CN110824450B - 一种噪声环境下的雷达目标hrrp鲁棒识别方法 - Google Patents

一种噪声环境下的雷达目标hrrp鲁棒识别方法 Download PDF

Info

Publication number
CN110824450B
CN110824450B CN201910975871.8A CN201910975871A CN110824450B CN 110824450 B CN110824450 B CN 110824450B CN 201910975871 A CN201910975871 A CN 201910975871A CN 110824450 B CN110824450 B CN 110824450B
Authority
CN
China
Prior art keywords
noise
convolutional neural
neural network
network
hrrp
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.)
Active
Application number
CN201910975871.8A
Other languages
English (en)
Other versions
CN110824450A (zh
Inventor
杨威
黎湘
刘永祥
张文鹏
沈亲沐
李玮杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201910975871.8A priority Critical patent/CN110824450B/zh
Publication of CN110824450A publication Critical patent/CN110824450A/zh
Application granted granted Critical
Publication of CN110824450B publication Critical patent/CN110824450B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Abstract

本发明属于雷达目标识别领域，公开了一种噪声环境下的雷达目标HRRP鲁棒识别方法，其思路如下：通过雷达获取目标高分辨距离像(HRRP)并做功率归一化，将HRRP数据分为训练样本集和测试样本集。对每类目标的部分训练样本加入不同信噪比的噪声，剩余训练样本不变，再将所有目标类型的整个训练样本集归一化。将得到的训练样本用于对本发明提出的一种结合残差块、inception结构和降噪自编码层的卷积神经网络进行训练，得到训练好的卷积神经网络。用被噪声污染的不同信噪比条件下的测试样本进行测试得到识别结果。本发明可有效降低噪声对识别的干扰，利用深度学习来获得稳定的抗噪声识别模型，通过该方法可以实现在较宽范围信噪比条件下鲁棒雷达目标识别。

