CN113240081A - 针对雷达载频变换的高分辨距离像目标稳健识别方法 - Google Patents

针对雷达载频变换的高分辨距离像目标稳健识别方法 Download PDF

Info

Publication number
CN113240081A
CN113240081A CN202110490722.XA CN202110490722A CN113240081A CN 113240081 A CN113240081 A CN 113240081A CN 202110490722 A CN202110490722 A CN 202110490722A CN 113240081 A CN113240081 A CN 113240081A
Authority
CN
China
Prior art keywords
carrier frequency
range profile
resolution range
residual error
convolution
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
Application number
CN202110490722.XA
Other languages
English (en)
Other versions
CN113240081B (zh
Inventor
王鹏辉
刘宏伟
孙嘉琪
丁军
陈渤
纠博
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202110490722.XA priority Critical patent/CN113240081B/zh
Publication of CN113240081A publication Critical patent/CN113240081A/zh
Application granted granted Critical
Publication of CN113240081B publication Critical patent/CN113240081B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic 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)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提出了一种针对雷达载频变换的高分辨距离像目标稳健识别方法，主要解决现有技术测试样本与训练样本在载频变换下失配，导致雷达目标识别率下降的问题。其实现方案为：对雷达高分辨距离像数据进行预处理，得到高分辨距离像时频域特征数据；建立高分辨距离像的时频域特征雷达目标数据库并设置标签值；从雷达目标数据库中选取载频变换前后的训练样本集和测试样本集；构建残差网络；训练原载频下的残差网络，通过微调获取新载频下的残差网络；将新载频下的测试样本集输入到微调后新载频下的残差网络，得到目标的识别结果。本发明提高了雷达载频变换条件下的目标识别性能，可用于对雷达载频变换的高分辨距离像数据的稳健识别。

