CN107728142A - 基于二维卷积网络的雷达高分辨距离像目标识别方法 - Google Patents
基于二维卷积网络的雷达高分辨距离像目标识别方法 Download PDFInfo
- Publication number
- CN107728142A CN107728142A CN201710838666.8A CN201710838666A CN107728142A CN 107728142 A CN107728142 A CN 107728142A CN 201710838666 A CN201710838666 A CN 201710838666A CN 107728142 A CN107728142 A CN 107728142A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution
- data
- imaging data
- convolutional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/04—Systems determining presence of a target
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于二维卷积网络的雷达高分辨距离像目标识别方法,思路为:确定Q个不同雷达,所述Q个不同雷达的检测范围内存在目标,然后从Q个不同雷达的高分辨雷达回波中获取Q类高分辨距离成像数据,并将Q类高分辨距离成像数据分为训练样本集和测试样本集,然后将Q类高分辨距离成像数据记为原始数据x;根据原始数据x,计算得到短时傅里叶变换后的数据x″″;设定二维卷积神经网络模型,该二维卷积神经网络模型包括五层,然后使用训练样本集和短时傅里叶变换后的数据x″″对该二维卷积神经网络模型进行构建,得到训练好的卷积神经网络;使用测试样本集对训练好的卷积神经网络进行目标识别,得到基于二维卷积网络的雷达高分辨距离像目标识别结果。
Description
技术领域
本发明属于雷达技术领域,特别涉及一种基于二维卷积网络的雷达高分辨距离像目标识别方法,适用于对高分辨距离像数据进行目标识别,以及用于环境检测和航迹跟踪。
背景技术
雷达的距离分辨率正比于匹配滤波后的接收脉冲宽度,且雷达发射信号的距离单元长度满足:ΔR为雷达发射信号的距离单元长度,c为光速,τ为匹配接收的脉冲宽度,B为雷达发射信号的带宽;大的雷达发射信号带宽提供了高的距离分辨率(HRR)。实际上雷达距离分辨率的高低是相对于观测目标而言的,当所观测目标沿雷达视线方向的尺寸为L时,如果L<<ΔR,则对应的雷达回波信号宽度与雷达发射脉冲宽度(匹配处理后的接收脉冲)近似相同,通常称为“点”目标回波,这类雷达为低分辨雷达;如果L<<ΔR,则目标回波成为按目标特性在距离上延伸的“一维距离像”,这类雷达为高分辨雷达;<<表示远远小于。
高分辨雷达工作频率相对于一般目标位于光学区(高频区),发射宽带相干信号(线性调频或步进频率信号),雷达通过目标对发射电磁波的后向散射,接收到回波数据。通常回波特性采用简化的散射点模型计算得到,即采用忽略多次散射的波恩(Born)一级近似。
高分辨雷达回波中呈现出的起伏和尖峰,反映着在一定雷达视角时目标上散射体(如机头、机翼、机尾方向舵、进气孔、发动机等等)的雷达散射截面积(RCS)沿雷达视线(RLOS)的分布情况,体现了散射点在径向的相对几何关系,常称为高分辨距离像(HRRP)。因此,HRRP样本包含目标重要的结构特征,对目标识别与分类很有价值。
目前,已经发展出许多针对高分辨距离像数据的目标识别方法,例如,可以直接使用较为传统的支持向量机直接对目标进行分类,或者使用基于限制玻尔兹曼机的特征提取方法先将数据投影到高维空间中再用分类器分类数据;但上述各种方法仅仅利用了信号的时域特征,且目标识别准确率不高。
发明内容
针对上述现有技术存在的不足,本发明目的在于提出一种基于二维卷积网络的雷达高分辨距离像目标识别方法,该种基于二维卷积网络的雷达高分辨距离像目标识别方法是一种针对高分辨距离像数据的基于二维卷积网络的雷达高分辨距离像目标识别方法,能够提高目标的识别的准确率。
本发明的主要思路:确定Q个不同雷达,所述Q个不同雷达的检测范围内存在目标,然后从Q个不同雷达的高分辨雷达回波中获取Q类高分辨距离成像数据,并将Q类高分辨距离成像数据分为训练样本集和测试样本集,然后将Q类高分辨距离成像数据记为原始数据x;其中,Q为大于0的正整数;根据原始数据x,计算得到短时傅里叶变换后的数据x″″;设定二维卷积神经网络模型,该二维卷积神经网络模型包括五层,然后使用训练样本集和短时傅里叶变换后的数据x″″对该二维卷积神经网络模型进行构建,得到训练好的卷积神经网络;使用测试样本集对训练好的卷积神经网络进行目标识别,得到基于二维卷积网络的雷达高分辨距离像目标识别结果。
为达到上述技术目的,本发明采用如下技术方案予以实现。
一种基于二维卷积网络的雷达高分辨距离像目标识别方法,包括以下步骤:
步骤1,确定Q个不同雷达,所述Q个不同雷达的检测范围内存在目标,然后从Q个不同雷达的高分辨雷达回波中获取Q类高分辨距离成像数据,并将Q类高分辨距离成像数据分为训练样本集和测试样本集,然后将Q类高分辨距离成像数据记为原始数据x;其中,Q为大于0的正整数;
步骤2,根据原始数据x,计算得到短时傅里叶变换后的数据x″″;
步骤3,设定二维卷积神经网络模型,该二维卷积神经网络模型包括五层,然后使用训练样本集和短时傅里叶变换后的数据x″″对该二维卷积神经网络模型进行构建,得到训练好的卷积神经网络;
步骤4,使用测试样本集对训练好的卷积神经网络进行目标识别,得到基于二维卷积网络的雷达高分辨距离像目标识别结果。
本发明与现有技术相比具有如下优点:
第一,鲁棒性强:本发明方法由于采用多层卷积神经网络结构,并对数据做了能量归一化和对齐的预处理,可以挖掘高分辨距离像数据的高层特征,如雷达视角上目标散射体的雷达射截面积和这些散射点在径向上的相对几何关系等,去除了高分辨距离像数据的幅度敏感性,平移敏感性和姿态敏感性,相比于传统直接分类的方法有较强的鲁棒性。
第二,目标识别率高:传统针对高分辨距离像数据的目标识别方法一般只是用传统分类器直接对原始数据进行分类得到识别结果,没有提取数据的高维特征,导致识别率不高,而本发明使用的卷积神经网络技术可以组合各层的初级特征,从而得到更高层的特征进行识别,因此识别率有显著提高。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细说明。