Description

一种噪声环境下的雷达目标HRRP鲁棒识别方法
技术领域
本发明涉及雷达目标识别领域，更具体地说，涉及一种噪声环境下的雷达目标HRRP鲁棒识别方法。
背景技术
传统雷达目标识别技术依赖于人工设计的特征，而这些特征的完整性和有效性往往缺乏有力保证，并且复杂电磁环境会干扰识别结果，导致传统雷达目标识别技术的精确性和鲁棒性面临极大挑战。深度学习技术可以自动提取目标本质特征,这种端到端的学习方式大大提升了目标识别的精确性和鲁棒性。
深度学习应用于雷达目标识别一般分为训练阶段和测试阶段。当前,通常在高信噪比环境下通过一些合作测量实验或直接通过电磁仿真得到训练样本集。然而，测试样本通常是在非合作环境下获得，由于目标的非合作性或目标距离较远等问题，存在噪声干扰无法保证高信噪比的情况出现。这样就导致训练集和测试集在引入噪声后分布存在不一致性，大大降低了测试集识别率。一方面需要加强模型对高信噪比样本的学习，提取出更具泛化性的特征；另一方面可以在训练集中加入噪声样本，增强模型对含噪样本特征的学习。最理想的情况是模型通过对含噪样本和原始样本之间的对比学习，学习到含噪样本特征，使模型具有去除噪声的能力，提取具有更强泛化性的特征，使得识别性能受信噪比的影响进一步降低，这需要对网络结构进行深入研究。
对基于深度学习的雷达目标HRRP识别模型，研究尚在起步阶段，现有技术仍是基于理想环境下进行识别，并没有考虑噪声干扰的情况。本发明提出了一种噪声环境下的雷达目标HRRP鲁棒识别方法，通过该方法可以实现在较宽范围信噪比条件下很高的雷达目标正确识别率。
发明内容
本发明要解决的技术问题是：针对测试样本被噪声污染，导致识别率大大降低的问题，提出一种噪声环境下的雷达目标HRRP鲁棒识别方法，降低噪声对识别的干扰，来获得稳定的抗噪声分类模型。
本发明解决上述问题的技术方案如下：
一种噪声环境下的雷达目标HRRP鲁棒识别方法，具体包括以下步骤：
步骤1：通过高分辨率宽带雷达获取雷达目标高分辨距离像(HRRP)并作功率归一化，将HRRP数据分为训练样本集和测试样本集；
步骤2：对每类目标的部分训练样本加入不同信噪比的噪声，剩余训练样本不变，再将所有目标类型的整个训练样本集归一化到(0,1)区间；
步骤3：将步骤2得到的训练样本用于待训练的卷积神经网络的训练，以得到训练好的卷积神经网络，其中，待训练的卷积神经网络结合了残差块、inception结构和降噪自编码层；待训练的卷积神经网络的残差块中加入捷径改变数据流向，增加网络深度来降低噪声影响，残差块包含的卷积层个数和卷积层的核参数都能够调节；待训练的卷积神经网络的inception结构使用了多个子模块，并将核尺寸1、3和5的卷积运算和池化操作并联，通过增加网络对尺度的适应性及网络宽度来更好地学习特征；待训练的卷积神经网络的降噪自编码器层通过近似还原该层输入以消除噪声，其中隐含层的数量和节点数能够调节；
步骤4：将被噪声污染的不同信噪比条件下的测试样本按照步骤2的归一化参数进行归一化，再用步骤3训练得到的卷积神经网络进行识别，得到识别结果。
优选的，所述步骤1中每个雷达目标的HRRP数据均是一个m维列向量。
优选的，所述步骤2中对每类目标的部分训练样本加入不同信噪比的噪声，其中噪声类型、噪声大小、加入噪声样本数量都能够调节来适应不同应用场景。
与现有技术相比，本发明的技术效果如下：
第一，鲁棒性强，使用了一种结合残差块、inception结构和降噪自编码层的卷积神经网络，挖掘了HRRP数据的深层特征，大大降低了噪声对识别的干扰，能在较宽范围信噪比条件下仍然可以获得较高的识别率；
第二，扩展性好，结合残差块、inception结构和降噪自编码层的卷积神经网络可以通过继续增加残差块、inception结构和在多个较高隐藏层插入降噪自编码层来获得更好的识别性能；
第三，迁移性好，由于深度学习模型是由数据驱动的模型，通过改变训练样本的噪声类型或加入其他种类的干扰样本，再次训练结合残差块、inception结构和降噪自编码层的卷积神经网络，可以适用于不同干扰下的识别，具有迁移性。
附图说明
图1为本发明实施步骤流程图；
图2为实施例中的三类雷达目标HRRP数据图；
图3为加入不同信噪比噪声的雷达目标HRRP数据图；
图4为残差块结构图；
图5为inception结构图；
图6为降噪自编码器层结构图；
图7为结合残差块、inception结构和降噪自编码层的卷积神经网络功能框图；
图8为结合残差块、inception结构和降噪自编码层的卷积神经网络结构框图；
图9为常规的两层卷积层、两层池化层和一层全连接层的卷积神经网络结构图。
具体实施方式
为了更好地说明本发明的技术方案，以下结合实例对本发明的实施方式作进一步描述，以便对如何应用本发明技术手段来解决问题有更加深刻的理解，达到更好地解决实际问题的目的，所举实例只用于解释本发明，并非用于限定本发明的范围。图1为本发明的一种噪声环境下的雷达目标HRRP鲁棒识别方法，具体包括以下步骤：
步骤1：通过高分辨率宽带雷达获取雷达目标的高分辨距离像(HRRP)并做功率归一化，并将HRRP数据分为训练样本集和测试样本集，其中训练样本每类N1个，测试样本每类N2个，其中每个HRRP样本数据为一个m维的列向量；
步骤2：将目标类型为
Figure BDA0002233594600000031
的训练样本集划分为K+1个子集，其中前K个子集中的样本分别加入信噪比为r1,…,rK的噪声，剩下一个子集不变，再将所有目标类型的整个训练样本集归一化到(0,1)区间，加入的噪声类型、噪声大小和每个子集中的样本数目能够根据不同应用场景进行调节；
其中
Figure BDA0002233594600000032
