CN111458688A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111458688A
CN111458688A CN202010177056.XA CN202010177056A CN111458688A CN 111458688 A CN111458688 A CN 111458688A CN 202010177056 A CN202010177056 A CN 202010177056A CN 111458688 A CN111458688 A CN 111458688A
Authority
CN
China
Prior art keywords
layer
convolution
data
convolutional
downsampling
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
CN202010177056.XA
Other languages
English (en)
Other versions
CN111458688B (zh
Inventor
陈渤
张志斌
刘宏伟
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 CN202010177056.XA priority Critical patent/CN111458688B/zh
Publication of CN111458688A publication Critical patent/CN111458688A/zh
Application granted granted Critical
Publication of CN111458688B publication Critical patent/CN111458688B/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
    • G01S7/417—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Image Analysis (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

具体涉及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，获取原始数据x，将所述原始数据x分为训练样本集和测试样本集；根据所述原始数据x计算得到分段重组后的数据x″″′；建立三维卷积神经网络模型；根据所述训练样本集和所述分段重组后的数据x″″′对所述三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模型；根据所述训练好的卷积神经网络模型对所述测试样本集进行目标识别。本发明鲁棒性强，目标识别率高，解决了现有高分辨距离像识别技术的重大问题。

Description

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
技术领域
本发明属于雷达技术领域，具体涉及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。
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：
Figure BDA0002411175410000011
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(High Rang Resolution，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ΔR＜＜L，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(Radar CrossSection，RCS)沿雷达视线(Radar Line of Sight，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(High Rang Resolution Profile，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
为了解决现有技术中存在的上述问题，本发明提供了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。本发明要解决的技术问题通过以下技术方案实现：
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，包括：
获取原始数据x，将所述原始数据x分为训练样本集和测试样本集；
根据所述原始数据x计算得到分段重组后的数据x″″′；
建立三维卷积神经网络模型；
根据所述训练样本集和所述分段重组后的数据x″″′对所述三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模型；
根据所述训练好的卷积神经网络模型对所述测试样本集进行目标识别。
在本发明的一个实施例中，获取原始数据x，将所述原始数据x分为训练样本集和测试样本集，包括：
设置Q个不同的雷达；
所述Q个不同的雷达的高分辨雷达回波中，获取Q类高分辨距离成像数据，将所述Q类高分辨距离成像数据记为原始数据x，所述原始数据x分为训练样本集和测试样本集。
在本发明的一个实施例中，根据所述原始数据x计算得到分段重组后的数据x″″′，包括：
对所述原始数据x进行归一化处理，得到归一化处理后的数据x'；
对所述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”；
对所述重心对齐后的数据x”进行均值归一化处理，得到均值归一化处理后的数据x”'；
对所述均值归一化处理后的数据x”'进行短时傅立叶变换，得到短时傅里叶变换后的数据x””；
对所述短时傅里叶变换后的数据x””进行分段重组，得到分段重组后的数据x″″′。
在本发明的一个实施例中，根据所述训练样本集和所述重组后的数据x″″′对所述三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模型，包括：
所述第一层卷积层对所述重组后的数据x″″′进行卷积和下采样，得到所述第一层卷积层下采样处理后的C个特征图
Figure BDA0002411175410000031
所述第二层卷积层对所述第一层卷积层下采样处理后的所述C个特征图
Figure BDA0002411175410000032
