雷达目标识别

摘要： 在雷达自动目标识别(RATR)中,数据驱动方法是强有力的工具之一。然而数据驱动方法的性能十分依赖数据集的质量,数据增强方法通过扩充数据集,能够提升数据驱动模型在现有数据集上的识别率。本文提出了用于高分辨距离像(HRRP)数据生成的一维基础生成对抗网络(BGAN)结构和条件生成对抗网络(CGAN)结构,并利用生成的人工样本补充不完备数据集完成了数据增强。实验表明,本文所提出的两种网络均能有效提升目标识别的准确率,提升效果优于传统的平移和镜像增强方法。基于BGAN的HRRP数据增强方法提升效果最优,但其模型时间与空间复杂度较高;基于CGAN的数据增强方法能够在保证识别率提升的同时降低模型的时间与空间复杂度,具有较高的应用前景。

摘要： 基于深度学习的雷达目标识别方法近年来获得较大关注,但实战中存在时效性约束和资源限制,小样本识别难题大大限制其在实际识别任务中的性能。针对这一问题,本文基于元学习算法,通过从多个相关任务中学习到的元知识改善新任务的性能,引入迁移学习思想,提出一种改进的小样本学习方法,并通过详细的性能对比实验分析了该方法的应用边界条件。基于实测高分辨距离像数据的实验结果表明,元学习方法在历史积累样本所含目标类别较多,与目标任务相关度较大的极小样本情况下,性能优势才突出,所提方法可显著提升其综合识别性能。

摘要： 特征提取是基于高分辨距离像(high resolution range profile, HRRP)的雷达目标识别的关键技术之一。传统人工提取特征的算法,仅利用浅层结构特征,无法有效解决姿态敏感性问题,从而限制了目标识别方法的泛化性。对此,提出一种基于深度学习的目标识别方法,并通过详细的姿态角性能测试分析了该方法的应用边界条件。通过构造适合处理HRRP的卷积神经网络(convolutional neural network, CNN)模型,充分发掘目标深层次姿态不敏感属性特征,完成高精度目标识别。基于实测数据的实验结果表明,所提方法具有一定的抗姿态敏感性特性,边界条件分析可为该方法的工程化应用提供指导。

摘要： 为实现小型无人机目标识别,将雷达技术应用于探测与对抗无人机。首先从目标散射特性方面调研,研究结果表明微小无人机后向散射截面通常与鸟类、昆虫等类似,导致雷达虚警率较高。然后,从无人机回波分析研究,微多普勒信号具备判别飞行目标的可分性。比较多种微多普勒特征提取技术和分类技术,表明利用倒谱、矩阵分解以及多尺度分析能够提高特征精度。另外,为获得表征无人机旋翼部件的微多普勒信号,雷达系统需要解决目标跨波束、跨距离速度单元等问题。

摘要： 近年来随着多种小型智能探测设备的出现(如无人机、小型智能车等),给传统雷达目标识别方法带来了巨大挑战;在使用雷达对此类小型目标进行探测时得到的信号回波能量通常较低,导致在复杂环境噪声与杂波影响下难以使用传统恒虚警(CFAR)目标检测方法对其进行识别;针对以上问题,结合深度学习的方法提出一种基于残差连接长短期记忆网络(LSTM,long short-term memory)的多类别雷达目标识别模型,以同一距离门的相邻时间点的回波序列数据作为样本来设计数据集,使用多层的LSTM网络提取雷达回波样本中的时序信息,并在网络中加入残差连接以避免网络层数增多出现网络退化问题,同时将用于多类别分类问题的CCE(categorical cross-entropy)函数作为网络的损失函数来训练网络,实现对包括无人机、智能车、行人以及噪声在内的4类目标的识别和分类;试验结果表明基于残差连接LSTM网络的多类别雷达目标识别模型相比于传统恒虚警检测方法具有更高的识别准确率和F1值。

