CN108229404A - 一种基于深度学习的雷达回波信号目标识别方法 - Google Patents
一种基于深度学习的雷达回波信号目标识别方法 Download PDFInfo
- Publication number
- CN108229404A CN108229404A CN201810018311.9A CN201810018311A CN108229404A CN 108229404 A CN108229404 A CN 108229404A CN 201810018311 A CN201810018311 A CN 201810018311A CN 108229404 A CN108229404 A CN 108229404A
- Authority
- CN
- China
- Prior art keywords
- training
- radar echo
- echo signal
- neural networks
- convolutional neural
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于深度学习的雷达回波信号目标识别方法,该方法直接对雷达回波信号进行识别,从而避免了SAR图像的复杂二维匹配滤波处理以及成像过程中的信息损失,有效提高了识别准确率。此外,该方法利用卷积神经网络,从而避免了对回波信号的复杂预处理和特征提取过程,极大的简化了识别处理过程。本发明主要解决传统基于SAR图像目标识别方法需要成像预处理的问题,将卷积神经网络方法应用于原始雷达回波数据,具有识别准确率高,抗噪声性能好的优势,并且具有更具高效性与实用性。
Description
技术领域
本发明属于目标信号识别,尤其涉及一种基于深度学习的雷达回波信号目标识别方法。
背景技术
遥感技术是根据电磁波理论,应用各种传感仪器对远距离目标所辐射和反射的电磁波信息,进行收集、处理,从而对地海面各种场景进行探测和识别的一种综合技术。遥感技术从人造卫星,飞机或其他飞行器上收集地物目标的电磁辐射信息,这些信息包含大量的元数据,从而使我们可以方便地检索地理参数、生物化学量,对目标进行检测和分类等。这样的检测和分类需要强大的统计方法,而深度学习算法在其中起到关键作用。
合成孔径雷达是一种主动式的对地观测遥感系统,合成孔径雷达自动目标识别的标准架构分为三个阶段:发现、辨别和识别。每个阶段都在上一阶段的基础上执行更为复杂和精细的处理,并为下一阶段筛选候选目标。然而,所有这些阶段都可以看作是一个分类问题,因此可利用深度学习方法。利用单层的卷积神经网络自动学习SAR图像中的有效特征,并对MSTAR数据集进行测试。然而由于SAR图像样本的匮乏,该神经网络存在过拟合问题。为解决这一问题,现有技术利用多种数据扩充和防止过拟合方法处理,且引入全卷积网络结构,避免了传统卷积神经网络中全连接层参数量过大的问题。
然而,先前关于遥感自动目标识别的研究均采用基于图像的方法,这种方法中,一个统计分类器被训练以学习SAR图像和目标内容之间的关系。虽然现有方法能取得令人满意的识别准确度,但现有的研究中必须利用专业知识和成像机理作为目标识别的先验处理。在成像过程中,成像算法和物理模型的选择对原始信号特征的表现起到至关重要的作用。因此,这种固定的人工的成像过程很可能并不能最优地描述原始信号,在成像过程中会有一定程度的信息损失。强大的深度学习方法可以消除对成像这一额外步骤的依赖,直接从原始数据中获取具有识别能力的特征。目前对基于原始遥感信号的全自动深度学习仍缺乏研究。
从回波数据中生成SAR图像可以被描述为一个二维的相关过程,可以通过某些卷积滤波器来实现。因此,从原始雷达回波数据中训练卷积神经网络,能够达到更高的目标识别准确率。
发明内容
发明目的:针对上述现有技术中存在的不足,本发明提出一种基于深度学习的雷达回波信号目标识别方法,该方法具有操作步骤简单、可靠性高、高效且识别精度高的效果。
技术方案:为了解决现有基于SAR图像自动目标识别系统需要成像预处理、识别准确率不高的问题,本发明提出一种基于深度学习的雷达回波信号自动目标识别方法,包括以下步骤:
(1)对雷达回波信号进行(0,1)的归一化处理;
(2)将雷达回波信号样本分为训练集样本和测试集样本,方便交叉验证;
(3)卷积神经网络参数初始化;
(4)利用梯度下降法训练卷积神经网络,得到分类器;
(5)在测试集上测试训练好的卷积神经网络及其分类器,得到测试结果。
进一步的,步骤(1)采用雷达原始回波信号,可采用近场/远场测量或仿真得到的单/双站雷达回波信号;其仿真包括采用采用时域高频算法;通过仿真得到的近场双站雷达回波信号时,仿真时目标中心位于坐标原点,入射波为沿方向入射的θ极化平面波,平面波激励由φi=0°平面内θi=90°方向照射目标,入射波波形为调制高斯脉冲的一阶导数,调制频率为2GHz,脉冲宽度为12.8ns,分别计算俯仰角θs=90°时,在不同观察距离下,其观察半径r∈[48m,52m],中心方位角φs∈[-5°,5°],对方位角进行扫描得到的近场回波信号。其时间范围在仿真过程中自动通过下列公式确定:
进一步的,步骤(2)中,中心方位角为φs∈[-5°,2°]范围内的仿真数据作为训练样本集,中心方位角为φs∈(2°,5°]范围内的仿真数据作为测试样本集。在仿真得到的训练样本集基础上采用增加数据量技术,优选的,通过从原始回波信号中随机抽样220×220的子块实现,取10个随机位移的数据子集作为每一个训练样本的扩展集,测试样本取测试集原始数据中心的220×220子块作为测试样本。
进一步的,步骤(3)包括如下步骤:
(31)对所述训练样本集P,其训练样本总量为M,记第i个训练样本为:p(xi,yi),其中xi为归一化后的二维雷达回波数据,yi为第i个训练样本的类别标记,i=1,2,…M;
(32)网络的连接权重初始化服从如下分布函数:
其中,U指均匀分布,p(l)表示第l层的输出特征图个数,p(l-1)表示第l层的输入特征图个数,网络的偏置项初始化为0;
(33)构造卷积神经网络,所述的卷积神经网络结构由3个卷积层,3个下采样层和1个输出层组成。每个卷积层采用ReLU激活函数,卷积层步长为2。
