卷积神经网络在雷达自动目标识别中的研究进展

自动目标识别(ATR)是雷达信息处理领域的重要研究方向。由于卷积神经网络(CNN)无需进行特征工程,图像分类性能优越,因此在雷达自动目标识别领域研究中受到越来越多的关注。该文综合论述了CNN在雷达图像处理中的应用进展。首先介绍了雷达自动目标识别相关知识,包括雷达图像的特性,并指出了传统的雷达自动目标识别方法局限性。给出了CNN卷积神经网络原理、组成和在计算机视觉领域的发展历程。然后着重介绍了CNN在雷达自动目标识别中的研究现状,其中详细介绍了合成孔径雷达(SAR)图像目标的检测与识别方法。接下来对雷达自动目标识别面临的挑战进行了深入分析。最后对CNN新理论、新模型,以及雷达新成像技术和未来复杂环境下的应用进行了展望。     

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.     

一种基于卷积神经网络的雷达目标分类方法

雷达作为对低空和地面目标探测及监视预警的主要手段,在安全领域应用广泛。针对现阶段实际应用中雷达目标分类技术中过于依赖人工提取特征的问题,提出了一种基于卷积神经网络的分类方法,对雷达回波数据进行二维傅里叶变换得到距离-多普勒图像,再以距离-多普勒图集作为数据集,训练神经网络,得到能够完成雷达目标识别的网络模型。结果表明,相较于传统方法,基于卷积神经网络的目标识别模型在省去人工工作的同时提高了目标识别精度。     

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。     

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.     

信息化雷达显控终端的设计与实现

现役雷达显控终端多采用以硬件为主的封闭式实现方法,很难通过简单改进将目标检测/跟踪与目标识别等研究成果嵌入到雷达系统中.文中提出的信息化雷达显控终端概念,以通用微机作为开放式处理平台,在数字雷达显控终端的基础上增加了目标识别信息处理功能,可以对目标回波进行深层加工,对目标属性进行层次化分类.信息化雷达显控终端将回波录取、目标检测/跟踪、分类识别和多样化的信息显示集成在一起,融合跟踪和识别结果,提供目标航迹、属性、敌我身份以及编队等信息,能够大幅度提高雷达系统的战场信息感知能力,代表了未来雷达显控终端的发展方向.     

低分辨雷达目标识别方法研究

利用目标对对空警戒雷达发射波形的调制效应，采用2种不同的方法，提取出低分辨雷达飞机目标机型（大、小）和飞机目标架次可资分类的特征参数，作为飞机目标机型（大、小）和架次判别的特征向量、特征矢量，然后采用神经网络对目标进行分类识别，给出用BP神经网络进行训练和识别的结果，并在低分辨雷达目标识别样机系统对飞机目标进行分类识别试验中，验证了所提取特征的有效性。表明该方法是有效的，这为常规低分辨雷达空中目标识别提供了一种新的途径。     

基于F-CNN的雷达目标辨识算法

针对雷达真实目标、地杂波和密集假目标的辨识问题，提出了一种基于分解卷积神经网络的雷达目标辨识算法。以深度可分离卷积为基础建立分解卷积神经网络模型。为了减少模型参数，通过减少卷积核数量和全连接层连接节点数量，减少识别特征种类，建立了精简分解卷积神经网络。实测数据的处理结果表明，该算法与现有卷积神经网络方法相比，精简分解卷积神经网络对真实目标样本、地杂波样本和密集假目标样本具有更高的识别正确率，且精简模型参数数量不到现有方法的十分之一。     

基于雷达测量的多目标联合检测、跟踪与分类方法

利用雷达测量中的目标速度、加速度等属性信息, 基于跳转马尔科夫系统模型高斯混合概率假设密度滤波算法, 提出了一种多目标联合检测、跟踪与分类方法.该方法在进行雷达多目标测量信息处理的多模型混合高斯概率假设密度滤波过程中, 对各高斯项编号, 进行航迹提取, 在滤波处理的同时形成带有航迹编号的明确航迹, 并进行航迹管理; 同时, 根据目标运动模型, 联合利用目标加速度控制输入与速度估计进行多目标分类.仿真试验验证了该方法能够在检测、跟踪的同时, 对目标航迹进行有效类型识别.     