图1为本发明的一种基于二维卷积网络的雷达高分辨距离像目标识别方法流程图;
图2为使用本发明方法对测试样本集进行目标识别后得到的目标识别准确率曲线图;其中,cmacc表示使用混淆矩阵计算的识别准确率;
图3为本发明中卷积神经网络中不同第一层卷积层的卷积步长所对应的目标识别准确率变化曲线图;其中,cmacc表示使用混淆矩阵计算的识别准确率,Acc表示最高识别准确率,L表示第一层卷积层的卷积步长;
图4为本发明中使用二维卷积神经网络对测试样本集进行目标识别后得到的目标识别准确率曲线图;其中,cmacc表示使用混淆矩阵计算的识别准确率;图5为本发明中利用限制玻尔兹曼机网络提取数据特征后,使用最邻近节点算法(KNN)和支持向量机(SVM)作为分类器对高分辨距离像(HRRP)测试数据集进行目标识别后得到的目标识别准确率曲线图。
具体实施方式
参照图1,为本发明的一种基于二维卷积网络的雷达高分辨距离像目标识别方法流程图;其中所述基于二维卷积网络的雷达高分辨距离像目标识别方法,包括以下步骤:
步骤1,确定Q个不同雷达,所述Q个不同雷达的检测范围内存在目标,然后从Q个不同雷达的高分辨雷达回波中,获取Q类高分辨距离成像数据,依次记为第1类高分辨距离成像数据、第2类高分辨距离成像数据、…、第Q类高分辨距离成像数据,每个雷达对应一类高分辨率成像数据,且Q类高分辨率成像数据分别不同;然后将Q类高分辨距离成像数据分为训练样本集和测试样本集,训练样本集包含P个训练样本,测试样本集包含A个测试样本,P个训练样本包含P1个第1类高分辨距离成像数据、P2个第2类高分辨距离成像数据、…、PQ个第Q类高分辨距离成像数据,P1+P2+…+PQ=P;A个测试样本包含A1个第1类高分辨距离成像数据、A2个第2类高分辨距离成像数据、…、AQ个第Q类高分辨距离成像数据,A1+A2+…+AQ=A;P个训练样本中每类高分辨距离成像数据分别包含N1个距离单元,A个测试样本中每类高分辨距离成像数据分别包含N2个距离单元,N1与N2取值相同;因此训练样本集中的高分辨距离成像数据为P×N1维矩阵,测试样本集中的高分辨距离成像数据为P×N2维矩阵,并将Q类高分辨距离成像数据记为原始数据x。
其中,将满足公式的成像数据记为高分辨成像数据,△R为成像数据的距离单元长度,c为光速,τ为匹配滤波后的成像数据脉冲宽度,B为成像数据的带宽。
步骤2,对原始数据x做预处理,具体是对原始数据x依次进行归一化处理、重心对齐、均值归一化处理和短时傅立叶变换,进而得到短时傅里叶变换后的数据x″″。
(2a)对原始数据x进行归一化处理,得到归一化处理后的数据x′,其表达式为:
其中,||||2表示求二范数。
(2b)对归一化处理后的数据x′进行重心对齐,得到重心对齐后的数据x″,其表达式为:
x″=IFFT{FFT(x′)e-j{φ[W]-φ[C]k}}
其中,W表示归一化处理后的数据重心,C表示归一化处理后的数据中心,φ(W)表示归一化处理后的数据重心对应相位,φ(C)表示归一化处理后的数据中心对应相位,k表示W与C之间的相对距离,IFFT表示逆快速傅里叶变换操作,FFT表示快速傅里叶变换操作,e表示指数函数,j表示虚数单位。
(2c)对重心对齐后的数据x″进行均值归一化处理,得到均值归一化处理后的数据x″′,其表达式为:
x″′=x″-mean(x″)
其中,mean(x″)表示重心对齐后的数据x″的均值。
所述均值归一化处理后的数据x″′为P×N1维矩阵,P表示训练样本集中包含的训练样本总个数,N1表示P个训练样本中每类高分辨距离成像数据分别包含的距离单元总个数。
(2d)对均值归一化后的数据x″′进行时频分析,即对x″′做短时傅里叶变换,设定短时傅里叶变换的时间窗窗长为TL,TL按经验设置为32,进而得到短时傅里叶变换后的数据x″″,其表达式为:
x″″=STFT{x″′,TL}
其中,STFT{x″′,TL}表示对x″′进行时间窗窗长为TL的短时傅里叶变换,STFT表示短时傅里叶变换,所述短时傅里叶变换后的数据x″″为TL×N1维矩阵,TL表示短时傅里叶变换的时间窗窗长。
步骤3,设定二维卷积神经网络模型,该二维卷积神经网络模型包括五层,然后使用训练样本集和短时傅里叶变换后的数据x″″对该二维卷积神经网络模型进行构建,得到训练好的卷积神经网络,并得到第五层全连接层非线性变换处理后的数据结果其具体过程如下:
(3a)构建第一层卷积层,该第一层卷积层用于对短时傅里叶变换后的数据x″″进行卷积和下采样,得到第一层卷积层下采样处理后的C个特征图其过程为:
(3a.1)设定第一层卷积层中包括C个卷积核,并将第一层卷积层的C个卷积核记为K,用于与短时傅里叶变换后的数据x″″进行卷积,且K大小设置为TL×G×1,G表示短时傅里叶变换后的数据x″″的维数,1<G<N1;由于短时傅里叶变换后的数据x″″为TL×N1维矩阵,因为G=2;N1表示P个训练样本中每类高分辨距离成像数据分别包含的距离单元总个数,P表示训练样本集中包含的训练样本总个数。
(3a.2)将第一层卷积层的卷积步长记为L,使用第一层卷积层的卷积步长L将短时傅里叶变换后的数据x″″与第一层卷积层的C个卷积核分别进行卷积,得到第一层卷积层C个卷积后的结果,并记为第一层卷积层的C个特征图y:
其中,为了保证卷积核不重叠,第一层卷积层的卷积步长L应满足:G≤L≤N1-G,N1表示P个训练样本中每类高分辨距离成像数据分别包含的距离单元总个数,P表示训练样本集中包含的训练样本总个数;本实施例中L=6;b表示第一层卷积层的全1偏置,K表示第一层卷积层的C个卷积核,且第一层卷积层的卷积步长为L;f()表示激活函数,
表示卷积操作。
(3a.3)对第一层卷积层的C个特征图y进行高斯归一化处理,得到高斯归一化处理后第一层卷积层的C个特征图然后对中的每一个特征图分别进行下采样处理,第一层下采样处理的核窗口大小都为m×m,1<m<N1,N1表示P个训练样本中每类高分辨距离成像数据分别包含的距离单元总个数,P表示训练样本集中包含的训练样本总个数;本实施例中m=2;第一层下采样处理的步长都为I,I与m取值相等;进而得到第一层卷积层下采样处理后的C个特征图
