基于卷积神经网络的雷达目标HRRP分类识别方法

卷积神经网络通过卷积和池化操作提取图像在各个层次上的特征进而对目标进行有效识别,是深度学习网络中应用最广泛的一种。文中围绕一维距离像雷达导引头自动目标识别,开展基于卷积神经网络的目标高分辨距离像分类识别方法研究。首先,基于空中目标一维距离像姿态敏感性仿真生成近似平行交会条件下不同类型目标的高分辨距离像数据集;其次,构建一种一维卷积神经网络结构对目标高分辨距离像进行分类识别;作为比较,针对同类高分辨距离像数据集,分析了主成分分析-支持向量机方法的目标分类识别效果。结果表明:基于卷积神经网络的目标分类识别算法有更好的识别能力,对高分辨距离像的姿态敏感性具有较强的适应性。     

基于一维卷积神经网络的HRRP雷达目标分类方法

雷达一维高分辨距离像(high resolution range profile, HRRP)信号能够反映目标的结构信息,且具有易于获取的优势,因此利用雷达HRRP回波信号对目标进行分类识别获得了广泛的关注。传统的分类识别方法大多基于提取人工设计的特征然后利用分类器进行分类。然而人工设计提取的特征依赖于专家的先验知识,且人工设计的特征在识别性能上已经趋于平稳。本文将神经网络引入HRRP分类识别中,提出一种基于一维卷积神经网络的HRRP雷达目标分类识别方法。所提方法根据HRRP数据的形式,采取一维的神经网络算子构成一维卷积神经网络。且在网络主体采用一种纺锤形状的残差结构,该结构能够在提取深层抽象特征的同时有效减轻梯度消失和梯度爆炸问题。所提方法在多个数据集上相比于传统对比方法取得了更好的分类识别性能。     

基于时频谱图和CNN的雷达空中目标识别方法

传统雷达空中目标识别方法容易受到杂波和有效特征难挖掘等因素影响,其识别准确率难以满足实际雷达系统的目标识别需求。为了改善雷达对空中目标的识别性能,提出一种基于时频谱图和卷积神经网络(convolutional neural network, CNN)的空中目标识别方法。该方法首先提取雷达目标检测点迹所在距离单元的多脉冲回波数据,然后通过杂波抑制和基于CLEAN算法的雷达目标机身分量消除,得到以目标微多普勒分量为主的时域回波数据,接着通过短时傅里叶变换得到目标微多普勒时频谱图,最后利用时频谱图对设计的卷积神经网络进行训练和测试,实现喷气式飞机、直升机、螺旋桨飞机三类典型空中目标的识别。实测雷达数据测试结果表明,所提方法对三类飞机目标的识别准确率高于传统方法。所提方法避免了传统人工提取微动统计特征,消除了杂波与机身分量的影响,提高了雷达对空中目标识别的性能。     

宽带毫米波雷达目标时延神经网络识别新方法

基于一维距离像和神经网络研究宽带毫米波雷达目标识别问题,研究了用于雷达距离像序列识别的时延神经网络模型及其学习算法,并提出了基于距离像序列的宽带雷达目标时延神经网络识别方法.还利用三种飞机缩比模型的暗室测量数据,研究了时延神经网络分类器中时延单元数目对分类精度的影响以及分类器的分类性能.实验结果表明 本方法具有良好的应用前景.     

宽带毫米波雷达目标时延神经网络识别新方法

基于一维距离像和神经网络研究宽带毫米波雷达目标识别问题,研究了用于雷达距离像序列识别的时延神经网络模型及其学习算法,并提出了基于距离像序列的宽带雷达目标时延神经网络识别方法,还利用三种飞机缩比模型的暗室测量数据,研究了时延神经网络分类器中时延单元数目对分类精度的影响以及分类器的分类性能。实验结果表明：本方法具有良好的应用前景。     

基于调制谱图卷积神经网络的空中目标识别技术

雷达对空中目标的分类识别技术是雷达信号处理领域中的关键技术.目前大部分雷达目标识别方法通用性较差且对雷达具有较高的要求.针对该问题,提出一种将目标回波的周期性调制谱信息图像化后,基于卷积神经网络调制谱图处理的空中目标识别方法.目标调制谱图像通过卷积神经网络逐层变换自动学习到目标特征信息,最终通过分类器进行分类识别.该方法避免了传统人工拟定调制谱特征的方式,实现了端对端的空中目标识别方法.实验结果表明,基于调制谱图的卷积神经网络模型具有较高的空中目标识别准确率,且模型的鲁棒性和泛化能力较好.     