Description

针对雷达载频变换的高分辨距离像目标稳健识别方法
技术领域
本发明属于雷达技术领域，更进一步涉及一种目标识别方法，可用于对雷达载频变换的高分辨距离像数据的稳健识别。
背景技术
宽带雷达目标的回波被称为高分辨距离像。高分辨距离像中包含有目标的散射点分布、径向尺寸等丰富的结构信息，并且具有易于获取和处理的优点，因此成为雷达自动目标识别领域研究的热点。
卷积神经网络是一种具有局部连接、权重共享等特性的神经网络，由于其具有强大的非线性提取能力，正在广泛应用于雷达高分辨距离像目标识别任务中。
西安电子科技大学在其申请的专利文献“基于二维卷积网络的雷达高分辨距离像目标识别方法”(专利申请号201710838666.8，公开号107728142A)中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。该方法构建了可用于提取高维特征的二维卷积网络模型，使用雷达高分辨距离像数据作为训练样本集对其进行训练，利用训练样本集得到训练好的卷积神经网络模型，用于雷达高分辨距离像目标识别。
西安电子科技大学在其申请的专利文献“基于深度置信网络识别变体飞机的高分辨距离像的方法”(专利申请号201910201582.2，公开号109978164A)中公开了一种基于深度置信网络识别变体飞机的高分辨距离像的方法。该方法构建并训练深度置信网络学习变体目标与非变体目标的高分辨距离像的共性特征，用于变体目标的高分辨距离像的识别。
以上方法均假设雷达在录取目标的高分辨距离像训练数据和测试数据时载频参数固定不变。实际应用当中，由于干扰等因素的影响，雷达会对发射信号的载频参数进行调整。对于同一目标来说，当雷达载频变化时，其高分辨距离像将会发生明显变化。此时测试数据与训练数据之间存在失配，最终将导致识别精度严重下降甚至失去识别能力。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种针对载频变换的高分辨距离像目标稳健识别方法，以减小测试样本与训练样本的失配，提高目标识别的准确率。
实现本发明目的的思路是，针对载频变换时高分辨距离像变化的问题，通过采用残差网络和迁移学习对不同载频的高分辨距离像进行稳健识别，其实现方案包括如下：
(1)选择雷达回波沿距离维度的幅度信息作为高分辨距离像数据，并对其进行预处理，得到高分辨距离像时频域特征数据；
(2)将不同类别的高分辨距离像时频域特征数据建立雷达目标数据库，并对库内的各个目标类别设置标签值；
(3)选取载频变换前后的训练样本集和测试样本集，即从雷达高分辨距离像时频域特征数据中选取原载频中目标俯仰角为3°的样本组成原载频下的训练样本集；从新载频中选取俯仰角为3°和5°的样本分别组成新载频下的训练样本集和测试样本集；
(4)搭建一个依次为：第一卷积层→第一池化层→第一残差块→第二卷积层→第二池化层→第二残差块→第三卷积层→第三池化层→全连接层→softmax层的十层残差网络；
(5)训练原载频下的残差网络，即将原载频下的训练样本集输入到残差网络中，利用交叉熵公式，计算该残差网络的输出数据与类别标签之间的损失值，并进行多次迭代更新，直至残差网络的总损失值收敛为止，得到原载频下训练好的残差网络，并保存其全部参数值；
(6)使用已保存的原载频下残差网络中的全部参数值，并固定所有卷积层、所有池化层和所有残差块的参数值不变，利用新载频下的训练样本集，对残差网络中的全连接层进行微调，即利用交叉熵公式，计算该残差网络的输出数据与类别标签之间的损失值，并进行多次迭代更新，直至残差网络的总损失值收敛为止，得到新载频下训练好的残差网络；
(7)将新载频下的测试样本集输入到新载频下训练好的残差网络中，得到待识别的目标被识别为各类目标的概率，选择最大概率值对应的类别作为识别结果。
本发明与现有技术相比，具有以下优点：
第一，本发明由于使用了残差网络和迁移学习，对雷达高分辨距离像数据的时频域信息进行分析，从数据的时频域中提取出高维特征，克服了现有技术由于目标识别的特征信息量有限，导致识别精度不高的问题，使得本发明中的方法更充分的提取目标的特征，提升了目标识别的准确率。
第二，本发明由于使用了残差网络和迁移学习，利用残差网络对载频变换前后的高分辨距离像的共性特征进行学习，克服了现有技术面对载频变换时，使用载频变换前的训练样本训练出的模型与载频变换后的测试样本之间存在失配，导致识别率下降的问题，使得本发明能够有效地对雷达载频变换的高分辨距离像实现稳健识别。
附图说明
图1为本发明的实现流程图；
图2为本发明中构建的残差网络结构图；
图3为本发明的仿真实验结果图。
具体实施方式
下面结合附图1，对本发明的实施例和效果做进一步描述。
参照图1，本实例的实现步骤如下：
步骤1，获取雷达高分辨距离像数据，并对其进行预处理，得到高分辨距离像时频域特征数据。
1.1)选择雷达回波沿距离维度的幅度信息作为高分辨距离像数据，对该高分辨距离像数据进行如下模二范数归一化处理：
Figure BDA0003051917500000031
其中，x1表示模二范数归一化处理后的高分辨距离像数据，x表示高分辨距离像数据，·||2表示求模二范数操作；
1.2)将归一化后的雷达高分辨距离像数据x1进行短时傅里叶变换，得到高分辨距离像的时频域特征数据x2。
步骤2，设置目标类别的标签值。
2.1)将不同目标类别的高分辨距离像时频域特征数据x2建立雷达目标数据库；
2.2)对雷达目标数据库内的各个目标类别设置标签值：
将第一类的高分辨距离像时频域数据的标签记为d1，d1取值为1；
