一、一种低分辨雷达自动目标识别系统（论文文献综述）
陈正阳[1]（2021）在《基于毫米波雷达的HRRP目标识别分类》文中提出毫米波雷达受外界影响小,因此能够在各种环境下稳定工作。近年来,毫米波雷达在诸多场景中被广泛应用,路口监测场景下也需要使用毫米波雷达识别车辆的种类。本文重点研究了高分辨距离像（HRRP）的识别算法,分析了传统算法的缺点,设计了车辆目标的识别分类方法,并在实验仿真中验证了算法性能。本文工作主要分为以下两个部分:第一部分研究了雷达的散射点模型,分析HRRP的敏感性和解决方案。然后深入讨论了传统算法的缺点。基于CNN的识别方法致力于提取HRRP中的局部结构特征,但忽略了样本的时序相关性。而RNN网络缺乏长时间依赖性,性能较差。本文提出AC-LSTM算法,利用一维CNN提取HRRP中的局部特征,引入通道调整模块改善模型对于不同通道的特征识别能力,提高模型性能。将提取的特征用双向LSTM模型进行时序特征提取,在充分利用HRRP时序特征的同时有效改善了长时间依赖性问题。引入注意力机制,进一步提高识别准确率。该方法对时移有很强的抗干扰性。使用MSTAR数据库的仿真实验也证明了本方法的性能。第二部分针对实测数据的识别结果较差的问题进行分析。在实际场景中,车辆目标所处环境复杂,地面杂波、路边的障碍物都会干扰目标回波,严重影响识别算法。因此需要通过目标检测得到所需目标的信号。而由于毫米波雷达的距离分辨率较高,目标往往处于多个距离单元内。传统CFAR算法一般用于点目标检测,如果用于毫米波雷达会将属于目标的信号筛去,损失大量目标信息。本文提出了一种基于能量增强的CFAR算法,在检测目标点时同时考虑它周围多个点的能量,有效检测毫米波雷达回波中的目标,提高了实际场景下的模型识别能力。使用实测数据库的仿真实验也证明了本方法的性能。
万锦伟[2]（2020）在《基于深度网络的HRRP目标识别与对抗攻击研究》文中提出随着信息技术的蓬勃发展,人工智能技术正成为推动新一轮军事革命的核心驱动力,在国防领域发挥越来越重要的作用。将人工智能技术与雷达自动目标识别（RATR）技术相融合,增强对来袭目标的探测和预警能力,对提高战场态势的感知具有重要意义。此外,雷达高分辨距离像（HRRP）反映了目标散射中心沿雷达视线的分布情况,包含了目标大量的结构信息,并且具有易获取、易存储、易处理等优点,受到了雷达自动目标识别领域的持续关注。本论文将围绕国家自然科学基金、国防预研等项目,针对雷达高分辨距离像信号,主要从基于深度神经网络的HRRP特征提取（目标识别）及针对HRRP识别系统的对抗攻击两方面开展相关研究。论文研究内容可以概括为以下几个方面:1、为充分挖掘HRRP信号距离单元之间的空间相关性和提取结构化的判别特征,本文提出了一种可同时完成雷达HRRP目标识别和拒判任务的改进的卷积神经网络（CNN）模型。该模型在传统CNN识别网络基础上,增加一个重构网络来实现库外目标拒判功能。通过识别网络和重构网络的融合,使得该模型可同时实现HRRP的识别和拒判任务。此外,由于雷达HRRP信号的相位信息可以提供额外的分类信息,因此在该模型中除了使用常用的HRRP一维时域特征外,还使用HRRP的二维谱图特征用于识别和拒判任务。在实测数据集上的实验结果表明:所提方法无论在识别性能还是拒判性能上均优于传统方法。2、本文探讨了HRRP时频表示对识别结果的影响,并提出了一种具有注意力机制的CNN网络用于HRRP目标识别任务。具体的,为探索HRRP时频表示的影响,文中分别使用了短时傅里叶变换和连续小波变换两种时频变换方法对HRRP信号进行分析并对比了它们在CNN网络中的识别性能。在此基础上,针对在使用HRRP时频表示时需要参数选择的问题,提出了一种具有注意力机制的CNN模型用于HRRP目标识别。该模型通过注意力机制将由CNN从不同HRRP时频表示提取的特征进行自动融合,不仅避免了参数不合适影响识别结果的问题,而且还进一步提高了目标识别的准确率。3、为使深度网络同时具有好的特征提取和抗平移敏感能力,本文提出了一种CNN与双向递归网络（Bi RNN）的混合模型（称为CNN-Bi RNN模型）,用以HRRP目标识别任务。在CNN-Bi RNN模型中,先采用CNN从HRRP信号中提取有用的结构化特征,然后利用双向RNN对所提特征进行时序建模。为进一步提高模型的抗平移敏感能力,在CNN-Bi RNN模型中还引入了注意力机制,使模型所提特征更聚焦在目标区域。CNN-Bi RNN模型结合了CNN和RNN各自的优点,即与单纯的CNN模型相比,CNN-Bi RNN具有时序建模能力,可以缓解HRRP的平移敏感问题;而与直接用RNN对HRRP识别相比,CNN-Bi RNN采用CNN进行特征提取,有效提高了模型的识别率。基于实测数据的实验显示,本模型无论在识别率还是对抗平移敏感方面均具有优势。4、本文对比和分析了几种经典的数字对抗样本生成方法,并提出了一种鲁棒的数字对抗样本生成方法。对抗样本是深度网络的特有产物,研究对抗样本的生成可以达到攻击基于深度网络的目标识别系统的目的。为研究基于深度网络HRRP识别模型中的对抗样本问题,本文分析了几种经典的数字对抗样本生成方法并在实测数据集上进行了攻击性能对比。进一步地,为提高数字对抗样本的鲁棒性与实用性,提出了一种鲁棒的数字对抗样本方法。该方法通过优化的方式产生一个通用的、局部对抗扰动用以网络攻击。相比经典的数字对抗攻击方法,该方法产生的对抗扰动更具实用性,为将来针对实际HRRP目标识别系统的攻击提供基础。