雷达海上目标双通道卷积神经网络特征融合智能检测方法

受复杂海洋环境影响,基于统计理论的海面目标检测方法由于假设条件不成立,在实际应用中难以实现高性能检测,本文从特征提取分类角度,通过深度学习分类方法对目标和杂波的雷达回波信号进行二元分类,提出了一种基于双通道卷积神经网络(DCCNN)的雷达海上目标智能检测方法。首先,对实测海杂波和目标雷达信号进行预处理,得到信号的时间-多普勒谱和幅度信息;然后,构建DCCNN对预处理得到的数据进行智能特征提取,得到信号的特征向量,并对不同特征提取模型性能进行测试;最后,通过阈值可设的Softmax分类器作为检测器对特征向量进行分类,实现虚警率的控制。测试结果表明:与传统的单通道CNN以及无虚警控制Hog-SVM分类算法相比,基于二维卷积核VGG16和一维卷积核LeNet的DCCNN特征提取模型和softmax分类器可实现更高的检测性能,并可以实现虚警率控制,为复杂海杂波背景下目标智能检测提供了新的技术途径。     

卷积神经网络联合SVM的降水粒子分类

针对传统模糊逻辑降水粒子识别算法存在过度依赖专家经验来设置参数的缺陷,提出一种基于卷积神经网络（Convolutional Neural Network, CNN）和支持向量机（Support Vector Machine, SVM）联合结构的降水粒子分类方法。本文首先搭建了适用于双偏振雷达数据矩阵传播结构的4种卷积神经网络模型,通过对KOHX雷达各极化参数进行分块和堆叠操作,制作模型所需数据集并训练模型。然后根据各CNN模型对目标块的分类特点,结合SVM分类器,搭建能够识别5类目标粒子的联合结构。最后,对KOHX雷达0.5°仰角扫描数据进行测试,得到该联合结构模型的分类准确率达94.92%。并且对于不同仰角、不同雷达的扫描数据均能进行有效分类,表现出较好的鲁棒性。     

基于卷积神经网络迁移学习的飞机目标识别

飞机目标识别是地面情报系统的一项重要关键技术。近年来火热的深度学习方法,如卷积神经网络,展现出对于图像识别任务的优越性能。但是,训练卷积神经网络需要大量的带标签样本以估计规模庞大的模型参数,因而限制了其在雷达目标识别领域中的应用。针对飞机目标识别中的小样本问题,文中引入适用于有限数据场景的迁移学习技术,预先在其他大样本高分辨距离像数据上训练一个初始卷积神经网络模型,再结合当前飞机目标识别任务调优模型参数。在实测数据上的实验结果显示,与仅使用卷积神经网络的方法相比,所提方法可显著提升识别准确率,验证了方法的有效性。     

基于FMCW雷达的多维参数手势识别算法

该文提出一种基于调频连续波(FMCW)雷达多维参数的卷积神经网络手势识别方法。通过对雷达信号进行时频分析,估计手势目标的距离、多普勒和角度参数,构建出手势动作的多维参数数据集。同时,为了进行手势特征提取和精确分类,提出多分支网络结构和高维特征融合的方案,设计出具有端到端结构的RDA-T多维参数卷积神经网络。实验结果表明,结合手势动作的距离、多普勒和角度信息进行多维参数学习,所提方法有效解决了单维参数手势识别方法中手势描述信息量低的问题,且手势识别准确率相较于单参数方法提高了5%～8%。     

一种基于集成卷积神经网络的SAR图像目标识别算法

针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标识别问题，提出了一种基于集成卷积神经网络(Convolutional Neural Network, CNN)的SAR图像目标识别方法。首先对原始数据集进行数据增强的预处理操作，以扩充训练样本；接着通过重采样的方法从训练样本中获取不同的训练子集，并在训练各基分类器时引入Dropout和Padding操作，有效增强了网络泛化能力；然后采用Adadelta算法与Nesterov动量法结合的思想来优化网络，提高了网络的收敛速度和识别精度；最后采用相对多数投票法对基分类器的分类结果进行集成。在MSTAR数据集上进行的实验结果表明，集成后的模型识别准确率达到99.30%,识别性能优于单个卷积神经网络，具有较强的泛化能力和较好的稳健性。     

基于深度多尺度一维卷积神经网络的雷达舰船目标识别

为满足雷达舰船目标识别的高实时性和高泛化性的需求,该文提出了一种基于深度多尺度1维卷积神经网络的目标高分辨1维距离像(HRRP)识别方法。针对高分辨1维距离像特征提取难的问题,所提方法通过共享卷积核的权值,使用多尺度的卷积核提取不同精细度的特征,并构造中心损失函数来提高特征的分辨能力。实验结果表明,该模型可以显著提高目标在非理想条件下的识别正确率,克服目标姿态角敏感性问题,具有良好的鲁棒性和泛化性。     

基于多尺度注意力CNN的SAR遥感目标识别

目标识别是合成孔径雷达（Synthetic Aperture Radar,SAR）图像解译的重要步骤。鉴于卷积神经网络（Convolutional Neural Network, CNN）在自然图像分类领域表现优越,基于CNN的SAR图像目标识别方法成为了当前的研究热点。SAR图像目标的散射特征往往存在于多个尺度当中,且存在固有的噪声斑,含有冗余信息,因此,SAR图像目标智能识别成为了一项挑战。针对以上问题,本文提出一种多尺度注意力卷积神经网络,结合多尺度特征提取和注意力机制,设计了基于注意力的多尺度残差特征提取模块,实现了高精度的SAR遥感图像目标识别。该方法在MSTAR数据集10类目标识别任务中的总体准确率达到了99.84%,明显优于其他算法。在测试集加入4种型号变体后,10类目标识别任务中的总体准确率达到了99.28%,验证了该方法在复杂情况下的有效性。     

