發(fā)布時間：2020-04-06 10:23

【摘要】：雷達高分辨距離像數(shù)據(jù)(High Resolution Range Profile,HRRP)是寬帶雷達信號在發(fā)射到目標(biāo)后得到的散射點子回波在雷達射線方向上的向量和,它反映了目標(biāo)的物理結(jié)構(gòu)特性,具有十分重要的研究價值。相比于二維SAR圖像和ISAR圖像,HRRP數(shù)據(jù)不需要目標(biāo)相對于雷達有一定的轉(zhuǎn)角,更易于獲取和處理。隨著雷達技術(shù)的逐漸發(fā)展,軍事戰(zhàn)爭對于HRRP目標(biāo)識別技術(shù)的需求越發(fā)迫切。因此,本文主要是圍繞國家自然科學(xué)基金,青年千人基金以及國防預(yù)研項目,針對雷達高分辨距離像識別,分別從HRRP距離單元的時序相關(guān)性、HRRP的平移敏感性以及HRRP的方位敏感性等問題作為切入點,提出了不同的機器學(xué)習(xí)算法來有針對性地解決具體的問題。本論文的內(nèi)容主要包括如下五個部分:1、簡要地回顧了機器學(xué)習(xí)的一些基礎(chǔ)理論知識,對分類任務(wù)進行了定義。除此之外,我們還詳細地介紹了兩種經(jīng)典的神經(jīng)網(wǎng)絡(luò)模型,即深度置信網(wǎng)絡(luò)和堆棧自編碼器。2、傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法在進行識別的過程中僅僅考慮了HRRP樣本的包絡(luò)信息,而忽略了樣本距離單元之間的相關(guān)性。本章針對這個問題,提出了一種循環(huán)神經(jīng)網(wǎng)絡(luò)投票模型(Recurrent Neural Network with voting Strategy,RNNvot),該模型將原始的HRRP數(shù)據(jù)通過滑窗轉(zhuǎn)化為序列形式,并且采用循環(huán)神經(jīng)網(wǎng)絡(luò)模型對其進行提取特征并輸出類別。循環(huán)神經(jīng)網(wǎng)絡(luò)模型輸出的是類別序列,而HRRP序列特征對應(yīng)于單個類別,因此,我們又進一步地采用投票機制將所有時刻的信息進行融合,輸出最終的類別。3、傳統(tǒng)的解決HRRP平移敏感性的方法有兩種,一種是采用相對對齊方法,將所有的樣本都同模板進行平移對齊,但是這種方法的計算量較大。另一種方法是提取平移不變特征,將原始時域數(shù)據(jù)轉(zhuǎn)化為其他平移穩(wěn)健的特征空間,該方法確實可以有效地解決平移敏感性問題,但是它改變了數(shù)據(jù)的時序相關(guān)特性,丟失了可分性的信息。本章提出了一種雙向截斷長短時記憶網(wǎng)絡(luò)模型(Bidirectional Truncated Long-short Term Memory,BTLSTM),該方法首先采用一種截斷機制提取目標(biāo)區(qū)域,并依據(jù)目標(biāo)區(qū)域提取平移穩(wěn)健的輸入特征,為了考慮雙向的時序相關(guān)性,模型采用雙向LSTM模型對穩(wěn)健的輸入提取可分性特征,并采用投票機制輸出樣本的類別�；�于實測數(shù)據(jù)的實驗結(jié)果表明當(dāng)前的方法不僅可以有效地進行識別,而且對于平移敏感性非常穩(wěn)健。4、針對HRRP數(shù)據(jù)不同距離單元對于最終識別的貢獻不同的問題,提出了一種注意循環(huán)神經(jīng)網(wǎng)絡(luò)模型(Target-Aware Recurrent Attentional Network,TARAN)。具體地,我們利用循環(huán)神經(jīng)網(wǎng)絡(luò)模型來探索HRRP樣本中距離單元之間的時序相關(guān)性,并設(shè)計了一種注意機制,該機制通過自動地學(xué)習(xí)不同時刻輸入數(shù)據(jù)的權(quán)值來決定不同區(qū)域在識別中的貢獻,然后對不同時刻的隱層特征進行加權(quán)求和作為最終的識別特征,并采用分類器輸出類別。由于RNN的記憶功能和注意機制,與傳統(tǒng)方法相比,TARAN不僅可以有效地進行識別,而且對于平移敏感性是魯棒的。此外,我們還分析了譜圖特征和時域序列特征對于識別性能的影響。5、HRRP數(shù)據(jù)存在方位敏感性,這使得不同方位角的HRRP樣本的距離單元之間的時序相關(guān)性存在一定的差異。為了解決這個問題,本章提出了一個高斯混合-張量循環(huán)神經(jīng)網(wǎng)絡(luò)模型(Gaussian Mixture Model-Tensor Recurrent Neural Network,GMMTRNN)。具體地,該模型首先采用三維張量參數(shù)代替?zhèn)鹘y(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)中的二維參數(shù),然后采用高斯混合模型對不同時刻的輸入進行聚類,并由聚類的結(jié)果選擇三維張量參數(shù)中的矩陣作為當(dāng)前時刻的參數(shù)提取特征,輸出類別。相比于傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)模型,GMM-TRNN模型在不同時刻的參數(shù)是非共享的,且不同時刻的參數(shù)由輸入數(shù)據(jù)來決定,可以更有效地表達HRRP數(shù)據(jù)。
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2019
【分類號】：TN957.52;TP18