薛佳音[3]（2020）在《基于ISAR的机动目标快速成像与识别技术研究》文中提出逆合成孔径雷达（Inverse Synthetic Aperture Radar,ISAR）成像与识别技术在精准制导、反导反卫、空间预警、环境监测等军民领域起着至关重要的作用。在实际观测场景中,由于被观测目标的高机动、非合作性和观测环境的复杂、不确定性,导致传统识别手段无法满足ISAR机动目标自动识别的高精度与近实时处理需求。为了解决这一问题,有必要对机动目标回波信号的快速高效处理进行更加深入的研究,并进一步探索对目标更多维度信息的挖掘与利用。针对以上需求,论文拟围绕成像和识别这两个处理阶段,开展系统建模、成像算法和识别技术的研究,以期取得较高的精度指标和较好的实时性能之间的折中。论文通过优化成像环节中补偿算法的精度和计算复杂度,来提高成像质量和处理实时性,以提升识别前置输入信息的特征传递效能;利用机器深度学习挖掘样本多维特征信息,以减小识别性能对成像质量以及人工特征工程的强依赖性,从整体上提升系统在复杂应用场景下的识别能力。论文的主要研究内容包括以下几个方面:（1）ISAR系统的机动目标回波特性建模、成像算法研究及优化设计。根据经典二维转台模型和合成孔径二维分辨原理,明晰ISAR系统回波信号构成与分集特性。通过对机动目标的回波频谱特性进行距离向和方位向的建模与分析,讨论高阶运动目标距离像（Range Profile,RP）的序列相关性和方位像的频谱展宽性,为下一步补偿和成像处理的研究建立理论基础。通过对经典距离—多普勒（Range-Doppler,RD）成像算法和通用补偿方法的约束条件与优化空间进行研究,并针对一般机动性和高机动性目标进行RD成像仿真分析,提出通过提高补偿精度来解决目标平动导致的图像模糊、提高一维像聚焦性以改善目标转动导致的图像散焦,最终实现对机动目标的高质量、近实时成像和快速识别。（2）基于RP相关性的参数估计及运动补偿算法的研究。通过深入研究回波各距离像之间的相关性,对通用参数估计方法进行性能改进和复杂度优化;针对径向平稳目标的运动补偿,利用分数阶傅立叶变换（Fractional Fourier Transform,Fr FT）进行距离压缩产生高分辨距离像来提高距离对准精度,对Fr FT匹配阶数搜索算法进行复杂度优化,实现基于Fr FT的一阶参数估计与运动补偿;针对径向非平稳的机动目标,将高阶参数估计问题建模为最小二乘（Least-Square,LS）问题,提出基于LS的高阶对称累积互相关参数估计方法（High-order Symmetric Accumulated Cross-correlation Method,HSACM）。通过仿真实验分析,证明了提出算法的估计精度显着高于同类算法,其计算复杂度远低于通用的高阶参数估计方法。（3）高阶信号变换处理技术及机动目标快速成像算法研究。针对Fr FT不适用于径向非平稳目标的距离压缩以产生能量高度聚集的一维像、以及目标非均匀转动产生的时变多普勒问题,提出一种新的低复杂度信号处理技术——幂权傅立叶变换（Power-Weighted Fourier Transform,PWFT）。利用PWFT对信号频谱的“锐化”特性,研究基于PWFT的高阶平动补偿和高阶方位聚焦,进而提出基于PWFT的快速成像算法PWFT-RD,以及一种非常规的窗函数——幂权窗,以改善图像远端的拖尾现象。仿真实验证明了PWFT技术可以有效改善补偿不足和目标非均匀转动导致的成像散焦问题,PWFT-RD算法能够对机动目标进行高质量、近实时的成像处理。（4）基于深度学习样本多维特征的识别网络的研究。分析ISAR回波数据的三种典型表征形式（原始数据、一维距离像、二维ISAR图像）在信号处理过程中对不同维度原始信息进行的特征增强与抑制。利用深度神经网络进一步挖掘目标的多维特征信息,设计基于卷积神经网络（Convolutional Neural Network,CNN）的端到端识别网络。基于此框架,设计以上三种单一表征样本驱动的单流识别网络,并分析各网络特点及其场景适用性。利用不同表征形式的优势互补对单流识别网络进行数据增强和结构优化,设计适应复杂应用场景的多元表征样本驱动的融合网络。仿真实验结果证明了提出的几种识别网络的有效性,验证了多流融合网络在目标高机动性和极低信噪比等特定应用场景下,与已有识别方案相比具有显着的先进性。
陈健[4]（2020）在《基于概率统计模型的雷达高分辨距离像目标识别方法研究》文中指出雷达高分辨距离像（HRRP）是用宽带雷达获取的目标散射点子回波在雷达视线方向上投影的向量和,它提供了对目标分类和识别非常有价值的信息,如目标尺寸、结构、散射点沿距离方向的分布情况等;同时,与其它宽带信号（如合成孔径雷达像和逆合成孔径雷达像）相比,HRRP具有易于获取和处理等优点。因此,利用HRRP对未知目标进行类别归属的判断逐渐成为雷达自动目标识别领域的研究热点。概率统计模型,即以概率论为基础并采用数学统计方法建立的模型,基于坚实的统计理论,在雷达HRRP目标识别方面具有独特的优势:模型可融入一定的先验信息,有利于小样本情况下的目标识别;能够提供待求参数的不确定性评价,有效地缓和过拟合问题,识别的泛化精度较高;可结合非参贝叶斯理论实现模型结构随数据的自适应调整等等。本文利用概率统计模型,主要从小样本情况下基于浅层概率统计模型的统计识别和大样本情况下基于深层概率统计模型的特征提取两方面,对HRRP目标识别的相关理论和技术问题进行了分析研究。论文概括如下:1.针对现有因子分析（FA）模型在小样本情况下识别性能较弱的问题,提出了卷积因子分析（CFA）模型。区别于FA模型将HRRP样本参数化为一系列字典原子的加权和（字典原子维度等于HRRP样本维度）,CFA模型引入卷积操作,将HRRP描述为多个字典原子与对应权向量的卷积之和。作为卷积核,CFA模型中的字典原子不仅维度远小于观测样本维度,而且能够获取更能反映数据本质的局部细节信息。相比于全局信息,局部信息具有更强的共享特性,因此,利用CFA模型描述全部观测数据所需的字典原子数更少。由于更小的字典原子尺度和更少的字典原子个数,CFA拥有比FA模型更低的复杂度,进而更适用于小样本目标识别问题。基于实测HRRP数据的实验结果表明,当训练样本较少时,CFA模型具有较好的识别性能。2.CFA模型对各目标方位帧HRRP数据进行独立建模,然而,不同HRRP样本之间存在一定的相关性,故而用来张成各目标各方位帧观测空间的字典应该有一定的重叠;同时,CFA模型只关注于对数据分布的描述,并未利用对识别有利的监督信息。基于上述分析,我们在CFA模型的基础上提出了多任务标签约束卷积因子分析（MTL-LCCFA）模型。一方面,MTL-LCCFA模型使所有目标类数据共享一个大的字典,而各观测样本所需的字典原子通过贝塔过程（BP）非参先验从字典中进行自动选择。由于参数共享,卷积模型的参数个数进一步减少,对训练样本数的需求也进一步降低。另一方面,MTL-LCCFA通过样本的类别标签来约束模型参数的学习过程,使学习后的不同类目标的模型参数具有更大的差异,进而具有更强的类间可分性。