摘要： 针对合成孔径雷达(synthetic aperture radar, SAR)图像目标识别问题,提出了基于改进的卷积神经网络和数据增强的SAR目标识别方法。首先在训练阶段引入Dropout,随机删除部分神经元,增强网络的泛化能力。其次,在网络中引入L2正则化,简化模型的同时降低结构风险,并且能有效地抑制过拟合。然后,采用Adam优化网络,提高模型的收敛效率。最后,采用优选的数据增强方法,扩充SAR目标数据集,为网络训练提供更为充足的样本,进一步提高识别的准确率和模型的泛化性。在运动和静止目标获取与识别(moving and stationary target acquisition and recognition, MSTAR)数据集上进行了实验,结果表明设计的卷积神经网络识别准确率高,且具有更好的泛化性。

摘要： 为了解决传统合成孔径雷达(synthetic aperture radar, SAR)目标识别方法在小样本条件下泛化能力差、识别准确率低的问题,通过在匹配网络的基础上引入权重门控单元和多尺度特征提取模块,提出了基于门控多尺度匹配网络的小样本SAR目标识别方法。在该方法中,多尺度特征提取模块能够提取匹配网络不同卷积层的多尺度特征,权重门控单元能够根据不同的识别任务赋予特征不同的权重大小,实现根据具体任务选择最具代表性的目标特征,从而以该特征为主导完成目标识别任务。在运动和静止目标获取与识别(the moving and stationary target acquisition and recognition, MSTAR)数据集上对提出的方法进行了验证,实验结果表明,所提方法较其他3种小样本学习方法和两种小样本SAR目标识别方法表现出了一定的优越性,而且所提方法经实验验证在噪声环境下表现出了一定的鲁棒性。

摘要： 针对HRRP目标识别的传统识别方法识别率低、模型泛化能力不足,提出了一种适合HRRP样本数据的改进CNN模型;采用一维CNN对HRRP样本进行深层特征提取和目标识别,在构建CNN时引入BN算法加快了损失函数的收敛速度;设计了LGBM分类器作为CNN的分类层,有效提高HRRP识别率和识别速度,进一步提升了模型的识别性能;通过与改进前CNN和传统识别方法的对比实验,结果表明所提的改进CNN在提高目标识别率的同时也有效提升了识别速度,可为后续进行HRRP目标识别提供参考。

摘要： 基于数据驱动方法的预测结果高度依赖训练数据,通常忽视了雷达目标潜在的物理特性,甚至违背了物理认知,内部工作机理不透明、可解释性不足,成为制约深度学习技术的雷达目标识别可靠和可信应用的瓶颈。针对该问题,提出雷达目标特性知识引导的智能识别技术,从雷达目标识别数据集与增广方法、雷达目标特性知识理解、可解释的深度学习建模与知识引导的雷达目标识别进展等方面,探讨了相关研究情况,并对未来需要重点关注的发展方向进行思考和总结。

摘要： 本文首先通过比较小波变换和普通傅立叶变换特性的区别,指出小波变换在雷达目标识别领域的实用性。其次简要介绍了小波变换和多分辨分析的主要内容,并提出了小波变换在雷达目标识别中的具体使用方法。最后在Matlab仿真的基础上证明了小波变换对雷达目标识别的有效性,并对小波在该领域的应用作了展望。进行雷达目标识别过程中无一例外地需提取目标回波中的相关信息,诸如回波脉冲延时、回波频率、回波幅度、回波极化信息等。

摘要： 针对雷达目标识别的问题,在SVM的训练过程中,如果输出向量(目标点)的选择不是100％的目标点,则识别效果会急剧下降;而SOM虽然识别效果不错,但是其计算时间长.本文则提出了将SVM和SOM结合起来,解决了这两个缺陷.

摘要： 高分辨距离像含有被测目标的几何结构信息,为雷达目标识别提供了一种可行的途径.文中基于高分辨距离像提出了一种核双鉴别子空间雷达目标识别方法,其在传统核Fisher鉴别方法的基础上,将最优鉴别矢量集视为特征空间的全局变换,充分利用核类内散度矩阵零空间与非零空间所包含的鉴别信息,实现对目标的特征提取.该方法不仅有效解决了小样本问题,同时进一步改善了目标的类可分性.对三类飞机目标实测回波数据的识别结果表明了所提方法的有效性.

