一种基于Dropout约束深度极限学习机的雷达目标分类算法

雷达目标分类在军事和民用领域发挥着重要作用。极限学习机(Extreme Learning Machine, ELM)因其学习速度快、泛化能力强而被广泛应用于分类任务中。然而,由于其浅层结构,ELM无法有效地捕获数据深层抽象信息。虽然许多研究者已经提出了深度极限学习机,它可以用于自动学习目标高级特征表示,但是当训练样本有限时,模型容易陷入过拟合。为解决此问题,该文提出一种基于Dropout约束的深度极限学习机雷达目标分类算法,在雷达测量数据上的实验结果表明所提算法在分类准确率上达到93.37%,相较栈式自动编码器算法和传统深度极限学习机算法分别提高了5.25%和8.16%,验证了算法有效性。      

基于深度生成网络的雷达HRRP生成技术

雷达数据生成在目标识别等任务中发挥重要的作用。现有雷达数据生成方法包括电磁仿真、视线追踪等,存在对模型误差敏感、计算量大等问题。本文面向雷达HRRP(high resolution range profile)数据提出一种基于深度生成网络的雷达数据生成方法,在模型先验信息未知的情况下,由雷达HRRP数据集训练得到深度生成网络,从而实现雷达HRRP数据的快速生成。实测数据处理结果表明该方法生成HRRP与数据集中HRRP极为相似,生成HRRP可以应用于增强雷达HRRP数据集、改善数据不平衡问题等。      

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。     

基于平均模板的HRRP自动目标识别

给出了一种结合幂变换的高分辨率距离像（High Resolution Range Profile,简称HRRP）的预处理新方法，根据时域－频域能量等价性，利用功率平均形成一种频域平均模板。基于美国MSTAR（Moving and Stationary Target Acquisition and Recognition)实测数据的实验结果证明了新方法的有效性。     

基于深度神经网络模型的雷达目标识别

根据雷达测量的目标电磁散射面积(RCS)序列,采用深度神经网络模型识别空间飞行目标。首先,阐述了提取RCS时间序列特征的方法,包括均值、均方差及周期特性等特征;然后,给出了深度神经网络模型识别RCS目标的算法;最后,用仿真数据验证该识别方法,数值实验结果表明该方法能较准确识别雷达跟踪目标。     

基于深度学习的HRRP舰船目标识别性能分析

针对分辨率、信噪比、补零及深度置信网络等对深度学习舰船目标识别性能的影响问题,文中开展了基于实测数据的相关实验分析,整个实验分析处理过程包括回波信号对齐、数据脉冲压缩、信号能量归一化、深度学习模型训练、分类器设计及判决输出。实验分析结论为深刻理解基于深度学习的高分辨距离像舰船目标识别技术原理内涵,开展舰船目标识别工程化应用设计奠定了坚实的基础。     

基于注意力机制和双向GRU模型的雷达HRRP目标识别

针对雷达高分辨距离像(HRRP)目标识别问题,传统方法只考虑样本的包络信息而忽略了距离单元间的时序相关性,该文提出了一种基于注意力机制的双向自循环神经网络模型。该模型将时域的HRRP数据通过滑窗分为正反两个序列,并将其分别通过两个相互独立的GRU网络进行特征提取,然后将同时刻提取到的特征进行拼接,从而利用了距离像双向的时序信息。考虑到不同时刻的序列对目标分类的重要性不同,通过注意力机制自适应地对各时刻隐层特征赋予不同的权值,最后根据加权求和后的隐层特征进行目标的识别与分类。实测数据实验结果表明,该文所提方法可以有效完成高分辨距离像的目标识别问题,并且在数据发生一定的时序偏移情况下,仍然可以准确找到目标区域。      

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。     

深度学习在雷达目标检测中的应用综述

雷达目标检测技术能够判断回波信号中目标存在与否,并提取目标位置信息。随着雷达图像质量的提升和人工智能技术的发展,利用雷达图像数据通过深度学习方法实现雷达目标检测功能成为一种新的思路。该文首先从雷达目标检测原理入手,对传统和现代两类检测方法进行了梳理,分析了各类检测方法的特点及适用性。然后针对现代雷达回波信号复杂性增大导致传统检测方法统计建模难的问题和机器学习方法特征提取难度大的问题,对深度学习目标检测方法进行了归纳,主要从深度学习算法、雷达回波图像数据类型和应用场景三个方面进行总结。最后分析了深度学习在雷达目标检测应用中面临的挑战,展望了未来的发展趋势。     

基于字典学习的雷达高分辨距离像目标识别

提出一种基于字典学习的雷达高分辨距离像(HRRP)目标识别算法。该算法依据对测试样本的信噪比估计,可以自适应地确定测试阶段稀疏分解的稀疏度系数。相比于传统识别算法,文中算法对目标的识别性能更好,且对噪声的鲁棒性更强。另外,文中算法可以在只训练部分角域数据(不完备训练集)的条件下较好地识别全角域数据,可应用于HRRP数据库的扩展。基于实测数据的识别试验验证了该算法的有效性。     