通过引入参数共享和标签约束机制,MTL-LCCFA能够进一步提升小样本情况下的目标识别能力。基于实测HRRP数据集的实验结果表明,利用MTL-LCCFA进行统计建模,不同类模型之间的区分性更强,且在小样本情况下能够获得更优的识别性能。3.针对浅层概率统计模型不能提取数据更深层次的、更有效的分类特征,提出了一种基于类分解变分自编码器（CFVAE）的雷达HRRP特征提取和识别方法。CFVAE通过一个编码网络获得所有观测数据的概率隐表示,同时为每类构建一个解码网络来描述各目标类隐特征分布到对应观测数据分布的生成过程。编码和解码网络的多层非线性结构能够挖掘数据更深层次的信息,有助于提取可分性更强的特征;同时,按类解码的模型构建方式使各类别的解码网络对所属类别的数据有较好的描述能力,而对其它类别数据的描述能力则较差,进而使CFVAE能够通过比较测试样本在各类解码器条件下的重构误差直接实现对测试数据类别属性的判决,避免了传统变分自编码器（VAE）中存在的所提特征与后端分类器不匹配的问题。基于实测HRRP数据集的实验表明,相较于浅层模型和传统VAE,CFVAE具有更强的目标识别能力。4.针对观测数据分布复杂、标记训练样本少情况下的深层特征提取问题,提出了一种判别混合变分自编码器（DMVAE）模型。一方面,DMVAE采用狄利克雷过程（DP）先验将整个观测数据集自适应地划分成多个子集,各子集通过一个解码网络来描述该子集数据的生成过程。相同分布的数据经同一解码网络生成,不同解码网络表示了不同分布数据的生成过程。由于各子集数据的分布较全部观测数据的分布更为简单,各解码网络能够较准确地表示对应子集的数据,因此,DMVAE通过多个解码网络的集合能够给出全部观测数据更精确的描述,进而有利于改善复杂数据分布情况下因单一解码器不能准确描述数据分布而造成的特征表征能力差的问题。另一方面,DMVAE采用了半监督学习机制,即利用多个解码网络对观测数据（包括标记样本和未标记样本）分布进行无监督描述的同时,还利用一个分类网络描述了标记样本的隐特征到其对应标签的生成过程。通过半监督学习方式,DMVAE不仅能够学得更具判别性的特征隐空间,还大大降低了对标记训练样本数的需求。此外,DMVAE的分类网络约束未标记样本的预测标签具有最小熵,进而提高了分类器的泛化性能。基于随机梯度上升法,DMVAE对所有观测数据的边缘对数似然函数、标记样本的标签约束和未标记样本的熵约束进行联合优化,最终实现了模型参数的求解。基于实测HRRP数据集的实验结果验证了所提方法在识别性能上的优势。特别是在标记样本较少的情况下,DMVAE仍能够获得较高的识别准确率。
徐鹏政[5]（2020）在《基于HRRP与ISAR图像融合的舰船目标识别研究》文中研究表明信息化战争背景下,现代雷达不仅能够提供目标的位置和速度信息,还能对目标进行成像获取目标的几何和姿态信息,雷达自动目标识别技术也随之产生。其中,由于我国复杂的海洋争端,舰船目标的识别对我国的领土安全有着重要意义。本文主要针对雷达舰船目标的识别进行了研究,由于当前研究单一地使用HRRP或者单一地使用ISAR图像进行识别的现状,本文主要对同时融合HRRP和ISAR图像进行舰船目标的识别的方法进行了研究,包括融合二者进行目标识别提高识别率的方法以及融合二者提高长度估计精度的方法。在融合识别的方法上,本文采用基于DS证据理论的融合和基于分类器选择的融合两种方法。在长度的融合上,由简单到复杂,先后利用零均值高斯分布、非零均值高斯分布对HRRP和ISAR的长度估计误差建模。利用训练集数据对高斯分布的参数进行估计,然后利用估计的概率模型通过最小均方误差估计方法,且对HRRP和ISAR的长度估计结果进行融合对ISAR图像长度估计结果与HRRP长度估计结果差别过大的样本,直接取HRRP长度估计结果作为融合结果。在雷达成像仿真数据集上验证结果表明基于分类器选择的融合方法能得到最佳的准确率以及融合后长度估计精度得到了明显的提升。首先,为了得到仿真数据集,本文对ISAR成像的原理,以及舰船目标的散射点建模和运动状态建模方法进行了阐述。同时,对海杂波使用K分布模型进行了仿真,从而得到有海杂波影响的仿真HRRP数据和ISAR图像数据,用于评价处理方法的性能。在融合处理之前,对于HRRP的长度估计和特征提取,采用CFAR检测得到目标在距离维上的范围,得到目标长度的估计值。在特征提取上,采用平移不变的双谱特征。在ISAR图像的长度估计和特征提取中,除使用传统CFAR方法进行目标区域提取外,本文还提出了利用U-Net网络从图像分割的角度进行目标区域提取的方法。最后,融合部分利用前述融合方法在仿真数据集上处理,验证算法性能。结果表明本文提出的分类决策融合方法的识别准确率有所提高,长度估计融合结果的误差也有所降低,说明了本文方法的有效性。
吴琪[6]（2019）在《基于多维特征融合的“低慢小”目标自动识别关键技术研究》文中研究指明对无人机等“低慢小”目标的探测与识别技术随着“低慢小”目标广泛的应用和严重的潜在威胁越来越受到重视。本文研究了基于多维特征融合和有向无环图多层分类器的“低慢小”目标自动识别分类技术。论文创新性地提出了一个完整的“低慢小”自动目标识别方法以及完整的自动目标识别链,并采用全息凝视雷达系统采集的多种空中实测“低慢小”目标数据进行实验与分析。“低慢小”目标的自动识别分类方法主要包括两个关键步骤:目标多维特征的选择与提取和多目标分类器的设计。完整的自动目标识别链包括原始采集实测数据的预处理,RCS、微多普勒和运动多维特征的提取,基于有向无环图的多层融合识别分类器框架的设计以及多层分类器对输入目标数据的学习训练与预测识别。主要工作以及成果如下:（1）论文对多旋翼无人机、直升机和鸟三种典型“低慢小”目标的雷达回波信号进行详细的数学建模和理论推导,分析旋翼的尺寸、数目、转动频率以及鸟翼的尺寸和扇动频率对雷达回波的影响。将三种目标的仿真调制回波信号与实测数据对比,从理论和实际测量的角度分析三种“低慢小”目标运动和目标上微动部件对回波的调制效果,为后续特征提取和目标识别提供理论支撑。（2）论文详细介绍了目标多维特征的选择与提取。从微多普勒维度、RCS维度和运动维度提取目标中用于识别的有效特征。对微多普勒维度,重点研究了微多普勒瞬时频率的理论分析和联合时频分析,多普勒调制谱的获取与预处理算法以及特征提取算法。