自動目標(biāo)識別(Automatic Target Recognition,ATR)是現(xiàn)代信息化戰(zhàn)爭中不可缺少的探測手段,隨著雷達(dá)成像技術(shù)和信息處理技術(shù)的發(fā)展,基于雷達(dá)高分辨率距離像(High Range Resolution Profile,HRRP)的目標(biāo)識別成為研究的熱點(diǎn)之一。為了解決人工提取HRRP的優(yōu)良特征比較困難和HRRP的平移敏感問題,本文研究了基于卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeural Network,CNN)和一維頻域平移不變特征融合算法的HRRP目標(biāo)識別。首先介紹了 HRRP和CNN的相關(guān)背景知識,包括HRRP成像特點(diǎn)、HRRP的目標(biāo)識別方法、CNN的起源發(fā)展、網(wǎng)絡(luò)結(jié)構(gòu),以及Caffe深度學(xué)習(xí)庫。在此基礎(chǔ)上,針對人工提取HRRP優(yōu)良特征比較困難的問題,研究了基于一維CNN的目標(biāo)識別方法,利用CNN具有分層學(xué)習(xí)特征的能力,訓(xùn)練CNN自動地從HRRP中學(xué)習(xí)有用的特征并分類。在仿真實驗中介紹了網(wǎng)絡(luò)的相關(guān)配置,分析了不同激活函數(shù)、不同參數(shù)、不同網(wǎng)絡(luò)結(jié)構(gòu)的識別性能,對比了 CNN與其它分類器的識別結(jié)果,用可視化特征圖直觀地說明了 CNN通過卷積層能夠?qū)W習(xí)到易于分辨的... 

【文章來源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１－２?ＨＲＲＰ的目標(biāo)識別過程??

２．１卷積神經(jīng)網(wǎng)絡(luò)的起源與發(fā)展??ＣＮＮ是人工神經(jīng)網(wǎng)絡(luò)大家族中的一員，受到大腦皮層處理視覺信號的機(jī)理??啟發(fā)而得到。ＣＮＮ的網(wǎng)絡(luò)結(jié)構(gòu)如圖２－１所示。???ｍｙ，?＾—３?池化??圖２－１卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)??２０世紀(jì)６０年代，生物學(xué)家Ｈｕｂｅｉ與Ｗｉｅｓｅｌ的研宄發(fā)現(xiàn)在小貓的大腦皮層上??存在著一種“方向性選擇細(xì)胞”，后來的進(jìn)一步研宄說明了小貓的大腦在處理視??覺信號時，視覺信號是通過大腦皮層中的多層感受野完成的％４７］。１９８０年，基??于感受野的理論模型“Ｎｅｏｃｏｇｎｉｔｒｏｎ”第一次被Ｆｕｋｕｓｈｉｍａ等人提出來［４８］，１９８９??年，Ｙａｒｍ?ＬｅＣｕｎ在使用ＢＰ算法進(jìn)行手寫郵政編碼識別任務(wù)中首先采用了卷積網(wǎng)??絡(luò)結(jié)構(gòu)［４９］，?１９９８年ＹａｎｎＬｅＣｕｎ等人建立了基于ＣＮＮ的ＬｅＮｅｔ－５模型，并取得??了很好的識別性能［５Ｃ）］。ＬｅＮｅｔ－５模型的出現(xiàn)

??原理不同，池化操作過程如圖２－３所示。??池化域?２ｘ２?＾?Ｉ?＾￣￣???輸入２４ｘ２４?輸出１２ｘ１２??圖２－３池化操作??在輸入大小為２４ｘ２４的特征圖上，選定大小為２ｘ２的區(qū)域作為池化域，以步??長為２滑動池化域，根據(jù)池化方法計算對應(yīng)區(qū)域上的池化值，最終把２４ｘ２４的特??征圖縮小為１２ｘ１２的輸出。常見的池化方法有ＰＡ、ＰＭ和ＰＳ等。??ａ）?ＰＭ池化法：計算池化區(qū)域內(nèi)的最大值。??ｂ）?ＰＡ池化法：計算池化區(qū)域內(nèi)的平均值。??Ｐｓ池化法：隨機(jī)選取池化區(qū)域內(nèi)一個單元作為輸出值。??２．２．３全連接層??全連接層，即為前饋神經(jīng)網(wǎng)絡(luò)，由輸入層、隱含層和輸出層組成，它的網(wǎng)絡(luò)??結(jié)構(gòu)如圖２－４所示。??纖餐??第１層?第２層第Ｌ－丨層??圖２－４多層神經(jīng)網(wǎng)絡(luò)??ＣＮＮ的訓(xùn)練過程需要使用ＢＰ算法，它本質(zhì)是利用鏈?zhǔn)角髮?dǎo)法則計算網(wǎng)絡(luò)權(quán)??值的梯度�；趫D２－４的多層的前饋神經(jīng)網(wǎng)絡(luò)，推導(dǎo)ＢＰ算法更新網(wǎng)絡(luò)權(quán)值的過??程如下：??假設(shè)有一個訓(xùn)練樣本集＆…，＾Ｖ（１，共ｍ個樣本，對于單個樣??１０??

【參考文獻(xiàn)】：
期刊論文
[1]基于二叉樹直覺模糊SVM的彈道目標(biāo)HRRP識別[J]. 翟夕陽,王曉丹,李睿,賈琪.  火力與指揮控制. 2017(10)
[2]GA優(yōu)化的稀疏分解在雷達(dá)目標(biāo)識別中的應(yīng)用[J]. 趙東波,李輝.  信息技術(shù). 2017(09)
[3]基于自適應(yīng)類別權(quán)重的HRRP決策融合識別[J]. 戴為龍,張弓,劉文波,鐘娟娟.  現(xiàn)代雷達(dá). 2017(07)
[4]基于原子范數(shù)最小化的高分辨距離像散射中心估計[J]. 汪鈺,姜元,王彥華,李陽,龍騰.  信號處理. 2017(04)
[5]對數(shù)變換在高分辨距離像目標(biāo)識別中的應(yīng)用[J]. 孫晶明,楊予昊,邢遠(yuǎn)見,王梓謙.  現(xiàn)代雷達(dá). 2016(11)
[6]基于熵的自適應(yīng)加權(quán)投票HRRP融合識別方法[J]. 王曉丹,李睿,薛愛軍,孫向芳.  系統(tǒng)工程與電子技術(shù). 2017(04)
[7]基于混合概率主成分分析的HRRP特征提取[J]. 李彬,李輝.  系統(tǒng)工程與電子技術(shù). 2017(01)
[8]高分辨雷達(dá)一維距離像的融合特征識別[J]. 胡玉蘭,趙子銘,片兆宇.  微型機(jī)與應(yīng)用. 2015(04)
[9]基于復(fù)高斯模型的雷達(dá)高分辨距離像目標(biāo)識別新方法[J]. 王鵬輝,杜蘭,劉宏偉.  光學(xué)學(xué)報. 2014(02)
[10]高分辨一維距離像及其仿真[J]. 周兆軍,程遠(yuǎn)國,程銳.  艦船電子工程. 2013(09)

博士論文
[1]相關(guān)向量機(jī)多分類算法的研究與應(yīng)用[D]. 柳長源.哈爾濱工程大學(xué) 2013

碩士論文
[1]一維距離像目標(biāo)識別與數(shù)據(jù)融合算法研究[D]. 何琪蕾.電子科技大學(xué) 2009



本文編號：2940575