摘要： 雷达目标识别是指用雷达设备获取目标的特征信息，并利用己掌握的各种目标的先验知识来判别未知目标的类别属性。识别系统中采用的识别算法是整个系统的核心。混沌神经网络中参数ε控制着Adachi神经元的分岔和混沌特征。随着ε的逐渐减小，Aihara神经元将呈现出一系列的分岔特性，尽管混沌神经网络在多方面应用均取得了比常规神经网络更优的效果，但仍受到神经网络一些固有缺陷的限制，需要将问题的解映射成合适的网络描述，还需考虑网络结构和参数的影响，使混沌神经网络问题比较复杂。可进一步研究和构造更加合理的混沌神经网络结构，以利于其算法计算和硬件实现，提高其模式识别效率。混沌神经网络敏感于初始信号的特征给复杂目标特征信号的识别提供了一种新的思路，有重要的研究意义。

摘要： 在雷达目标识别的应用中，目标形状的3D图像可提供识别目标的最直接和最有用的信息。Ramp响应技术是一种应用最为广泛的低频雷达目标成像技术。最终的目标图像质量主要取决于图像重构算法的性能。因此，本文详细介绍了两种典型的基于Ramp响应技术的3D图像重构算法，对两种算法在不同的条件下进行了仿真比较，提出了一种计算重构图像轮廓函数的算法，并利用该算法计算图像与目标之间的误差，分析比较了两种算法的性能，得出了有益的结论。

摘要： 低频宽带信号在提高雷达对目标的识别能力方面具有优势.为确定宽带信号的低空地面反射系数,本文对低频宽带信号的低空反射特性进行建模,提出了通过窄带各频点的地面反射系数来合成宽带信号等效地面反射系数的方法.通过仿真分析研究了宽带信号等效地面反射系数与地面特性(相对介电常数、电导率)、擦地角、天线极化特征的关系,确定了宽带信号的等效地面反射系数,并通过典型环境下低空天线方向图测试的方法,对典型环境地面反射系数进行测试,校验结果表明了宽带信号等效地面反射系数模型的有效性,为宽带雷达目标探测提供一定的理论依据.

摘要： 低频宽带信号在提高雷达对目标的识别能力方面具有优势.为确定宽带信号的低空地面反射系数,本文对低频宽带信号的低空反射特性进行建模,提出了通过窄带各频点的地面反射系数来合成宽带信号等效地面反射系数的方法.通过仿真分析研究了宽带信号等效地面反射系数与地面特性(相对介电常数、电导率)、擦地角、天线极化特征的关系,确定了宽带信号的等效地面反射系数,并通过典型环境下低空天线方向图测试的方法,对典型环境地面反射系数进行测试,校验结果表明了宽带信号等效地面反射系数模型的有效性,为宽带雷达目标探测提供一定的理论依据.

摘要： 低频宽带信号在提高雷达对目标的识别能力方面具有优势.为确定宽带信号的低空地面反射系数,本文对低频宽带信号的低空反射特性进行建模,提出了通过窄带各频点的地面反射系数来合成宽带信号等效地面反射系数的方法.通过仿真分析研究了宽带信号等效地面反射系数与地面特性(相对介电常数、电导率)、擦地角、天线极化特征的关系,确定了宽带信号的等效地面反射系数,并通过典型环境下低空天线方向图测试的方法,对典型环境地面反射系数进行测试,校验结果表明了宽带信号等效地面反射系数模型的有效性,为宽带雷达目标探测提供一定的理论依据.

摘要： 低频宽带信号在提高雷达对目标的识别能力方面具有优势.为确定宽带信号的低空地面反射系数,本文对低频宽带信号的低空反射特性进行建模,提出了通过窄带各频点的地面反射系数来合成宽带信号等效地面反射系数的方法.通过仿真分析研究了宽带信号等效地面反射系数与地面特性(相对介电常数、电导率)、擦地角、天线极化特征的关系,确定了宽带信号的等效地面反射系数,并通过典型环境下低空天线方向图测试的方法,对典型环境地面反射系数进行测试,校验结果表明了宽带信号等效地面反射系数模型的有效性,为宽带雷达目标探测提供一定的理论依据.