将第二类的高分辨距离像时频域数据的标签记为d2、…；d2取值为2，…，
将第M类的高分辨距离像时频域数据的标签记为dM，dM取值为M，其中，M为目标类别的总个数。
步骤3，从雷达目标数据库中选取载频变换前后的训练样本集和测试样本集。
实际中考虑到干扰等因素的影响，会对雷达载频进行调整，调整前的雷达工作载频称为原载频，调整后的雷达工作载频称为新载频；
本步骤的具体实现如下：
3.1)从雷达目标数据库选取原载频中目标俯仰角为3°的样本组成原载频下的训练样本集；
3.2)从雷达目标数据库选取新载频中目标俯仰角为3°和5°的样本分别组成新载频下的训练样本集和测试样本集。
步骤4，构建残差网络。
如图2所示，本步骤搭建的残差网络包括三个卷积层、三个池化层、两个残差块、一个全连接层和一个softmax层。其结构依次为：第一卷积层→第一池化层→第一残差块→第二卷积层→第二池化层→第二残差块→第三卷积层→第三池化层→全连接层→softmax层，其各层的功能及参数设置如下：
第一卷积层，用于提取数据的最浅层特征，其卷积核数目为64，卷积核尺寸为1*7个距离单元，卷积核滑动步长为1；
第一池化层、第二池化层、第三池化层，用于去除数据的冗余信息，其池化卷积核大小均为1*2，池化卷积核移动步长均为2；
第一残差块，用于提取数据的次浅层特征，其由3个卷积层组成，这三个卷积层依次相连，且第1个卷积层的输入端与第3个卷积层的输出端通过相加得到最终的残差块输出，这3个卷积层的卷积核数目依次为64、64、128，卷积核尺寸均为1*5，卷积核滑动步长均为1；
第二卷积层，用于提取数据的次深层特征，其卷积核数目为128，卷积核尺寸为1*5，卷积核滑动步长为1；该层的池化下采样核尺寸为1*2，下采样卷积核滑动步长为2；
第二残差块，用于提取数据的高深层特征，包括有三个卷积层，该三个卷积层依次相连，且第一个卷积层的输入端与第三个卷积层的输出端通过相加得到最终的该残差块的输出，这三个卷积层的卷积核数目依次为128、128、256，卷积核尺寸均为1*5，卷积核滑动步长均为1；
第三卷积层，用于提取数据的最深层特征，其卷积核数目为512，卷积核尺寸为1*7，卷积核滑动步长为1；
全连接层，用于数据的分类，其神经元的个数为512*32；
softmax层，得出输入样本被识别为每一类别的概率。
步骤5，训练原载频下的残差网络。
5.1)将原载频下的训练样本集输入到构建的残差网络中，利用交叉熵公式，计算该残差网络的输出数据与类别标签之间的损失值；
Figure BDA0003051917500000051
其中，H(p,q)为输出数据与类别标签值的交叉熵，p表示类别标签值，q表示输出概率，N表示目标的类别总数，p(x)表示类别标签的第x个元素，q(x)表示输出概率的第x个元素；
5.2)对该残差网络进行多次迭代更新，直至残差网络的总损失值收敛为止，得到原载频下训练好的残差网络，并保存其全部参数值。
步骤6，微调新载频下的残差网络。
6.1)使用已保存的原载频下残差网络中的全部参数值，并固定所有卷积层、所有池化层、所有残差块的参数值不变；
6.2)利用新载频下的训练样本集，对残差网络中的全连接层的参数进行微调，利用交叉熵公式，计算该残差网络的输出数据与类别标签之间的损失值，公式与5.1)相同；
6.3)对该残差网络进行多次迭代更新，直至残差网络的总损失值收敛为止，得到新载频下训练好的残差网络。
7步骤7，获取新载频下测试样本集的识别结果。
将新载频下的测试样本集输入到新载频下训练好的残差网络中，输出待识别的目标被识别为各类目标的概率，选择最大概率值对应的类别作为识别结果。
下面结合仿真实验对本实例的效果做进一步详细描述。
1.仿真条件：
仿真实验的硬件平台为：处理器为Intel(R)Core(TM)i7-8700k CPU，主频为3.2GHz，内存16GB。
仿真实验的软件平台为：Windows 10操作系统和python 3.6。
仿真实验所用的数据是10类飞机的高分辨距离像仿真数据，各类飞机目标的训练样本数为9000，训练样本总数为90000；各类飞机目标测试样本数为1000，测试样本总数为10000，各类型飞机训练集和测试集的俯仰角分别为3°和5°。
2.仿真内容及其结果分析：
分别用本发明在载频变换的情况下和现有方法在载频固定的情况下对高分辨距离像进行识别，原载频点设置为8.7GHz，新载频点设置为9.15GHz和9.6GHz，其分类准确率结果如图3所示。
图3中横坐标代表载频，分别为8.7GHz、9.15GHz、9.6GHz，纵坐标表示准确识别率。图3中五角星结点实线表示本发明方法得到准确识别率与不同载频的关系曲线，星型结点实线表示现有方法得到的准确识别率与不同载频的关系曲线。
由图3可见，本发明方法在载频变换的情况下，准确识别率优于现有方法。当原载频和新载频均为8.7GHz时，本发明方法和现有方法的准确识别率很相近，这是因为本方法和现有方法都是对同一个载频进行识别，未涉及到载频变换的问题，因此准确识别率相近。当新载频为9.15GHz时，相比于载频固定情况下识的识别率，现有方法的准确识别率有着近7个百分点的明显下降，而本发明方法的准确识别率只下降了近3个百分点；当新载频为9.6GHz时，相比于载频固定情况下的识别率，现有方法的准确识别率有着近9个百分点的明显下降，而本发明方法的准确识别率只下降了近3个百分点。这说明本发明方法具有较好的载频稳健性。从整体上看，本发明方法优于现有方法，这是由于本发明方法既使用了载频变换前的样本训练残差网络，又利用了载频变换后的样本对训练好的残差网络进行微调，使得识别更加稳健，识别率有一定提升。