预处理操作是优化多普勒调制谱的成分显示,突出微弱的微多普勒边频信息。主要包括多普勒调制谱正则化处理和主频对齐等操作,对预处理后的多普勒调制谱进行极大值检测和微多普勒特征提取。然后对RCS维度和基于航迹的运动维度进行特征选择与提取。从三个维度上选取了六个有效的特征作为后续分类器的输入,用于“低慢小”目标识别。（3）针对直升机、旋翼无人机、固定翼无人机和鸟等典型“低慢小”目标设计了基于多维特征融合和有向无环图的多层融合识别分类器的目标识别分类方法。创新地设计了多维特征的多层融合识别分类器框架,提出了多维特征融合分类和等权重多个单维度分类器加权分类两种分类准则。采用设计的多层分类器对两种分类准则,K近邻（KNN）,支持向量机（SVM）和BP神经网络三种非线性分类器以及从三个维度提取的六个有效识别特征进行目标分类识别实验。实验结果比较了输入特征的数目、RCS、微多普勒和运动不同维度的特征、三种分类器以及两种分类准则对分类方法识别性能的影响。实验结果表明基于KNN分类器的多维特征融合的分类方法最优,无论是从分类准确率还是分类时间都优于其他设计方案,最终得到五种典型“低慢小”目标97.62%的识别准确率。最后将本文提出的识别方法和得到的实验结果与现有的国内外其他识别方案进行对比,结果表明本文提出的多维特征融合和基于有向无环图的多层分类器的识别分类方法性能优越,很好地解决了复杂自然环境中“低慢小”目标的识别问题。最后,对论文主要工作进行了总结,并指出了未来的研究方向以及需要深入研究和解决的问题。
孙泽渝[7]（2019）在《地面侦察雷达目标分类技术研究》文中指出随着军事电子技术的发展,现代战争逐渐演变为高技术信息战,对战场信息的动态监测和处理能力关系着战争胜败,战场侦察雷达的功能已经不能仅仅满足于探测目标的位置和速度信息。雷达目标属性对判别敌方目标的威胁程度从而进行目标精确打击有着重要意义,目标识别技术应运而生。鉴于高分辨宽带雷达的制造成本高、体积大,不适用于便携式地面侦察雷达应用环境,现役便携式地面侦察雷达大多是低分辨雷达,因此研究低分辨地面侦察雷达自动目标识别技术的重要性不言而喻。本文首先介绍地面侦察雷达回波信号的预处理流程、特征提取方法及常用分类器原理,分析实际采集的人、车回波数据特征,通过对雷达回波数据做傅里叶变换,定义了时域回波结构特征和频谱结构特征,并对定义的特征进行分布统计。随后,对提取的组合特征利用K近邻分类器、SVM分类器、BP神经网络分类器进行分类,在此基础上验证了网格搜索、随机搜索、贝叶斯优化三种超参数优化方法对于K近邻分类器和SVM分类器的有效性,比较了不同分类器以及不同超参数寻优方法的性能。进一步地,本文采用卷积神经网络（Convolutional Neural Network,CNN）分类识别技术,将CNN网络结构简化,使其适用于低分辨雷达的一维数据流。在此基础上,将时域回波、功率谱以及幂变换后的功率谱组合为CNN输入的三个通道,提出一种基于特征融合的一维卷积神经网络（1-D CNN）的目标分类识别方法,与传统分类器相比具有更好的性能。此外,论文比较了不同网络超参数配置对1-D CNN分类器识别性能的影响,利用贝叶斯优化超参数寻优方法进行超参数寻优,克服了分类器训练构建过程中需要依据经验设置超参数的人为因素影响。在此基础上,本文进一步利用自编码器对特征降维,在提高分类器参数自主选择能力的基础上减小网络结构和参数计算规模。最后,本文利用FPGA+DSP硬件架构的地面侦察雷达信号处理平台,在FPGA上实现了回波信号的下变频、脉冲压缩的预处理流程,在DSP上实现了相参积累、目标检测以及目标分类识别模块,目标样本数据库测试和外场试验结果表明,所设计的目标分类识别系统可达到93%以上的正确分类识别率。
朱克凡[8]（2019）在《基于深度学习的低分辨雷达目标识别技术研究》文中研究指明现代战争对雷达目标识别提出了更高的要求,由于现役雷达大部分是低分辨雷达,对其开展目标识别技术的研究具有重要军事意义。在小样本、样本不均衡等复杂电磁环境条件下,传统低分辨雷达目标识别方法存在泛化性较差、识别率较低等问题。本文围绕深度学习方法对低分辨雷达目标识别技术开展研究,主要研究内容如下:传统低分辨雷达目标识别技术采用先提取信号特征,再基于特征进行识别的两步识别方法。论文首先研究了基于深度学习的低分辨雷达目标识别技术,提出了基于卷积神经网络（Convolutional Neural Networks,CNN）的低分辨雷达目标一步识别方法,直接将采样数据作为输入,利用CNN自动提取数据深层本质特征,实现对雷达目标的一步识别。其次,针对小样本条件下雷达目标识别率较低的问题,提出了基于加权辅助分类生成对抗网络（Weighted Auxiliary Classifier Generative Adversarial Networks,WACGAN）的雷达目标识别算法,该算法利用WACGAN产生并自动选择高质量的生成样本训练判别网络,使判别器能够挖掘数据更深层特征,选择更好的分类面,提高一步识别方法在小样本条件下的识别效果。然后,针对样本不均衡条件下雷达目标识别率下降问题,提出了基于分段损失函数的雷达目标识别算法。该算法通过分段损失函数,使CNN能够针对不同的训练时期采用合适的损失函数训练网络,解决样本不均衡带来的识别率下降问题。最后,针对雷达目标识别中无标签样本利用问题,提出了基于生成对抗网络的半监督雷达目标识别算法。该算法基于半监督生成对抗网络（semi-supervised GAN,SGAN）模型,使用CNN作为判别器,通过无标签样本与生成样本的对抗学习,在标签样本监督学习的基础上进一步提高了CNN识别效果。