摘要： 分布式多传感器位置层的航迹关联,旨是在对来自多个局部节点的航迹是否是对应同一目标做出判决,本质上是一个多传感器空间公共区的去重复跟踪问题;分布航迹关联也可以理解为一个动态多元分类问题.考虑到支持向量机推理方法能很好的解决二元分类问题,在分析归纳基于统计和模糊的航迹关联方法的基础上,扩展支持向量机并将其引入到多雷达目标航迹关联问题中,使样本数据的选择与分类同时进行.通过分析多传感器航迹关联与数据融合技术,为后续的研究工作起到了指导作用.

摘要： 分布式多传感器位置层的航迹关联,旨是在对来自多个局部节点的航迹是否是对应同一目标做出判决,本质上是一个多传感器空间公共区的去重复跟踪问题;分布航迹关联也可以理解为一个动态多元分类问题.考虑到支持向量机推理方法能很好的解决二元分类问题,在分析归纳基于统计和模糊的航迹关联方法的基础上,扩展支持向量机并将其引入到多雷达目标航迹关联问题中,使样本数据的选择与分类同时进行.通过分析多传感器航迹关联与数据融合技术,为后续的研究工作起到了指导作用.

摘要： 本发明涉及一种用于计算目标脱靶量的目标识别软件系统及目标识别系统，属于技术领域。一种用于计算目标脱靶量的目标识别软件系统，是将采集的图像数据通过如下过程进行处理：第一步，底层图像预处理：图像做中值滤波后，并形成图像的直方图统计；第二步，中层目标特征提取：按照图像灰度的对比度特征分成高、低两个结果；第三步，顶层目标匹配和定位：在中层目标特征提取后，对于弱对比度图像，采用模糊熵阈值分割技术搜索目标点，并计算出目标的脱靶量；对于高对比度图像，算法将继续SIFT特征提取及匹配后搜索目标点，并计算出目标的脱靶量。同时提供了目标识别系统。本申请的技术方案具有设计的流程合理、结果精确、节约时间的优点。

摘要： 本发明提供了基于在线自动深度学习的目标识别方法、目标识别装置、终端设备和目标识别系统。其中，该方法包括：实时采集图像数据；利用存储的第一分类器，对采集到的图像数据进行目标识别，以生成带有类别标签的图像数据，类别标签包含目标类别以及目标后验概率；在目标后验概率满足预定存储条件的情况下，按照目标类别，存储为训练样本；以及在预定启动条件被满足的情况下，启动在线深度学习处理，以获得第三分类器，并且用获得的第三分类器来更新存储的第一分类器。通过采用本发明的上述方法，能够实现高准确率的目标识别。

摘要： 本发明涉及一种用于计算目标脱靶量的目标识别软件系统及目标识别系统，属于技术领域。一种用于计算目标脱靶量的目标识别软件系统，是将采集的图像数据通过如下过程进行处理：第一步，底层图像预处理：图像做中值滤波后，并形成图像的直方图统计；第二步，中层目标特征提取：按照图像灰度的对比度特征分成高、低两个结果；第三步，顶层目标匹配和定位：在中层目标特征提取后，对于弱对比度图像，采用模糊熵阈值分割技术搜索目标点，并计算出目标的脱靶量；对于高对比度图像，算法将继续SIFT特征提取及匹配后搜索目标点，并计算出目标的脱靶量。同时提供了目标识别系统。本申请的技术方案具有设计的流程合理、结果精确、节约时间的优点。

摘要： 本发明实施例提供了一种雷达图像识别模型的构建、雷达图像目标识别方法、装置及设备，该雷达图像识别模型的构建方法包括：获取原始雷达图像样本，并基于所述原始雷达图像样本进行特征预处理，获得雷达原始特征预处理图像样本；将所述原始雷达特征预处理图像样本进行图像分割，得到目标区域图像样本和阴影区域图像样本；基于所述目标区域图像样本以及所述阴影区域图像样本进行字典学习，获得稀疏字典；基于预设的用于图像识别的神经网络模型及所述稀疏字典构建雷达图像识别模型。通过对原始雷达图像进行特征处理，削弱了SAR图像中无关信息对目标分类的影响，增强了重要的分类信息，使得原始雷达图像中所包含的信息分类更加精炼。