其中,表示在第一层下采样处理的核窗口大小m×m内取高斯归一化处理后第一层卷积层的C个特征图的最大值,表示高斯归一化处理后第一层卷积层的C个特征图。
(3b)构建第二层卷积层:第二层卷积层中包含C个卷积核,并将第二层卷积层中的C个卷积核定义为K′,K′用于与第一层卷积层下采样处理后的C个特征图进行卷积;第二层卷积层的卷积核K′大小设置为1×w×1,w表示第一层卷积层中每个卷积核窗口,1<w<N1;本实施例中w=5;第二层卷积层用于对第一层卷积层下采样处理后的C个特征图进行卷积和下采样,得到第二层卷积层下采样处理后的C个特征图其过程为:
(3b.1)将第二层卷积层的卷积步长记为L′,且第二层卷积层的卷积步长L′与第一层卷积层的卷积步长L取值相等;令第二层卷积层的C个卷积核为K′,第二层卷积层的卷积核K′大小与第一层卷积层的卷积核K大小取值相同。
(3b.2)使用第二层卷积层的卷积步长L′将第一层卷积层下采样处理后的C个特征图与第二层卷积层的C个卷积核K′分别进行卷积,得到第二层卷积层C个卷积后的结果,并记为第二层卷积层的C个特征图
其中,令第二层卷积层的卷积步长为L′,为了保证卷积核不重叠,第二层卷积层的卷积步长L′应满足:w≤L′≤N1-w,N1表示P个训练样本中每类高分辨距离成像数据分别包含的距离单元总个数,P表示训练样本集中包含的训练样本总个数;本实施例中L′=6;b′表示第二层卷积层的全1偏置,K′表示第二层卷积层的C个卷积核,且第二层卷积层的卷积步长为L′;f()表示激活函数, 表示卷积操作。
(3b.3)对第二层卷积层的C个特征图进行高斯归一化处理,得到高斯归一化处理后第二层卷积层的C个特征图然后对中的每一个特征图分别进行下采样处理,第二层下采样处理的核窗口大小都为m′×m′,1<m′<N1,本实施例中m′=2;第二层下采样处理的步长都为I′,I′与m′取值相等;进而得到第二层卷积层下采样处理后的C个特征图
其中,表示在第二层下采样处理的核窗口大小m′×m′内取高斯归一化处理后第二层卷积层的C个特征图的最大值,表示高斯归一化处理后第二层卷积层的C个特征图。
(3c)构建第三层卷积层:第三层卷积层的卷积核K″包含R个卷积核,R=2C;并将第三层卷积层中的R个卷积核定义为K″,K″用于与第二层卷积层下采样处理后的C个特征图进行卷积;第三层卷积层中每个卷积核窗口大小与第二层卷积层中每个卷积核窗口大小取值相同;第三层卷积层用于对第二层卷积层下采样处理后的C个特征图进行卷积和下采样,得到第三层卷积层下采样处理后的R个特征图其过程为:
(3c.1)将第三层卷积层的卷积步长记为L″,且第三层卷积层的卷积步长L″与第二层卷积层的卷积步长L′取值相等;令第三层卷积层的R个卷积核为K″,第三层卷积层的卷积步长为L″,L″与L′取值相同。
(3c.2)使用第三层卷积层的卷积步长L″将第二层卷积层下采样处理后的C个特征图与第三层卷积层的R个卷积核K″分别进行卷积,得到第三层卷积层R个卷积后的结果,并记为第三层卷积层的R个特征图
其中,令第三层卷积层的卷积步长初始值L″,为了保证卷积核不重叠,第三层卷积层的卷积步长L″应满足:w≤L″≤N1-w,N1表示P个训练样本中每类高分辨距离成像数据分别包含的距离单元总个数,P表示训练样本集中包含的训练样本总个数;本实施例中L″=6;b″表示第三层卷积层的全1偏置,K″表示第三层卷积层的R个卷积核,且第三层卷积层的卷积步长为L″;
f()表示激活函数, 表示卷积操作。
(3c.3)对第三层卷积层的R个特征图进行高斯归一化处理,即对中的每一个特征图分别进行下采样处理,第三层下采样处理的核窗口大小都为m″×m″,1<m″<N1,本实施例中m″=2;第三层下采样处理的步长都为I″,I′与m″取值相等;进而得到第三层卷积层下采样处理后的R个特征图
其中,表示在第三层下采样处理的核窗口大小m″×m″内取第三层卷积层的2R个特征图的最大值,表示第三层卷积层的R个特征图。
所述第三层卷积层下采样处理后的R个特征图为1×U维,N1表示P个训练样本中每类高分辨距离成像数据分别包含的距离单元总个数,P表示训练样本集中包含的训练样本总个数,floor()表示向下取整。
(3d)构建第四层全连接层:第四层全连接层用于对第三层卷积层下采样处理后的R个特征图进行非线性变换处理,得到第四层全连接层非线性变换处理后的数据结果其表达式为:
其中,表示第四层全连接层的随机初始化的权值矩阵,为B×U维,floor()表示向下取整;表示第四层全连接层的全1偏置,为U×1维,B≥N1,N1表示P个训练样本中每类高分辨距离成像数据分别包含的距离单元总个数,P表示训练样本集中包含的训练样本总个数;B为大于0的正整数,本实施例中B取值为300;
(3e)构建第五层全连接层:第五层全连接层用于对第四层全连接层非线性变换处理后的数据结果进行非线性变换处理,得到第五层全连接层非线性变换处理后的数据结果其表达式为:
其中,表示第五层全连接层的随机初始化的权值矩阵,为Q×U维,表示第五层全连接层的全1偏置,为B×1维,B≥N1,B为大于0的正整数,本实施例中取值为300;
所述第五层全连接层非线性变换处理后的数据结果为Q×1维,第五层全连接层非线性变换处理后的数据结果中有且仅有1行中的数值为1,其他Q-1行中的数值分别为0。
得到第五层全连接层非线性变换处理后的数据结果后,说明卷积神经网络构建结束,记为训练好的卷积神经网络。
步骤4,使用测试样本集对第五层全连接层非线性变换处理后的数据结果进行目标识别,得到基于二维卷积网络的雷达高分辨距离像目标识别,其过程为:
4.1 确定第五层全连接层非线性变换处理后的数据结果中数值为1的位置标签为j,1≤j≤Q。
4.2 分别将A1个第1类高分辨距离成像数据的标签记为d1、将A2个第2类高分辨距离成像数据的标签记为d2、…、将AQ个第Q类高分辨距离成像数据的标签记为dQ,d1取值为1,d2取值为2,…,dQ取值为Q。
4.3 令与j对应的标签为dk,dk表示Ak个第k类高分辨距离成像数据的标签,k∈{1,2,…,Q};如果j与dk相等,则认为识别出了Q类高分辨距离成像数据中的目标,如果j与dk不相等,则认为没有识别出Q类高分辨距离成像数据中的目标。
通过以下仿真实验对本发明的效果进行进一步验证说明。
(一)实验条件