马益路[9]（2019）在《基于深度学习的毫米波探测系统自动目标识别方法研究》文中进行了进一步梳理毫米波探测系统具有全天时、全天候、抗干扰能力强、作用距离远等优点,在军事和民用领域如近程探测、精确制导、对地遥感、导航和反恐安检等方面获得了广泛应用,在目标探测领域具有重要地位。自动目标识别技术是毫米波探测系统应用的关键技术之一。然而,受系统体制、系统参数、环境噪声、目标方位和姿态、数据样本数量等因素的影响,毫米波探测系统自动目标识别在理论和技术方面仍有许多问题亟待解决。因此,本文以毫米波探测系统自动目标识别为中心,以深度学习理论为工具,针对毫米波主动探测系统、毫米波被动探测系统的基础原理和工作方式,深入研究了高层特征表示和自动目标识别方法,主要研究内容如下:（1）基于深度字典学习的毫米波雷达地面目标高分辨距离像目标识别方法研究。首先针对毫米波地面目标高分辨距离像样本方位敏感性和在一定方位角域内相关性高的特性,引入了原子类别角域筛选约束和相关性约束,构建了基于角域特性的稳健判别字典学习算法,并结合深度学习理论,提出了一种深度判别字典学习目标识别算法,提高了毫米波雷达地面目标高分辨距离像样本重构精度、识别正确率和鲁棒性。（2）基于深度抗噪收缩自编码网络的毫米波雷达地面目标高分辨距离像目标识别方法研究。针对毫米波地面目标高分辨距离像样本方位敏感性和噪声敏感性,通过自编码网络模型将传统目标识别框架转化为数据驱动的自主学习框架,结合收缩约束和抗噪重构约束提出了改进的抗噪收缩自编码网络及其堆栈模型,并进一步利用多层感知器和深度降噪自编码网络构建了端到端的毫米波地面目标高分辨距离像自动识别框架,增强了算法构建目标稳健高层特征表示的能力,松弛了特征表示的方位敏感性和噪声敏感性,提高了噪声干扰条件下毫米波雷达地面目标高分辨距离像自动识别的正确率。（3）基于深度协同降噪自编码网络的毫米波雷达地面目标高分辨距离像目标识别方法研究。首先针对毫米波地面目标高分辨距离像方位敏感性和角域特性,结合协同滤波算法,构建了基于泛角域样本协同的毫米波地面目标高分辨距离像协同滤波模型,并提出了适用于毫米波地面目标高分辨距离像识别的协同降噪自编码网络算法。在协同降噪自编码网络的基础上构建了深度学习框架,进一步增强了算法生成高层特征表示的能力和特征的可识别性,提升了低信噪比条件下毫米波雷达地面目标高分辨距离像自动识别的正确率。（4）基于复数域深度卷积神经网络信息融合的毫米波SAR目标识别方法研究。针对传统SAR数据图像域信息不足的问题,以干涉矩阵数据作为训练样本,提出了一种复数域卷积卷积神经网络与超像素信息融合的目标识别算法。利用卷积层的组合有效地将低层的原始数据投影到高层特征空间中,提取嵌入在SAR数据中的稳健特征表示,提高了标签预测算法的识别正确率和稳定性;结合超像素表示在匹配图像边界方面的优势,以边界轮廓信息修正深度网络预测标签图中的奇异点和边界误识别点,降低了网络误输出带来的风险,增强了对边缘目标的识别能力,进一步提高了识别准确率。（5）基于深度降噪卷积神经网络的毫米波干涉综合孔径辐射成像系统目标识别方法研究。针对毫米波干涉综合孔径辐射成像系统反演图像受环境噪声影响严重和图像结构信息缺失的问题,融合降噪自编码重构网络和卷积神经网络构建了端到端的深度降噪卷积神经网络识别框架;通过分析毫米波In SAR成像系统原理和机制,提出了基于复数域可见度函数的深度降噪卷积神经网络目标识别算法,消除了图像反演过程带来的时间代价和信息缺失,综合利用幅度和相位信息构建更丰富、更具识别力的高层次特征表示,优化样本数据与标签的潜在联系,提高了识别正确率和抗噪性能。
张梦娇[10]（2019）在《基于小波自编码—循环神经网络的雷达HRRP目标识别技术研究》文中指出在宽带雷达不断发展的背景下,雷达的分辨率已经远小于目标尺寸,因此回波中的目标信号会占据较多的距离单元。雷达高分辨距离像（HRRP）是利用宽带雷达信号获取的目标散射子回波在雷达视线方向上投影的矢量和,它包含了在距离方向上,目标散射点的分布情况以及目标的尺寸等结构信息,同时易于获取和处理,对目标识别和分类有十分重要的价值,是雷达自动目标识别领域（RATR）研究的热点。本文考虑到雷达回波数据的频谱特征和距离单元之间的时序相关性,对基于雷达高分辨距离像的目标识别进行讨论和研究。论文的主要工作包括如下几个部分:第一部分首先针对高分辨距离像的物理特性以及预处理方法展开了讨论和理论分析。以雷达目标的散射点模型作为出发点,研究了雷达高分辨距离像的物理特性,并对HRRP目标识别中的方位敏感性,强度敏感性,平移敏感性这三个主要问题已有的解决的方案进行研究;接着介绍了信号的非平稳性和时频表示方法,如短时傅立叶变换和小波变换等;并对这两种方法的优点和不足分别进行讨论和分析。第二部分研究了基于循环神经网络的雷达高分辨距离像目标识别。首先对本文中实验所用的HRRP数据进行了详细的介绍。HRRP信号从雷达视线的方向来看,距离单元之间具有很强的时间相关性,然而传统的特征提取方法大部分没有考虑到HRRP数据内部的时间相关性,并且基于数据的几何物理特征的方式虽然有较为明确的物理概念,提取方式较为简单,但是需要人为干预,在雷达HRRP目标识别中依然有一定的局限性;而循环神经网络（RNN）是一种处理时序数据的有效模型,因此可以考虑利用其来实现HRRP数据的目标分类。为了提取对目标识别更有效的特征,考虑到HRRP数据的距离单元之间有时间相关性这一特点,首先对HRRP数据进行时序建模,将HRRP数据分割成时间序列并对RNN模型进行调整,实现HRRP的目标分类。最后,基于HRRP实测数据对基于循环神经网络的雷达高分辨距离像目标识别进行测试,并对不同的模型结果和HRRP时序化参数作出分析和讨论。第三部分重点研究了基于小波自编码-循环神经网络的雷达HRRP目标识别方法。第二部分主要讨论了循环神经网络和基于该网络的雷达HRRP目标识别方法,着重考虑了HRRP的时序相关性。而像HRRP这类非平稳信号,频域往往包含了信号在时域所没有的特性,如果单纯的只考虑信号在时域的信息,往往会忽略其他对识别有利的信息。因此希望设计一种端到端的模型,能够既考虑数据的时序信息,又利用数据的频域特性,使得模型提取的特征对最终的分类任务更有利。因此将小波自编码网络和循环神经网络相结合,并对解码器的权值进行设计。实验结果表明,利用小波自编码-循环神经网络提取的隐单元特征既能够有一定的频域特性,还直接受到目标分类任务的影响,有很好的识别效果。
二、一种低分辨雷达自动目标识别系统（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种低分辨雷达自动目标识别系统（论文提纲范文）
（1）基于毫米波雷达的HRRP目标识别分类（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 雷达识别技术的历史和国内外研究 |