其中,步骤(33)构造的卷积神经网络中每层卷积层后分别跟max pool下采样层,每个卷积层采用ReLU激活函数,最终得到的特征图连接为一个一维向量,该向量与输出层节点全连接,最终得到表示目标类别的输出结果,输出层采用softmax分类器。
进一步的,步骤(4)包括利用训练样本集P训练卷积神经网络得到训练好的分类器,包括以下步骤:
(41)训练样本集,采用小批量梯度下降方式训练该卷积神经网络,将训练样本随机排列后,每次选择训练集中一定数量的数据完成一次参数更新,参数更新采用引入动量因子的更新方式,所述的一定数量为一个batch,batch∈[100,300];
(42)在卷积神经网络的训练初期使用能使损失函数下降的最大学习率来改变参数,初始学习率设置为1,在训练过程中每50个epochs后,学习率变为原先的0.1;
(43)判定网络损失函数是否小于期望值,所述的网络损失函数采用考虑L2正则化的交叉熵损失函数,其表达式如下:
式中,m为训练集样本集样本个数,记第i个训练样本为p(xi,yi),其中xi为归一化后的二维雷达回波数据,yi为第i个训练样本的类别标记,hk,b(xi)为第i个训练样本通过网络后的预测类别标记,λ>0为正则化参数,k为网络权重。
更进一步的,步骤(41)构造的卷积神经网络中每层卷积层后分别跟max pool下采样层,每个卷积层采用ReLU激活函数,最终得到的特征图连接为一个一维向量,该向量与输出层节点全连接,最终得到表示目标类别的输出结果,输出层采用softmax分类器。
更进一步的,步骤(44)或者判定网络在测试集上的识别准确率是否达到最高,如果是则终止训练,否则继续训练或降低学习率后继续训练。
有益效果:本发明与现有基于SAR图像的目标识别算法相比,其显著效果在于:本发明中的目标识别方法基于深度学习算法,该方法直接对雷达回波信号进行识别,避免了传统基于SAR图像目标识别中的成像二维匹配滤波处理,从而避免了成像过程中的信息损失,同时由于相较于SAR图像,回波信号包含更丰富的信息,有利于提高识别准确率。该算法具有抗噪声能力强,识别准确率高,训练速度快等优点。
附图说明
图1是本发明中基于深度学习的雷达回波信号目标识别方法的流程图;
图2是实施例1中六类简单目标的几何模型、回波幅度以及SAR图像示意图;
图3是用于回波数据分类的卷积神经网络结构图;
图4是实施例2中六类导弹目标的几何模型、回波幅度、SAR图像以及SAR原始数据的示意图;
图5(a)为基于回波数据训练的网络卷积层的典型特征图与卷积核;
图5(b)为基于SAR图像训练的网络卷积层的典型特征图与卷积核;
图6是雷达回波数据与SAR图像的信息熵对比示意图。
具体实施方式
为了详细的说明本发明公开的技术方案,下面结合附图和实施例做进一步的阐述。
如图1所示,一种基于深度学习的雷达回波信号目标识别方法,包括以下步骤:
(1)对雷达回波信号进行(0,1)归一化处理;
(2)将雷达回波信号样本分为训练集和测试集,方便交叉验证;
(3)卷积神经网络参数初始化;
(4)利用梯度下降法训练卷积神经网络;
(5)在测试集上测试训练好的卷积神经网络,得到测试结果。
本发明中利用卷积神经网络方法直接对雷达回波信号进行识别,具有抗噪声能力强,识别准确率高,训练速度快的优势。
下面以3个实施例对本发明方法做进一步具体的介绍。
实施例1
考虑六类简单目标的识别,用于识别的六类目标分别为立方体,三棱柱,四面体,球,圆柱与圆锥,如图2所示。六类目标的回波幅度以及SAR图像示例图像也在图2中分别给出。
利用本发明中的基于深度学习的雷达回波信号分类方法对测试集的待分类雷达回波信号进行分类包括以下步骤:
(1)对待分类的雷达回波信号进行(0,1)的归一化操作,并选取原始回波信号数据中心的220×220子块作为待分类样本;
(2)采用均衡样本训练,即各个类别训练样本数目相等,六个类别中每个类别取400个作为训练样本。对训练样本集采取增加数据量技术,通过从原始雷达回波信号中随机抽样220×220的子块实现。这里对每个训练样本取10个随机位移的数据子集作为该训练样本的扩充,这些样本构成训练样本集P,同时保留每个样本的类别信息;
(3)利用训练样本集训练卷积神经网络,自动提取训练样本中与目标类别相关的特征并分类;
(3a)卷积神经网络参数初始化;具体为:
1)对于已经形成的训练样本集P,其训练样本总量为M,记第i个样本为:p(xi,yi),其中xi为归一化后的二维雷达回波数据,yi为第i个训练样本的类别标记,i=1,2,…M;
2)网络的连接权重初始化服从均匀分布,网络的偏置项初始化为0;
卷积神经网络的结构由图3给出,该结构由3个卷积层,3个下采样层和1个输出层组成。每层卷积层后分别跟max pool下采样层,下采样层的采样大小为2×2,步长为2,下采样窗口间不重叠。每个卷积层采用ReLU激活函数,卷积层步长为2。输入原始数据大小为220×220,经7×7的卷积核卷积后输出32个110×110的特征图。经下采样后特征图的大小变为55×55。这些特征图被送到第二个卷积层,卷积核尺寸为5×5,输出64个28×28的特征图,经第二次下采样后大小变为14×14。之后经过类似的卷积与下采样操作,具体的卷积核大小与特征图个数在图3中给出。第三次下采样后得到32个4×4的特征图,连接为一个一维向量,该向量与输出层节点全连接,最终得到表示目标类别的输出结果。输出层采用softmax分类器与考虑L2正则化的交叉熵损失函数。
(3b)将训练样本集P输入到卷积神经网络中,进行网络训练;具体为:
1)判定网络损失函数是否小于给定期望的损失函数,或判定网络在测试集上的识别准确率是否达到最高,如果是则终止训练,否则继续训练或降低学习率后继续训练;
2)根据损失函数的下降情况和训练的epoch数目调整学习率,如达到50 epoch或网络损失函数不再下降,则降低学习率为原先的0.1。