实验所用的数据是3类飞机的高分辨距离像实测数据,3类飞机型号分别为奖状(715),安26(507),雅克42(922),获得的3类高分辨距离成像数据,分别是奖状(715)飞机的高分辨距离成像数据、安26(507)飞机的高分辨距离成像数据和雅克42(922)飞机的高分辨距离成像数据,将3类高分辨距离成像数据分成训练样本集和测试样本集,然后为练样本集和测试样本集中的所有高分辨距离成像数据分别加上相应的类别标签;训练样本集中包含140000个训练样本,测试样本集中包含5200个测试样本,其中训练样本中含有第1类高分辨成像数据52000个,第2类高分辨成像数据52000个,第3类高分辨成像数据36000个,测试样本中含有第1类高分辨成像数据2000个,第2类高分辨成像数据2000个,第3类高分辨成像数据1200个。
在进行目标识别之前对原始数据作时频分析和归一化处理,然后使用卷积神经网络进行目标识别;为了验证本发明在目标识别中识别性能,还使用了一维卷积神经网络识别目标,以及使用限制玻尔兹曼机提取数据特征然后使用最邻近节点算法或支持向量机做分类器的方法进行目标识别。
(二)实验内容与结果:
实验1:用本发明中的基于卷积神经网络的目标识别方法,首先使用测试样本集训练卷积神经网络模型,然后将测试样本输入训练好的卷积神经网络中,计算目标识别准确率,其准确率曲线如图2所示,识别率为98.2%。
实验2:改变第一层卷积层的卷积步长的卷积步长,然后将测试样本集输入训练好的卷积神经网络中,计算目标识别准确率,其准确率曲线如图3所示,第一层卷积层的卷积步长为6时,目标识别率最高,为98.0%。
实验3:进行3次实验,将第一层卷积层的卷积步长按经验设置为6,然后使用本发明方法进行目标识别,得到测试样本集上的目标识别准确率为98.0%。
实验4:使用一维卷积神经网络对测试样本集进行目标识别,将其卷积步长设置为3,计算目标识别准确率,其准确率曲线由图4所示,识别率为95.7%。
实验5:使用限制玻尔兹曼机提取训练样本集中的数据特征,然后用最邻近节点算法在测试样本集上进行目标识别,一共进行了10次实验,其准确率曲线如图5所示,平均识别准确率为88.6%。
实验6:使用限制玻尔兹曼机提取训练样本集中的数据特征,然后用支持向量机在测试样本集上进行目标识别,一共进行了10次实验,其准确率曲线如图5所示,平均识别准确率为87.7%。
对比实验1、实验2,实验3、实验4、实验5和实验6的结果,可以得出本发明中的基于二维卷积网络的雷达高分辨距离像目标识别方法远远优于其他目标识别方法。
综上所述,仿真实验验证了本发明的正确性,有效性和可靠性。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围;这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于二维卷积网络的雷达高分辨距离像目标识别方法,其特征在于,包括以下步骤:
步骤1,确定Q个不同雷达,所述Q个不同雷达的检测范围内存在目标,然后从Q个不同雷达的高分辨雷达回波中获取Q类高分辨距离成像数据,并将Q类高分辨距离成像数据分为训练样本集和测试样本集,然后将Q类高分辨距离成像数据记为原始数据x;其中,Q为大于0的正整数;
步骤2,根据原始数据x,计算得到短时傅里叶变换后的数据x””;
步骤3,设定二维卷积神经网络模型,该二维卷积神经网络模型包括五层,然后使用训练样本集和短时傅里叶变换后的数据x””对该二维卷积神经网络模型进行构建,得到训练好的卷积神经网络;
步骤4,使用测试样本集对训练好的卷积神经网络进行目标识别,得到基于二维卷积网络的雷达高分辨距离像目标识别结果。
2.如权利要求1所述的一种基于二维卷积网络的雷达高分辨距离像目标识别方法,其特征在于,在步骤1中,将所述Q类高分辨距离成像数据,依次记为第1类高分辨距离成像数据、第2类高分辨距离成像数据、…、第Q类高分辨距离成像数据,每个雷达分别对应一类高分辨率成像数据,且Q类高分辨率成像数据分别不同;然后将Q类高分辨距离成像数据分为训练样本集和测试样本集,训练样本集包含P个训练样本,测试样本集包含A个测试样本,P个训练样本包含P1个第1类高分辨距离成像数据、P2个第2类高分辨距离成像数据、…、PQ个第Q类高分辨距离成像数据,P1+P2+…+PQ=P;A个测试样本包含A1个第1类高分辨距离成像数据、A2个第2类高分辨距离成像数据、…、AQ个第Q类高分辨距离成像数据,A1+A2+…+AQ=A;P个训练样本中每类高分辨距离成像数据分别包含N1个距离单元,A个测试样本中每类高分辨距离成像数据分别包含N2个距离单元,N1与N2取值相同;因此训练样本集中的高分辨距离成像数据为P×N1维矩阵,测试样本集中的高分辨距离成像数据为P×N2维矩阵。
3.如权利要求1所述的一种基于二维卷积网络的雷达高分辨距离像目标识别方法,其特征在于,步骤2的子步骤为:
(2a)对原始数据x进行归一化处理,得到归一化处理后的数据x',其表达式为:
<mrow>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mfrac>
<mi>x</mi>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>x</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
</mrow>
</mfrac>
</mrow>
其中,|| ||2表示求二范数;
(2b)对归一化处理后的数据x'进行重心对齐,得到重心对齐后的数据x”,其表达式为:
x”=IFFT{FFT(x')e-j{φ[W]-φ[C]k}}
其中,W表示归一化处理后的数据重心,C表示归一化处理后的数据中心,φ(W)表示归一化处理后的数据重心对应相位,φ(C)表示归一化处理后的数据中心对应相位,k表示W与C之间的相对距离,IFFT表示逆快速傅里叶变换操作,FFT表示快速傅里叶变换操作,e表示指数函数,j表示虚数单位;
(2c)对重心对齐后的数据x”进行均值归一化处理,得到均值归一化处理后的数据x”',其表达式为:
x”'=x”-mean(x”)
其中,mean(x”)表示重心对齐后的数据x”的均值;
所述均值归一化处理后的数据x”'为P×N1维矩阵,P表示训练样本集中包含的训练样本总个数,N1表示P个训练样本中每类高分辨距离成像数据分别包含的距离单元总个数。
(2d)对均值归一化后的数据x”'进行短时傅里叶变换,计算得到短时傅里叶变换后的数据x””,其表达式为:
x””=STFT{x”',TL}