表示目标类型集合，归一化是在数据同一维度进行标准化处理，将每一行数据分别标准化到区间[ymin,ymax]内，其计算公式是：
Figure BDA0002233594600000033
式中：y——归一化输出，ymin——归一化区间的最小值,ymax——归一化区间的最大值，x——输入维度值，xmax——输入维度在样本中最大值，xmin——输入维度在样本中最小值；
步骤3：将步骤2得到的训练样本用于待训练的卷积神经网络的训练，以得到训练好的卷积神经网络，其中，待训练的卷积神经网络结合了残差块、inception结构和降噪自编码层；如图4所示，待训练的卷积神经网络的残差块中加入捷径改变数据流向，每块中数据流向有两条，一条经过中间两个卷积层，另一条不经过中间两个卷积层,这样可以更好地训练网络，以此增加网络深度降低噪声影响，残差块包含的卷积层个数和卷积层的核参数都能够调节；如图5所示，待训练的卷积神经网络的inception结构使用了多个子模块，将稀疏矩阵聚类为较为密集的子矩阵提高网络性能和计算资源利用率，具体做法是将核尺寸为1、3和5的卷积运算和池化操作并联，并在核尺寸为3、5前和池化后分别加上了核尺寸为1的卷积核来降低数据维度，数据从左到右分别通过不同模块进行学习，通过增加网络对尺度的适应性及网络宽度来更好地学习特征；如图6所示，待训练的卷积神经网络的降噪自编码器层通过近似还原该层输入以消除噪声，其中隐含层的数量和节点数能够调节；
待训练卷积神经网络的功能框图和结构框图分别如图7、图8所示，残差块放在网络前端经过重复堆叠以增加网络深度提取深层特征，且待训练卷积神经网络使用了两个残差块,之后链接了一个inception结构来更好地学习残差块提取的特征，通过增加网络宽度来增强网络性能，待训练卷积神经网络的最后一个卷积层是为了降低数据维数，并且在最后一个卷积层后链接了一层降噪自编码器以降低噪声影响，其中残差块和inception结构的数量和位置可以调节，来适应不同应用场景；而降噪自编码器层使用的是全连接层，会放在网络的较高隐藏层，即位于最后的全连接层部分。
待训练卷积神经网络的损失函数L选择交叉熵函数并加入降噪自编码器层输入输出间的均方误差函数，
Figure BDA0002233594600000034
Figure BDA0002233594600000035
式中：L——新的损失函数，L*——网络交叉熵损失函数,D——样本维数，mb——批训练样本个数,
Figure BDA0002233594600000041
——样本i对应的标签,
Figure BDA0002233594600000042
——样本i经过网络后得到的输出层标签,
Figure BDA0002233594600000043
——降噪自编码器层输入，
Figure BDA0002233594600000044
——降噪自编码器层输出，α——超参数控制降噪自编码器层损失函数占总体的权重；
步骤4：将被噪声污染的不同信噪比条件下的测试样本按照步骤2的归一化参数进行归一化，最后用步骤3训练得到的卷积神经网络进行识别，得到识别结果。
本发明的效果通过以下对实测数据的实验进一步说明：
1.实验场景：
实验平台为64位Window10系统，CPU2.8GHz，内存8GB，基于tensorflow框架搭建卷积神经网络,待训练卷积神经网络参数如下：小批量训练样本集大小为mb＝500，全连接层的Dropout丢弃率为0.5，降噪自编码器层的Dropout丢弃率为0.05，学习率为0.001，优化器使用Adam算法，分类器使用softmax函数。
数据为三类实测飞机目标的雷达HRRP数据，如图2所示，第一类为安26，第二类为奖状，第三类为雅克42。训练集21000个，每类目标样本有7000个，均作功率归一化。每个雷达目标的HRRP数据均是一个256维的列向量。使用的噪声类型有高斯白噪声和瑞利噪声。
高斯白噪声情况下，对于训练集，每类中1000个样本被替换为SNR＝0dB的样本，每类中500个样本被替换为SNR＝15dB的样本，其余训练样本不进行加噪处理；瑞利噪声情况下，对于训练集，每类中100个样本被替换为SNR＝0dB的样本，每类中100个样本被替换为SNR＝15dB的样本，其余训练样本不进行加噪处理。再将所有目标类型的整个训练样本集归一化到(0,1)区间。
对于测试集，加入不同信噪比的噪声，如图3所示。为了验证本发明提出方案的识别性能，还使用了如图9所示的一种常规五层卷积神经网络来做目标识别对照实验。
2.实验内容：
2.1)将加入和未加入噪声样本的训练集用于如图8、9所示的网络结构进行训练。
2.2)在不同信噪比条件下对于网络性能进行测试，分类结果比较如表1、2所示。
表1高斯白噪声下常规的卷积神经网络和本发明的分类结果比较
Figure BDA0002233594600000045
Figure BDA0002233594600000051
表2瑞利噪声下常规的卷积神经网络和本发明的分类结果比较
Figure BDA0002233594600000052
通过实验结果可以发现，随着网络深度的增加，提取得到的特征受噪声影响会越来越小，模型在低信噪比情况下的识别能力进一步提高，各个信噪比之间的识别率差别进一步缩小，并且在不同噪声类型下表现均较为出色，可以发现本发明中的一种噪声环境下的雷达目标HRRP鲁棒识别方法可以实现在较宽范围信噪比条件下高精度鲁棒雷达目标识别。
上述说明示出并描述了发明应用的实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是其他实施例的排除，而可用于各种其他组合、修改和环境，并能在本文所述发明构想范围内，通过上述教导或相关领域的技术进行改动。而本领域人员所进行的改动和变化不脱离发明的精神和范围，则都应在发明所附权利要求的保护范围内。