在训练过程中,采用小批量梯度下降方式训练该卷积神经网络,将训练样本随机排列后,每次选择训练集中的100个数据完成一次参数更新。参数更新采用引入动量因子的更新方式。在卷积神经网络的训练初期,一般使用一个大的学习率来更快的改变参数。然而,随着训练的进行,大的学习率会导致网络参数的震荡,而无法收敛到一个更好的值。通常,最初的学习率设置为能使损失函数下降的最大值,常见的学习率调整方法是在训练过程中观察验证集上的准确率,当验证集上的准确率在一段时间内停止提高,便将学习率降低到原先的0.1。在这里,初始学习率设置为1,每50个epochs后,学习率变为原先的0.1。epoch指训练过程中每个训练样本被使用的次数。
(4)将待分类测试样本输入到训练好的卷积神经网络中,得到最终的雷达回波数据分类结果。
使用训练后的卷积神经网络在测试集上进行测试,识别结果如表1所示,表1分类结果表明,基于回波数据的目标识别准确率达到100%,而基于SAR图像的目标识别准确率为94.83%。从表1可以看出,基于SAR图像数据集训练时,圆柱的识别正确率很低,仅为69%。为了更好地说明回波数据集和SAR图像数据集目标识别间的性能差异,表2给出了基于SAR图像数据集的混淆矩阵。混淆矩阵中的每一行表示实际的目标类别,每一列表示网络所预测的类别。可以看出,31%的圆柱体被误归类为球。从最初的数据中可以看出,圆柱体看起来确实比其他目标更像球。网络表现出的这两类之间的分类错误,与我们的直观感受相吻合。这个例子证明了本发明的基于原始雷达回波数据的目标识别可以得到更高的识别准确率。
表1 六类简单目标雷达回波数据与SAR图像的识别结果对比
表2 基于SAR图像的六类简单目标识别结果的混淆矩阵
实施例2
考虑六类导弹目标的识别,用于识别的六类导弹目标如图4所示的(a)-(f)类。六类导弹目标的回波幅度,SAR图像以及SAR原始成像数据也在图4(g)-(l),(m)-(r)和(s)-(x)中分别给出。使用训练后的卷积神经网络在测试集上进行测试,识别结果如表3所示,表3的分类结果表明,基于回波数据的目标识别准确率达到100%,基于SAR图像的目标识别准确率为98.83%,而基于SAR原始成像数据的识别准确率为99.83%。从表3可以看出,基于SAR图像和SAR原始成像数据训练时,导弹3的识别正确率较低,分别为93%和99%。为了更好地说明回波数据集,SAR图像数据集以及SAR原始成像数据集在目标识别方面的性能差异,表4、表5分别给出了基于SAR图像数据集和SAR原始成像数据集的混淆矩阵。混淆矩阵中的每一行表示实际的目标类别,每一列表示网络所预测的类别。表4,表5显示,分别有7%和1%的导弹3被误分类为导弹4。从几何模型中可以看出,导弹3和导弹4有类似的尾翼和机身,两个相似类别之间的错误分类符合直观印象。这个例子也证明了相对于基于SAR图像的识别方法,本发明的基于原始雷达回波数据的目标识别可以得到更高的识别准确率。
表3 六类导弹目标雷达回波数据、SAR图像与SAR原始数据的识别结果对比
表4 基于SAR图像的六类导弹目标识别结果的混淆矩阵
表5 基于SAR原始数据的六类导弹目标识别结果的混淆矩阵
为了验证本发明的基于雷达回波数据目标识别方法的抗噪声性能,考虑不同程度噪声下的识别准确率。我们在测试样本中随机选择一定比例的数据,并将它们的值替换为来自均匀分布的随机值。通过这种修改,可以创建一个更真实的场景,因为现实世界中的噪声和不确定性很大。根据导弹目标分类问题训练好的网络,表6中给出了不同程度噪音下测试集上的识别准确率。表6显示,随着噪音水平的提高,识别准确率逐渐降低,当噪音水平达到5%时,回波数据集的准确率降低了5.5%,SAR图像数据集则下降了47.5%。与基于SAR图像的方法相比,本发明的基于回波数据的识别方法能更好地抵抗噪声干扰。
表6 噪声环境下的识别率对比
为了更好地说明本发明中的回波数据集和SAR图像训练的神经网络之间的差异,网络的内部状态在图5中给出,导弹1的雷达回波和SAR图像通过训练后的网络前向传播,图5中分别给出网络内部特征图与卷积核的一个子集。从图中可以看出,回波数据训练得到的卷积核与SAR图像训练得到的卷积核有很大不同。基于原始回波数据的网络中,训练后的卷积核比由SAR图像训练的网络的卷积核包含更多的信息。雷达回波数据训练得到的卷积核有明确的物理意义,如锐化、高斯模糊、纹理和边缘探测器,而SAR图像的卷积核类似sinc型检测器。因此,回波数据集在识别上能表现出更好的性能。
实施例3
SAR成像算法通过在距离向脉冲压缩和方位向匹配滤波,从而实现了SAR的高分辨率。因此,在成像过程中会有大量的信息损失。为证明雷达回波信号相比SAR图像包含更多的信息量,比较回波信号和SAR图像的信息熵。分别考虑立方体和导弹目标的SAR图像和雷达回波信号,如图6所示,可以看出回波数据比相应的SAR图像包含更丰富的信息,这表明回波数据有更大的信息熵。计算得到,立方体目标回波数据和SAR图像的信息熵分别为4.24和0.22;导弹模型回波数据和SAR图像的信息熵则分别为5.61和0.32。该结果符合直观感受,证明了本发明中使用的回波数据包含更丰富的信息从而更有利于目标识别。
由以上三个实施例不难得出以下结论:基于深度学习的雷达回波信号目标识别方法相比于传统基于SAR图像的目标识别方法,有更高的识别准确率和更好地抗噪声特性。
Claims (8)
1.一种基于深度学习的雷达回波信号目标识别方法,其特征在于,包括以下步骤:
(1)对雷达回波信号进行(0,1)的归一化处理;
(2)将雷达回波信号样本分为训练集样本和测试集样本;
(3)卷积神经网络参数初始化;
(4)利用梯度下降法训练卷积神经网络;
(5)在测试集上测试训练好的卷积神经网络,得到测试结果。
2.根据权利要求1所述的一种基于深度学习的雷达回波信号目标识别方法,其特征在于,步骤(1)所述的雷达回波信号为雷达原始回波信号,采用近场/远场测量或仿真得到的单/双站雷达回波信号。
3.根据权利要求2所述的一种基于深度学习的雷达回波信号目标识别方法,其特征在于,步骤(1)采用通过仿真得到的近场双站雷达回波信号时,仿真时目标中心位于坐标原点,平面波激励由φi=0°平面内θi=90°方向照射目标,入射波波形为调制高斯脉冲的一阶导数,调制频率为2GHz,脉冲宽度为12.8ns,分别计算俯仰角θs=90°时,在不同观察距离和中心方位角下,观察半径r∈[48m,52m],中心方位角φs∈[-5°,5°],对方位角进行扫描得到的近场雷达回波信号。