【相似文獻】

相關(guān)期刊論文 前10條

1 李筠;于連慶;楊予昊;;基于高分辨距離像的空中目標(biāo)長度提取方法[J];現(xiàn)代雷達;2018年07期

2 包云霞;毛二可;何佩琨;;基于一維高分辨距離像的相關(guān)測速補償算法[J];北京理工大學(xué)學(xué)報;2008年02期

3 張宏銘;曹俊紡;;寬帶雷達一維高分辨距離像識別研究[J];雷達與對抗;2009年02期

4 馬建華;劉宏偉;保錚;;基于小波變換的雷達高分辨距離像識別[J];西安電子科技大學(xué)學(xué)報;2005年06期

5 張濤,張群,馬長征,張守宏;基于高分辨距離像的角閃爍抑制方法[J];西安電子科技大學(xué)學(xué)報;2001年03期

6 馮德軍;王雪松;肖順平;王國玉;;雷達目標(biāo)高分辨距離像的物理統(tǒng)計建模方法[J];雷達科學(xué)與技術(shù);2006年02期

7 孫憶業(yè);趙彬;;利用高分辨距離像的雷達目標(biāo)識別[J];科技導(dǎo)報;2008年13期

8 劉宏偉,杜蘭,袁莉,保錚;雷達高分辨距離像目標(biāo)識別研究進展[J];電子與信息學(xué)報;2005年08期

9 王彩云;孔一薈;;基于稀疏表示字典優(yōu)化的雷達高分辨距離像目標(biāo)識別[J];南京航空航天大學(xué)學(xué)報;2013年06期

10 姚漢英;孫文峰;馬曉巖;;基于高分辨距離像序列的錐柱體目標(biāo)進動和結(jié)構(gòu)參數(shù)估計[J];電子與信息學(xué)報;2013年03期

相關(guān)會議論文 前9條

1 李璋峰;趙國強;孫厚軍;呂昕;;基于W波段探測系統(tǒng)的高分辨距離像的研究[A];2013年全國微波毫米波會議論文集[C];2013年

2 李含清;王宏宇;王彥華;李陽;曾濤;;基于CNN的地面目標(biāo)高分辨距離像識別方法[A];第十三屆全國信號和智能信息處理與應(yīng)用學(xué)術(shù)會議論文集[C];2019年

3 杜筱佳;李躍華;賀冠華;;基于標(biāo)簽重構(gòu)的毫米波高分辨距離像識別算法[A];2015年第十屆全國毫米波、亞毫米波學(xué)術(shù)會議論文集（二）[C];2015年

4 王曉丹;王積勤;;基于SVM的雷達目標(biāo)高分辨距離像識別研究[A];第十一屆全國信號處理學(xué)術(shù)年會（CCSP-2003）論文集[C];2003年

