1.一种基于结构嵌入和深度神经网络的雷达HRRP识别方法，包括以下步骤；

S1:采集数据集，将Q个雷达采集到的HRRP数据集依据目标的种类进行合并，每种种类的数据分别在不同数据段里选择训练样本和测试样本，在训练集和测试集样本的选取过程中，保证所选取训练集的数据与雷达所成姿态涵盖测试数据集与雷达所成的姿态；

S2:对经过S1所挑选数据集中的每一个样本使用补偿对齐法进行对齐，得到对齐后的数据；

S3:对S2处理后的每一个样本进行能量归一化处理，得到归一化后的数据；

S4：对经过S3处理后的雷达训练目标数据，提取时域特征作为识别特征，并用于训练；

S5:循环切分经过处理后的数据集，设定切分的向量长度为p，使p为2的幂级数；之后对数据集内的每一个HRRP样本，将其移位p-1次并进行连接；

S6:提取样本的嵌入表示特征，将每一个经过S5处理后的HRRP样本按10级进行非均匀量化；设定窗口值，初始化一个空矩阵，并依次统计量化向量在窗长度下共现的次数，对矩阵中的对应元素赋值；最后对矩阵中的每个元素限制其动态范围，根据共现矩阵得到HRRP训练样本的结构嵌入特征；

S7:构建深度神经网络模型，并利用HRRP训练样本的结构嵌入特征训练该模型；该深度神经网络模型由三部分组成：首先是一个全连接网络层，用于嵌入特征降维，然后将降维后的数据输入至基于长短时记忆网络LSTM的双向循环神经网络，最后采用softmax层对双向循环神经网络的输出进行识别；

测试阶段：

S8:对由S1采集到的测试数据进行训练阶段的步骤S2、S3、S4、S5和S6操作；

S9:将经过S8所提取的嵌入表示特征送入S7构建的深度神经网络得到测试样本所对应的目标；

步骤S7具体操作步骤如下：

S7.1:构建一层全连接神经网络，设置第一层输入层神经元数目为10000，第二层输出层神经元数目为300，将经过步骤S6.5处理后的A按列切分依次送入全连接神经网络，得到输出Z＝[z1＝f(Wija1+b),z2＝f(Wija2+b),…,z256＝f(Wija256+b)]，其中zi代表第i个输出，为

300×1维的，Wij代表输入层第i个神经元到输出层第j个神经元的权重，b代表输入层神经元到输出层神经元的偏置，所有的神经元共享偏置；

S7.2:构建基于长短时记忆网络LSTM的双向循环神经网络，具体操作步骤如下：S7.2.1:双向循环神经网络为两个单向其方向相反的循环神经网络，即前向网络和反向网络的结合，在每一个时刻t，网络的输出由这两个方向相反的单向循环神经网络共同决定，设置n_in＝256，n_step＝300，n_nums＝128，n_cls＝5，其中n_in＝256代表基于LSTM的双向循环神经网络的输入层神经元数目，n_step＝300代表每一个神经元的输入向量，为一个300×1的向量，n_nums＝128代表LSTM隐藏层神经元的数目，n_cls＝5代表输出层神经元数目，即代表所挑选的目标类别数目为5类；

S7.2.2:对双向循环神经网络的权重和偏置进行初始化，输入层和隐层之间的权重记为W1，其维度为shape1＝(n_in,n_nums),隐层和输出层之间的权重记为W2，其维度为shape2＝(n_nums,n_cls)，权重初始化采用服从均值为0，方差为1的高斯分布，输入层和隐层之间的偏置记为bias1，其维度为shape3＝(n_nums)，隐层和输出层之间的偏置记为bias2，其维度为shape4＝(n_cls)，均初始化为常量1，双向的初始状态皆记为state＝0，前向循环神经网络的所有时刻共享前向的权重，偏置和初始，反向也是如此；

S7.2.3:由S7.1可知，全连接神经网络的输出Z作为循环神经网络的输入，则循环神经网络第一层的输出为X1_out＝tanh(Z×W1+bias1)，同时作为隐层的输入，其中tanh(·)是激活函数，根据tensorflow中的计算公式lstm_fw_cell＝tf.contrib.rnn.BasicLSTMCell(n_nums,forget_bias＝1.0)lstm_bw_cell＝tf.contrib.rnn.BasicLSTMCell(n_nums,forget_bias＝1.0)output,_,_＝tf.contrib.rnn.static_bidirectional_rnn(lstm_fw_cell,lstm_bw_cell,X1_out)其中，lstm_fw_cell代表前向的循环神经网络，lstm_bw_cell代表反向循环神经网络，forget_bias＝1.0代表LSTM不会忘记任何信息，output,_,_分别代表X1_out经过隐层后的输出，前向循环神经网络和反向循环神经网络被更新后的状态，取出序列中的最后一个X2_out＝output[-1]作为输出层的输入，X3＝tanh(X2_out×W2+bias2)，为双向循环神经网络每一个时刻256个输出的组合，256个输出中每一个序列的维度是n_cls，X3＝{X31,X32,X33,X34,X35}；

