论文部分内容阅读
雷达目标识别在空间目标识别中发挥着不可替代的关键作用,然而空间目标种类繁多、不同识别场景下获取特征的方式复杂多变,这就要求空间目标识别技术能自动地适应这些复杂多变的需求。然而,现有的雷达目标识别方法,通常依靠先验知识人工地提取出特征,然后基于该特征构建特征识别算法或分类器。众所周知,特征选取的好坏极大地依赖于先验知识,这使得它很难满足实际识别场景对自适应性的要求。为了解决雷达目标识别中存在的上述问题,本文以受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)为基础,针对雷达目标信号序列数据特征提取过程复杂的突出问题和具体识别场景特点,设计并实现了对雷达目标样本数据进行自适应特征学习,提取出可分性特征,并完成识别分类的工作。其贡献可以概括为如下四个方面:1.分别以三类飞机目标HRRP特征数据样本和三类轨道类目标RCS数据样本为对象,验证了RBM网络对于雷达目标特征数据的学习能力,得到了具有显著可分性的学习结果。2.针对传统雷达目标识别流程和特征提取方法十分复杂的缺陷,构建判别式RBM模型,实现了特征提取与目标分类融合的算法模型。实验结果验证了其在识别率方面与传统的识别方法及后加分类器的深度学习方法相比有显著的优势。3.针对雷达目标数据量较小和识别场景伴随有噪声干扰两个主要问题,提出了模糊RBM模型,并通过实验对比证明了其对于小样本数据学习时具备比一般RBM网络更强大的学习能力,小样本数据实验的识别率由67%提高到了90%,取得了显著的提升。同时,实验也测试了模糊RBM网络在5-20dB噪声环境下的识别性能,验证了其相比于普通RBM模型对于噪声环境有着更强的鲁棒性。4.构建了基于模糊判别式RBM网络模型的识别流程,并以十五类空间轨迹类目标群的原始回波数据样本作为实验数据,检测了网络对于多目标自适应学习和有监督分类的性能。上述这些研究成果不仅在算法理论上具有创新性,而且在实际应用中取得了优越的分类性能,这对于雷达目标识别的发展有着较重要的指导意义。