基于半监督学习的高分辨一维像空中目标识别技术研究

摘要

精细化空中态势感知的迫切需求，使得雷达自动目标识别成为当前雷达系统技术研究的前沿热点。本文针对低信噪比时鲁棒特征提取和小样本下训练学习等困扰雷达目标识别技术研究和应用的瓶颈问题，结合深度学习对有效特征的提取和环境条件适应的优异性能以及高分辨率距离像(HRRP)获取目标信息精准性开展雷达自动目标识别技术研究工作，取得了在低信噪比和小样本条件下较为稳定、可靠的识别结果。本文的主要内容和创新点可总结如下： (1)研究了雷达HRRP的特性和卷积神经网络的基本原理与模型设计。设计了HRRP平移鲁棒性识别模型(RSRNet)，并实验验证了RSRNet对HRRP目标的平移敏感性具有极强的鲁棒性，即卷积神经网络在图像特征提取上的平移不变性在HRRP上仍然成立。 (2)提出了一种半监督深度U型盲去噪全卷积HRRP识别网络(SMTRNet)。SMTRNet由深度盲去噪卷积神经网络(DUBDNet)和识别网络RSRNet串联组成。DUBDNet可以利用采集到的目标邻近的两帧含噪声HRRP作为模型的输入输出进行学习，以达到盲去噪的效果。实验验证在HRRP信噪比低于5dB时，DUBDNet可以将HRRP信噪比提高10dB以上。其中，在HRRP信噪比为-15dB时，SMTRNet可以将HRRP信噪比提高15dB，识别率较RSRNet提高15%。 (3)利用流形学习算法t-SNE将目标HRRP的空间分布进行了可视化。将HRRP的采样可视化和RSRNet的识别性能结合起来，分析得出对于HRRP识别来说，与样本的数量相比，姿态采样的完备性才是关键因素的结论。 (4)针对非合作目标HRRP姿态采样不完备的问题，采用了两种直推式半监督HRRP识别算法。半监督卷积自编码(Semi-CAE)通过预训练的方式对待识别目标特征进行嵌入学习，再训练识别分类器，实验验证了Semi-CAE较强监督学习算法RSRNet缓解了姿态采样稀疏的问题。根据半监督学习的流行假设，采用了简单高效的深度标签重构(PL)算法，可对现有深度识别算法进行改进。在电磁仿真数据按方位角采样间隔不同的等间隔采样识别实验中，Semi-CAE和Semi-CAE(PL)在极少量训练样本下的识别性能可达到70%。

目录

声明

第一章 绪 论

1.1 研究背景与意义

1.2 雷达自动目标识别简述

1.3雷达高分辨率距离像识别技术的国内外研究现状

1.3.1含噪HRRP的信号处理

1.3.2 HRRP的特征提取

1.3.3 HRRP的识别算法

1.4 论文内容与安排

第二章 空中目标的雷达HRRP的特性分析及实验数据

2.1 引言

2.2 目标散射点模型

2.3 雷达HRRP的特性分析

2.3.1 HRRP的姿态敏感性

2.3.2 HRRP的平移敏感性

2.3.3 HRRP的幅度敏感性

2.4 实验数据描述

2.4.1 四种商用客机HRRP数据描述

2.4.2 三种军用飞机HRRP数据描述

2.4.3 五种电磁仿真目标HRRP数据描述

2.4 数据预处理

2.5本章小结

第三章 基于深度卷积架构的HRRP稳健性识别方法

3.1 引言

3.2 卷积神经网络

3.2.1 卷积神经网络的起源

3.2.2 一维卷积神经网络的结构单元

3.2.3 一维卷积神经网络的训练过程

3.3 基于卷积神经网络的平移鲁棒性研究

3.3.1 卷积神经网络设计

3.3.2 基于RSRNet的HRRP识别平移鲁棒性实验与分析

3.4 基于半监督多任务卷积模型的HRRP盲去噪识别算法

3.4.1 含盲噪声HRRP的数据准备

3.4.2 半监督多任务卷积神经网络结构设计

3.4.3 深度U型盲去噪卷积自编码

3.4.4 SMTRNet的实验结果和分析

3.5 本章小结

第四章 标签受限下的空中目标HRRP半监督识别算法研究

4.1 引言

4.2 半监督学习分类方法

4.2.1 半监督学习分类方法的基本假设

4.2.2 基于半监督学习的分类方法

4.3 基于深度半监督流形学习的HRRP识别分析

4.3.1 t分布随机邻域嵌入

4.3.2 半监督卷积自编码神经网络设计

4.3.3 实验结果与分析

4.4基于标签重构的空中目标HRRP半监督识别算法研究

4.4.1 深度标签重构算法设计

4.4.2 实验结果与分析

4.5 本章小结

第五章 总结与展望

5.1 全文总结

5.2 研究展望

致谢

参考文献

攻读硕士学位期间取得的成果