共查询到19条相似文献,搜索用时 62 毫秒
1.
2.
3.
一种基于卷积神经网络的雷达目标分类方法 总被引:1,自引:0,他引:1
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。 相似文献
4.
针对干扰信号识别时卷积神经网络模型体积大、训练周期长、对硬件存储和计算要求高等问题,本文提出了一种基于改进轻量级网络模型SqueezeNet的干扰信号智能识别算法。该方法首先利用距离多普勒(Range?Doppler,RD)处理获得目标及干扰信号的RD图像,接着采用滑窗变换、归一化等技术对RD图像进行重塑;然后采用基于RD信息尺寸的隐层和通道剪枝措施对SqueezeNet网络进行改进,缩小了模型尺寸和存储空间;最后利用不同参数的测试样本拓展网络模型的泛化性能。仿真实验表明,在参数量减少到原网络1/30的情况下,改进的SqueezeNet网络对每种干扰的识别正确率可达到95%以上,且训练时间大大减少。 相似文献
5.
基于多阶段分类的雷达目标识别 总被引:1,自引:0,他引:1
讨论了用一种新的识别系统识别高分辨雷达距离像(HRRP),它先在K-L变换对距离像进行特征压缩后,用聚类分析进行识别呀基于某个规则排除某此种类,再对不能识别的模式,用种类少时效果好的最佳鉴别准则对模式进行特征提取,然后用模糊APTMAP网络组进行分类,实验表明该方法比常规的单分类器方法有更高的识别率。 相似文献
6.
7.
针对窄带雷达3类飞机分类问题,提出一种基于模型融合的窄带雷达空中目标分类方法,在多个特征域对目标进行特征提取,通过Stacking策略对K近邻、随机森林和支持向量机进行模型融合,利用融合模型实现3类空目标的分类,最后通过测试验证了其有效性。 相似文献
8.
9.
10.
介绍了4种经典的窄带雷达目标分类方法,并比较了它们的优缺点。由于各方法都有各自的局限性,提出了利用基于回波波形的直接提取方法和基于目标的喷气发动机调制(JEM)特征的分类方法联合运用的策略,以提高识别的准确率,为制定对抗措施提供更为可靠的依据。 相似文献
11.
基于BP神经网络的雷达点迹分类方法 总被引:1,自引:0,他引:1
提出了一种解决复杂电磁环境下目标检测后仍包含杂波的基于反向传播(BP)神经网络的雷达点迹分类方法。该方法可以在目标检测后进一步区分目标点和杂波点,提高目标跟踪的质量。同时,对BP神经网络进行了训练,并与K最近邻域法和支持向量机作了对比,发现该方法的分类精度可达87. 3%,较后两种方法精度分别提升19. 6%和7. 6%。实验结果表明:基于BP神经网络的雷达点迹分类方法有效。 相似文献
12.
13.
在毫米波雷达目标探测中,目标微动部件的微多普勒效应会引起目标回波频谱扩展,线性调频信号的时频耦合会导致目标距离扩展,从而使得目标难以检测。文中首先通过建模仿真,研究了目标回波的特点,然后结合实测数据分析了其复杂性,在此分析基础上提出了边沿检测、均值滤波质心检测、闭运算质心检测等检测方法,最后通过实测数据处理验证了各种方法的性能。 相似文献
14.
15.
16.
本文提出了一种新的基于目标一维散射中心匹配的雷达目标识别方法.该方法在计算两目标匹配函数之前,先根据目标尺寸大小在目标中心附近设定一个距离窗,将位于此距离窗以外的散射中心剔除,以减轻目标区域以外虚假散射中心的影响.对剩下的目标散射中心,根据两目标散射中心之间的距离,对目标之间的散射中心配对,然后定义两目标的匹配函数为所有配对散射中心的"匹配能量"和与两目标所有散射中心能量和的比值.对五类目标缩比模型的外场测量数据进行分类识别实验,结果表明该方法具有良好的目标识别能力,而且对加性高斯白噪声和雷达带宽不敏感. 相似文献
17.
18.
19.
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。 相似文献