Claims (8)

1.一种噪声环境下的雷达目标HRRP鲁棒识别方法，其特征在于，具体包括以下步骤：
步骤1：通过高分辨率宽带雷达获取雷达目标高分辨距离像并作功率归一化，将HRRP数据分为训练样本集和测试样本集；
步骤2：对每类目标的部分训练样本加入不同信噪比的噪声，剩余训练样本不变，再将所有目标类型的整个训练样本集归一化到(0,1)区间；
步骤3：将步骤2得到的训练样本用于待训练的卷积神经网络的训练，以得到训练好的卷积神经网络，其中，待训练的卷积神经网络结合了残差块、inception结构和降噪自编码层；待训练的卷积神经网络的残差块中加入捷径改变数据流向，增加网络深度来降低噪声影响，残差块包含的卷积层个数和卷积层的核参数都能够调节；待训练的卷积神经网络的inception结构使用了多个子模块，并将核尺寸1、3和5的卷积运算和池化操作并联，通过增加网络对尺度的适应性及网络宽度来更好地学习特征；待训练的卷积神经网络的降噪自编码器层通过近似还原降噪自编码器层的输入以消除噪声，其中隐含层的数量和节点数能够调节；
步骤4：将被噪声污染的不同信噪比条件下的测试样本按照步骤2的归一化参数进行归一化，再用步骤3训练得到的卷积神经网络进行识别，得到识别结果。
2.根据权利要求1所述的一种噪声环境下的雷达目标HRRP鲁棒识别方法，其特征在于，所述步骤1中每个雷达目标的HRRP数据均是一个m维列向量。
3.根据权利要求1所述的一种噪声环境下的雷达目标HRRP鲁棒识别方法，其特征在于，所述步骤2中对每类目标的部分训练样本加入不同信噪比的噪声，其中噪声类型、噪声大小、加入噪声样本数量都能够调节来适应不同应用场景。
4.根据权利要求1所述的一种噪声环境下的雷达目标HRRP鲁棒识别方法，其特征在于，所述步骤2中的归一化是在数据同一维度进行标准化处理，将每一行数据分别标准化到区间[ymin,ymax]内，其计算公式是：
Figure FDA0002559369490000011
式中：y——归一化输出，ymin——归一化区间的最小值,ymax——归一化区间的最大值，x——输入维度值，xmax——输入维度在样本中最大值，xmin——输入维度在样本中最小值。
5.根据权利要求1所述的一种噪声环境下的雷达目标HRRP鲁棒识别方法，其特征在于，所述步骤3中的待训练的卷积神经网络中的残差块和inception结构的数量和位置能够调节来适应不同应用场景。
6.根据权利要求1所述的一种噪声环境下的雷达目标HRRP鲁棒识别方法，其特征在于，所述步骤3中的待训练卷积神经网络的降噪自编码器层通过近似还原该层输入以消除噪声，会放在网络的较高隐藏层，即位于最后的全连接层部分。
7.根据权利要求1所述的一种噪声环境下的雷达目标HRRP鲁棒识别方法，其特征在于，所述步骤3中待训练的卷积神经网络中的残差块放在网络前端经过重复堆叠以增加网络深度提取深层特征，且待训练卷积神经网络使用了两个残差块,之后链接了一个inception结构来更好地学习残差块提取的特征，通过增加网络宽度来增强网络性能，待训练卷积神经网络的最后一个卷积层是为了降低数据维数，并且在最后一个卷积层后链接了一层降噪自编码器以降低噪声影响。
8.根据权利要求1所述的一种噪声环境下的雷达目标HRRP鲁棒识别方法，其特征在于，所述步骤3中网络的损失函数L选择交叉熵函数并加入降噪自编码器层输入输出间的均方误差函数，
Figure FDA0002559369490000021
Figure FDA0002559369490000022
式中：L——新的损失函数，L*——网络交叉熵损失函数,D——样本维数，mb——批训练样本个数,
Figure FDA0002559369490000023
——样本i对应的标签,
Figure FDA0002559369490000024
——样本i经过网络后得到的输出层标签,
Figure FDA0002559369490000025
——降噪自编码器层输入，
Figure FDA0002559369490000026
——降噪自编码器层输出，α——超参数控制降噪自编码器层损失函数占总体的权重。
CN201910975871.8A 2019-10-15 2019-10-15 一种噪声环境下的雷达目标hrrp鲁棒识别方法 Active CN110824450B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910975871.8A CN110824450B (zh) 2019-10-15 2019-10-15 一种噪声环境下的雷达目标hrrp鲁棒识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910975871.8A CN110824450B (zh) 2019-10-15 2019-10-15 一种噪声环境下的雷达目标hrrp鲁棒识别方法