进行卷积和下采样，得到所述第二层卷积层下采样处理后的C个特征图
Figure BDA0002411175410000033
所述第三层卷积层对所述第二层卷积层下采样处理后的所述C个特征图
Figure BDA0002411175410000034
进行卷积和下采样，得到所述第三层卷积层下采样处理后的R个特征图
Figure BDA0002411175410000041
所述第四层全连接层对所述第三层卷积层下采样处理后的所述R个特征图
Figure BDA0002411175410000042
进行非线性变换处理，得到所述第四层全连接层非线性变换处理后的数据结果
Figure BDA0002411175410000043
所述第五层全连接层对所述第四层全连接层非线性变换处理后的所述数据结果
Figure BDA0002411175410000044
进行非线性变换处理，得到所述第五层全连接层非线性变换处理后的数据结果
Figure BDA0002411175410000045
在本发明的一个实施例中，所述第一层卷积层对重组后的数据x″″′进行卷积和下采样，得到所述第一层卷积层下采样处理后的C个特征图
Figure BDA00024111754100000413
包括：
设定所述第一层卷积层中包括C个卷积核，并将所述第一层卷积层的C个卷积核记为K，用于与所述重组后的数据x″″′进行卷积；
将所述重组数据x″″′与所述第一层卷积层的C个卷积核分别进行卷积，得到所述第一层卷积层C个卷积后的结果记为所述第一层卷积层的C个特征图y，其中，所述特征图y的表达式为：
Figure BDA0002411175410000046
其中，K表示所述第一层卷积层的C个卷积核，b表示所述第一层卷积层的全1偏置，
Figure BDA0002411175410000047
表示卷积操作，f()表示激活函数；
对所述第一层卷积层的所述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的所述第一层卷积层的C个特征图
Figure BDA0002411175410000048
然后对特征图
Figure BDA0002411175410000049
中的每一个特征图分别进行下采样处理，进而得到所述第一层卷积层下采样处理后的C个特征图
Figure BDA00024111754100000410
其中，所述特征图
Figure BDA00024111754100000411
的表达式为：
Figure BDA00024111754100000412
其中，m表示所述第一层卷积层下采样处理的核窗口的长度，n表示所述第一层卷积层下采样处理的核窗口的宽度，1×m×n表示所述第一层卷积层下采样处理的核窗口的大小。
在本发明的一个实施例中，所述第二层卷积层对所述第一层卷积层下采样处理后的C个特征图
Figure BDA0002411175410000051
进行卷积和下采样，得到所述第二层卷积层下采样处理后的C个特征图
Figure BDA0002411175410000052
包括：
将所述第一层卷积层下采样处理后的C个特征图
Figure BDA0002411175410000053
与所述第二层卷积层的C个卷积核K'分别进行卷积，得到所述第二层卷积层C个卷积后的结果，并记为所述第二层卷积层的C个特征图
Figure BDA0002411175410000054
其中，所述特征图
Figure BDA0002411175410000055
的表达式为：
Figure BDA0002411175410000056
其中，K'表示所述第二层卷积层的C个卷积核，b'表示所述第二层卷积层的全1偏置，
Figure BDA0002411175410000057
表示卷积操作，f()表示激活函数；
对所述第二层卷积层的所述C个特征图
Figure BDA0002411175410000058
进行高斯归一化处理，得到高斯归一化处理后所述第二层卷积层的C个特征图
Figure BDA0002411175410000059
然后对所述特征图
Figure BDA00024111754100000510
中的每一个特征图分别进行下采样处理，进而得到所述第二层卷积层下采样处理后的C个特征图
Figure BDA00024111754100000511
其中，所述特征图
Figure BDA00024111754100000512
的表达式为：
Figure BDA00024111754100000513
其中，m'表示所述第二层卷积层下采样处理的核窗口的长度，n'表示所述第二层卷积层下采样处理的核窗口的宽度，1×m'×n'表示所述第二层卷积层下采样处理的核窗口的大小。
在本发明的一个实施例中，所述第三层卷积层对所述第二层卷积层下采样处理后的C个特征图
Figure BDA00024111754100000514
进行卷积和下采样，得到所述第三层卷积层下采样处理后的R个特征图
Figure BDA00024111754100000515
包括：
将所述第二层卷积层下采样处理后的所述C个特征图
Figure BDA0002411175410000061
与所述第三层卷积层的R个卷积核K”分别进行卷积，得到所述第三层卷积层R个卷积后的结果，并记为第三层卷积层的R个特征图
Figure BDA0002411175410000062
其中，所述特征图
Figure BDA0002411175410000063
的表达式为：
Figure BDA0002411175410000064
其中，K”表示所述第三层卷积层的R个卷积核，b”表示所述第三层卷积层的全1偏置，
Figure BDA0002411175410000065
表示卷积操作，f()表示激活函数；
对所述第三层卷积层的R个特征图
Figure BDA0002411175410000066
进行高斯归一化处理，即对所述特征图
Figure BDA0002411175410000067
中的每一个特征图分别进行下采样处理，进而得到第三层卷积层下采样处理后的R个特征图
Figure BDA0002411175410000068
其中，所述特征图
Figure BDA0002411175410000069
的表达式为：
Figure BDA00024111754100000610
其中，m″表示所述第三层卷积层下采样处理的核窗口的长度，n″表示所述第三层卷积层下采样处理的核窗口的宽度，1×m″×n″表示所述第三层卷积层下采样处理的核窗口的大小。
在本发明的一个实施例中，根据所述训练好的卷积神经网络模型对所述测试样本集z的数据进行目标识别，包括：
确定所述第五层全连接层非线性变换处理后的数据结果
