传统的雷达高分辨距离像(high resolution range profile,HRRP)序列识别方法依赖于人工特征提取,并且现有的深度学习方法存在梯度消失问题,导致收敛速度慢,识别精度低。针对上述问题,提出一种基于注意力机制的堆叠长短时记忆(attention-...传统的雷达高分辨距离像(high resolution range profile,HRRP)序列识别方法依赖于人工特征提取,并且现有的深度学习方法存在梯度消失问题,导致收敛速度慢,识别精度低。针对上述问题,提出一种基于注意力机制的堆叠长短时记忆(attention-based stacked long short-term memory,Attention-SLSTM)网络模型,该模型通过堆叠多个长短时记忆(long short-term memory,LSTM)网络层,实现了HRRP序列更深层次抽象特征的提取;通过替换模型的激活函数,减缓了堆叠LSTM(stacked LSTM,SLSTM)模型梯度消失问题;引入注意力机制计算特征序列的分配权重并用于分类识别步骤,增强了隐藏层特征的非线性表达能力。模型在雷达目标识别标准数据集MSTAR上多种不同目的的实验结果表明,所提方法具有更快的收敛速度和更好的识别性能,与多种现有方法对比具有更高的识别率,证明了所提方法的正确性和有效性。展开更多