其中,STFT{x”',TL}表示对x”'进行时间窗窗长为TL的短时傅里叶变换,STFT表示短时傅里叶变换,所述短时傅里叶变换后的数据x””为TL×N1维矩阵,TL表示短时傅里叶变换的时间窗窗长。
4.如权利要求3所述的一种基于二维卷积网络的雷达高分辨距离像目标识别方法,其特征在于,步骤3的子步骤为:
(3a)构建第一层卷积层,该第一层卷积层用于对短时傅里叶变换后的数据x””进行卷积和下采样,得到第一层卷积层下采样处理后的C个特征图
(3b)构建第二层卷积层:将第二层卷积层的卷积核定义为K',K'用于与第一层卷积层下采样处理后的C个特征图进行卷积,第二层卷积层的卷积核K'包含C个卷积核;第二层卷积层用于对第一层卷积层下采样处理后的C个特征图进行卷积和下采样,得到第二层卷积层下采样处理后的C个特征图
(3c)构建第三层卷积层:将第三层卷积层的卷积核定义为K”,K”用于与第二层卷积层下采样处理后的C个特征图进行卷积,第三层卷积层的卷积核K”包含R个卷积核,R=2C;第三层卷积层用于对第二层卷积层下采样处理后的C个特征图进行卷积和下采样,得到第三层卷积层下采样处理后的R个特征图
(3d)构建第四层全连接层:第四层全连接层用于对第三层卷积层下采样处理后的R个特征图进行非线性变换处理,得到第四层全连接层非线性变换处理后的数据结果
(3e)构建第五层全连接层:第五层全连接层用于对第四层全连接层非线性变换处理后的数据结果进行非线性变换处理,得到第五层全连接层非线性变换处理后的数据结果
得到第五层全连接层非线性变换处理后的数据结果后,卷积神经网络构建结束,并记为训练好的卷积神经网络。
5.如权利要求4所述的一种基于二维卷积网络的雷达高分辨距离像目标识别方法,其特征在于,(3a)的子步骤为:
(3a.1)设定第一层卷积层中包括C个卷积核,并将第一层卷积层的C个卷积核记为K,用于与短时傅里叶变换后的数据x””进行卷积,且K大小设置为TL×G×1,G表示短时傅里叶变换后的数据x””的维数,1<G<N1,N1表示P个训练样本中每类高分辨距离成像数据分别包含的距离单元总个数,P表示训练样本集中包含的训练样本总个数;
(3a.2)将第一层卷积层的卷积步长记为L,使用第一层卷积层的卷积步长L将短时傅里叶变换后的数据x””与第一层卷积层的C个卷积核分别进行卷积,得到第一层卷积层C个卷积后的结果,并记为第一层卷积层的C个特征图y:
<mrow>
<mi>y</mi>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>&CircleTimes;</mo>
<mi>K</mi>
<mo>+</mo>
<mi>b</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,第一层卷积层的卷积步长L满足:w≤L≤N1-w,N1表示P个训练样本中每类高分辨距离成像数据分别包含的距离单元总个数,P表示训练样本集中包含的训练样本总个数;b表示第一层卷积层的全1偏置,K表示第一层卷积层的C个卷积核,且第一层卷积层的卷积步长为L;f()表示激活函数, 表示卷积操作;
(3a.3)对第一层卷积层的C个特征图y进行高斯归一化处理,得到高斯归一化处理后第一层卷积层的C个特征图然后对中的每一个特征图分别进行下采样处理,第一层下采样处理的核窗口大小都为m×m,1<m<N1,N1表示P个训练样本中每类高分辨距离成像数据分别包含的距离单元总个数,P表示训练样本集中包含的训练样本总个数;m为大于0的正整数;第一层下采样处理的步长都为I,I与m取值相等;进而得到第一层卷积层下采样处理后的C个特征图
其中,表示在第一层下采样处理的核窗口大小m×m内取高斯归一化处理后第一层卷积层的C个特征图的最大值,表示高斯归一化处理后第一层卷积层的C个特征图;
(3b)的过程为:
(3b.1)将第二层卷积层的卷积步长记为L',且第二层卷积层的卷积步长L'与第一层卷积层的卷积步长L取值相等;令第二层卷积层的C个卷积核为K',第二层卷积层的卷积核K'大小与第一层卷积层的卷积核K大小取值相同;
(3b.2)使用第二层卷积层的卷积步长L'将第一层卷积层下采样处理后的C个特征图与第二层卷积层的C个卷积核K'分别进行卷积,得到第二层卷积层C个卷积后的结果,并记为第二层卷积层的C个特征图
<mrow>
<mover>
<mi>y</mi>
<mo>~</mo>
</mover>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mo>&CircleTimes;</mo>
<msup>
<mi>K</mi>
<mo>&prime;</mo>
</msup>
<mo>+</mo>
<msup>
<mi>b</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,令第二层卷积层的卷积步长为L',w≤L'≤N1-w,N1表示P个训练样本中每类高分辨距离成像数据分别包含的距离单元总个数,P表示训练样本集中包含的训练样本总个数;L'为大于0的正整数;b'表示第二层卷积层的全1偏置,K'表示第二层卷积层的C个卷积核,且第二层卷积层的卷积步长为L';f()表示激活函数, 表示卷积操作;
(3b.3)对第二层卷积层的C个特征图进行高斯归一化处理,得到高斯归一化处理后第二层卷积层的C个特征图然后对中的每一个特征图分别进行下采样处理,第二层下采样处理的核窗口大小都为m'×m',1<m'<N1,m'为大于0的正整数;第二层下采样处理的步长都为I',I'与m'取值相等;进而得到第二层卷积层下采样处理后的C个特征图
其中,表示在第二层下采样处理的核窗口大小m'×m'内取高斯归一化处理后第二层卷积层的C个特征图的最大值,表示高斯归一化处理后第二层卷积层的C个特征图。
6.如权利要求4所述的一种基于二维卷积网络的雷达高分辨距离像目标识别方法,其特征在于,(3c)的过程为:
(3c.1)将第三层卷积层的卷积步长记为L”,且第三层卷积层的卷积步长L”与第二层卷积层的卷积步长L'取值相等;令第三层卷积层的R个卷积核为K”,第三层卷积层的卷积步长为L”,L”与L'取值相同,第三层卷积层中每个卷积核窗口大小与第二层卷积层中每个卷积核窗口大小取值相同;
(3c.2)使用第三层卷积层的卷积步长L”将第二层卷积层下采样处理后的C个特征图与第三层卷积层的R个卷积核K”分别进行卷积,得到第三层卷积层R个卷积后的结果,并记为第三层卷积层的R个特征图
