基于宽度学习的微多普勒目标分类

摘要

通过提取目标的多普勒信息,可以实现对不同类型目标的分类。传统的机器学习方法需要人工从回波中提取浅层的特征,特征判别性不强,影响分类性能。深度神经网络能够提取到识别对象中更深层次的信息特征,但是因其网络结构复杂,不仅需要设置过多的超参数,并且需要多次迭代,使得训练时间长而饱受诟病。宽度学习不仅有着很好的逼近能力,使得分类效果并不低于深度神经网络,并且由于只有输入层和输出层,不需要进行迭代求取层与层之间的连接权重,所以宽度学习的训练速度非常快速,极大地减少了训练时间。因此,考虑将宽度学习算法应用到雷达的目标分类识别,探索其可行性。