為解決在空中目標類型識別過程中,目標特征單一導(dǎo)致識別準確率低的問題,提出一種將雷達信噪比與目標航跡特征相結(jié)合的基于循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network,RNN）的目標識別方法。該方法利用RNN模型在處理時序數(shù)據(jù)上的優(yōu)勢,挖掘雷達數(shù)據(jù)隱藏在時間層面的特征;擴展目標特征屬性維度,利用智能化模型有效地將雷達信噪比與目標航跡特征相結(jié)合,提高目標識別的準確率。應(yīng)用真實檢飛數(shù)據(jù),對該方法進行檢驗,并與傳統(tǒng)方法進行對比分析。仿真結(jié)果表明,基于RNN的目標智能化識別方法具有更高的準確率。 

【文章來源】：航天控制. 2020,38(03)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

RNN結(jié)構(gòu)圖

RNN目標識別算法

當戰(zhàn)場傳感器的實時數(shù)據(jù)經(jīng)過預(yù)處理之后，直接輸入訓(xùn)練完成的RNN網(wǎng)絡(luò)進行實時的目標識別，識別過程如圖3所示。當雷達探測到來襲目標，對目標數(shù)據(jù)進行預(yù)處理，得到9維的目標特征向量，包括了目標的相對距離R、方位角A、俯仰角E、xyz三軸上的速度分量、徑向速度V、高度H和信噪比，然后將每一拍的目標特征向量依次循環(huán)輸入到RNN網(wǎng)絡(luò)中，最終網(wǎng)絡(luò)輸出目標類型結(jié)果，完成實時目標識別。這里輸入的拍數(shù)需要視具體情況由雷達頻次和識別實時性共同確定，由公式n=f×t計算得到，n為拍數(shù)，f為雷達頻次，t為人為設(shè)定預(yù)期需要在發(fā)現(xiàn)目標后多久時間內(nèi)給出識別結(jié)果。

【參考文獻】：
期刊論文
[1]智能化技術(shù)在精確打擊體系中的應(yīng)用[J]. 周蓓蓓,劉玨.  空天防御. 2019(03)
[2]反艦導(dǎo)彈類型的Bayes-可拓識別模型[J]. 王豐,林瑜,農(nóng)元苑.  航天控制. 2019(03)
[3]未來新一代轟炸機隱身特性需求分析[J]. 徐頂國,艾俊強,雷武濤,王立波.  航空工程進展. 2018(04)
[4]美國海軍電子戰(zhàn)系統(tǒng)現(xiàn)狀及發(fā)展趨勢[J]. 唐宏.  艦船電子對抗. 2018(05)
[5]美英法空襲敘利亞作戰(zhàn)特點分析及防空裝備發(fā)展啟示[J]. 劉杰,陳海燕,高璞,梁壯.  空天防御. 2018(04)
[6]典型隱身目標SAR仿真與檢測[J]. 韓昊鵬,張晨新,劉銘,童創(chuàng)明.  火力與指揮控制. 2018(09)
[7]基于深度強化學(xué)習的作戰(zhàn)輔助決策研究[J]. 周來,靳曉偉,鄭益凱.  空天防御. 2018(01)
[8]高超聲速飛行器氣動/隱身優(yōu)化設(shè)計方法[J]. 焦子涵,鄧帆,劉輝,陳林,付秋軍,塵軍.  宇航學(xué)報. 2016(09)
[9]基于參數(shù)學(xué)習貝葉斯網(wǎng)絡(luò)的對敵空中目標融合識別[J]. 狄方旭,王小平,李瑾,劉哲.  彈箭與制導(dǎo)學(xué)報. 2014(06)
[10]基于支持向量機和無源特征的目標識別方法[J]. 史豪杰,邢清華,沈繼承.  電光與控制. 2009(02)

碩士論文
[1]基于深度學(xué)習網(wǎng)絡(luò)的雷達目標識別技術(shù)研究[D]. 夏靖遠.國防科學(xué)技術(shù)大學(xué) 2016



本文編號：3331648