Claims (5)

1.一种针对雷达载频变换的高分辨距离像目标稳健识别方法，其特征在于，包括如下：
(1)选择雷达回波沿距离维度的幅度信息作为高分辨距离像数据，并对其进行预处理，得到高分辨距离像时频域特征数据；
(2)将不同类别的高分辨距离像时频域特征数据建立雷达目标数据库，并对库内的各个目标类别设置标签值；
(3)选取载频变化前后的训练样本集和测试样本集，即从雷达高分辨距离像时频域特征数据中选取原载频中目标俯仰角为3°的样本组成原载频下的训练样本集；从新载频中选取俯仰角为3°和5°的样本分别组成新载频下的训练样本集和测试样本集；
(4)搭建一个依次为：第一卷积层→第一池化层→第一残差块→第二卷积层→第二池化层→第二残差块→第三卷积层→第三池化层→全连接层→softmax层的十层残差网络；
(5)训练原载频下的残差网络，即将原载频下的训练样本集输入到残差网络中，利用交叉熵公式，计算该残差网络的输出数据与类别标签之间的损失值，并进行多次迭代更新，直至残差网络的总损失值收敛为止，得到原载频下训练好的残差网络，并保存其全部参数值；
(6)使用已保存的原载频下残差网络中的全部参数值，并固定所有卷积层、所有池化层和所有残差块的参数值不变，利用新载频下的训练样本集，对残差网络中的全连接层进行微调，即利用交叉熵公式，计算该残差网络的输出数据与类别标签之间的损失值，并进行多次迭代更新，直至残差网络的总损失值收敛为止，得到新载频下训练好的残差网络；
(7)将新载频下的测试样本集输入到新载频下训练好的残差网络中，得到待识别的目标被识别为各类目标的概率，选择最大概率值对应的类别作为识别结果。
2.根据权利要求1所述的方法，其特征在于：(1)中对雷达高分辨距离像数据进行预处理，实现如下：
(1a)按照下式，对雷达高分辨距离像数据进行模二范数归一化处理：
Figure FDA0003051917490000011
其中，x1表示模二范数归一化处理后的高分辨距离像数据，x表示高分辨距离像数据，||·||2表示求模二范数操作；
(1b)将归一化后的雷达高分辨距离像数据x1进行短时傅里叶变换，得到高分辨距离像的时频域特征数据x2。
3.根据权利要求1所述的方法，其特征在于：(2)中对雷达目标数据库内的各个目标类别设置标签值，是分别将序号为1的高分辨距离像时频域数据的标签记为d1，序号为2的高分辨距离像时频域数据的标签记为d2、…、将序号为M的高分辨距离像时频域数据的标签记为dM，d1取值为1，d2取值为2，…，dM取值为M，其中，M表示目标类别的总个数。
4.根据权利要求1所述的方法，其特征在于：(4)中构建的残差网络各层参数设置如下：
第一卷积层的卷积核数目为64，卷积核尺寸为1*7，卷积核滑动步长为1；
第一池化层、第二池化层、第三池化层的池化卷积核大小均为1*2，池化卷积核移动步长均为2；
第一残差块由3个卷积层组成，这三个卷积层依次相连，且第1个卷积层的输入端与第3个卷积层的输出端通过相加得到最终的残差块输出，这3个卷积层的卷积核数目依次为64、64、128，卷积核尺寸均为1*5，卷积核滑动步长均为1；
第二卷积层的卷积核数目为128，卷积核尺寸为1*5，卷积核滑动步长为1；
第二残差块包括有三个卷积层，该三个卷积层依次相连，且第一个卷积层的输入端与第三个卷积层的输出端通过相加得到最终的该残差块的输出，这三个卷积层的卷积核数目依次为128、128、256，卷积核尺寸均为1*5，卷积核滑动步长均为1；
第三卷积层的卷积核数目为512，卷积核尺寸为1*7，卷积核滑动步长为1；
全连接层神经元的个数为512*32；
softmax层得到输入样本被识别为每一类样本的概率。
5.根据权利要求1所述的方法，其特征在于：(5)中所述的交叉熵公式如下：
Figure FDA0003051917490000031
其中，H(p,q)为输出数据与类别标签值的交叉熵，p表示类别标签值，q表示输出概率，N表示目标的类别总数，p(x)表示类别标签中的第x个元素，q(x)表示输出概率中的第x个元素。
CN202110490722.XA 2021-05-06 2021-05-06 针对雷达载频变换的高分辨距离像目标稳健识别方法 Active CN113240081B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110490722.XA CN113240081B (zh) 2021-05-06 2021-05-06 针对雷达载频变换的高分辨距离像目标稳健识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110490722.XA CN113240081B (zh) 2021-05-06 2021-05-06 针对雷达载频变换的高分辨距离像目标稳健识别方法