4.根据权利要求1所述的一种基于深度学习的雷达回波信号目标识别方法,其特征在于,步骤(2)中所述的训练集样本为中心方位角为φs∈[-5°,2°]范围内的仿真数据,所述的测试集样本为中心方位角为φs∈(2°,5°]范围内的仿真数据。
5.根据权利要求1所述的一种基于深度学习的雷达回波信号目标识别方法,其特征在于,步骤(3)所述的神经网络参数初始化包括如下步骤:
(31)对所述训练样本集P,其训练样本总量为M,记第i个训练样本为p(xi,yi),其中xi为归一化后的二维雷达回波数据,yi为第i个训练样本的类别标记,i=1,2,…M;
(32)网络的连接权重初始化服从如下分布函数:
其中,U指均匀分布,p(l)表示第l层的输出特征图个数,p(l-1)表示第l层的输入特征图个数,网络的偏置项初始化为0;
(33)构造卷积神经网络,所述的卷积神经网络结构由3个卷积层,3个下采样层和1个输出层组成。
6.根据权利要求5所述的一种基于深度学习的雷达回波信号目标识别方法,其特征在于,步骤(33)构造的卷积神经网络中每层卷积层后分别跟max pool下采样层,每个卷积层采用ReLU激活函数,最终得到的特征图连接为一个一维向量,该向量与输出层节点全连接,最终得到表示目标类别的输出结果,输出层采用softmax分类器。
7.根据权利要求1所述的一种基于深度学习的雷达回波信号目标识别方法,其特征在于,步骤(4)利用训练样本集P训练卷积神经网络得到训练好的分类器,包括以下步骤:
(41)训练样本集,采用小批量梯度下降方式训练该卷积神经网络,将训练样本随机排列后,每次选择训练集中一定数量的数据完成一次参数更新,参数更新采用引入动量因子的更新方式,所述的一定数量为一个batch,batch∈[100,300];
(42)在卷积神经网络的训练初期使用能使损失函数下降的最大学习率来改变参数,初始学习率设置为1,在训练过程中每50个epochs后,学习率变为原先的0.1;
(43)判定网络损失函数是否小于期望值,所述的网络损失函数采用考虑L2正则化的交叉熵损失函数,其表达式如下:
式中,m为训练集样本集样本个数,记第i个训练样本为p(xi,yi),其中xi为归一化后的二维雷达回波数据,yi为第i个训练样本的类别标记,hk,b(xi)为第i个训练样本通过网络后的预测类别标记,λ>0为正则化参数,k为网络权重。
8.根据权利要求7所述的一种基于深度学习的雷达回波信号目标识别方法,其特征在于,步骤(44)或者判定网络在测试集上的识别准确率是否达到最高,如果是则终止训练,否则继续训练或降低学习率后继续训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810018311.9A CN108229404B (zh) | 2018-01-09 | 2018-01-09 | 一种基于深度学习的雷达回波信号目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810018311.9A CN108229404B (zh) | 2018-01-09 | 2018-01-09 | 一种基于深度学习的雷达回波信号目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108229404A true CN108229404A (zh) | 2018-06-29 |
CN108229404B CN108229404B (zh) | 2022-03-08 |
Family
ID=62641531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810018311.9A Active CN108229404B (zh) | 2018-01-09 | 2018-01-09 | 一种基于深度学习的雷达回波信号目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229404B (zh) |
Cited By (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108983228A (zh) * | 2018-07-10 | 2018-12-11 | 北京理工大学 | 一种基于深度神经网络的rcs近远场变换方法 |
CN109063750A (zh) * | 2018-07-17 | 2018-12-21 | 西安电子科技大学 | 基于cnn和svm决策融合的sar目标分类方法 |
CN109274625A (zh) * | 2018-11-12 | 2019-01-25 | 北京邮电大学 | 一种信息调制方式确定方法、装置、电子设备及存储介质 |
CN109270525A (zh) * | 2018-12-07 | 2019-01-25 | 电子科技大学 | 基于深度学习的穿墙雷达成像方法及系统 |
CN109343060A (zh) * | 2018-12-07 | 2019-02-15 | 电子科技大学 | 基于深度学习时频分析的isar成像方法及系统 |
CN109389058A (zh) * | 2018-09-25 | 2019-02-26 | 中国人民解放军海军航空大学 | 海杂波与噪声信号分类方法及系统 |
CN109471074A (zh) * | 2018-11-09 | 2019-03-15 | 西安电子科技大学 | 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 |
CN109901159A (zh) * | 2019-04-04 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深度学习的米波雷达目标识别方法 |
CN109919042A (zh) * | 2019-02-18 | 2019-06-21 | 中国科学院上海光学精密机械研究所 | 一种海洋激光雷达回波波形分类方法、系统及终端 |
