无源雷达目标识别的神经网络模型构建

针对当前无源雷达目标识别存在的识别率低和容错性不足等问题,构建了一个基于BP神经网络的目标识别模型。围绕无源雷达目标识别效率提升和智能解决方案的构设问题,梳理总结了神经元原理、常用神经网络结构、激活函数和学习算法,设计了无源雷达目标识别总体流程,具体构建了神经网络目标识别模型,包括网络结构、隐含层节点数确定等,并给出了样本训练、测试和目标识别的工作流程,为无源雷达目标识别提供了方法途径。最后,给出了一个仿真实例,验证了模型的有效性。     

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.     

雷达与红外数据融合的近距空中目标识别

为了提高传感器目标识别性能和近距空中目标识别准确性,结合雷达和红外传感器提出了一种目标融合识别模型：对于雷达传感器,提出基于参数学习贝叶斯网络的目标识别方法,首先采用EM算法对贝叶斯网络进行参数优化,然后根据获取的目标属性信息进行目标分类;对于红外成像传感器,采用基于小波矩特征的目标识别方法,首先对目标图像进行小波矩特征提取和选择,然后通过建立的BP神经网络分类器进行目标分类;最后通过D S证据组合法则对两部分识别结果进行融合处理,实现了基于雷达和红外数据融合的近距目标识别。仿真结果表明：和单传感器相比,所提出的模型可以更加精确地进行目标识别。     

深度学习在雷达通信目标识别中的应用框架

深度学习是当前人工神经网络领域的研究热点,广泛应用于字符识别、图像识别和语音识别等应用中。雷达通信目标识别是通信对抗的前提和关键。文中分析了模板匹配法、DS证据理论等传统通信目标识别方法的在特征提取、模型表达方面的不足,对深度学习神经网络在通信目标识别中的应用进行了初步探讨,并提出了一种基于深度学习的通信目标识别框架。该框架和思路同样适用于雷达对抗目标识别等问题,可为深度学习在雷达目标识别领域的应用提供支撑。     

基于贝叶斯深度学习的一维雷达有源干扰信号识别方法

雷达干扰信号准确识别是雷达抗干扰的前提,对于雷达生存至关重要。针对传统雷达干扰信号识别方法需要繁琐的分析计算提取特征,通用性差,泛化能力弱,难以适应复杂的雷达工作环境问题。本文考虑无需人工提取特征信息且具有较好的分类识别效果的深度学习网络。考虑到传统的深度学习网络由于使用点估计方式,不能够很好的衡量预测结果中的不确定性,本文提出了一种基于贝叶斯深度学习的干扰识别方法。首先,通过概率建模代替网络参数模型的点估计,解决了不确定性随机数据引起的网络过拟合问题。其次,考虑有效利用雷达回波信号的时序特性设计了LSTM层,同时解决训练过程中的梯度消失问题。基于线性调频雷达有源干扰实测数据完成了网络训练与测试,实验结果表明,引入贝叶斯方法可以在加快网络收敛速度的同时有效提高识别准确率。     

美国导弹防御系统地基雷达目标测量与识别

地基雷达的探测与识别能力是整个弹道导弹防御系统识别能力的重要支撑.其主要是以多普勒频移成像和距离高分辨率能力实现对真假目标的识别,目标识别的方法包括基于RCS的识别方法、基于一维像的识别方法和基于二维像的识别方法,其中带宽外推目标识别技术使得宽带雷达成像技术取得了重大进展.在对地基雷达功能与实现过程、目标识别方法进行分析的基础上,从角位置测量、距离测量,径向速度测量三个方面对地基雷达探测与识别能力进行了分析.     

采用航迹特征的智能机型识别

针对空战目标识别中机型自动识别比较困难的问题，提出了采用航迹特征的智能目标识别方法。利用卷积神经网络（Convolutional Neural Network，CNN）分层学习特征的能力，训练CNN算法模型自动地从航迹数据中学习有用的特征并分类。利用沿海实地采集的15个类别的飞机航迹数据，经一系列数据预处理后作为智能识别算法的训练和测试数据，在验证实验中描述了算法网络的相关配置,对比了CNN与其他分类器的识别结果。实验结果表明，CNN具有很好的识别性能。     

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。     

雷达目标识别技术综述

针对雷达自动目标识别技术进行了简要回顾。讨论了目前理论研究和应用比较成功的4类目标识别方法：基于目标运动的回波起伏和调制谱特性的目标识别方法、基于极点分布的目标识别方法、基于高分辨雷达成像的目标识别方法和基于极化特征的目标识别方法，同时讨论了应用于雷达目标识别中的4种模式识别技术：统计模式识别方法、模糊模式识别方法、基于模型和基于知识的模式识别方法以及神经网络模式识别方法。最后分析了问题的可能解决思路。     

