(山东大学(威海) 机电与信息工程学院，山东 威海 264209)

1 引 言

在雷达自动目标识别领域，高分辨率距离像(High Range Resolution Profile,HRRP)因具有实时性强、运算量小、容易获取与存储等优点而受到了广泛的研究。目前基于HRRP的目标识别大致分为两个阶段：对HRRP进行特征提取，如FFT幅度谱、功率谱、差分谱、中心矩特征、双谱特征和高阶谱特征等；对特征进行分类识别，如模版匹配法、基于统计学模型的分类算法、支持向量机(Support Vector Machine,SVM)和神经网络等[1]。

在HRRP目标识别研究中，如何提取性能更优良的特征一直是研究的难点。近十年来，随着深度学习在图像分类、目标检测、自然语言处理、语音识别及语义分析等领域取得了巨大成功[2]，许多研究者尝试使用深度学习算法来解决HRRP目标识别问题。文献[3]把基于长短期记忆单元的循环神经网络应用于HRRP识别任务中，文献[4]使用深度置信网络解决HRRP的分类问题，文献[5]提出了基于堆栈自编码器的深层网络识别方法，它们都取得了很好的识别结果。卷积神经网络(Convolutional Neural Network,CNN)作为深度学习模型的一种，通过局部连接和权值共享机制不仅可以降低网络的复杂度，还抑制了网络训练过程中的过拟合，通过池化操作使CNN具有一定程度的平移不变性[2]。CNN在雷达目标识别领域的研究工作方面，文献[6]构建了一个基于CNN的SAR图像目标检测算法架构，文献[7]提出一种基于CNN的深度学习算法用于多基站雷达的HRRP目标识别。

由于CNN具有分层学习特征的能力，可以训练CNN自动地从HRRP中学习有用特征并分类。……