基于数据扩维的SAR目标识别性能提升技术

卷积神经网络的出现使得深度学习在视觉领域取得了巨大的成功,并逐渐延伸到合成孔径雷达(SAR)图像识别领域。然而,SAR图像样本量不足,难以支撑卷积神经网络的训练需求,并且SAR图像包含大量相干斑噪声及不确定性,网络结构的设计较为困难。所以,深度学习在SAR图像识别领域的应用受到阻碍。针对上述问题,文中提出一种基于数据扩维的SAR目标识别性能提升方法,通过对原始SAR 图像进行相关预处理操作并把处理后图像与原始图像结合,从而将一维的原始数据扩充成多维数据来作为训练样本。该扩维方法不仅间接扩充了样本量来支撑网络训练,同时也在网络训练前加入了“主动学习冶影响,所以无需针对SAR图像特性来构建复杂卷积网络,而采用成熟、简单的网络进行训练就可以达到理想的测试精度。最后,使用MSTAR 数据对该方法进行了性能验证,实验结果显示了所提方法的有效性。     

基于混合核深度适配网络的HRRP目标识别

为了改善基于卷积神经网络（CNN）的雷达目标识别模型的泛化能力,本文将深度适配网络（DAN）方法引入到高分辨一维距离像（HRRP）目标识别中。为了进一步提高DAN方法的性能,创新性地提出了混合核函数MMD代替传统DAN中的多核MMD,设计了基于混合核函数的MMD损失函数。本文使用服从瑞利分布的海杂波来干扰目标域数据。网络模型中使用一维CNN提取特征,使用混合核函数DAN来减少源域和目标域间特征分布的差异。实验表明,相对常规迁移学习方法和DAN方法, 在海杂波影响下该方法可将目标域数据识别率提高15%左右,显著提高了模型的泛化性能和鲁棒性。     

穿墙雷达多维参数人体姿态识别方法

现有的人体姿态识别方案大多数是从单一的角度来考察人体的姿态特征,但是仅采用距离像很难体现人体关节的位置信息,仅提取微多普勒特征有时会覆盖掉径向速度不明显的特征.为此,本文首先利用慢时间-距离像和慢时间-微多普勒谱图构建出人体姿态的三维张量数据集,扩展了人体姿态的特征维度,然后采用改进型瓶颈残差模块构成的神经网络提高了人...     

基于CNN的SAR图像目标分类优化算法

随着合成孔径雷达技术的成熟,传统方法已经难以满足海量SAR数据的分类精度和速度需求。为解决上述问题,采用卷积神经网络对海量SAR数据进行分类。针对SAR图像数据的特点,对卷积神经网络结构参数进行调整,提高网络训练速度,克服权重更新中的梯度消失,改善网络训练过程中收敛慢的问题,提升目标分类准确率。同时提出了一种ZCA白化与主成分分析相结合的方法对SAR图像进行预处理,进一步提升了网络的训练速度以及目标分类的准确率。实验采用的是美国MSTAR数据库,通过上述优化方法得到了较好的分类效果。     

基于全卷积神经网络的SAR图像目标分类

近年来,卷积神经网络(Convolutional Neural Network,CNN)在合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标分类中取得了较好的分类结果。CNN结构中,前面若干层由交替的卷积层、池化层堆叠而成,后面若干层为全连接层。全卷积神经网络（All Convolutional Neural Network, A-CNN）是对CNN结构的一种改进,其中池化层和全连接层都用卷积层代替,该结构已在计算机视觉领域被应用。针对公布的MSTAR数据集,提出了基于A-CNN的SAR图像目标分类方法,并与基于CNN的SAR图像分类方法进行对比。实验结果表明,基于A-CNN的SAR图像目标分类正确率要高于基于CNN的分类正确率。     

一种基于修正激活函数的CNN车载毫米波雷达目标检测方法

为了提高车载毫米波雷达在复杂城市道路环境中目标检测的抗杂波与干扰能力,本文利用卷积神经网络（CNN）特征参数提取和目标分类特性,提出了一种改进的基于CNN的车载毫米波雷达目标检测方法。该方法首先将毫米波雷达回波信号距离-多普勒二维数据运用滑窗进行分割,并采用CNN网络模型处理分割后的二维矩阵,训练二维CNN网络模型及其参数,使其具有提取回波特征并基于特征参数模型进行目标分类的能力,从而实现目标检测功能。通过对卷积神经网络模型结构进行优化,增加批量归一化层,优化Dropout层使得低权重特征失活,自适应地删减部分神经元节点修正该层非线性激活函数,进一步降低了CNN模型目标检测的虚警概率。实验结果表明,在相同虚警概率条件下,CNN网络检测方法目标发现概率优于传统的单元平均恒虚警检测方法,并且在低信噪比的条件下仍然能够保持较高的发现概率;在同等发现概率水平下,修正后CNN网络检测方法的虚警概率较修正前可提高约1个数量级。