Regularized manifold information extreme learning machine

By exploiting the thought of manifold learning and its theoretical method, a regularized manifold information ex-treme learning machine algorithm aimed to depict and fully utilize manifold information was proposed. The proposed algo-rithm exploited the geometry and discrimination manifold information of data to perform network of ELM. The proposed algorithm could overcome the problem of the overlap of information. Singular problems of inter-class and within-class were solved effectively by using maximum margin criterion. The problem of inadequate learning with limited samples was solved. In order to demonstrate the effectiveness, comparative experiments with ELM and the related update algorithms RAFELM, GELM were conducted using the commonly used image data. Experimental results show that the proposed algorithm can significantly improve the generalization performance of ELM and outperforms the related update algorithms.     

基于高分辨率一维距离像雷达目标识别研究

基于一维距离像的目标识别是雷达目标识别的一种重要方法。本文利用最大相关系数法（MCC）和主分量分析方法（PCA）对目标一维距离像进行目标识别。针对一维距离像的目标姿态敏感性,分析了最大相关系数法和PCA特征提取方法的原理,并通过3种目标的实测数据进行分类实验,表明该算法的有效性。     

混合因子模型在雷达目标识别中的应用

高分辨一维距离像是雷达自动目标识别的重要特征之一,它对目标姿态变化很敏感,只有通过进一步处理才能够实现有效的目标识别。针对距离像的这种姿态敏感性,本文提出了一种基于混合因子建模的雷达目标识别框架,它通过对从各个姿态角下获得的目标一维距离像出发构建目标的距离像概率生成模型,然后利用该模型通过比较条件概率大小的方法判别目标类属。对5类飞机数据的实验结果表明该框架对任意姿态角距离像的目标识别有很好性能。     

雷达高分辨距离像子带融合识别算法

针对雷达高分辨距离像（HRRP）目标识别问题,对目标回波进行子带划分,分别进行幂变换预处理获得子带距离像,通过实验证明HRRP不同频段的子带距离像均含有目标信息,可以从中提取特征信息用于目标识别。提出一种相关系数相加法子带融合识别算法,由于该方法充分利用了回波信息,因而能获得更好的识别性能,实验仿真验证了这一结论,分析表明算法具有计算复杂度低的优点,因此可实际应用于雷达自动目标识别。     

宽带雷达一维高分辨距离像识别研究

对一维高分辨率距离像（HRRP）进行预处理,解决高分辨距离像姿态、平移和幅度敏感性问题。对HRRP进行了目标子空间提取,基于子空间使用最大相关系数法对目标进行识别。实验结果表明,基于子空间法的目标识别具有较好的识别结果和较快的处理速度。     

双辨别子空间高分辨距离像雷达目标识别

针对飞机目标的分类问题,提出了一种双辨别子空间高分辨距离像雷达目标识别方法.该方法首先依据Fisher准则导出距离像总散布矩阵的零空间中不含有辨别信息的结论,利用这一结论,对类间和类内散布矩阵进行预降维,降低了后续计算的复杂度.从全局的角度出发,基于类内散布矩阵零空间与非零空间所包含的辨别信息分别建立辨别子空间,实现对目标的特征提取.对ISAR实测飞机数据进行了分类,并与经典子空间方法进行比较,结果表明所提算法有效改善了目标识别性能.     

迁移学习在天基红外目标识别中的应用

星载红外传感器对飞行的火箭进行识别时,因为观测数据有限,一般属于小样本甚至单样本学习的分类问题.本文建立了一种以一维全卷积为主体结构的孪生神经网络,将多分类问题转化为比较相似度的验证问题;并利用UCR时间序列数据集的预训练权重,对孪生神经网络的卷积特征提取部分进行知识迁移,最后使用公开文献中火箭红外辐射强度序列数据对网...     

基于双谱特征的超宽带雷达人体目标识别

为了在人体微多普勒特征不明显条件下识别静态人体目标及人体姿态,提出了一种结合双谱对角线起伏特性与目标强散射点分布特征进行人体目标识别的方法。首先,通过分析静态人体目标双谱,提取双谱对角线起伏特性作为分类特征,降低了双谱数据的维数,减少了双谱特征冗余。然后,结合目标强散射点分布特征从不同角度描述目标,并构造用于目标识别的特征向量。最后,用支持向量机实现目标识别。仿真和实测结果均表明,双谱对角线起伏特性与目标强散射点分布特征融合的方法可以有效识别出静态人体目标并且实现人体姿态识别。     

雷达目标识别的一种方法

利用目标的方位角、运动速度、俯仰角和雷达散射截面积（RCS），提出了一种雷达目标识别方法。由目标的实测数据，计算特征向量总体的均值和协方差矩辄及其逆矩阵，由距离判别法进行目标识别。识别结果表明，该方法简单、识别效果较好，具有一定的实际应用价值。