針對傳統(tǒng)目標(biāo)識(shí)別方法人工提取特征難以挖掘到數(shù)據(jù)深層次特征的問題,提出了將卷積神經(jīng)網(wǎng)絡(luò)(CNN)應(yīng)用于高分辨距離像(HRRP)的目標(biāo)識(shí)別方法,實(shí)現(xiàn)了對數(shù)據(jù)深層次特征的自動(dòng)提取。首先構(gòu)造CNN模型,設(shè)置網(wǎng)絡(luò)參數(shù);然后針對HRRP數(shù)據(jù)是一維的問題,將HRRP數(shù)據(jù)重新排列使一維數(shù)據(jù)變?yōu)槎S數(shù)據(jù);其次用訓(xùn)練數(shù)據(jù)對CNN模型進(jìn)行訓(xùn)練得到網(wǎng)絡(luò)參數(shù);最后用訓(xùn)練好的網(wǎng)絡(luò)模型對測試數(shù)據(jù)進(jìn)行目標(biāo)識(shí)別。通過對數(shù)據(jù)的減半并且添加噪聲,驗(yàn)證了CNN的泛化性能。通過對學(xué)習(xí)率的優(yōu)化,可以進(jìn)一步提高CNN的識(shí)別率。實(shí)測數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明,CNN具有較好的識(shí)別性能。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖1HRRP生成示意圖

HRRP是目標(biāo)散射點(diǎn)子回波沿雷達(dá)視線方向的投影向量和，其生成示意圖如圖1所示。早期的雷達(dá)目標(biāo)識(shí)別主要是通過窄帶雷達(dá)對目標(biāo)的有效散射截面積（RCS）進(jìn)行研究的，隨著帶寬的增大，雷達(dá)的分辨能力增強(qiáng)，當(dāng)雷達(dá)的帶寬大到使雷達(dá)的距離分辨率遠(yuǎn)小于目標(biāo)的尺寸時(shí)，目標(biāo)的各等效散射中心在雷達(dá)視線上....

圖2CNN基本結(jié)構(gòu)圖

CNN是一類特殊的前饋神經(jīng)網(wǎng)絡(luò)，最早始于20世紀(jì)60年代Hubel和Wiesel等人通過對貓和猴的視覺皮層細(xì)胞研究，發(fā)現(xiàn)其獨(dú)特的網(wǎng)絡(luò)結(jié)構(gòu)可以有效地降低反饋神經(jīng)網(wǎng)絡(luò)的復(fù)雜性，提出了感受野（receptivefield）的概念，繼而提出了CNN[20]。近年來，CNN被廣泛應(yīng)用于各....

圖3艦船模型與實(shí)驗(yàn)裝置

本文采用的數(shù)據(jù)是某實(shí)驗(yàn)室通過水聲試驗(yàn)測量的艦船模型HRRP數(shù)據(jù)[21]，艦船模型與實(shí)驗(yàn)裝置如圖3所示，實(shí)驗(yàn)示意圖如圖4所示。圖4實(shí)驗(yàn)示意圖

圖4實(shí)驗(yàn)示意圖

圖3艦船模型與實(shí)驗(yàn)裝置實(shí)驗(yàn)共測得5類艦船在不同角度下的HRRP數(shù)據(jù)，5類艦船目標(biāo)編號(hào)為目標(biāo)A～E，其中A～C為軍用艦船，D為漁政船，E為巴拿馬型貨船。每一類包含2400個(gè)樣本，平均覆蓋180°姿態(tài)角，圖5給出了5類目標(biāo)在姿態(tài)角為0°時(shí)的歸一化HRRP。

本文編號(hào)：3993501