赵飞翔，杜 军，刘 恒，马子龙

(中国华阴兵器试验中心，陕西 华阴 714200)

0 引 言

雷达目标识别在国防和经济建设中发挥着重要作用[1]。常用的识别方法可分为以下两种类型：一种是基于合成孔径雷达(Synthetic Aperture Radar,SAR)图像和逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)图像的目标分类识别；另一种是基于高分辨一维距离像(High-resolution Range Profile,HRRP)的目标分类识别。比起SAR/ISAR图像，HRRP因其获取和处理相对容易，在雷达目标识别中得到了广泛关注[2]。

HRRP[3]可以看作是利用宽带雷达信号获得的目标散射点子回波沿雷达视线方向上投影的矢量和，它包含有目标的重要信息，例如目标的大小、散射中心的分布等。当使用HRRP进行目标识别时，传统方法仅使用其幅度信息，而丢失其相位信息[4]，这样势必造成目标信息不完备，使得算法识别效果受限。为解决此问题，文献[5]提出一种基于主成分分析(Principal Component Analysis，PCA)的投影重构的分类方法，能有效克服初相敏感性的问题；文献[6]利用复值独立分量分析方法提取复HRRP特征，然后结合隐马尔科夫模型(Hidden Markov Model,HMM)方法进行识别；文献[7]为充分利用相位信息，提出一种多任务复数因子分析的算法，能较好地处理小样本条件下的识别问题。这些方法虽然都能较好地处理复数HRRP，但其浅层结构很难挖掘目标深层结构信息，且算法依赖于研究者的经验和专业知识，如果没有相关领域的充足先验知识，所提取的特征往往是不完备的。因此，自动提取目标深层特征显得尤为重要。

深度学习[8-9]算法通过构建一个包含多个隐藏层的神经网络，映射输入数据到各个隐藏层，从而获得输入数据的各层特征表示。……