一种新型RBF神经网络及其在舰船雷达目标识别中的应用

利用一种新型径向基（Radial Basis Function）神经网络对舰船雷达目标识别进行了探讨，通过从目标的雷达回波中提取特征信息，并进行适当处理来判断目标的类型已成为目标识别的一种重要方法。仿真结果表明，识别精度很高。     

基于压缩感知和深度学习的分类识别技术

雷达对空飞机目标分类可实现雷达装备获得敌机属性和类别信息,对于现代战争其重要性显得尤为突出。针对复杂电磁环境下的飞机目标分类问题,结合防空雷达的特点建立3类（固定翼、螺旋桨和直升机）飞机旋转部件调制回波模型,并理论分析了不同类型飞机目标的微动特征差异。仿真分析在复杂电磁环境下干扰对微动频谱的影响。引入压缩感知方法进行干扰条件下的微动特征稀疏恢复,采用堆栈自编码学习(SAE)方法构建深层神经网络对目标进行自动特征提取和分类识别;实录数据验证表明,本文特征提取和识别方法在干扰比例41%时识别正确率能达到75%。     

利用低频特征的几种目标识别方法研究

利用目标的低频RCS(雷达散射截面)值作为目标识别的特征矢量.分别对线性分类方法、最近邻分类方法和多层感知器神经网络分类方法进行了阐述和研究,并将这几种方法用于雷达目标识别.最后对几种分类方法的识别结果做了比较.＃结果显示:这三种分类器对简单目标都得到了较高的正确识别率,这说明目标的低频特征包含了目标的有用信息.     

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。     

基于雷达距离象序列的循环神经网络飞机目标识别

本文应用雷达目标瞬态高分辨距离象序列来识别目标，提出了一种基于距离象序列的实时循环神经网络分类方法，并进行了三类飞机目标的分类实验研究，结果表明，该方法可以得到高的识别率。     

基于多重支持向量模型的雷达目标识别器设计

在如今日益复杂的地面战场环境下,雷达目标识别技术的需求愈加迫切。高分辨一维距离像(High Resolution Range Profile,HRRP)具有可提供目标在雷达视线上的结构信息的特点,使得其在雷达地面目标识别领域受到了广泛的关注与研究。为实现基于 HRRP 的雷达目标识别实用化,本文构建了一种基于多重支持向量模型的雷达目标识别器。本方法通过对目标特征空间的区域分割、特征区域描述与子分类超平面构建,得到更为精细化的目标特征空间描述,同时达到目标鉴别与分类的联合处理。此外,本方法基于支持向量模型,内存需求少、计算复杂度低, 适合目标识别系统的实际工程应用。通过基于实测数据的对比实验,证明了本文所提方法在目标识别性能与实时性两方面均具有较大的优势。     

基于GFMM神经网络的雷达目标识别方法

新型的无师训练（General Fuzzy Min—Max，GFMM）神经网络是一种具备无师训练聚类识别能力的新型神经网络，它继承了原有GFMM网络的特点，在网络的拓扑结构和算法方面进行了较大的改进，增加了能够进行自适应在线学习的能力。基于无师训练GFMM神经网络的雷达目标识别方法完整地实现了雷达目标特征学习和识别的一体化过程。在某型对海警戒雷达舰船目标识别仿真应用实验中的结果表明：文中的方法优于其他传统的神经网络目标识别方法，在雷达目标识别方面具有良好的适用性。     

基于深度学习的雷达信号目标识别方法研究

雷达信号目标识别是智能感知领域的重要研究方向。传统方法在处理复杂场景和多目标识别时存在局限性,而深度学习方法以其强大的表达能力和自适应性在雷达信号目标识别中展现出巨大潜力。文章通过综合分析深度学习在雷达信号目标识别中的应用,探讨了数据预处理、深度学习模型选择、目标检测和分类方法、目标跟踪和预测方法以及深度学习与传统方法的融合策略等关键问题,重点讨论了深度学习模型的优化和改进方法。     

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。     

地面电磁环境分类及其神经网络识别

基于地球表面地形地物的微波电磁散射和辐射性进行环境的分类和识别,对地球环境和资源遥感以及地海面雷达目标检测、电波模化技术等均具有十分重要的意义。本文根据地理信息和电磁散射特征分析了地面电磁环境的主要分类方法,并利用多层感 知器神经网络,对八种典型的地物类型Ｌ、Ｘ波段多极化多入射角电磁散射实验统计模型和数据进行了学习和识别,结果证明了神经网络对多特征数据分类识别的有效性。