其中,令第三层卷积层的卷积步长初始值L”,w≤L”≤N1-w,N1表示P个训练样本中每类高分辨距离成像数据分别包含的距离单元总个数,P表示训练样本集中包含的训练样本总个数;L”为大于0的正整数;b”表示第三层卷积层的全1偏置,K”表示第三层卷积层的R个卷积核,且第三层卷积层的卷积步长为L”;
f()表示激活函数, 表示卷积操作;
(3c.3)对第三层卷积层的R个特征图进行高斯归一化处理,即对中的每一个特征图分别进行下采样处理,第三层下采样处理的核窗口大小都为m”×m”,1<m”<N1,第三层下采样处理的步长都为I”,I'与m”取值相等;进而得到第三层卷积层下采样处理后的R个特征图
其中,表示在第三层下采样处理的核窗口大小m”×m”内取第三层卷积层的2R个特征图的最大值,表示第三层卷积层的R个特征图;
所述第三层卷积层下采样处理后的R个特征图维,N1表示P个训练样本中每类高分辨距离成像数据分别包含的距离单元总个数,P表示训练样本集中包含的训练样本总个数,floor()表示向下取整;
所述第四层全连接层非线性变换处理后的数据结果其表达式为:
其中,表示第四层全连接层的随机初始化的权值矩阵,为B×U维,
floor()表示向下取整;表示第四层全连接层的全1偏置,为U×1维,B≥N1,N1表示P个训练样本中每类高分辨距离成像数据分别包含的距离单元总个数,P表示训练样本集中包含的训练样本总个数,B为大于0的正整数;
所述第五层全连接层非线性变换处理后的数据结果其表达式为:
其中,表示第五层全连接层的随机初始化的权值矩阵,为Q×U维,表示第五层全连接层的全1偏置,为B×1维,B≥N1,N1表示P个训练样本中每类高分辨距离成像数据分别包含的距离单元总个数,P表示训练样本集中包含的训练样本总个数,B为大于0的正整数;
所述第五层全连接层非线性变换处理后的数据结果为Q×1维,第五层全连接层非线性变换处理后的数据结果中有且仅有1行中的数值为1,其他Q-1行中的数值分别为0;
得到第五层全连接层非线性变换处理后的数据结果后,说明卷积神经网络构建结束,记为训练好的卷积神经网络。
7.如权利要求1或6所述的一种基于二维卷积网络的雷达高分辨距离像目标识别方法,其特征在于,所述基于二维卷积网络的雷达高分辨距离像目标识别结果,其得到过程为:
4.1确定第五层全连接层非线性变换处理后的数据结果中数值为1的位置标签为j,1≤j≤Q;
4.2分别将A1个第1类高分辨距离成像数据的标签记为d1、将A2个第2类高分辨距离成像数据的标签记为d2、…、将AQ个第Q类高分辨距离成像数据的标签记为dQ,d1取值为1,d2取值为2,…,dQ取值为Q;
4.3令与j对应的标签为dk,dk表示Ak个第k类高分辨距离成像数据的标签,k∈{1,2,…,Q};如果j与dk相等,则认为识别出了Q类高分辨距离成像数据中的目标,如果j与dk不相等,则认为没有识别出Q类高分辨距离成像数据中的目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710838666.8A CN107728142B (zh) | 2017-09-18 | 2017-09-18 | 基于二维卷积网络的雷达高分辨距离像目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710838666.8A CN107728142B (zh) | 2017-09-18 | 2017-09-18 | 基于二维卷积网络的雷达高分辨距离像目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107728142A true CN107728142A (zh) | 2018-02-23 |
CN107728142B CN107728142B (zh) | 2021-04-27 |
Family
ID=61206599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710838666.8A Active CN107728142B (zh) | 2017-09-18 | 2017-09-18 | 基于二维卷积网络的雷达高分辨距离像目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107728142B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509989A (zh) * | 2018-03-26 | 2018-09-07 | 西安电子科技大学 | 基于高斯选控玻尔兹曼机的hrrp识别方法 |
CN108983187A (zh) * | 2018-07-11 | 2018-12-11 | 西安电子科技大学 | 基于ewc的在线雷达目标识别方法 |
CN109214452A (zh) * | 2018-08-29 | 2019-01-15 | 杭州电子科技大学 | 基于注意深度双向循环神经网络的hrrp目标识别方法 |
CN109343046A (zh) * | 2018-09-19 | 2019-02-15 | 成都理工大学 | 基于多频多域深度学习的雷达步态识别方法 |
CN109376574A (zh) * | 2018-08-14 | 2019-02-22 | 西安电子科技大学 | 基于cnn的可拒判雷达hrrp目标识别方法 |
CN109444863A (zh) * | 2018-10-23 | 2019-03-08 | 广西民族大学 | 一种基于卷积神经网络的窄带超声回波个数的估计方法 |
CN109946667A (zh) * | 2019-03-18 | 2019-06-28 | 西安电子科技大学 | 基于卷积神经网络的识别变体飞机高分辨距离像方法 |
CN110222829A (zh) * | 2019-06-12 | 2019-09-10 | 北京字节跳动网络技术有限公司 | 基于卷积神经网络的特征提取方法、装置、设备及介质 |
CN110221266A (zh) * | 2019-06-11 | 2019-09-10 | 哈尔滨工程大学 | 一种基于支持向量机的航海雷达目标快速检测方法 |