CN109919862A (zh) * | 2019-02-01 | 2019-06-21 | 北京佳格天地科技有限公司 | 雷达图像去噪系统、方法及计算机设备 |
CN109934282A (zh) * | 2019-03-08 | 2019-06-25 | 哈尔滨工程大学 | 一种基于sagan样本扩充和辅助信息的sar目标分类方法 |
CN109948532A (zh) * | 2019-03-19 | 2019-06-28 | 桂林电子科技大学 | 基于深度卷积神经网络的超宽带雷达人体动作识别方法 |
CN110045336A (zh) * | 2019-02-28 | 2019-07-23 | 合肥工业大学 | 基于卷积神经网络的雷达干扰识别方法和装置 |
CN110110780A (zh) * | 2019-04-30 | 2019-08-09 | 南开大学 | 一种基于对抗神经网络和海量噪声数据的图片分类方法 |
CN110333489A (zh) * | 2019-07-24 | 2019-10-15 | 北京航空航天大学 | 采用cnn与rsva组合对sar回波数据旁瓣抑制的处理方法 |
CN110378431A (zh) * | 2019-07-24 | 2019-10-25 | 中国人民解放军国防科技大学 | 基于卷积神经网络的超声速燃烧室燃烧模式检测方法 |
CN110441743A (zh) * | 2019-07-02 | 2019-11-12 | 中国航空工业集团公司雷华电子技术研究所 | 一种基于ENet全卷积网络的气象杂波抑制方法 |
CN110515096A (zh) * | 2019-08-20 | 2019-11-29 | 东南大学 | 基于卷积神经网络的卫星导航干扰信号识别装置及其方法 |
CN111007496A (zh) * | 2019-11-28 | 2020-04-14 | 成都微址通信技术有限公司 | 基于神经网络关联雷达的穿墙透视方法 |
CN111126199A (zh) * | 2019-12-11 | 2020-05-08 | 复旦大学 | 基于回波测量数据的信号特征提取与数据挖掘方法 |
CN111157967A (zh) * | 2019-12-30 | 2020-05-15 | 杭州立宸科技有限公司 | 基于脉冲相干雷达的智能垃圾隔袋识别和分类方法 |
CN111289251A (zh) * | 2020-02-27 | 2020-06-16 | 湖北工业大学 | 一种滚动轴承细粒度故障识别方法 |
CN111444830A (zh) * | 2020-03-25 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 基于超声回波信号的成像的方法、装置、存储介质及电子装置 |
CN111610488A (zh) * | 2020-04-08 | 2020-09-01 | 中国人民解放军国防科技大学 | 基于深度学习的任意阵列波达角估计方法 |
CN111772422A (zh) * | 2020-06-12 | 2020-10-16 | 广州城建职业学院 | 一种智能婴儿床 |
CN111812643A (zh) * | 2020-06-03 | 2020-10-23 | 中国科学院空天信息创新研究院 | 一种雷达成像方法、装置、设备及存储介质 |
CN112099014A (zh) * | 2020-08-24 | 2020-12-18 | 广东工业大学 | 一种基于深度学习的道路毫米波噪声模型检测估计方法 |
CN112285709A (zh) * | 2020-05-19 | 2021-01-29 | 陕西理工大学 | 基于深度学习的大气臭氧遥感激光雷达数据融合方法 |
CN112819742A (zh) * | 2021-02-05 | 2021-05-18 | 武汉大学 | 一种基于卷积神经网络的事件场合成孔径成像方法 |
CN112884059A (zh) * | 2021-03-09 | 2021-06-01 | 电子科技大学 | 一种融合先验知识的小样本雷达工作模式分类方法 |
CN113030966A (zh) * | 2021-02-08 | 2021-06-25 | 浙江大学 | 一种星载sar原始回波域中有效目标快速感知方法 |
CN113167860A (zh) * | 2018-11-30 | 2021-07-23 | 高通股份有限公司 | 雷达深度学习 |
CN113177356A (zh) * | 2021-04-28 | 2021-07-27 | 北京航空航天大学 | 一种基于深度学习的目标电磁散射特性快速预测方法 |
WO2021148837A1 (en) * | 2020-01-22 | 2021-07-29 | Total Se | Method and system for detecting oil slicks in radar images |
CN113189556A (zh) * | 2021-04-13 | 2021-07-30 | 电子科技大学 | 一种在复合高斯杂波环境下的mimo雷达动目标检测方法 |
CN113191446A (zh) * | 2021-05-17 | 2021-07-30 | 电子科技大学 | 一种基于深度归一化网络的多旋翼无人机目标识别方法 |
CN113919398A (zh) * | 2021-10-18 | 2022-01-11 | 中国科学院光电技术研究所 | 一种基于深度学习的非视域目标信号辨识方法 |
CN114636995A (zh) * | 2022-03-16 | 2022-06-17 | 中国水产科学研究院珠江水产研究所 | 一种基于深度学习的水声信号检测方法及系统 |
CN117370731A (zh) * | 2023-10-10 | 2024-01-09 | 广州远动信息技术有限公司 | 一种基于卷积神经网络的声音到达时间估计方法 |
