù)集的特征信息就難以得到全面表達，導致網(wǎng)絡訓練發(fā)生欠擬合，即與訓練集相比，驗證集的準確率與損失函數(shù)會有較大差距；相反，如果將網(wǎng)絡結(jié)構(gòu)設計過于復雜，訓練時輸入的數(shù)據(jù)集規(guī)模就需要很大，否則可能會發(fā)生過擬合的問題，導致在訓練集以外的數(shù)據(jù)集上難以很好的擬合數(shù)據(jù)。經(jīng)過多次試驗和調(diào)整，模型中識別網(wǎng)絡結(jié)構(gòu)設計如圖5所示。

圖5 識別網(wǎng)絡結(jié)構(gòu)

該基于殘差連接LSTM的網(wǎng)絡模型共包含9層網(wǎng)絡，包括5個LSTM層和4個Dense層。每層網(wǎng)絡的可處理的序列長度均為100，其中每個LSTM單元內(nèi)都包含128個cell單元。數(shù)據(jù)樣本通過輸入層進入網(wǎng)絡后，經(jīng)過兩層LSTM和一層Dense層將數(shù)據(jù)的特征維度擴大為128。再經(jīng)過兩個LSTM層和Dense層后，通過最后一個LSTM層進行輸出，將輸出結(jié)果輸入到最后一個Dense層得到樣本類別預測概率。為了防止發(fā)生過擬合，在每個LSTM層中都設計了dropout層，以0.1的概率隨機對權(quán)值進行丟棄。在網(wǎng)絡結(jié)構(gòu)中最后兩個LSTM層的輸入處分別加入一個殘差連接，使其能夠盡可能擬合恒等映射，避免產(chǎn)生信息損失導致網(wǎng)絡退化情況的出現(xiàn)。

在該模型中，使用在多類別分類問題當中常用的Categorical Cross-Entropy(CCE)函數(shù)[27]作為損失函數(shù)。CCE函數(shù)由激活函數(shù)softmax和損失函數(shù)Cross-Entropy兩部分組成。softmax函數(shù)形式如下：

(6)

該函數(shù)可以將一個多維的實數(shù)向量映射成另一個相同維數(shù)的實數(shù)向量，映射后向量中的每個元素均為取值范圍在[0,1]之間的實數(shù)。通過softmax函數(shù)的歸一化操作，使得樣本類別的輸出概率和為1。便于最后通過輸出值對目標進行分類。

Cross-Entropy函數(shù)形式如下：

(7)

Ppredict=[α1,α2,α3,α4]

(8)

其中：滿足α1+α2+α3+α4=1。對于最后輸出的樣本類別預測概率，設定如下分類判定標準：若α1>0.6，則根據(jù)之前類別標簽的one-hot形式，將該樣本判別為0號標簽，即無人機；同理若α2>0.6，則將其判別為1號標簽，即行人，以此類推。若4個概率值均不大于0.6，則不分類。以此為標準來訓練網(wǎng)絡的識別能力。

3 仿真與結(jié)果分析

3.1 實驗數(shù)據(jù)集

采集數(shù)據(jù)的雷達系統(tǒng)采用線性調(diào)頻連續(xù)波體制。線性調(diào)頻連續(xù)波雷達根據(jù)目標回波的差拍信號頻率與目標距離成正比的關系，對目標回波差拍信號進行FFT運算，得到目標距離信息。其處理流程如圖6所示。

圖6 流程處理圖

這里選擇將雷達MTI處理輸入前的距離維解調(diào)數(shù)據(jù)作為數(shù)據(jù)集，實驗中使用的數(shù)據(jù)樣本由實測得到，目標的類別包括行人、智能車、無人機和接受機噪聲，以距離門為單個樣本單元并標注信號類別標簽構(gòu)建數(shù)據(jù)集、驗證集和測試集。最后得到四類目標樣本，樣本特征的兩個維度為IQ正交兩路信號，樣本樣例如圖7～10所示。