Publications (2)

Publication Number Publication Date
CN110824450A CN110824450A (zh) 2020-02-21
CN110824450B true CN110824450B (zh) 2020-09-29

Family

ID=69549247

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910975871.8A Active CN110824450B (zh) 2019-10-15 2019-10-15 一种噪声环境下的雷达目标hrrp鲁棒识别方法

Country Status (1)

Country Link
CN (1) CN110824450B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111598163B (zh) * 2020-05-14 2022-02-01 中南大学 基于Stacking集成学习方式雷达HRRP目标识别方法
CN111539488B (zh) * 2020-05-27 2021-11-26 北京理工大学 复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法
CN112464837B (zh) * 2020-12-03 2023-04-07 中国人民解放军战略支援部队信息工程大学 基于小数据样本的浅海水声通信信号调制识别方法及系统
CN112612023A (zh) * 2020-12-14 2021-04-06 中国电子科技集团公司电子科学研究院 一种雷达目标识别方法及计算机可读存储介质
CN112580554B (zh) * 2020-12-25 2024-01-05 北京环境特性研究所 基于cnn的mstar数据噪声强度控制的分类识别方法
CN112907660B (zh) * 2021-01-08 2022-10-04 浙江大学 面向小样本的水下激光目标检测仪
CN112731330B (zh) * 2021-01-12 2022-04-19 西安电子科技大学 基于迁移学习的雷达载频参数变化稳健目标识别方法
CN112731331B (zh) * 2021-01-12 2022-03-04 西安电子科技大学 基于信噪比自适应网络的微动目标噪声稳健识别方法
CN112699965B (zh) * 2021-01-14 2022-08-30 中国人民解放军海军航空大学 基于卷积自编码的雷达hrrp目标类别标注方法
CN112801218B (zh) * 2021-03-22 2021-06-18 中国人民解放军国防科技大学 一种基于降噪特征增强的多视角一维距离像融合识别方法
CN112966667B (zh) * 2021-04-06 2022-12-16 中国人民解放军海军航空大学 海面目标一维距离像降噪卷积神经网络识别方法
CN113240081B (zh) * 2021-05-06 2022-03-22 西安电子科技大学 针对雷达载频变换的高分辨距离像目标稳健识别方法
CN113486961A (zh) * 2021-07-12 2021-10-08 安徽耀峰雷达科技有限公司 基于深度学习的低信噪比下雷达rd图像目标检测方法、系统及计算机设备
CN113687328A (zh) * 2021-09-14 2021-11-23 上海无线电设备研究所 一种弹载武器地面目标高分辨一维距离像识别方法
CN114359144A (zh) * 2021-12-01 2022-04-15 阿里巴巴（中国）有限公司 图像检测方法和图像检测模型的获得方法
CN114358094B (zh) * 2022-03-18 2022-06-03 成都迅翼卫通科技有限公司 基于雷达通信系统的信号去噪方法及系统
CN114781445B (zh) * 2022-04-11 2022-11-18 山东省人工智能研究院 一种基于可解释性的深度神经网络的心电信号降噪方法
CN114861730B (zh) * 2022-05-25 2023-04-07 电子科技大学 基于多任务学习的干扰认知方法
CN116908808B (zh) * 2023-09-13 2023-12-01 南京国睿防务系统有限公司 一种基于rtn的高分辨一维像目标识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018133034A1 (en) * 2017-01-20 2018-07-26 Intel Corporation Dynamic emotion recognition in unconstrained scenarios
CN108830287A (zh) * 2018-04-18 2018-11-16 哈尔滨理工大学 基于残差连接的Inception网络结合多层GRU的中文图像语义描述方法
CN110232371A (zh) * 2019-06-24 2019-09-13 北京理工大学 基于小样本的高精度hrrp雷达多目标识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6507309B2 (en) * 2001-03-16 2003-01-14 Battelle Memorial Institute Interrogation of an object for dimensional and topographical information