摘要： 本发明涉及目标识别技术领域，具体涉及目标识别模型的训练方法、目标识别方法及电子设备，训练方法包括获取预设识别模型以及获取样本数据集，预设识别模型是基于第一质量图像训练得到的，第一质量图像的质量高于第二质量图像的质量；对样本数据集中的第一质量图像以及第二质量图像进行第一采样得到第一采样数据集，并基于第一采样数据集训练预设识别模型，确定第一识别模型；对样本数据集中的第一质量图像以及第二质量图像进行第二采样得到第二采样数据集，并基于第二采样数据集训练预设识别模型，确定第二识别模型；对第一识别模型与第二识别模型进行特征层融合，确定目标识别模型。对具有互补性的两个模型进行结合，提高识别效果。

摘要： 本申请公开了一种目标识别模型训练、目标识别方法及装置，用以降低目标识别模型训练的复杂度并提高训练效率，以及增加图像训练样本的多样性和利用率，从而降低训练成本，提高目标识别的准确性和鲁棒性。本申请提供的特征提取网络的训练方法中，所述特征提取网络用于对图像的特征进行提取，所述方法包括：利用训练中的特征提取网络对原始图像进行特征提取，得到图像特征；利用图像生成网络对所述图像特征进行图像重构，得到重构图像；基于所述重构图像和所述原始图像之间的差异信息，调整所述训练中的特征提取网络的网络参数，得到训练后的特征提取网络。

摘要： 本申请公开了一种不同监控场景中的目标识别方法、目标识别设备及计算机可读存储介质。该方法包括：获取第一监控场景的第一图像序列，第一图像序列包括多张具有待识别目标的第一图像；根据第一图像中待识别目标的目标特征，评价多张第一图像中待识别目标在多个视图下的质量；确定待识别目标在每个视图下质量最优的目标特征；根据质量最优的目标特征，从第二监控场景的第二图像序列中识别出待识别目标。通过上述方式，能够跨监控场景自动识别出待识别目标，降低人力成本，提高识别效率。

摘要： 本发明提供了一种基于雷达目标距离像时频特征提取的雷达目标识别方法，该方法首先采用匹配追踪时频分析方法计算得到雷达目标距离像的时频分布矩阵，然后应用非负矩阵分解技术分解时频分布矩阵，得到能够有效反映雷达目标HRRP内部时频相干结构的时频特征；最后，再根据雷达目标距离像的时频特征提取方案进行雷达目标识别；该方法能够通过计算机运行执行，减少雷达目标识别观测人员的工作量，有助于提高雷达目标识别效率，并且该方法中采用非负矩阵分解有效实现了目标距离像时频矩阵的降维，并分解得到雷达目标散射的时相结构，能够进一步提高雷达目标识别的运算性能和准确性。

摘要： 本发明提出了一种雷达目标识别的未知目标识别方法，包括未知目标的识别阶段，同样利用MSTFT‑WVD算法获得未知目标的微多普勒特征时频图，将其输入至第二阶段训练好的深度学习模型中，获得未知目标的类别信息。本发明可以得到更高的识别正确率。

摘要： 本发明提供了一种基于雷达目标距离像时频特征提取的雷达目标识别方法，该方法首先采用匹配追踪时频分析方法计算得到雷达目标距离像的时频分布矩阵，然后应用非负矩阵分解技术分解时频分布矩阵，得到能够有效反映雷达目标HRRP内部时频相干结构的时频特征；最后，再根据雷达目标距离像的时频特征提取方案进行雷达目标识别；该方法能够通过计算机运行执行，减少雷达目标识别观测人员的工作量，有助于提高雷达目标识别效率，并且该方法中采用非负矩阵分解有效实现了目标距离像时频矩阵的降维，并分解得到雷达目标散射的时相结构，能够进一步提高雷达目标识别的运算性能和准确性。