5 李輝;張安;于紅梅;;雷達目標(biāo)識別發(fā)展回顧與實現(xiàn)中的關(guān)鍵理論[A];2007年光電探測與制導(dǎo)技術(shù)的發(fā)展與應(yīng)用研討會論文集[C];2007年

6 李斌;姚康澤;王巖;;基于高分辨距離像統(tǒng)計模型的雷達目標(biāo)識別[A];中國電子學(xué)會第十五屆信息論學(xué)術(shù)年會暨第一屆全國網(wǎng)絡(luò)編碼學(xué)術(shù)年會論文集（上冊）[C];2008年

7 王彩云;毛士藝;;雷達高分辨距離像特征提取方法研究進展[A];全國第二屆信號處理與應(yīng)用學(xué)術(shù)會議�？痆C];2008年

8 陳昆;李躍華;黃燕;單善善;;毫米波雷達高分辨距離像抽取方法研究[A];2015年第十屆全國毫米波、亞毫米波學(xué)術(shù)會議論文集（二）[C];2015年

9 梁海濤;童創(chuàng)明;王曉丹;;基于目標(biāo)分解與SVM的目標(biāo)識別方法[A];2009年全國微波毫米波會議論文集（下冊）[C];2009年

相關(guān)博士學(xué)位論文 前10條

1 徐彬;基于時序動態(tài)模型的雷達高分辨距離像目標(biāo)識別研究[D];西安電子科技大學(xué);2019年

2 和華;雷達高分辨距離像噪聲穩(wěn)健和小樣本穩(wěn)健識別方法研究[D];西安電子科技大學(xué);2017年

3 杜蘭;雷達高分辨距離像目標(biāo)識別方法研究[D];西安電子科技大學(xué);2007年

4 袁莉;基于高分辨距離像的雷達目標(biāo)識別方法研究[D];西安電子科技大學(xué);2007年

5 陳渤;基于核方法的雷達高分辨距離像目標(biāo)識別技術(shù)研究[D];西安電子科技大學(xué);2008年

6 劉盛啟;基于高分辨距離像的特征提取與識別增強技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2016年

7 周云;基于高分辨距離像的雷達目標(biāo)識別研究[D];電子科技大學(xué);2016年

8 馮國瑜;基于核方法的雷達高分辨距離像目標(biāo)識別方法研究[D];國防科學(xué)技術(shù)大學(xué);2012年

9 潘勉;雷達高分辨距離像目標(biāo)識別技術(shù)研究[D];西安電子科技大學(xué);2013年

10 柴晶;雷達高分辨距離像目標(biāo)識別的拒判算法和特征提取技術(shù)研究[D];西安電子科技大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 李偉一;雷達高分辨距離像小樣本目標(biāo)識別方法研究[D];西安電子科技大學(xué);2019年

2 孟亦然;基于貝葉斯結(jié)構(gòu)化統(tǒng)計模型的變體目標(biāo)高分辨距離像識別方法研究[D];西安電子科技大學(xué);2019年

3 鄭瀚;基于深度遷移學(xué)習(xí)的雷達高分辨距離像識別研究[D];廈門大學(xué);2018年

4 林悅;基于高分辨距離像的雷達目標(biāo)識別技術(shù)研究[D];南京信息工程大學(xué);2018年

5 劉悅;雷達高分辨距離像的精細統(tǒng)計建模方法研究[D];西安電子科技大學(xué);2018年

6 袁家雯;基于字典學(xué)習(xí)的雷達高分辨距離像目標(biāo)識別技術(shù)研究[D];南京航空航天大學(xué);2018年

7 丁艷華;基于雷達高分辨距離像目標(biāo)識別的在線貝葉斯模型研究[D];西安電子科技大學(xué);2017年

8 閆金鳳;基于高分辨距離像的單脈沖測角研究[D];哈爾濱工業(yè)大學(xué);2007年

9 朱新奎;空間目標(biāo)高分辨距離像識別及微動特征提取方法研究[D];西安電子科技大學(xué);2017年

10 萬春宇;雷達高分辨距離像目標(biāo)識別算法研究[D];電子科技大學(xué);2014年

，

本文編號：2616387