| 1.2.1 雷达目标识别技术的历史 |
| 1.2.2 高分辨距离像国内外研究现状 |
| 1.3 本文的主要研究内容及目标 |
| 1.4 本文章节安排 |
| 第二章 高分辨距离像目标识别理论 |
| 2.1 雷达目标高分辨距离像介绍 |
| 2.1.1 雷达工作原理 |
| 2.1.2 雷达的测距能力 |
| 2.1.3 高分辨距离像模型 |
| 2.2 高分辨距离像的特性 |
| 2.2.1 时移敏感性 |
| 2.2.2 幅度敏感性 |
| 2.2.3 姿态敏感性 |
| 2.2.4 相位敏感性 |
| 2.3 高分辨距离像的时频特征 |
| 2.3.1 时域特征 |
| 2.3.2 频域特征 |
| 2.4 传统高分辨距离像识别方法 |
| 2.4.1 基于隐马尔可夫模型(HMM)的识别方法 |
| 2.4.2 基于卷积神经网络(CNN)的识别方法 |
| 2.4.3 基于循环神经网络(RNN)的识别方法 |
| 2.5 本章小结 |
| 第三章 基于AC-LSTM的HRRP识别 |
| 3.1 模型整体框架 |
| 3.2 局部特征提取 |
| 3.2.1 卷积层 |
| 3.2.2 归一化层 |
| 3.2.3 池化层 |
| 3.2.4 通道调整层 |
| 3.3 时序特征提取 |
| 3.3.1 循环神经网络(RNN) |
| 3.3.2 双向长短时记忆网络(Bi-LSTM) |
| 3.3.3 注意力机制 |
| 3.4 模型训练 |
| 3.4.1 过拟合处理 |
| 3.4.2 学习率优化 |
| 3.4.3 参数设置与训练步骤 |
| 3.5 数据介绍及仿真结果 |
| 3.5.1 MSTAR数据库 |
| 3.5.2 数据处理 |
| 3.5.3 仿真结果 |
| 3.6 本章小结 |
| 第四章 基于增强能量检测的HRRP识别 |
| 4.1 恒虚警率检测 |
| 4.1.1 单元平均恒虚警 |
| 4.1.2 统计有序恒虚警 |
| 4.1.3 有序平均恒虚警 |
| 4.2 增强能量检测CFAR |
| 4.2.1 扩散目标模型 |
| 4.2.2 能量增强检测CFAR |
| 4.3 基于增强能量检测的HRRP识别 |
| 4.3.1 数据降噪 |
| 4.3.2 预处理 |
| 4.3.3 算法流程 |
| 4.3.4 训练步骤 |
| 4.4 数据采集及仿真结果 |
| 4.4.1 数据采集 |
| 4.4.2 仿真结果 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 附录缩略语 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（2）基于深度网络的HRRP目标识别与对抗攻击研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 雷达自动目标识别概述 |
| 1.2 雷达自动目标识别基本概念及分类 |
| 1.3 雷达自动目标识别技术发展概述 |
| 1.3.1 雷达HRRP目标识别技术的发展 |
| 1.3.2 基于深度学习的HRRP目标识别技术的发展 |
| 1.4 深度神经网络中的攻击与防御 |
| 1.4.1 对抗样本技术与网络防御技术 |
| 1.5 高分辨距离像及其特性分析 |
| 1.5.1 高分辨距离像的信号模型 |
| 1.5.2 高分辨距离像的特性分析 |
| 1.6 实验数据、平台及评价指标说明 |
| 1.6.1 实测三类飞机数据 |
| 1.6.2 实验平台介绍 |
| 1.6.3 评价指标说明 |
| 1.7 论文内容安排 |
| 第二章 基于卷积神经网络的HRRP目标识别与拒判 |
| 2.1 引言 |
| 2.2 预备知识 |
| 2.2.1 一个典型的CNN网络 |
| 2.2.2 高分辨距离像的谱图特征表示 |
| 2.3 基于CNN的HRRP目标识别与拒判 |
| 2.3.1 基于CNN的HRRP识别 |
| 2.3.2 基于CNN的HRRP识别与拒判 |
| 2.4 实验结果与分析 |
| 2.4.1 实验设置 |
| 2.4.2 模型参数的影响 |
| 2.4.3 识别性能对比 |
| 2.4.4 特征可视化 |
| 2.4.5 拒判性能比较 |
| 2.5 本章小结 |
| 第三章 基于注意力机制卷积网络的HRRP目标识别 |
| 3.1 引言 |
| 3.2 基于时频分析的HRRP目标识别 |
| 3.2.1 高分辨距离像的连续小波变换(CWT) |
| 3.2.2 识别性能对比与分析 |
| 3.3 基于多时频特征融合的目标识别技术 |
| 3.3.1 注意力机制 |
| 3.3.2 具有注意力机制的CNN网络 |
| 3.4 实验结果与分析 |
| 3.4.1 实验设置 |
| 3.4.2 识别性能比较 |
| 3.4.3 注意力权值可视化 |
| 3.5 本章小结 |
| 第四章 基于卷积-双向递归网络的HRRP目标识别 |
| 4.1 引言 |
| 4.2 基于CNN-BiRNN混合模型的HRRP识别 |
| 4.2.1 循环神经网络(RNN) |
| 4.2.2 CNN-BiRNN 网络 |
| 4.2.3 网络训练与测试过程 |
| 4.3 模型对比 |
| 4.4 实验结果与分析 |
| 4.4.1 实验设置 |
| 4.4.2 卷积层的影响 |
| 4.4.3 识别性能比较 |
| 4.4.4 注意力权值可视化 |
| 4.5 本章小结 |
| 第五章 雷达HRRP目标识别网络中的对抗攻击方法 |
| 5.1 引言 |
| 5.2 雷达HRRP中的经典数字对抗样本 |
| 5.2.1 经典的数字对抗样本生成方法 |
| 5.2.2 攻击结果展示 |
| 5.3 一种鲁棒的HRRP数字对抗样本生成方法 |
| 5.3.1 鲁棒的HRRP对抗样本生成方法 |
| 5.3.2 方法对比 |
| 5.3.3 实验设置 |
| 5.3.4 对抗扰动长度的影响 |
| 5.3.5 攻击结果展示 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 工作展望 |
| 6.2.1 高分辨距离像目标识别工作展望 |