基于LVQ网络优化的雷达目标识别算法

目标一维距离像在雷达目标识别领域中具有很高的研究价值,神经网络有很强的自适应能力,被广泛应用于目标识别领域中。通过研究分析,将学习向量量化（Learning Vector Quantization, LVQ）神经网络应用于雷达目标一维距离像识别。针对LVQ神经网络对初始连接权值敏感的问题和如何增强网络的分类识别性能,提出利用粒子群优化（Particle Swarm Optimization, PSO）算法对其进行优化。在此基础上提出了基于PSO-LVQ神经网络的雷达目标一维距离像识别新方法。通过3类飞机实测数据实验,验证了PSO算法优化LVQ神经网络初始连接权值的可行性和PSO-LVQ识别算法的有效性。     

BP神经网络在雷达目标识别中的应用

针对雷达目标信号复杂多样的特点,提出了基于BP神经网络的雷达目标识别方法。BP神经网络具有学习功能,能够有效地提高雷达目标识别系统的效率。实验结果证明了该方法的有效性和实用性。     

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。     

Agglomerative Learning Algorithms for General Fuzzy Min-Max Neural Network

In this paper two agglomerative learning algorithms based on new similarity measures defined for hyperbox fuzzy sets are proposed. They are presented in a context of clustering and classification problems tackled using a general fuzzy min-max (GFMM) neural network. The proposed agglomerative schemes have shown robust behaviour in presence of noise and outliers and insensitivity to the order of training patterns presentation. The emphasis is also put on the complimentary features to the previously presented incremental learning scheme more suitable for on-line adaptation and dealing with large training data sets. The performance and other properties of the agglomerative schemes are illustrated using a number of artificial and real-world data sets.     

融合快照集成与知识迁移的人体行为识别算法

用卷积网络进行人体行为识别是毫米波雷达的一个热门研究方向。由于卷积网络结构的缺陷性,而且目前用于人体行为识别公开的雷达领域数据样本量过少,传统深度学习算法对雷达微多普勒图像的识别率不高,且在训练过程中容易出现过拟合的现象。针对上述问题,本文提出一种融合快照集成与迁移学习的雷达人体行为识别算法。首先,针对深度卷积网络无法提取图像全局特征的问题,该算法通过搭建Vision Transformer(VIT)模型引入注意力机制。其次,通过VIT模型在公开自然数据集上进行任务迁移和特征空间的迁移,解决微多普勒图像的识别过拟合的问题。最后,利用基于快照集成的投票机制算法,提升模型对复杂雷达微多普勒图像的识别能力。试验结果表明,在目标任务数据集样本量少、背景复杂的情况下,该算法能在不增加训练成本的前提下提升微多普勒图像的识别准确率,在VIT模型下该算法识别准确率达到了89.25%,优于经典卷积神经网络。     

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...     

谐振区雷达目标识别的模块化神经网络方法

本文研究了基于模块化神经网络的谐振区雷达目标识别方法,该方法先用BP网络进行波形预测,再用最大后验概率准则或修正最小平方误差准则进行分类。通过计算机模拟,证实了该方法有较好的识别性能,且对信号留数变化,即目标的姿态变化不敏感。另外,该方法还具有实现简单,结构扩展方便等优点。     

基于复值深度神经网络的目标检测方法

针对雷达在检测概率要求严苛的多旁瓣干扰复杂场景下使用传统目标检测方法无法满足需求,性能有待进一步提升的问题,本文提出了一种基于多通道复值深度神经网络的雷达目标检测方法。传统脉冲体制阵列雷达的恒虚警率目标检测通常在和通道进行,在对回波信号进行空域相参预处理过程中获得了相参积累的同时丢失了阵元间的相位信息,而实际上目标回波在阵元间存在着一定的相位关系。本文利用神经网络强大的拟合能力和分类能力,将目标检测视为二元分类问题,设计复值深度神经网络深入挖掘目标与背景在不同阵元间的幅度及相位信息差异,从而在传统目标检测和通道-距离-多普勒空间的更前端更好地区分目标与背景的差异,提升了雷达目标检测性能。实验结果显示,所提方法在存在大量旁瓣干扰的场景下,相较传统方法具有更好的检测性能表现和抗干扰能力,且在杂波环境中也有良好的表现。     

基于EidosBSB人工神经元网络的雷达脉冲分选方法

提出了一种基于EidosBSB人工神经元网络的雷达脉冲分选方法。仿真表明,该模型能够通过对大量带有测量误差的雷达脉冲样本进行自联想学习,完成对脉冲模式的记忆,进而实现分选功能。与其他脉冲分选方法相比,该方法具有更好的参数测量误差适应能力和更高的分选精度。