WO2024017363A1 (zh) * | 2022-07-21 | 2024-01-25 | 联合汽车电子有限公司 | 一种动作识别方法、装置、存储介质、传感器及车辆 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102608589A (zh) * | 2012-03-16 | 2012-07-25 | 南京理工大学 | 基于仿生模式识别理论的雷达目标识别方法 |
US20160019458A1 (en) * | 2014-07-16 | 2016-01-21 | Deep Learning Analytics, LLC | Systems and methods for recognizing objects in radar imagery |
CN105512635A (zh) * | 2015-12-15 | 2016-04-20 | 鲁东大学 | 一种融合类别属性的深度网络地下目标识别方法及系统 |
CN106886023A (zh) * | 2017-02-27 | 2017-06-23 | 中国人民解放军理工大学 | 一种基于动态卷积神经网络的雷达回波外推方法 |
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
CN107301381A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学昆山创新研究院 | 基于深度学习和多任务学习策略的雷达辐射源识别方法 |
CN107516317A (zh) * | 2017-08-18 | 2017-12-26 | 上海海洋大学 | 一种基于深度卷积神经网络的sar影像海冰分类方法 |
-
2018
- 2018-01-09 CN CN201810018311.9A patent/CN108229404B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102608589A (zh) * | 2012-03-16 | 2012-07-25 | 南京理工大学 | 基于仿生模式识别理论的雷达目标识别方法 |
US20160019458A1 (en) * | 2014-07-16 | 2016-01-21 | Deep Learning Analytics, LLC | Systems and methods for recognizing objects in radar imagery |
CN105512635A (zh) * | 2015-12-15 | 2016-04-20 | 鲁东大学 | 一种融合类别属性的深度网络地下目标识别方法及系统 |
CN106886023A (zh) * | 2017-02-27 | 2017-06-23 | 中国人民解放军理工大学 | 一种基于动态卷积神经网络的雷达回波外推方法 |
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
CN107301381A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学昆山创新研究院 | 基于深度学习和多任务学习策略的雷达辐射源识别方法 |
CN107516317A (zh) * | 2017-08-18 | 2017-12-26 | 上海海洋大学 | 一种基于深度卷积神经网络的sar影像海冰分类方法 |
Non-Patent Citations (1)
Title |
---|
范湉湉 等: "Singularity-Free Contour-Integral Representations for Physical-Optics Near-Field Backscattering Problem", 《IEEE TRANSACTIONS ON ANTENNAS AND PROPAGATION》 * |
Cited By (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108983228B (zh) * | 2018-07-10 | 2022-06-24 | 北京理工大学 | 一种基于深度神经网络的rcs近远场变换方法 |
CN108983228A (zh) * | 2018-07-10 | 2018-12-11 | 北京理工大学 | 一种基于深度神经网络的rcs近远场变换方法 |
CN109063750B (zh) * | 2018-07-17 | 2022-05-13 | 西安电子科技大学 | 基于cnn和svm决策融合的sar目标分类方法 |
CN109063750A (zh) * | 2018-07-17 | 2018-12-21 | 西安电子科技大学 | 基于cnn和svm决策融合的sar目标分类方法 |
CN109389058A (zh) * | 2018-09-25 | 2019-02-26 | 中国人民解放军海军航空大学 | 海杂波与噪声信号分类方法及系统 |
CN109471074A (zh) * | 2018-11-09 | 2019-03-15 | 西安电子科技大学 | 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 |
CN109274625A (zh) * | 2018-11-12 | 2019-01-25 | 北京邮电大学 | 一种信息调制方式确定方法、装置、电子设备及存储介质 |
CN113167860A (zh) * | 2018-11-30 | 2021-07-23 | 高通股份有限公司 | 雷达深度学习 |
CN109270525A (zh) * | 2018-12-07 | 2019-01-25 | 电子科技大学 | 基于深度学习的穿墙雷达成像方法及系统 |
CN109343060A (zh) * | 2018-12-07 | 2019-02-15 | 电子科技大学 | 基于深度学习时频分析的isar成像方法及系统 |