Publications (2)

Publication Number Publication Date
CN113240081A true CN113240081A (zh) 2021-08-10
CN113240081B CN113240081B (zh) 2022-03-22

Family

ID=77132221

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110490722.XA Active CN113240081B (zh) 2021-05-06 2021-05-06 针对雷达载频变换的高分辨距离像目标稳健识别方法

Country Status (1)

Country Link
CN (1) CN113240081B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116908808A (zh) * 2023-09-13 2023-10-20 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 (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985268A (zh) * 2018-08-16 2018-12-11 厦门大学 基于深度迁移学习的归纳式雷达高分辨距离像识别方法
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
CN109784417A (zh) * 2019-01-28 2019-05-21 安徽农业大学 残差网络模型及其训练方法、系统、识别方法及系统
CN110163234A (zh) * 2018-10-10 2019-08-23 腾讯科技（深圳）有限公司 一种模型训练方法、装置和存储介质
CN110824450A (zh) * 2019-10-15 2020-02-21 中国人民解放军国防科技大学 一种噪声环境下的雷达目标hrrp鲁棒识别方法
CN110929697A (zh) * 2019-12-17 2020-03-27 中国人民解放军海军航空大学 一种基于残差结构的神经网络目标识别方法及系统
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
CN111881987A (zh) * 2020-07-31 2020-11-03 西安工业大学 基于深度学习的苹果病毒识别方法
CN112666533A (zh) * 2020-12-31 2021-04-16 西安电子科技大学 基于空间金字塔池化网络的重频变化稳健目标识别方法
CN112731330A (zh) * 2021-01-12 2021-04-30 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