圖7 無人機雷達回波樣本樣例

圖8 小型智能車雷達回波樣本樣例

圖9 行人雷達回波樣本樣例

圖10 接收機噪聲樣本樣例

圖7～10分別展示了無人機、智能車、行人和接收機噪聲樣本的樣例，其中橫坐標軸均表示雷達同一距離門的多普勒維點數(shù)，縱坐標軸均表示信號幅值的大小。以雷達系統(tǒng)采樣之后得到的IQ正交兩路信號作為樣本特征的兩個維度，以長度固定的規(guī)格為300*2的數(shù)字序列形式進行存儲。使用上述樣本集來制作數(shù)據(jù)集，構(gòu)建的樣本尺寸為(300,2)，共得到8 000個樣本。為增加樣本數(shù)量可嘗試對數(shù)據(jù)樣本進行切割，再將其分割成3個尺寸為(100,2)的小樣本輸入到識別網(wǎng)絡中，分割后樣本的兩個維度為歸一化處理后雷達系統(tǒng)采樣得到的IQ正交兩路信號。這樣得到的數(shù)據(jù)集總樣本量為24 000個，共分為智能車、行人、無人機、噪聲4類，每類的樣本各有6 000個。將樣本集按照6∶2∶2的比例劃分為訓練集、驗證集和測試集三部分，如表1所示。

表1 數(shù)據(jù)集的劃分

3個數(shù)據(jù)集之間相互獨立，樣本之間無重復性。

3.2 模型訓練

模型的訓練在單GPU上進行，GPU型號為NVIDIA GeForce GTX 1080，基于Python編程環(huán)境在TensorFlow框架下調(diào)用LSTM單元搭建循環(huán)神經(jīng)網(wǎng)絡。訓練過程設置每次迭代的batch_size=256，迭代次數(shù)epoch=200。網(wǎng)絡訓練過程如下：

1)初始化網(wǎng)絡結(jié)構(gòu)和參數(shù)。使用Adam優(yōu)化器進行優(yōu)化，將初始學習率lr設置為0.002。設置學習率衰減機制，以驗證集的準確率為參考，若準確率在十次迭代后沒有得到優(yōu)化，則將當前學習率乘以衰減系數(shù)得到新的學習率，衰減系數(shù)設為0.95。

2)正向傳播。從訓練數(shù)據(jù)集中隨機抽取樣本輸入網(wǎng)絡，計算各層LSTM網(wǎng)絡的輸出，輸出樣本的類別預測概率。

3)反向傳播。計算并記錄每次迭代之后訓練集和驗證集之間的誤差，計算損失函數(shù)并通過梯度下降的方法來優(yōu)化更新網(wǎng)絡參數(shù)。

4)進行迭代訓練，不斷優(yōu)化網(wǎng)絡模型。設置訓練停止條件，以驗證集的損失函數(shù)值為標準，判斷是否繼續(xù)進行訓練，若在任意十次迭代后損失函數(shù)值沒有得到優(yōu)化則停止訓練。

3.3 結(jié)果分析

使用處理好的樣本集在網(wǎng)絡模型上進行訓練，訓練集中每類樣本各3 600個，總數(shù)為14 400個，當滿足停止訓練條件時則結(jié)束網(wǎng)絡訓練過程。定義識別準確率如下：

(12)

其中:Ptrue表示被正確分類的樣本數(shù)，Pn表示總樣本數(shù)。記錄訓練過程中訓練集和驗證集的識別準確率以及損失函數(shù)值，其結(jié)果如圖11和12所示。

圖11 訓練與驗證過程識別準確率變化

圖11和圖12展示了訓練過程中識別準確率與損失函數(shù)值的變化，可以看到模型在第63次迭代后達到收斂并停止了訓練，最終得到的模型在驗證集上的識別準確率達到96%，且未發(fā)生欠擬合或者過擬合現(xiàn)象。使用傳統(tǒng)恒虛警檢測方法與基于卷積神經(jīng)網(wǎng)絡的雷達目標識別模型在同樣數(shù)據(jù)集上進行對比試驗，訓練結(jié)果及得到的模型大小分別如表2、表3所示。