CN109919862A (zh) * | 2019-02-01 | 2019-06-21 | 北京佳格天地科技有限公司 | 雷达图像去噪系统、方法及计算机设备 |
CN109919862B (zh) * | 2019-02-01 | 2021-08-20 | 北京佳格天地科技有限公司 | 雷达图像去噪系统、方法及计算机设备 |
CN109919042A (zh) * | 2019-02-18 | 2019-06-21 | 中国科学院上海光学精密机械研究所 | 一种海洋激光雷达回波波形分类方法、系统及终端 |
CN110045336A (zh) * | 2019-02-28 | 2019-07-23 | 合肥工业大学 | 基于卷积神经网络的雷达干扰识别方法和装置 |
CN109934282B (zh) * | 2019-03-08 | 2022-05-31 | 哈尔滨工程大学 | 一种基于sagan样本扩充和辅助信息的sar目标分类方法 |
CN109934282A (zh) * | 2019-03-08 | 2019-06-25 | 哈尔滨工程大学 | 一种基于sagan样本扩充和辅助信息的sar目标分类方法 |
CN109948532A (zh) * | 2019-03-19 | 2019-06-28 | 桂林电子科技大学 | 基于深度卷积神经网络的超宽带雷达人体动作识别方法 |
CN109901159A (zh) * | 2019-04-04 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深度学习的米波雷达目标识别方法 |
CN110110780A (zh) * | 2019-04-30 | 2019-08-09 | 南开大学 | 一种基于对抗神经网络和海量噪声数据的图片分类方法 |
CN110441743A (zh) * | 2019-07-02 | 2019-11-12 | 中国航空工业集团公司雷华电子技术研究所 | 一种基于ENet全卷积网络的气象杂波抑制方法 |
CN110333489A (zh) * | 2019-07-24 | 2019-10-15 | 北京航空航天大学 | 采用cnn与rsva组合对sar回波数据旁瓣抑制的处理方法 |
CN110378431A (zh) * | 2019-07-24 | 2019-10-25 | 中国人民解放军国防科技大学 | 基于卷积神经网络的超声速燃烧室燃烧模式检测方法 |
CN110515096A (zh) * | 2019-08-20 | 2019-11-29 | 东南大学 | 基于卷积神经网络的卫星导航干扰信号识别装置及其方法 |
CN111007496A (zh) * | 2019-11-28 | 2020-04-14 | 成都微址通信技术有限公司 | 基于神经网络关联雷达的穿墙透视方法 |
CN111126199A (zh) * | 2019-12-11 | 2020-05-08 | 复旦大学 | 基于回波测量数据的信号特征提取与数据挖掘方法 |
CN111157967A (zh) * | 2019-12-30 | 2020-05-15 | 杭州立宸科技有限公司 | 基于脉冲相干雷达的智能垃圾隔袋识别和分类方法 |
CN111157967B (zh) * | 2019-12-30 | 2023-09-29 | 杭州智爱时刻科技有限公司 | 基于脉冲相干雷达的智能垃圾隔袋识别和分类方法 |
WO2021148837A1 (en) * | 2020-01-22 | 2021-07-29 | Total Se | Method and system for detecting oil slicks in radar images |
CN111289251A (zh) * | 2020-02-27 | 2020-06-16 | 湖北工业大学 | 一种滚动轴承细粒度故障识别方法 |
CN111444830A (zh) * | 2020-03-25 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 基于超声回波信号的成像的方法、装置、存储介质及电子装置 |
CN111444830B (zh) * | 2020-03-25 | 2023-10-31 | 腾讯科技(深圳)有限公司 | 基于超声回波信号的成像的方法、装置、存储介质及电子装置 |
CN111610488A (zh) * | 2020-04-08 | 2020-09-01 | 中国人民解放军国防科技大学 | 基于深度学习的任意阵列波达角估计方法 |
CN111610488B (zh) * | 2020-04-08 | 2023-08-08 | 中国人民解放军国防科技大学 | 基于深度学习的任意阵列波达角估计方法 |
CN112285709B (zh) * | 2020-05-19 | 2022-07-26 | 陕西理工大学 | 基于深度学习的大气臭氧遥感激光雷达数据融合方法 |
CN112285709A (zh) * | 2020-05-19 | 2021-01-29 | 陕西理工大学 | 基于深度学习的大气臭氧遥感激光雷达数据融合方法 |
CN111812643A (zh) * | 2020-06-03 | 2020-10-23 | 中国科学院空天信息创新研究院 | 一种雷达成像方法、装置、设备及存储介质 |
CN111772422A (zh) * | 2020-06-12 | 2020-10-16 | 广州城建职业学院 | 一种智能婴儿床 |
CN112099014A (zh) * | 2020-08-24 | 2020-12-18 | 广东工业大学 | 一种基于深度学习的道路毫米波噪声模型检测估计方法 |
CN112099014B (zh) * | 2020-08-24 | 2023-08-22 | 广东工业大学 | 一种基于深度学习的道路毫米波噪声模型检测估计方法 |
CN112819742B (zh) * | 2021-02-05 | 2022-05-13 | 武汉大学 | 一种基于卷积神经网络的事件场合成孔径成像方法 |