Figure BDA00024111754100000611
中数值为1的位置标签为j，1≤j≤Q；
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；
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，则认为识别出所述Q类高分辨距离成像数据中的目标，如果j与dk不相等，则认为没有识别出所述Q类高分辨距离成像数据中的目标。
本发明的有益效果：
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。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的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流程图；
图2是本发明实施例提供的另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流程图；
图3是本发明实施例提供的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的目标识别准确率曲线图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
参见图1和图2，图1是本发明实施例提供的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流程图，图2是本发明实施例提供的另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流程图。本发明实施例提供的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，包括：
步骤1、获取原始数据x，将所述原始数据x分为训练样本集和测试样本集；
步骤2、根据所述原始数据x计算得到分段重组后的数据x″″′；
步骤3、建立三维卷积神经网络模型；
步骤4、根据所述训练样本集和所述分段重组后的数据x″″′对所述三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模型；
步骤5、根据所述训练好的卷积神经网络模型对所述测试样本集进行目标识别。
本发明在上述实施例的基础上，对本实施例所提出的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进行详细介绍：
步骤1、获取原始数据x，将所述原始数据x分为训练样本集和测试样本集，具体包括：
步骤1.1、设置Q个不同的雷达；
步骤1.2、从所述Q个不同的雷达的高分辨雷达回波中，获取Q类高分辨距离成像数据，将所述Q类高分辨距离成像数据记为原始数据x，所述原始数据x分为训练样本集和测试样本集。
设置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，P1+P2+…+PQ＝P；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A×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
Figure BDA0002411175410000091
的成像数据记为高分辨成像数据，ΔR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、根据所述原始数据x计算得到分段重组后的数据x″″′，具体包括：
步骤2.1、对所述原始数据x进行归一化处理，得到归一化处理后的数据x'；
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：
Figure BDA0002411175410000092
其中，|| ||2表示求二范数。
步骤2.2、对所述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”；
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。
步骤2.3、对所述重心对齐后的数据x”进行均值归一化处理，得到均值归一化处理后的数据x”'；
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。
步骤2.4、对所述均值归一化处理后的数据x”'进行短时傅立叶变换，得到短时傅里叶变换后的数据x””；
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2.5、对所述短时傅里叶变换后的数据x””进行分段重组，得到分段重组后的数据x″″′。
对短时傅里叶变换后的数据x””进行分段重组，即对x””在宽度方向，以宽度SL分成N1段，SL按经验设置为34，然后在长度方向按顺序排列得到数据x″″′，所述重组后的数据x″″′为TL×N1×SL维矩阵，TL表示短时傅里叶变换的时间窗窗长，SL表示分段长度。
步骤4、根据所述训练样本集和所述重组后的数据x″″′对所述三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模型，具体包括：
步骤4.1、所述第一层卷积层对重组后的数据x″″′进行卷积和下采样，得到所述第一层卷积层下采样处理后的C个特征图
Figure BDA0002411175410000111
具体包括：
步骤4.1.1、设定所述第一层卷积层中包括C个卷积核，并将所述第一层卷积层的C个卷积核记为K，用于与所述重组后的数据x″″′进行卷积；
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，用于与重组后的数据x″″′进行卷积，且K大小设置为TL×L×W×1，由于变换后的数据x″″′为TL×N1×SL维矩阵，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，SL表示分段长度，所以1＜L＜N1，1＜W＜SL。
步骤4.1.2、将所述重组数据x″″′与所述第一层卷积层的C个卷积核分别进行卷积，得到所述第一层卷积层C个卷积后的结果记为所述第一层卷积层的C个特征图y，其中，所述特征图y的表达式为：
Figure BDA0002411175410000112
其中，K表示第一层卷积层的C个卷积核，b表示第一层卷积层的全1偏置，
Figure BDA0002411175410000113
表示卷积操作，f()表示激活函数；