CN110569895A (zh) * | 2019-08-30 | 2019-12-13 | 深圳大学 | 一种卷积神经网络的微多普勒雷达人体动作分类方法 |
CN111458688A (zh) * | 2020-03-13 | 2020-07-28 | 西安电子科技大学 | 一种基于三维卷积网络的雷达高分辨距离像目标识别方法 |
CN111624570A (zh) * | 2020-04-30 | 2020-09-04 | 南京理工大学 | 基于二维卷积神经网络的雷达目标识别方法 |
CN112904299A (zh) * | 2021-03-03 | 2021-06-04 | 西安电子科技大学 | 基于深层类内分裂的雷达高分辨距离像开集目标识别方法 |
CN112965062A (zh) * | 2021-02-09 | 2021-06-15 | 西安电子科技大学 | 基于lstm-dam网络的雷达距离像目标识别方法 |
CN113109780A (zh) * | 2021-03-02 | 2021-07-13 | 西安电子科技大学 | 基于复数密集连接神经网络的高分辨距离像目标识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104459668A (zh) * | 2014-12-03 | 2015-03-25 | 西安电子科技大学 | 基于深度学习网络的雷达目标识别方法 |
CN105118503A (zh) * | 2015-07-13 | 2015-12-02 | 中山大学 | 一种音频翻录检测方法 |
CN105574510A (zh) * | 2015-12-18 | 2016-05-11 | 北京邮电大学 | 一种步态识别方法及装置 |
CN106898350A (zh) * | 2017-01-16 | 2017-06-27 | 华南理工大学 | 一种基于深度学习的智能工业机器人语音交互与控制方法 |
CN107169435A (zh) * | 2017-05-10 | 2017-09-15 | 天津大学 | 一种基于雷达仿真图像的卷积神经网络人体动作分类方法 |
-
2017
- 2017-09-18 CN CN201710838666.8A patent/CN107728142B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104459668A (zh) * | 2014-12-03 | 2015-03-25 | 西安电子科技大学 | 基于深度学习网络的雷达目标识别方法 |
CN105118503A (zh) * | 2015-07-13 | 2015-12-02 | 中山大学 | 一种音频翻录检测方法 |
CN105574510A (zh) * | 2015-12-18 | 2016-05-11 | 北京邮电大学 | 一种步态识别方法及装置 |
CN106898350A (zh) * | 2017-01-16 | 2017-06-27 | 华南理工大学 | 一种基于深度学习的智能工业机器人语音交互与控制方法 |
CN107169435A (zh) * | 2017-05-10 | 2017-09-15 | 天津大学 | 一种基于雷达仿真图像的卷积神经网络人体动作分类方法 |
Non-Patent Citations (2)
Title |
---|
JARMO LUND´EN ET AL.: "Deep learning for HRRP-based target recognition in multistatic radar systems", 《2016 IEEE RADAR CONFERENCE (RADARCONF)》 * |
杜兰 等: "基于卷积神经网络的SAR图像目标检测算法", 《电子与信息学报》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509989B (zh) * | 2018-03-26 | 2020-04-21 | 西安电子科技大学 | 基于高斯选控玻尔兹曼机的hrrp识别方法 |
CN108509989A (zh) * | 2018-03-26 | 2018-09-07 | 西安电子科技大学 | 基于高斯选控玻尔兹曼机的hrrp识别方法 |
CN108983187A (zh) * | 2018-07-11 | 2018-12-11 | 西安电子科技大学 | 基于ewc的在线雷达目标识别方法 |
CN109376574A (zh) * | 2018-08-14 | 2019-02-22 | 西安电子科技大学 | 基于cnn的可拒判雷达hrrp目标识别方法 |
CN109376574B (zh) * | 2018-08-14 | 2021-05-14 | 西安电子科技大学 | 基于cnn的可拒判雷达hrrp目标识别方法 |
CN109214452B (zh) * | 2018-08-29 | 2020-06-23 | 杭州电子科技大学 | 基于注意深度双向循环神经网络的hrrp目标识别方法 |
CN109214452A (zh) * | 2018-08-29 | 2019-01-15 | 杭州电子科技大学 | 基于注意深度双向循环神经网络的hrrp目标识别方法 |
CN109343046A (zh) * | 2018-09-19 | 2019-02-15 | 成都理工大学 | 基于多频多域深度学习的雷达步态识别方法 |
CN109343046B (zh) * | 2018-09-19 | 2023-03-24 | 成都理工大学 | 基于多频多域深度学习的雷达步态识别方法 |
CN109444863A (zh) * | 2018-10-23 | 2019-03-08 | 广西民族大学 | 一种基于卷积神经网络的窄带超声回波个数的估计方法 |
CN109946667A (zh) * | 2019-03-18 | 2019-06-28 | 西安电子科技大学 | 基于卷积神经网络的识别变体飞机高分辨距离像方法 |
CN109946667B (zh) * | 2019-03-18 | 2022-12-02 | 西安电子科技大学 | 基于卷积神经网络的识别变体飞机高分辨距离像方法 |
CN110221266A (zh) * | 2019-06-11 | 2019-09-10 | 哈尔滨工程大学 | 一种基于支持向量机的航海雷达目标快速检测方法 |