| 6.2.2 高分辨距离像对抗攻击和防御工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（3）基于ISAR的机动目标快速成像与识别技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 附录A 符号对照表 |
| 附录B 缩略语对照表 |
| 第1章 绪论 |
| 1.1 课题背景 |
| 1.2 课题研究目的和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 ISAR成像技术发展与研究现状 |
| 1.3.2 雷达目标识别技术发展与研究现状 |
| 1.3.3 机动目标ISAR成像与识别问题分析 |
| 1.4 主要研究内容和结构安排 |
| 第2章 ISAR系统模型及成像算法研究 |
| 2.1 引言 |
| 2.2 ISAR系统模型 |
| 2.2.1 距离-方位二维转台模型 |
| 2.2.2 合成孔径二维分辨原理 |
| 2.2.3 系统关键参数 |
| 2.3 机动目标回波频谱特性建模 |
| 2.3.1 距离向回波特性 |
| 2.3.2 方位向回波特性 |
| 2.4 面向机动目标的RD算法优化设计 |
| 2.4.1 经典RD算法及通用补偿方法 |
| 2.4.2 机动目标RD成像仿真分析 |
| 2.4.3 基于RD的算法优化方案 |
| 2.5 通用实验模型及性能评价指标 |
| 2.5.1 实验环境 |
| 2.5.2 仿真实验模型与通用实测数据 |
| 2.5.3 性能评价指标 |
| 2.6 本章小结 |
| 第3章 基于RP相关性的快速参数估计与补偿 |
| 3.1 引言 |
| 3.2 基于RP相关性的优化对称累积互相关法 |
| 3.2.1 对称累积互相关处理 |
| 3.2.2 复杂度优化与分析 |
| 3.2.3 OSACM算法实现流程 |
| 3.3 径向平稳目标的一阶参数估计与补偿 |
| 3.3.1 基于FrFT的距离压缩 |
| 3.3.2 FrFT匹配阶数搜索算法的优化 |
| 3.3.3 基于FrFT的一阶参数估计方法 |
| 3.4 径向非平稳目标的高阶参数估计与补偿 |
| 3.5 算法精度与复杂度的仿真实验分析 |
| 3.6 本章小结 |
| 第4章 基于幂权傅立叶变换的快速成像处理 |
| 4.1 引言 |
| 4.2 幂权傅立叶变换 |
| 4.2.1 幂权傅立叶变换的定义 |
| 4.2.2 PWFT的频谱单峰锐化特性 |
| 4.3 基于PWFT的快速成像 |
| 4.3.1 基于PWFT的高阶运动补偿 |
| 4.3.2 基于PWFT的高阶方位聚焦 |
| 4.3.3 PWFT-RD快速成像算法 |
| 4.4 基于PWFT的非常规窗函数设计 |
| 4.4.1 幂权窗的定义 |
| 4.4.2 幂权窗与常规窗函数的比较 |
| 4.5 仿真实验分析 |
| 4.5.1 平动补偿性能分析 |
| 4.5.2 方位聚焦性能分析 |
| 4.5.3 成像算法性能比较 |
| 4.5.4 ISAR图像加窗结果比较 |
| 4.6 本章小结 |
| 第5章 基于深度学习的机动目标快速识别 |
| 5.1 引言 |
| 5.2 ISAR回波数据的典型表征形式分析 |
| 5.3 基于CNN的端到端识别网络框架 |
| 5.4 样本多维特征驱动的N流识别网络设计 |
| 5.4.1 单一表征样本驱动的单流网络 |
| 5.4.2 多元表征样本驱动的多流融合网络 |
| 5.5 识别网络的实验论证与性能分析 |
| 5.5.1 多场景数据集构建与网络训练 |
| 5.5.2 识别网络性能分析 |
| 5.5.3 与已有识别方法的性能比较 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（4）基于概率统计模型的雷达高分辨距离像目标识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 雷达自动目标识别的基本概念及研究意义 |
| 1.1.1 雷达自动目标识别的基本概念 |
| 1.1.2 雷达自动目标识别的研究意义 |
| 1.2 雷达自动目标识别的发展状况概述 |
| 1.3 基于雷达高分辨距离像的目标识别研究现状 |
| 1.3.1 雷达HRRP定义 |
| 1.3.2 雷达HRRP目标识别研究方法分类 |
| 1.3.3 基于概率统计模型的HRRP识别研究现状 |
| 1.3.4 基于概率统计模型的HRRP识别研究难点 |
| 1.4 论文内容与安排 |
| 1.4.1 实验数据介绍 |
| 1.4.2 本文内容安排 |
| 第二章 雷达HRRP目标识别的基本理论 |
| 2.1 引言 |
| 2.2 雷达HRRP回波特性分析 |
| 2.3 雷达HRRP小样本目标识别 |
| 2.4 雷达HRRP特征提取 |
| 2.5 本章小结 |
| 第三章 基于卷积因子分析模型的雷达HRRP目标识别 |
| 3.1 引言 |
| 3.2 传统因子分析(FA)模型 |
| 3.3 卷积因子分析(CFA)模型 |
| 3.3.1 模型构建 |
| 3.3.2 模型参数估计 |
| 3.4 识别框架 |
| 3.5 实验结果分析 |
| 3.5.1 人工数据集 |
| 3.5.2 HRRP数据集 |
| 3.6 本章小结 |
| 第四章 基于多任务标签约束卷积因子分析模型的雷达HRRP目标识别 |
| 4.1 引言 |
| 4.2 多任务因子分析(MTL-FA)模型 |
| 4.3 多任务标签约束卷积因子分析(MTL-LCCFA)模型 |
| 4.3.1 模型构建 |
| 4.3.2 模型参数估计 |
| 4.4 识别框架 |
| 4.5 实验结果分析 |
| 4.6 本章小结 |
| 第五章 基于类分解变分自编码器的雷达HRRP目标识别 |
| 5.1 引言 |
| 5.2 自编码器(AE) |
| 5.3 基于类分解变分自编码器的雷达HRRP目标识别 |
| 5.3.1 变分自编码器(VAE) |
| 5.3.2 类分解变分自编码器(CFVAE) |
| 5.4 实验结果分析 |