本实施例中L＝6，W＝3；
Figure BDA0002411175410000121
步骤4.1.3、对所述第一层卷积层的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的所述第一层卷积层的C个特征图
Figure BDA0002411175410000122
然后对
Figure BDA0002411175410000123
中的每一个特征图分别进行下采样处理，进而得到所述第一层卷积层下采样处理后的C个特征图
Figure BDA0002411175410000124
其中，所述特征图
Figure BDA0002411175410000125
的表达式为：
Figure BDA0002411175410000126
其中，m表示所述第一层卷积层下采样处理的核窗口的长度，n表示所述第一层卷积层下采样处理的核窗口的宽度，1×m×n表示所述第一层卷积层下采样处理的核窗口的大小。
优选地，第一层卷积层下采样处理的核窗口大小都为1×m×n，1＜m＜N1，1＜n＜SL，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，SL表示分段长度；本实施例中m＝2，n＝2；第一层卷积层下采样处理的步长都为Im×In，本实施例中Im＝2，In＝2。
进一步地，
Figure BDA0002411175410000127
表示在第一层下采样处理的核窗口大小1×m×n内取高斯归一化处理后第一层卷积层的C个特征图
Figure BDA0002411175410000128
的最大值，
Figure BDA0002411175410000129
表示高斯归一化处理后第一层卷积层的C个特征图。
步骤4.2、所述第二层卷积层对所述第一层卷积层下采样处理后的C个特征图
Figure BDA00024111754100001210
进行卷积和下采样，得到所述第二层卷积层下采样处理后的C个特征图
Figure BDA00024111754100001211
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
Figure BDA00024111754100001212
进行卷积；第二层卷积层的卷积核K'大小设置为1×l×w；本实施例中l＝9，w＝6；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
Figure BDA0002411175410000131
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
Figure BDA0002411175410000132
所述第二层卷积层对所述第一层卷积层下采样处理后的C个特征图
Figure BDA0002411175410000133
进行卷积和下采样，得到所述第二层卷积层下采样处理后的C个特征图
Figure BDA0002411175410000134
具体包括：
步骤4.2.1、将所述第一层卷积层下采样处理后的C个特征图
Figure BDA0002411175410000135
与所述第二层卷积层的C个卷积核K'分别进行卷积，得到所述第二层卷积层C个卷积后的结果，并记为所述第二层卷积层的C个特征图
Figure BDA0002411175410000136
其中，所述特征图
Figure BDA0002411175410000137
的表达式为：
Figure BDA0002411175410000138
其中，K'表示第二层卷积层的C个卷积核，b'表示第二层卷积层的全1偏置，
Figure BDA0002411175410000139
表示卷积操作，f()表示激活函数；
进一步地，
Figure BDA00024111754100001310
步骤4.2.2、对所述第二层卷积层的C个特征图
Figure BDA00024111754100001311
进行高斯归一化处理，得到高斯归一化处理后所述第二层卷积层的C个特征图
Figure BDA00024111754100001312
然后对特征图
Figure BDA00024111754100001313
中的每一个特征图分别进行下采样处理，进而得到所述第二层卷积层下采样处理后的C个特征图
Figure BDA00024111754100001314
其中，所述特征图
Figure BDA00024111754100001315
的表达式为：
Figure BDA00024111754100001316
其中，m'表示所述第二层卷积层下采样处理的核窗口的长度，n'表示所述第二层卷积层下采样处理的核窗口的宽度，1×m'×n'表示所述第二层卷积层下采样处理的核窗口的大小。
优选地，第二层卷积层下采样处理的核窗口大小为1×m'×n'，本实施例中，m'＝2，n'＝2；第二层卷积层下采样处理的步长为Im′×In′，本实施例中，Im′＝2，In′＝2。
进一步地，
Figure BDA0002411175410000141
表示在第二层卷积层下采样处理的核窗口大小1×m'×n'内进行高斯归一化处理后的第二层卷积层的C个特征图
Figure BDA0002411175410000142
的最大值。
步骤4.3、所述第三层卷积层对所述第二层卷积层下采样处理后的C个特征图
Figure BDA0002411175410000143
进行卷积和下采样，得到所述第三层卷积层下采样处理后的R个特征图
Figure BDA0002411175410000144
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
Figure BDA0002411175410000145
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。
第三层卷积层下采样处理后的R个特征图
Figure BDA0002411175410000146
为1×U1×U2维，
Figure BDA0002411175410000147
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，SL表示分段长度。
所述第三层卷积层对所述第二层卷积层下采样处理后的C个特征图
Figure BDA0002411175410000148
进行卷积和下采样，得到所述第三层卷积层下采样处理后的R个特征图
Figure BDA0002411175410000149
具体包括：
步骤4.3.1、将所述第二层卷积层下采样处理后的C个特征图
Figure BDA00024111754100001410