S7.3:构建softmax层，将X3作为softmax分类器的输入特征，进行分类，由S1可知雷达HRRP样本来自5个不同的目标，训练得到softmax回归模型的参数集θ之后，雷达HRRP样本的特征X3对应于第i个目标的概率值p(i|X3)定义为：其中，i表示目标的标号，i＝1,2,…,5，5为总目标数，θi表示对应于目标i的参数，表示归一化向量，使雷达HRRP样本对应于所有目标模型的概率和为1。

2.如权利要求1所述的基于结构嵌入和深度神经网络的雷达HRRP识别方法，其特征在于：步骤S1中各类目标训练集和测试集样本数的比例为8:2，将挑选的数据集记作其中Xi表示第i个样本，yk表示第k种目标，一共采集了5种目标，i0表示样本总数。

3.如权利要求2所述的基于结构嵌入和深度神经网络的雷达HRRP识别方法，其特征在于：步骤S2具体操作步骤如下：S2.1:由S1所选的数据集T中的每个样本皆为256维度，原始数据样本表示为：Xi＝[x1,x2,...,x256]；

S2.2:将三个原始样本按照横向粘贴在一起构成一个256×3新样本数据样本，表示为X′i＝abs([Xi,Xi,Xi])＝[x′1,x′2,…,x′768]，其中abs(·)为对其中每个元素的值取绝对值；

S2.3:构建一个256维的序列L＝[l1,l2,…,l256]，其中li＝exp(-k|i-128.5|)，k表示控制因子，k＞0，|·|表示求绝对值操作；

S2.4:求 得到d之后，从X'中取出第d+1到第d+256个

连续的点作为对齐后的数据X”＝[x′d+1,x′d+2,…,x′d+256]；

S2.5:将T数据集中的每一个样本重复步骤S2.2、S2.3以及S2.4操作得到对齐后的样本数据，记为T1。

4.如权利要求3所述的基于结构嵌入和深度神经网络的雷达HRRP识别方法，其特征在于：步骤S3中，归一化公式如下：其中||·||2表示求2范数。

5.如权利要求4所述的基于结构嵌入和深度神经网络的雷达HRRP识别方法，其特征在于：步骤S4中，从X″i内提取每一帧的时域特征作为识别特征,记作 其中x(c)表示的是第c个目标的训练样本的时域特征集，其中提取时域特征之后的第i个样本记作 C为目标总数。

6.如权利要求5所述的基于结构嵌入和深度神经网络的雷达HRRP识别方法，其特征在于：步骤S5具体操作步骤如下：S5.1: 其中i指示第i个目标，k指示的是第k个HRRP；

S5.2:设定切分的向量的长度为p,使得为p为2的幂级数；

S5.3:对数据集内的每一个样本，将其移位p-1次并进行连接，

若 则

7.如权利要求5所述的基于结构嵌入和深度神经网络的雷达HRRP识别方法，其特征在于：步骤S6具体操作步骤如下：S6.1:对经过S5处理后的每一个 按10级进行非均匀量化，得到其量化编码特征其中对于每个元素：

若y＜e-3.6，则量化为0

若e-3.6≤y＜e-3.2，则量化为1

-3.2 -2.8

若e ≤y＜e ，则量化为2

若e-2.8≤y＜e-2.4，则量化为3

若e-2.4≤y＜e-2.0，则量化为4

若e-2.0≤y＜e-1.6，则量化为5

若e-1.6≤y＜e-1.2，则量化为6

若e-1.2≤y＜e-0.8，则量化为7

若e-0.8≤y＜e-0.4，则量化为8

若e-0.4≤y＜e0，则量化为9

S6.2:设定窗口值K，计算向量与向量之间共同出现的矩阵；

S6.3:首先初始化一个空矩阵，记作V＝{Vij}i＝0,1…9999,j＝0,1…9999，即初始化的空矩阵有

10000行和10000列，其中0000代表取出来的列向量[yi,yi+1,yi+2,yi+3]T的量化编码为[0,0,

0,0]T，其余的也是一样，矩阵中的每一个元素Vij为量化编码i和量化编码j之间的共现次数；

S6.4:依次统计列向量之间在窗长度下共现的次数，如 为保证左右

对称，K取奇数，若窗K＝3，则当循环至向量 的时候，统计其左侧 和其右侧 不同向量共同出现的次数，我们遍历所有的量化编码特征，将不同量化编码特征共同出现的总次数对应地记录在空矩阵V中，其中Vij为量化编码特征 与量化编码特征 共同出现的次数，其中i1、i2、i3和i4分别代表i的千位、百位、十位以及个位数字，j1、j2、j3和j4分别代表j的千位、百位、十位以及个位数字；

S6.4:对矩阵V中的每个元素限制其动态范围，公式如下：V′ij＝10ln(1+Vij)，并将更新后的矩阵记作V'＝{V′ij}；

S6.5:根据循环切分的结果去V'中查找 所对应的嵌入表示，如 中的第m列为[0,

1,3,8]T，即V'中行标号为第0138所对应的行向量即为该列的嵌入表示，该嵌入表示为

10000×1维的，依次查找 中每一列所对应的嵌入表示并记录，遍历 中所有列之后即可得到 的嵌入表示矩阵A，其中A＝[a1(10000×1),a2(10000×1),…,a256(10000×1)]，其中ai(10000×1)代表 第i列所对应的嵌入表示，ai为10000×1维的向量。