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108985268A (zh) * 2018-08-16 2018-12-11 厦门大学 基于深度迁移学习的归纳式雷达高分辨距离像识别方法
CN110163234A (zh) * 2018-10-10 2019-08-23 腾讯科技（深圳）有限公司 一种模型训练方法、装置和存储介质
CN109784417A (zh) * 2019-01-28 2019-05-21 安徽农业大学 残差网络模型及其训练方法、系统、识别方法及系统
CN110824450A (zh) * 2019-10-15 2020-02-21 中国人民解放军国防科技大学 一种噪声环境下的雷达目标hrrp鲁棒识别方法
CN110929697A (zh) * 2019-12-17 2020-03-27 中国人民解放军海军航空大学 一种基于残差结构的神经网络目标识别方法及系统
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
CN111881987A (zh) * 2020-07-31 2020-11-03 西安工业大学 基于深度学习的苹果病毒识别方法
CN112666533A (zh) * 2020-12-31 2021-04-16 西安电子科技大学 基于空间金字塔池化网络的重频变化稳健目标识别方法
CN112731330A (zh) * 2021-01-12 2021-04-30 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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YIFAN ZHANG 等: "Attention-Based Recurrent Temporal Restricted Boltzmann Machine for Radar High Resolution Range Profile Sequence Recognition", 《SENSORS》 *
ZHEQUAN FU 等: "A Neural Network with Convolutional Module and Residual Structure for Radar Target Recognition Based on High-Resolution Range Profile", 《SENSORS》 *
王东方 等: "基于迁移学习和残差网络的农作物病害分类", 《农业工程学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116908808A (zh) * 2023-09-13 2023-10-20 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
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

Also Published As

Publication number Publication date
CN113240081B (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
CN108133232B (zh) 一种基于统计字典学习的雷达高分辨距离像目标识别方法
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
CN111160176B (zh) 基于融合特征的一维卷积神经网络地面雷达目标分类方法
CN112001270B (zh) 基于一维卷积神经网络的地面雷达自动目标分类识别方法
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
CN108764310B (zh) 基于多尺度多特征深度森林的sar目标识别方法
CN112990334A (zh) 基于改进原型网络的小样本sar图像目标识别方法
CN111126332B (zh) 基于轮廓特征的跳频信号分类方法
CN107133648B (zh) 基于自适应多尺度融合稀疏保持投影的一维距离像识别方法
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
CN107680081B (zh) 基于卷积神经网络的高光谱图像解混方法
CN113780242A (zh) 一种基于模型迁移学习的跨场景水声目标分类方法
CN109871907B (zh) 基于sae-hmm模型的雷达目标高分辨率距离像识别方法
CN113109780B (zh) 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
CN106951822B (zh) 一种基于多尺度稀疏保持投影一维距离像融合识别方法
CN114428234A (zh) 基于gan和自注意力的雷达高分辨距离像降噪识别方法
Yu et al. Application of a convolutional autoencoder to half space radar hrrp recognition
CN108983187B (zh) 基于ewc的在线雷达目标识别方法
CN112835008B (zh) 基于姿态自适应卷积网络的高分辨距离像目标识别方法
CN113486917A (zh) 一种基于度量学习的雷达hrrp小样本目标识别方法
CN109190693A (zh) 基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法
CN116304701A (zh) 基于条件去噪扩散概率模型的hrrp样本生成方法
CN109543717B (zh) 基于自适应邻域及字典的联合协作表达高光谱分类方法
CN104021399A (zh) 基于距离像时频图非负稀疏编码的sar目标识别方法
CN109946667B (zh) 基于卷积神经网络的识别变体飞机高分辨距离像方法

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