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
Figure BDA0002411175410000151
其中，所述特征图
Figure BDA0002411175410000152
的表达式为：
Figure BDA0002411175410000153
其中，K”表示第三层卷积层的R个卷积核，b”表示第三层卷积层的全1偏置，
Figure BDA0002411175410000154
表示卷积操作，f()表示激活函数；
进一步地，
Figure BDA0002411175410000155
步骤4.3.2、对所述第三层卷积层的R个特征图
Figure BDA0002411175410000156
进行高斯归一化处理，即对
Figure BDA0002411175410000157
中的每一个特征图分别进行下采样处理，进而得到第三层卷积层下采样处理后的R个特征图
Figure BDA0002411175410000158
其中，所述特征图
Figure BDA0002411175410000159
的表达式为：
Figure BDA00024111754100001510
其中，m″表示所述第三层卷积层下采样处理的核窗口的长度，n″表示所述第三层卷积层下采样处理的核窗口的宽度，1×m″×n″表示所述第三层卷积层下采样处理的核窗口的大小。
优选地，第三层卷积层下采样处理的核窗口大小为1×m″×n″，本实施例中，m”＝2，n”＝2；第二层卷积层下采样处理的步长为Im″×In″，本实施例中，Im″＝2，In″＝2。
进一步地，
Figure BDA00024111754100001511
表示在第二层卷积层下采样处理的核窗口大小1×m″×n″内取第三层卷积层的2R个特征图
Figure BDA00024111754100001512
的最大值。
步骤4.4、所述第四层全连接层对所述第三层卷积层下采样处理后的R个特征图
Figure BDA00024111754100001513
进行非线性变换处理，得到所述第四层全连接层非线性变换处理后的数据结果
Figure BDA00024111754100001514
其中，所述特征图
Figure BDA00024111754100001515
的表达式为：
Figure BDA00024111754100001516
其中，
Figure BDA0002411175410000161
表示第四层全连接层的随机初始化的权值矩阵，
Figure BDA0002411175410000162
表示第四层全连接层的全1偏置，f()表示激活函数；
进一步地，
Figure BDA0002411175410000163
为B×(U1×U2)维，
Figure BDA0002411175410000164
floor()表示向下取整；
Figure BDA0002411175410000165
为(U1×U2)×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；
Figure BDA0002411175410000166
步骤4.5、所述第五层全连接层对所述第四层全连接层非线性变换处理后的数据结果
Figure BDA0002411175410000167
进行非线性变换处理，得到所述第五层全连接层非线性变换处理后的数据结果
Figure BDA0002411175410000168
其中，所述特征图
Figure BDA0002411175410000169
的表达式为：
Figure BDA00024111754100001610
其中，
Figure BDA00024111754100001611
表示第五层全连接层的随机初始化的权值矩阵，
Figure BDA00024111754100001612
表示第五层全连接层的全1偏置，f()表示激活函数。
进一步地，
Figure BDA00024111754100001613
为Q×B维，
Figure BDA00024111754100001614
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，本实施例中取值为300；
Figure BDA00024111754100001615
所述第五层全连接层非线性变换处理后的数据结果
Figure BDA00024111754100001616
为Q×1维，第五层全连接层非线性变换处理后的数据结果
Figure BDA00024111754100001617
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
Figure BDA00024111754100001618
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5、根据所述训练好的卷积神经网络模型对所述测试样本集的数据进行目标识别，包括：
步骤5.1、确定所述第五层全连接层非线性变换处理后的数据结果
Figure BDA0002411175410000171
中数值为1的位置标签为j，1≤j≤Q；
步骤5.2、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；
步骤5.3、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。
本实施例还通过仿真实验对本发明作进一步验证说明：
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，以及使用主成分分析(Principal Component Analysis，PCA)提取数据特征然后使用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：在不同的信噪比下进行8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，其准确率曲线由图2中3DCNN线条所示。
实验2：在不同的信噪比下使用一维卷积神经网络对测试样本集进行8次目标识别实验，将其卷积步长设置为6，其准确率曲线由图2中CNN线条所示。
实验3：使用主成分分析提取训练样本集中的数据特征，然后在不同的信噪比下用支持向量机在测试样本集上进行8次目标识别实验，其准确率曲线如图2中PCA线条所示。
对比实验1、实验2和实验3的结果，可以得出本发明中的基于三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 (9)

1.一种基于三维卷积网络的雷达高分辨距离像目标识别方法，其特征在于，包括：
获取原始数据x，将所述原始数据x分为训练样本集和测试样本集；
根据所述原始数据x计算得到分段重组后的数据x″″′；
建立三维卷积神经网络模型；
根据所述训练样本集和所述分段重组后的数据x″″′对所述三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模型；
根据所述训练好的卷积神经网络模型对所述测试样本集进行目标识别。
2.根据权利要求1所述的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，其特征在于，获取原始数据x，将所述原始数据x分为训练样本集和测试样本集，包括：
设置Q个不同的雷达；
从所述Q个不同的雷达的高分辨雷达回波中，获取Q类高分辨距离成像数据，将所述Q类高分辨距离成像数据记为所述原始数据x，所述原始数据x分为所述训练样本集和所述测试样本集。
3.根据权利要求2所述的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，其特征在于，根据所述原始数据x计算得到分段重组后的数据x″″′，包括：
对所述原始数据x进行归一化处理，得到归一化处理后的数据x'；
对所述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”；
对所述重心对齐后的数据x”进行均值归一化处理，得到均值归一化处理后的数据x”'；
对所述均值归一化处理后的数据x”'进行短时傅立叶变换，得到短时傅里叶变换后的数据x””；
对所述短时傅里叶变换后的数据x””进行分段重组，得到分段重组后的数据x″″′。
4.根据权利要求3所述的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，其特征在于，所述三维卷积神经网络模型包括：第一层卷积层、第二层卷积层、第三层卷积层、第四层全连接层和第五层全连接层。
5.根据权利要求4所述的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，其特征在于，根据所述训练样本集和所述重组后的数据x″″′对所述三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模型，包括：
所述第一层卷积层对所述重组后的数据x″″′进行卷积和下采样，得到所述第一层卷积层下采样处理后的C个特征图
Figure FDA0002411175400000021
所述第二层卷积层对所述第一层卷积层下采样处理后的所述C个特征图
Figure FDA0002411175400000022
进行卷积和下采样，得到所述第二层卷积层下采样处理后的C个特征图
Figure FDA0002411175400000023
所述第三层卷积层对所述第二层卷积层下采样处理后的所述C个特征图
Figure FDA0002411175400000024
进行卷积和下采样，得到所述第三层卷积层下采样处理后的R个特征图
Figure FDA0002411175400000025
所述第四层全连接层对所述第三层卷积层下采样处理后的所述R个特征图
Figure FDA0002411175400000026
进行非线性变换处理，得到所述第四层全连接层非线性变换处理后的数据结果
Figure FDA0002411175400000027
所述第五层全连接层对所述第四层全连接层非线性变换处理后的所述数据结果
Figure FDA0002411175400000031
进行非线性变换处理，得到所述第五层全连接层非线性变换处理后的数据结果
Figure FDA0002411175400000032
6.根据权利要求5所述的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，其特征在于，所述第一层卷积层对重组后的数据x″″′进行卷积和下采样，得到所述第一层卷积层下采样处理后的C个特征图
Figure FDA0002411175400000033
包括：
设定所述第一层卷积层中包括C个卷积核，并将所述第一层卷积层的C个卷积核记为K，用于与所述重组后的数据x″″′进行卷积；
将所述重组数据x″″′与所述第一层卷积层的C个卷积核分别进行卷积，得到所述第一层卷积层C个卷积后的结果记为所述第一层卷积层的C个特征图y，其中，所述特征图y的表达式为：
Figure FDA0002411175400000034
其中，K表示所述第一层卷积层的C个卷积核，b表示所述第一层卷积层的全1偏置，
Figure FDA0002411175400000035
表示卷积操作，f()表示激活函数；
对所述第一层卷积层的所述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的所述第一层卷积层的C个特征图
Figure FDA0002411175400000036
然后对特征图
Figure FDA0002411175400000037
中的每一个特征图分别进行下采样处理，进而得到所述第一层卷积层下采样处理后的C个特征图
Figure FDA0002411175400000038
其中，所述特征图
Figure FDA0002411175400000039
的表达式为：
Figure FDA00024111754000000310
其中，m表示所述第一层卷积层下采样处理的核窗口的长度，n表示所述第一层卷积层下采样处理的核窗口的宽度，1×m×n表示所述第一层卷积层下采样处理的核窗口的大小。
7.根据权利要求6所述的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，其特征在于，所述第二层卷积层对所述第一层卷积层下采样处理后的C个特征图
Figure FDA0002411175400000041
进行卷积和下采样，得到所述第二层卷积层下采样处理后的C个特征图
Figure FDA0002411175400000042
包括：
将所述第一层卷积层下采样处理后的C个特征图
Figure FDA0002411175400000043
与所述第二层卷积层的C个卷积核K'分别进行卷积，得到所述第二层卷积层C个卷积后的结果，并记为所述第二层卷积层的C个特征图
Figure FDA0002411175400000044
其中，所述特征图
Figure FDA0002411175400000045
的表达式为：
Figure FDA0002411175400000046
其中，K'表示所述第二层卷积层的C个卷积核，b'表示所述第二层卷积层的全1偏置，
Figure FDA0002411175400000047
表示卷积操作，f()表示激活函数；
对所述第二层卷积层的所述C个特征图
Figure FDA0002411175400000048
进行高斯归一化处理，得到高斯归一化处理后所述第二层卷积层的C个特征图
Figure FDA0002411175400000049
然后对所述特征图
Figure FDA00024111754000000410
中的每一个特征图分别进行下采样处理，进而得到所述第二层卷积层下采样处理后的C个特征图
Figure FDA00024111754000000411
其中，所述特征图
Figure FDA00024111754000000412
的表达式为：
Figure FDA00024111754000000413
其中，m'表示所述第二层卷积层下采样处理的核窗口的长度，n'表示所述第二层卷积层下采样处理的核窗口的宽度，1×m'×n'表示所述第二层卷积层下采样处理的核窗口的大小。
8.根据权利要求7所述的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，其特征在于，所述第三层卷积层对所述第二层卷积层下采样处理后的C个特征图
Figure FDA00024111754000000414
进行卷积和下采样，得到所述第三层卷积层下采样处理后的R个特征图
Figure FDA00024111754000000415
包括：
将所述第二层卷积层下采样处理后的所述C个特征图
Figure FDA00024111754000000416
与所述第三层卷积层的R个卷积核K”分别进行卷积，得到所述第三层卷积层R个卷积后的结果，并记为第三层卷积层的R个特征图
Figure FDA0002411175400000051
其中，所述特征图
Figure FDA0002411175400000052
的表达式为：
Figure FDA0002411175400000053
其中，K”表示所述第三层卷积层的R个卷积核，b”表示所述第三层卷积层的全1偏置，
Figure FDA0002411175400000054
表示卷积操作，f()表示激活函数；
对所述第三层卷积层的R个特征图
Figure FDA0002411175400000055
进行高斯归一化处理，即对所述特征图
Figure FDA0002411175400000056
中的每一个特征图分别进行下采样处理，进而得到第三层卷积层下采样处理后的R个特征图
Figure FDA0002411175400000057
其中，所述特征图
Figure FDA0002411175400000058
的表达式为：
Figure FDA0002411175400000059
其中，m″表示所述第三层卷积层下采样处理的核窗口的长度，n″表示所述第三层卷积层下采样处理的核窗口的宽度，1×m″×n″表示所述第三层卷积层下采样处理的核窗口的大小。
9.根据权利要求8所述的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，其特征在于，根据所述训练好的卷积神经网络模型对所述测试样本集的数据进行目标识别，包括：
确定所述第五层全连接层非线性变换处理后的数据结果
Figure FDA00024111754000000510
中数值为1的位置标签为j，1≤j≤Q；
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；
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，则认为识别出了所述Q类高分辨距离成像数据中的目标，如果j与dk不相等，则认为没有识别出所述Q类高分辨距离成像数据中的目标。
CN202010177056.XA 2020-03-13 2020-03-13 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 Active CN111458688B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010177056.XA CN111458688B (zh) 2020-03-13 2020-03-13 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010177056.XA CN111458688B (zh) 2020-03-13 2020-03-13 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