CN110221266B (zh) * | 2019-06-11 | 2022-12-13 | 哈尔滨工程大学 | 一种基于支持向量机的航海雷达目标快速检测方法 |
CN110222829A (zh) * | 2019-06-12 | 2019-09-10 | 北京字节跳动网络技术有限公司 | 基于卷积神经网络的特征提取方法、装置、设备及介质 |
CN110569895B (zh) * | 2019-08-30 | 2023-04-07 | 深圳大学 | 一种卷积神经网络的微多普勒雷达人体动作分类方法 |
CN110569895A (zh) * | 2019-08-30 | 2019-12-13 | 深圳大学 | 一种卷积神经网络的微多普勒雷达人体动作分类方法 |
CN111458688A (zh) * | 2020-03-13 | 2020-07-28 | 西安电子科技大学 | 一种基于三维卷积网络的雷达高分辨距离像目标识别方法 |
CN111458688B (zh) * | 2020-03-13 | 2024-01-23 | 西安电子科技大学 | 一种基于三维卷积网络的雷达高分辨距离像目标识别方法 |
CN111624570A (zh) * | 2020-04-30 | 2020-09-04 | 南京理工大学 | 基于二维卷积神经网络的雷达目标识别方法 |
CN111624570B (zh) * | 2020-04-30 | 2023-09-26 | 南京理工大学 | 基于二维卷积神经网络的雷达目标识别方法 |
CN112965062A (zh) * | 2021-02-09 | 2021-06-15 | 西安电子科技大学 | 基于lstm-dam网络的雷达距离像目标识别方法 |
CN112965062B (zh) * | 2021-02-09 | 2024-02-20 | 西安电子科技大学 | 基于lstm-dam网络的雷达距离像目标识别方法 |
CN113109780B (zh) * | 2021-03-02 | 2022-08-05 | 西安电子科技大学 | 基于复数密集连接神经网络的高分辨距离像目标识别方法 |
CN113109780A (zh) * | 2021-03-02 | 2021-07-13 | 西安电子科技大学 | 基于复数密集连接神经网络的高分辨距离像目标识别方法 |
CN112904299A (zh) * | 2021-03-03 | 2021-06-04 | 西安电子科技大学 | 基于深层类内分裂的雷达高分辨距离像开集目标识别方法 |
CN112904299B (zh) * | 2021-03-03 | 2023-06-30 | 西安电子科技大学 | 基于深层类内分裂的雷达高分辨距离像开集目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107728142B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107728142B (zh) | 基于二维卷积网络的雷达高分辨距离像目标识别方法 | |
CN107728143B (zh) | 基于一维卷积神经网络的雷达高分辨距离像目标识别方法 | |
CN108229404B (zh) | 一种基于深度学习的雷达回波信号目标识别方法 | |
CN108008385B (zh) | 基于稀疏贝叶斯学习的干扰环境isar高分辨成像方法 | |
Guo et al. | One-dimensional frequency-domain features for aircraft recognition from radar range profiles | |
CN110109110B (zh) | 基于先验最优变分自编码机的hrrp目标识别方法 | |
CN109557533B (zh) | 一种基于模型的联合跟踪与识别方法 | |
CN102914773B (zh) | 一种多航过圆周sar三维成像方法 | |
CN109901130B (zh) | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 | |
CN109711314B (zh) | 基于特征融合与sae的雷达辐射源信号分类方法 | |
CN112882009B (zh) | 基于幅度相位双通道网络的雷达微多普勒目标识别方法 | |
CN106874841A (zh) | 基于正则化局部保持投影的sar变形目标识别方法 | |
CN112052762A (zh) | 基于高斯原型的小样本isar图像目标识别方法 | |
CN103616685B (zh) | 基于图像特征的isar图像几何定标方法 | |
CN115061126A (zh) | 一种基于多维参数神经网络的雷达集群目标行为识别方法 | |
CN111458688B (zh) | 一种基于三维卷积网络的雷达高分辨距离像目标识别方法 | |
CN112137620A (zh) | 一种基于超宽带雷达的人体微弱呼吸信号检测方法 | |
CN113486917B (zh) | 一种基于度量学习的雷达hrrp小样本目标识别方法 | |
CN113534065B (zh) | 一种雷达目标微动特征提取与智能分类方法及系统 | |
Zhu et al. | Radar HRRP group-target recognition based on combined methods in the backgroud of sea clutter | |
CN116311067A (zh) | 基于高维特征图谱的目标综合识别方法、装置及设备 | |
CN108106500B (zh) | 一种基于多传感器的导弹目标类型识别方法 | |
CN113239959B (zh) | 基于解耦表征变分自编码机的雷达hrrp目标识别方法 | |
CN112784916B (zh) | 基于多任务卷积网络的空中目标微动参数实时提取方法 | |
CN113240081B (zh) | 针对雷达载频变换的高分辨距离像目标稳健识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |