發(fā)布時(shí)間：2020-04-06 10:23

【摘要】：雷達(dá)高分辨距離像數(shù)據(jù)(High Resolution Range Profile,HRRP)是寬帶雷達(dá)信號(hào)在發(fā)射到目標(biāo)后得到的散射點(diǎn)子回波在雷達(dá)射線(xiàn)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?jī)r(jià)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(duì)于雷達(dá)有一定的轉(zhuǎn)角,更易于獲取和處理。隨著雷達(dá)技術(shù)的逐漸發(fā)展,軍事戰(zhàn)爭(zhēng)對(duì)于HRRP目標(biāo)識(shí)別技術(shù)的需求越發(fā)迫切。因此,本文主要是圍繞國(guó)家自然科學(xué)基金,青年千人基金以及國(guó)防預(yù)研項(xiàng)目,針對(duì)雷達(dá)高分辨距離像識(shí)別,分別從HRRP距離單元的時(shí)序相關(guān)性、HRRP的平移敏感性以及HRRP的方位敏感性等問(wèn)題作為切入點(diǎn),提出了不同的機(jī)器學(xué)習(xí)算法來(lái)有針對(duì)性地解決具體的問(wèn)題。本論文的內(nèi)容主要包括如下五個(gè)部分:1、簡(jiǎn)要地回顧了機(jī)器學(xué)習(xí)的一些基礎(chǔ)理論知識(shí),對(duì)分類(lèi)任務(wù)進(jìn)行了定義。除此之外,我們還詳細(xì)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(jìn)行識(shí)別的過(guò)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(duì)這個(gè)問(wèn)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(guò)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(duì)其進(jìn)行提取特征并輸出類(lèi)別。循環(huán)神經(jīng)網(wǎng)絡(luò)模型輸出的是類(lèi)別序列,而HRRP序列特征對(duì)應(yīng)于單個(gè)類(lèi)別,因此,我們又進(jìn)一步地采用投票機(jī)制將所有時(shí)刻的信息進(jìn)行融合,輸出最終的類(lèi)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(duì)對(duì)齊方法,將所有的樣本都同模板進(jìn)行平移對(duì)齊,但是這種方法的計(jì)算量較大。另一種方法是提取平移不變特征,將原始時(shí)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(shí)可以有效地解決平移敏感性問(wèn)題,但是它改變了數(shù)據(jù)的時(shí)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?cái)嚅L(zhǎng)短時(shí)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?cái)鄼C(jī)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(shí)序相關(guān)性,模型采用雙向LSTM模型對(duì)穩(wěn)健的輸入提取可分性特征,并采用投票機(jī)制輸出樣本的類(lèi)別�；�于實(shí)測(cè)數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明當(dāng)前的方法不僅可以有效地進(jìn)行識(shí)別,而且對(duì)于平移敏感性非常穩(wěn)健。4、針對(duì)HRRP數(shù)據(jù)不同距離單元對(duì)于最終識(shí)別的貢獻(xiàn)不同的問(wèn)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(lái)探索HRRP樣本中距離單元之間的時(shí)序相關(guān)性,并設(shè)計(jì)了一種注意機(jī)制,該機(jī)制通過(guò)自動(dòng)地學(xué)習(xí)不同時(shí)刻輸入數(shù)據(jù)的權(quán)值來(lái)決定不同區(qū)域在識(shí)別中的貢獻(xiàn),然后對(duì)不同時(shí)刻的隱層特征進(jìn)行加權(quán)求和作為最終的識(shí)別特征,并采用分類(lèi)器輸出類(lèi)別。由于RNN的記憶功能和注意機(jī)制,與傳統(tǒng)方法相比,TARAN不僅可以有效地進(jìn)行識(shí)別,而且對(duì)于平移敏感性是魯棒的。此外,我們還分析了譜圖特征和時(shí)域序列特征對(duì)于識(shí)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(shí)序相關(guān)性存在一定的差異。為了解決這個(gè)問(wèn)題,本章提出了一個(gè)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(duì)不同時(shí)刻的輸入進(jìn)行聚類(lèi),并由聚類(lèi)的結(jié)果選擇三維張量參數(shù)中的矩陣作為當(dāng)前時(shí)刻的參數(shù)提取特征,輸出類(lèi)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(shí)刻的參數(shù)是非共享的,且不同時(shí)刻的參數(shù)由輸入數(shù)據(jù)來(lái)決定,可以更有效地表達(dá)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(jí)別】：博士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：TN957.52;TP18

【相似文獻(xiàn)】

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(zhǎng)度提取方法[J];現(xiàn)代雷達(dá);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(cè)速補(bǔ)償算法[J];北京理工大學(xué)學(xué)報(bào);2008年02期

3 張宏銘;曹俊紡;;寬帶雷達(dá)一維高分辨距離像識(shí)別研究[J];雷達(dá)與對(duì)抗;2009年02期

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

5 張濤,張群,馬長(zhǎng)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(bào);2001年03期

6 馮德軍;王雪松;肖順平;王國(guó)玉;;雷達(dá)目標(biāo)高分辨距離像的物理統(tǒng)計(jì)建模方法[J];雷達(dá)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(dá)目標(biāo)識(shí)別[J];科技導(dǎo)報(bào);2008年13期

8 劉宏偉,杜蘭,袁莉,保錚;雷達(dá)高分辨距離像目標(biāo)識(shí)別研究進(jìn)展[J];電子與信息學(xué)報(bào);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(dá)高分辨距離像目標(biāo)識(shí)別[J];南京航空航天大學(xué)學(xué)報(bào);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(jìn)動(dòng)和結(jié)構(gòu)參數(shù)估計(jì)[J];電子與信息學(xué)報(bào);2013年03期

相關(guān)會(huì)議論文 前9條

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

2 李含清;王宏宇;王彥華;李陽(yáng);曾濤;;基于CNN的地面目標(biāo)高分辨距離像識(shí)別方法[A];第十三屆全國(guó)信號(hào)和智能信息處理與應(yīng)用學(xué)術(shù)會(huì)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(shí)別算法[A];2015年第十屆全國(guó)毫米波、亞毫米波學(xué)術(shù)會(huì)議論文集（二）[C];2015年

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

5 李輝;張安;于紅梅;;雷達(dá)目標(biāo)識(shí)別發(fā)展回顧與實(shí)現(xiàn)中的關(guān)鍵理論[A];2007年光電探測(cè)與制導(dǎo)技術(shù)的發(fā)展與應(yīng)用研討會(huì)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(jì)模型的雷達(dá)目標(biāo)識(shí)別[A];中國(guó)電子學(xué)會(huì)第十五屆信息論學(xué)術(shù)年會(huì)暨第一屆全國(guó)網(wǎng)絡(luò)編碼學(xué)術(shù)年會(huì)論文集（上冊(cè)）[C];2008年

7 王彩云;毛士藝;;雷達(dá)高分辨距離像特征提取方法研究進(jìn)展[A];全國(guó)第二屆信號(hào)處理與應(yīng)用學(xué)術(shù)會(huì)議專(zhuān)刊[C];2008年

8 陳昆;李躍華;黃燕;單善善;;毫米波雷達(dá)高分辨距離像抽取方法研究[A];2015年第十屆全國(guó)毫米波、亞毫米波學(xué)術(shù)會(huì)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(shí)別方法[A];2009年全國(guó)微波毫米波會(huì)議論文集（下冊(cè)）[C];2009年

相關(guān)博士學(xué)位論文 前10條

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

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

3 杜蘭;雷達(dá)高分辨距離像目標(biāo)識(shí)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(dá)目標(biāo)識(shí)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(dá)高分辨距離像目標(biāo)識(shí)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(shí)別增強(qiáng)技術(shù)研究[D];國(guó)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(dá)目標(biāo)識(shí)別研究[D];電子科技大學(xué);2016年

8 馮國(guó)瑜;基于核方法的雷達(dá)高分辨距離像目標(biāo)識(shí)別方法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2012年

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

10 柴晶;雷達(dá)高分辨距離像目標(biāo)識(shí)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(dá)高分辨距離像小樣本目標(biāo)識(shí)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(jì)模型的變體目標(biāo)高分辨距離像識(shí)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(dá)高分辨距離像識(shí)別研究[D];廈門(mén)大學(xué);2018年

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

5 劉悅;雷達(dá)高分辨距離像的精細(xì)統(tǒng)計(jì)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(dá)高分辨距離像目標(biāo)識(shí)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(dá)高分辨距離像目標(biāo)識(shí)別的在線(xiàn)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(cè)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(shí)別及微動(dòng)特征提取方法研究[D];西安電子科技大學(xué);2017年

10 萬(wàn)春宇;雷達(dá)高分辨距離像目標(biāo)識(shí)別算法研究[D];電子科技大學(xué);2014年

，

本文編號(hào)：2616387