圖12 訓練與驗證過程損失函數(shù)值變化

表2 不同雷達目標識別方法準確率對比

表3 不同雷達目標識別方法模型大小對比

由表2可知殘差連接LSTM模型在處理多類別目標識別問題上相比于傳統(tǒng)恒虛警檢測方法具有更高的識別準確率,與卷積神經(jīng)網(wǎng)絡模型相比識別準確率相當甚至較優(yōu)。結(jié)合表2與表3來看，殘差連接LSTM模型的模型相較于卷積神經(jīng)網(wǎng)絡模型規(guī)模更小且參數(shù)個數(shù)更少，這是由于循環(huán)神經(jīng)網(wǎng)絡對于雷達回波數(shù)據(jù)的時序特性更為敏感，因此也可以達到與網(wǎng)絡模型更為復雜的基于卷積神經(jīng)網(wǎng)絡的目標識別模型水平相當?shù)淖R別準確率。相較于卷積神經(jīng)網(wǎng)絡模型來說具有模型更小參數(shù)更少的優(yōu)勢。

使用測試集對傳統(tǒng)恒虛警算法、訓練好的卷積神經(jīng)網(wǎng)絡模型以及訓練好的殘差連接LSTM模型分別進行測試，評估其具體的多類別目標識別性能并進行對比。測試集中各類樣本的數(shù)量各有1 200個，總計有4 800個。通過混淆矩陣來展示預測結(jié)果，測試結(jié)果如圖13～15所示。

圖13 恒虛警算法預測結(jié)果

圖14 卷積神經(jīng)網(wǎng)絡模型預測結(jié)果

其中縱坐標軸均表示樣本真實類型，橫坐標軸均表示對樣本的預測類型，由圖13～圖15可以看出，在與訓練集和驗證集都獨立的測試集測試下，傳統(tǒng)的恒虛警算法對于無人機、行人、智能車等類別目標的識別準確率分別僅有85%、82%和83%；卷積神經(jīng)網(wǎng)絡模型對于無人機、行人、智能車等類別目標的識別準確率分別為95%、93%和93%；而基于殘差連接的LSTM的雷達目標識別模型對于無人機、行人、智能車等多類別目標的識別準確率則分別達到了97%、94%和96%。對于無人機目標的識別準確率比行人目標的識別準確率高約3%的原因主要在于采樣時，無人機的運動過程及飛行狀態(tài)較為規(guī)律，因此其樣本特征較為規(guī)則；而不同行人的動作與行為的變化較大，較為不規(guī)律，因此樣本特征相對來說復雜一些，可能會導致識別效果稍差。依據(jù)測試得到的混淆矩陣分別計算3種算法的F1值，如表4所示。

表4 不同算法F1值對比

由表4可以看出,基于殘差連接LSTM的雷達目標識別模型對于目標的分類預測效果明顯優(yōu)于傳統(tǒng)恒虛警算法；與卷積神經(jīng)網(wǎng)絡模型相比效果相近，但基于殘差連接LSTM的識別模型網(wǎng)絡規(guī)模要更小一些，在訓練和使用上能夠更為方便。實驗證明基于殘差連接LSTM的雷達目標識別模型的識別性能比傳統(tǒng)恒虛警算法更好，且能在模型規(guī)模更小的情況下達到與卷積神經(jīng)網(wǎng)絡模型相當?shù)淖R別效果。

4 結(jié)束語

針對傳統(tǒng)雷達目標識別方法在實際應用中面臨環(huán)境噪聲復雜且目標回波信號弱的情景時，無法高效地完成對無人機、智能車、行人等小型目標檢測任務的問題，考慮使用深度學習方法來解決。針對卷積神經(jīng)網(wǎng)絡模型網(wǎng)絡結(jié)構(gòu)相對復雜且對雷達回波數(shù)據(jù)的時序特性不敏感的情況，考慮到循環(huán)神經(jīng)網(wǎng)絡善于分析序列數(shù)據(jù)的特性，以雷達多普勒維的回波序列構(gòu)建數(shù)據(jù)集，提出一種基于殘差連接LSTM網(wǎng)絡的雷達目標分類識別方法，通過訓練殘差連接LSTM網(wǎng)絡來提高對多種類目標的識別準確率。實驗證明，基于殘差連接LSTM的雷達目標識別模型相較于卷積神經(jīng)網(wǎng)絡模型參數(shù)更少規(guī)模更小，且能夠在對無人機、智能車、行人和噪聲等四種目標的識別與分類中達到水平相當?shù)男Ч?，與傳統(tǒng)恒虛警檢測算法相比得到了更好的識別準確率和F1值，比傳統(tǒng)恒虛警算法的識別效果更好。