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018133034A1 (en) * 2017-01-20 2018-07-26 Intel Corporation Dynamic emotion recognition in unconstrained scenarios
CN108830287A (zh) * 2018-04-18 2018-11-16 哈尔滨理工大学 基于残差连接的Inception网络结合多层GRU的中文图像语义描述方法
CN110232371A (zh) * 2019-06-24 2019-09-13 北京理工大学 基于小样本的高精度hrrp雷达多目标识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Noise Robust Radar HRRP Target Recognition Based on Multitask Factor Analysis With Small Training Data Size;Lan Du et al.;《IEEE TRANSACTIONS ON SIGNAL PROCESSING》;20120731;第60卷(第7期);第3546-3558页 *
具有多个级联输出层的深度神经网络;崔华 等;《同济大学学报（自然科学版）》;20171231;第45卷;第19-22页 *

Also Published As

Publication number Publication date
CN110824450A (zh) 2020-02-21

Similar Documents

Publication Publication Date Title
CN110824450B (zh) 一种噪声环境下的雷达目标hrrp鲁棒识别方法
Zhang et al. An efficient deep learning model for automatic modulation recognition based on parameter estimation and transformation
CN108416755B (zh) 一种基于深度学习的图像去噪方法及系统
CN110531313B (zh) 一种基于深度神经网络回归模型的近场信号源定位方法
CN107844751B (zh) 引导滤波长短记忆神经网络高光谱遥感图像的分类方法
CN110197209B (zh) 一种基于多特征融合的辐射源识别方法
CN112712557B (zh) 一种基于卷积神经网络的超分辨率cir室内指纹定位方法
Zhang et al. Few-shot learning of signal modulation recognition based on attention relation network
Qin et al. Radar waveform recognition based on deep residual network
CN112949820A (zh) 基于生成对抗网络的认知抗干扰目标检测方法
Li et al. Automatic modulation classification based on bispectrum and CNN
Yang et al. One-dimensional deep attention convolution network (ODACN) for signals classification
Li et al. Noise‐robust HRRP target recognition method via sparse‐low‐rank representation
Kong et al. A transformer-based CTDNN structure for automatic modulation recognition
CN113343801B (zh) 基于轻量化卷积神经网络的无线信号自动调制识别方法
Wang et al. Low probability of intercept radar waveform recognition based on dictionary leaming
CN114980122A (zh) 一种小样本射频指纹智能识别系统与方法
CN108631817B (zh) 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法
CN116894207A (zh) 一种基于Swin Transformer和迁移学习的智能辐射源识别方法
CN112800882A (zh) 一种基于加权双流残差网络的口罩人脸姿态分类方法
CN111104876A (zh) 一种基于神经网络的红外光谱反卷积方法
Bai et al. A new radar signal modulation recognition algorithm based on time-frequency transform
CN109784318A (zh) 基于神经网络的Link16数据链信号的识别方法
CN112488238B (zh) 一种基于对抗自编码器的混合异常检测方法
CN114676721A (zh) 基于径向基神经网络的雷达有源压制干扰识别方法及系统

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