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.     

基于卷积神经网络的SAR图像目标识别研究

针对合成孔径雷达(Synthetic Aperture Radar, SAR)的图像目标识别应用, 该文提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)的SAR图像目标识别方法。首先通过在误差代价函数中引入类别可分性度量, 提高了卷积神经网络的类别区分能力;然后利用改进后的卷积神经网络对SAR图像进行特征提取;最后利用支持向量机(Support Vector Machine, SVM)对特征进行分类。使用美国运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition, MSTAR)SAR图像数据进行实验, 识别结果证明了所提方法的有效性。      

一种噪声环境下的雷达目标高分辨率距离像鲁棒识别方法

随着深度学习技术被应用于雷达目标识别领域,其自动提取目标特征的特性大大提高了识别的准确率和鲁棒性,但噪声环境下的鲁棒性有待进一步研究。该文提出了一种在噪声环境下基于卷积神经网络(CNN)的雷达高分辨率距离像(HRRP)数据识别方法,通过增强训练集和使用残差块、inception结构和降噪自编码层增强网络结构,实现了在较宽信噪比范围下的较高识别率,其中在信噪比为0 dB的瑞利噪声条件下,识别率达到96.14%,并分析了网络结构和噪声类型对结果的影响。      

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。     

卷积神经网络对SAR目标识别性能分析

近年来,以卷积神经网络（Convolutional Neural Network,CNN）为代表的深度学习方法在图像识别领域取得了巨大进展,但尚未在SAR目标识别领域得到广泛应用。基于此,将具有代表性的LeNet,AlexNet,VGGNet,GoogLeNet,ResNet,DenseNet,SENet等卷积神经网络模型应用到SAR图像目标识别上,并依据识别精度、模型尺寸、运行时间等指标在公开SAR数据集MSTAR上对9类目标进行识别实验。详细对比分析了不同CNN模型的综合性能,验证了利用CNN网络模型进行SAR图像目标识别的优越性,同时也为该领域的后续工作提供了参考基准。     

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CNN的舰船高分辨距离像目标识别

针对传统目标识别方法人工提取特征难以挖掘到数据深层次特征的问题,提出了将卷积神经网络(CNN)应用于高分辨距离像(HRRP)的目标识别方法,实现了对数据深层次特征的自动提取。首先构造CNN模型,设置网络参数;然后针对HRRP数据是一维的问题,将HRRP数据重新排列使一维数据变为二维数据;其次用训练数据对CNN模型进行训练得到网络参数;最后用训练好的网络模型对测试数据进行目标识别。通过对数据的减半并且添加噪声,验证了CNN的泛化性能。通过对学习率的优化,可以进一步提高CNN的识别率。实测数据的实验结果表明,CNN具有较好的识别性能。     

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。     

基于FCNN和ICAE的SAR图像目标识别方法

近年来,基于卷积神经网络(Convolutional Neural Network, CNN)的合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标识别得到深入研究。全卷积神经网络(Fully Convolutional Neural Network, FCNN)是CNN结构上的改进,它比CNN能获得更高的识别率,但在训练过程中仍需要大量的带标签训练样本。该文提出一种基于FCNN和改进的卷积自编码器(Improved Convolutional Auto-Encoder, ICAE)的SAR图像目标识别方法,即先用ICAE无监督训练方式获得的编码器网络参数初始化FCNN的部分参数,后用带标签训练样本对FCNN进行训练。基于MSTAR数据集的十类目标分类实验结果表明,在不扩充带标签训练样本的情况下,该方法不仅能获得98.14%的平均正确识别率,而且具有较强的抗噪声能力。      

基于深度学习的雷达成像研究进展

深度学习(DL)在语音识别、图像物体识别上取得了卓越的成效,深度学习代替传统处理技术,成为了研究该领域的主要处理方法。在雷达领域,深度学习用于雷达目标识别和分类,也取得了很好的效果,进而,人们试图将深度学习用于雷达成像。本文根据近几年所公开的文献资料,按照雷达成像的特点,分类介绍深度学习用于雷达成像的研究进展;之后,对深度学习用于雷达成像的可行性、样本选取、泛化以及成像质量的评价等开放性问题提出了作者的设想,并对深度学习用于雷达成像进行了展望。     

基于深度学习的雷达自动目标识别架构研究

针对深度学习运用于雷达目标识别时存在的数据量欠缺和数据人工标注难等问题,提出将传统目标识别方法与人工智能技术结合,建立面向应用的新的目标识别架构,通过融合处理以及基于传统方法的机器自动标注,获得更优越的识别效果,大幅减少人工标注的工作量,确保系统在低数据量、低标注数据下仍可维持一定的识别效果。雷达实测数据证明了该识别框架的有效性。     

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。     

基于时频图深度学习的雷达动目标检测与分类

雷达动目标检测技术一直是雷达信号处理领域中的关键技术,而传统的雷达动目标检测技术仅适用于匀速运动目标,检测性能有限。针对该问题提出一种基于卷积神经网络(CNN)时频图处理的雷达动目标检测方法,通过从雷达动目标回波中提取多普勒频移信息,然后利用短时傅里叶变换转换为时频图,输入卷积神经网络,进行深度特征学习,进而实现检测和分类的目的。仿真数据验证表明,所提方法能够有效检测和区分匀速、匀变速运动以及微动目标,稳健性高,与传统动目标检测方法相比具有显著优势。     

智能化军用雷达目标识别关键问题探讨

随着人工智能等前沿技术的迅速发展和战场环境的日趋复杂,智能化军用雷达目标识别的需求愈加迫切。本文结合国内外目标识别的发展趋势和深度学习算法在雷达目标识别中的应用研究,从实装应用的角度出发,探讨了军用雷达智能化目标识别各处理环节的关键问题,分别在层次化目标识别策略设计、目标稳健特征提取与特性自学习以及决策模型设计等方面开展了较为全面、深入的分析,论述了未来应用研究中的重要方向,给智能化目标识别设计提供参考。     

对海雷达多维图像特征融合智能检测方法

海面目标检测是雷达信号处理中的重要内容,在军事、民用领域内都有重要应用价值。在海面目标雷达信号处理中,海杂波的存在对检测算法的性能有很大影响,传统的雷达信号处理方法多基于统计理论,对于复杂环境条件和多样的目标特性检测性能下降明显。近年来深度学习技术发展迅速,为可靠的海面目标的检测方法提供了技术支持。本文对近年来目标检测算法、深度学习方法的发展进行总结,从雷达信号数据结构和维度出发,采用深度学习理论,分别提出了基于二维图像、三维视频雷达信号、多维雷达信号多通道融合的智能处理框架,并以导航雷达图像海上目标智能检测为例,提出一种Precise ROI?Faster R?CNN雷达图像检测算法,通过构建的导航雷达数据集训练和测试,相比经典恒虚警检测和Faster R?CNN检测方法有更高的检测精确度和更好的泛化能力,从而为对海雷达智能导航和目标检测提供了有效的技术途径。     

固定翼飞机和直升机的分类方法研究

雷达自动目标识别是当前雷达信号处理领域的研究重点 ,而目标识别的第一步往往是将目标进行分类 ,然后再进行进一步的识别。文中研究了基于低分辨率雷达的固定翼飞机和直升机的分类问题。在分析两类飞机时域、频域特性的基础上给出了两种特征提取方法 ,利用支持矢量机进行了识别实验 ,结果表明所提出的方法是可行的。