CN112819742A (zh) * | 2021-02-05 | 2021-05-18 | 武汉大学 | 一种基于卷积神经网络的事件场合成孔径成像方法 |
CN113030966A (zh) * | 2021-02-08 | 2021-06-25 | 浙江大学 | 一种星载sar原始回波域中有效目标快速感知方法 |
CN112884059A (zh) * | 2021-03-09 | 2021-06-01 | 电子科技大学 | 一种融合先验知识的小样本雷达工作模式分类方法 |
CN113189556A (zh) * | 2021-04-13 | 2021-07-30 | 电子科技大学 | 一种在复合高斯杂波环境下的mimo雷达动目标检测方法 |
CN113189556B (zh) * | 2021-04-13 | 2022-05-03 | 电子科技大学 | 一种在复合高斯杂波环境下的mimo雷达动目标检测方法 |
CN113177356A (zh) * | 2021-04-28 | 2021-07-27 | 北京航空航天大学 | 一种基于深度学习的目标电磁散射特性快速预测方法 |
CN113177356B (zh) * | 2021-04-28 | 2021-10-15 | 北京航空航天大学 | 一种基于深度学习的目标电磁散射特性快速预测方法 |
CN113191446A (zh) * | 2021-05-17 | 2021-07-30 | 电子科技大学 | 一种基于深度归一化网络的多旋翼无人机目标识别方法 |
CN113919398B (zh) * | 2021-10-18 | 2023-06-16 | 中国科学院光电技术研究所 | 一种基于深度学习的非视域目标信号辨识方法 |
CN113919398A (zh) * | 2021-10-18 | 2022-01-11 | 中国科学院光电技术研究所 | 一种基于深度学习的非视域目标信号辨识方法 |
CN114636995A (zh) * | 2022-03-16 | 2022-06-17 | 中国水产科学研究院珠江水产研究所 | 一种基于深度学习的水声信号检测方法及系统 |
WO2024017363A1 (zh) * | 2022-07-21 | 2024-01-25 | 联合汽车电子有限公司 | 一种动作识别方法、装置、存储介质、传感器及车辆 |
CN117370731A (zh) * | 2023-10-10 | 2024-01-09 | 广州远动信息技术有限公司 | 一种基于卷积神经网络的声音到达时间估计方法 |
CN117370731B (zh) * | 2023-10-10 | 2024-06-04 | 广州远动信息技术有限公司 | 一种基于卷积神经网络的声音到达时间估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108229404B (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229404A (zh) | 一种基于深度学习的雷达回波信号目标识别方法 | |
CN109086700B (zh) | 基于深度卷积神经网络的雷达一维距离像目标识别方法 | |
CN110334741B (zh) | 基于循环神经网络的雷达一维距离像识别方法 | |
CN110363151A (zh) | 基于双通道卷积神经网络虚警可控的雷达目标检测方法 | |
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 | |
CN105488770B (zh) | 一种面向对象的机载激光雷达点云滤波方法 | |
CN104376330B (zh) | 基于超像素散射机制的极化sar图像舰船目标检测方法 | |
CN108182450A (zh) | 一种基于深度卷积网络的机载探地雷达目标识别方法 | |
Ji et al. | Seabed sediment classification using multibeam backscatter data based on the selecting optimal random forest model | |
CN106355151A (zh) | 一种基于深度置信网络的三维sar图像目标识别方法 | |
CN109389080A (zh) | 基于半监督wgan-gp的高光谱图像分类方法 | |
CN109165585A (zh) | 一种改进的基于yolo v2的船舶目标检测方法 | |
CN110163275A (zh) | 基于深度卷积神经网络的sar图像目标分类方法 | |
CN108256436A (zh) | 一种基于联合分类的雷达hrrp目标识别方法 | |
CN110175615A (zh) | 模型训练方法、域自适应的视觉位置识别方法及装置 | |
CN106855941A (zh) | 基于雷达微多普勒信号稀疏优化的手势识别方法及系统 | |
CN105160353B (zh) | 基于多特征集的极化sar数据地物分类方法 | |
CN108307767A (zh) | 适用于全自动除草机的障碍物检测避障系统及方法 | |
CN107064177B (zh) | 基于自适应模糊推理的超宽带土壤信号含水量识别方法 | |
CN109711314A (zh) | 基于特征融合与sae的雷达辐射源信号分类方法 | |
CN111368930B (zh) | 基于多类谱图融合与分级学习的雷达人体姿态识别方法及系统 | |
CN109948722A (zh) | 一种识别空间目标的方法 | |
CN114897023A (zh) | 一种基于水声目标敏感差异特征提取的水声目标辨识方法 | |
CN110046590A (zh) | 一种基于粒子群优化深度学习特征选择的一维像识别方法 | |
CN110412609A (zh) | 一种多脉冲激光雷达目标检测方法 |
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 |