论文部分内容阅读
宽带雷达一维距离像是目标三维结构在雷达视线方向的投影,可以反映观测目标的结构特征,具有成像实现简单,易于获取,计算量和存储量小等优势,是目标识别的重要特征。因此,基于宽带雷达一维距离像的目标识别问题一直以来都是雷达自动目标识别(Radar Automatic Target Recognition,RATR)领域的研究热点。近年来,循环神经网络(Recurrent Neutral Network,RNN)在基于序列数据的自然语言处理和语音识别等方面取得了大幅超越传统方法的性能,宽带雷达一维距离像作为反映目标特性的序列数据,其目标识别问题与循环神经网络模型可以很好地结合起来。因此,深入研究基于循环神经网络的宽带雷达一维距离像目标识别方法,具有重要的理论意义和应用价值。本论文的主要研究工作如下:1.研究了宽带雷达一维距离像的成像原理,深入分析了宽带雷达一维距离像的特性,并给出相应的预处理方法。随后,总结了雷达一维距离像目标识别中常用的特征提取方法,并介绍了通用的雷达一维距离像目标识别流程以及两种雷达一维距离像目标识别常用方法。2.提出了基于循环神经网络的宽带雷达一维距离像目标识别方法。首先,介绍了循环神经网络模型的模型结构以及其计算单元的工作原理,并给出了两种改进的循环神经网络单元结构。随后,根据不同计算单元的工作原理,推导出对应每种计算单元的梯度反向传播公式,将其与循环神经网络模型的参数优化算法结合,形成循环神经网络模型的训练算法。最后,建立起基于循环神经网络的目标识别系统工作流程,并依据该流程实现雷达一维距离像目标识别系统,在实测数据集中对目标识别系统的识别性能以及噪声稳健性进行了测试与分析,并与两种常用目标识别方法进行了性能对比。实验分析表明,基于循环神经网络的宽带雷达一维距离像目标识别方法在识别性能和噪声稳健性方面均超越了传统目标识别方法。3.提出了复杂循环神经网络结构的设计及其目标识别方法。首先,将神经网络模型正则化方法引入循环神经网络,并给出了具体的实现流程。随后,从序列信息的上下文综合和序列信息特征深度提取的角度,利用循环神经网络模型的结构灵活性,分别设计了双向循环神经网络、多层循环神经网络和多层双向循环神经网络三种用于目标识别的复杂网络结构。最后,结合目标识别模型设计以及模型的正则化方法,对多种改进的循环神经网络结构在实测数据集中进行了识别性能以及噪声稳健性的测试与分析。实验结果表明,设计合理的循环神经网络结构有助于提升目标识别系统的性能。