Publications (2)

Publication Number Publication Date
CN111458688A true CN111458688A (zh) 2020-07-28
CN111458688B CN111458688B (zh) 2024-01-23

Family

ID=71682815

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010177056.XA Active CN111458688B (zh) 2020-03-13 2020-03-13 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

Country Status (1)

Country Link
CN (1) CN111458688B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240081A (zh) * 2021-05-06 2021-08-10 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
CN113673554A (zh) * 2021-07-07 2021-11-19 西安电子科技大学 一种基于宽度学习的雷达高分辨距离像目标识别方法
CN114137518A (zh) * 2021-10-14 2022-03-04 西安电子科技大学 一种雷达高分辨距离像开集识别方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105608447A (zh) * 2016-02-17 2016-05-25 陕西师范大学 对人体面部微笑表情深度卷积神经网络的检测方法
WO2017133009A1 (zh) * 2016-02-04 2017-08-10 广州新节奏智能科技有限公司 一种基于卷积神经网络的深度图像人体关节定位方法
CN107728142A (zh) * 2017-09-18 2018-02-23 西安电子科技大学 基于二维卷积网络的雷达高分辨距离像目标识别方法
CN108872984A (zh) * 2018-03-15 2018-11-23 清华大学 基于多基地雷达微多普勒和卷积神经网络的人体识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017133009A1 (zh) * 2016-02-04 2017-08-10 广州新节奏智能科技有限公司 一种基于卷积神经网络的深度图像人体关节定位方法
CN105608447A (zh) * 2016-02-17 2016-05-25 陕西师范大学 对人体面部微笑表情深度卷积神经网络的检测方法
CN107728142A (zh) * 2017-09-18 2018-02-23 西安电子科技大学 基于二维卷积网络的雷达高分辨距离像目标识别方法
CN108872984A (zh) * 2018-03-15 2018-11-23 清华大学 基于多基地雷达微多普勒和卷积神经网络的人体识别方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240081A (zh) * 2021-05-06 2021-08-10 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
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
CN113673554A (zh) * 2021-07-07 2021-11-19 西安电子科技大学 一种基于宽度学习的雷达高分辨距离像目标识别方法
CN113673554B (zh) * 2021-07-07 2024-06-14 西安电子科技大学 一种基于宽度学习的雷达高分辨距离像目标识别方法
CN114137518A (zh) * 2021-10-14 2022-03-04 西安电子科技大学 一种雷达高分辨距离像开集识别方法及装置

Also Published As

Publication number Publication date
CN111458688B (zh) 2024-01-23

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
CN109376574B (zh) 基于cnn的可拒判雷达hrrp目标识别方法
CN111458688A (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
CN110109109B (zh) 基于多分辨率注意力卷积网络的hrrp目标识别方法
CN110109110B (zh) 基于先验最优变分自编码机的hrrp目标识别方法
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
CN108256436A (zh) 一种基于联合分类的雷达hrrp目标识别方法
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
Guo et al. One-dimensional frequency-domain features for aircraft recognition from radar range profiles
CN112052762A (zh) 基于高斯原型的小样本isar图像目标识别方法
CN112137620B (zh) 一种基于超宽带雷达的人体微弱呼吸信号检测方法
CN109557533A (zh) 一种基于模型的联合跟踪与识别方法
CN113239959B (zh) 基于解耦表征变分自编码机的雷达hrrp目标识别方法
CN113780361A (zh) 一种基于2.5d-cnn算法的三维探地雷达图像地下管线识别方法
Zhu et al. Radar HRRP group-target recognition based on combined methods in the backgroud of sea clutter
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
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
CN114428235B (zh) 基于决策级融合的空间微动目标识别方法
CN115205602A (zh) 基于最优传输距离函数的零样本sar目标识别方法
CN115061094A (zh) 一种基于神经网络与svm的雷达目标识别方法
CN105373809B (zh) 基于非负最小二乘稀疏表示的sar目标识别方法
CN114137518A (zh) 一种雷达高分辨距离像开集识别方法及装置

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