| 5.4.1 HRRP数据集 |
| 5.4.2 MNIST数据集 |
| 5.5 本章小结 |
| 第六章 基于判别混合变分自编码器的雷达HRRP目标识别 |
| 6.1 引言 |
| 6.2 Dirichlet过程及Dirichlet过程混合模型 |
| 6.3 基于判别混合变分自编码器的雷达HRRP目标识别 |
| 6.3.1 混合变分自编码器(MVAE) |
| 6.3.2 判别混合变分自编码器(DMVAE) |
| 6.4 实验与结果分析 |
| 6.4.1 HRRP数据集 |
| 6.4.2 MNIST数据集 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）基于HRRP与ISAR图像融合的舰船目标识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 HRRP目标识别研究现状 |
| 1.2.2 ISAR图像目标识别研究现状 |
| 1.2.3 HRRP与 ISAR图像联合处理研究现状 |
| 1.2.4 国内外文献分析 |
| 1.3 论文主要研究内容和结构安排 |
| 第2章 ISAR成像原理及仿真 |
| 2.1 引言 |
| 2.2 ISAR成像原理 |
| 2.2.1 ISAR理想转台成像模型 |
| 2.2.2 距离-多普勒算法 |
| 2.3 舰船目标几何及运动建模 |
| 2.3.1 船目标的几何建模 |
| 2.3.2 船目标的运动建模 |
| 2.4 海杂波仿真原理 |
| 2.5 成像仿真结果 |
| 2.6 本章小结 |
| 第3章 HRRP预处理及特征提取 |
| 3.1 引言 |
| 3.2 HRRP的敏感性 |
| 3.3 HRRP的长度估计 |
| 3.3.1 基于CFAR的长度提取 |
| 3.4 双谱特征提取 |
| 3.5 本章小结 |
| 第4章 ISAR图像预处理及特征提取 |
| 4.1 引言 |
| 4.2 基于CFAR检测的分步式目标提取 |
| 4.2.1 恒虚警检测(CFAR)原理 |
| 4.2.2 概率分布模型的获取 |
| 4.2.3 条纹噪声去除 |
| 4.2.4 目标区域填充 |
| 4.3 基于U-Net的端到端目标提取 |
| 4.3.1 U-Net原理 |
| 4.3.2 训练过程 |
| 4.3.3 结果分析 |
| 4.4 ISAR图像的特征提取及长度估计 |
| 4.5 本章小结 |
| 第5章 长度融合及识别结果融合 |
| 5.1 引言 |
| 5.2 长度融合 |
| 5.2.1 高斯分布的最小均方误差估计 |
| 5.2.2 仿真数据处理结果 |
| 5.3 识别结果融合 |
| 5.3.1 分类器 |
| 5.3.2 融合策略 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（6）基于多维特征融合的“低慢小”目标自动识别关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景及意义 |
| 1.1.2 “低慢小”目标与传统空中目标的差异 |
| 1.1.3 全息雷达与传统雷达的差异 |
| 1.2 国内外研究现状与发展趋势 |
| 1.2.1 传统目标识别技术研究现状 |
| 1.2.2 无人机等“低慢小”目标识别技术研究现状 |
| 1.3 论文主要工作及章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 论文章节安排 |
| 1.3.3 论文主要创新点 |
| 第二章 典型“低慢小”目标雷达回波信号建模与仿真 |
| 2.1 多旋翼无人机雷达回波数学模型 |
| 2.1.1 一个旋翼的调制回波模型 |
| 2.1.2 多旋翼的调制回波模型 |
| 2.1.3 单旋翼与多旋翼仿真实验 |
| 2.1.4 旋翼个数对调制回波的影响分析 |
| 2.1.5 四旋翼无人机目标仿真分析 |
| 2.2 直升机雷达回波数学模型 |
| 2.2.1 直升机目标运动结构与回波信号分析 |
| 2.2.2 直升机目标时频域调制回波模型 |
| 2.2.3 直升机目标仿真分析 |
| 2.3 鸟雷达回波数学模型 |
| 2.3.1 鸟扑翼的运动模型 |
| 2.3.2 鸟目标仿真分析 |
| 2.4 本章小结 |
| 第三章 多维特征选择与提取算法 |
| 3.1 微多普勒维度特征选择与提取 |
| 3.1.1 微多普勒研究现状 |
| 3.1.2 微多普勒特性分析 |
| 3.1.3 微多普勒特征提取算法 |
| 3.2 RCS维度特征选择与提取 |
| 3.2.1 RCS序列统计特征与概率密度曲线 |
| 3.2.2 RCS序列起伏变化规律 |
| 3.3 运动维度特征选择与提取 |
| 3.4 多维特征融合 |
| 3.5 本章小结 |
| 第四章 基于多维特征融合的目标识别方法设计与实现 |
| 4.1 基于有向无环图的多层融合识别分类器设计 |
| 4.1.1 分类器概述 |
| 4.1.2 基于有向无环图多层分类器框架设计 |
| 4.1.3 多维特征融合分类准则 |
| 4.1.4 等权重多个单维度分类器加权分类准则 |
| 4.2 基于多维特征融合的“低慢小”目标识别分类方法实验分析 |
| 4.2.1 实际雷达系统及实测数据 |
| 4.2.2 多维特征融合分类方法的实验结果 |
| 4.2.3 等权重多个单维度分类器加权分类方法的实验结果 |
| 4.2.4 “低慢小”目标自动识别分类方法实验结果 |
| 4.3 本章小结 |
| 第五章 结束语 |
| 5.1 本文工作总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（7）地面侦察雷达目标分类技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究成果及现状 |
| 1.3 论文主要研究内容和章节安排 |
| 2 雷达目标分类技术基础 |
| 2.1 低分辨雷达信号处理 |
| 2.2 低分辨雷达目标分类 |
| 2.2.1 特征提取 |
| 2.2.2 分类器设计 |
| 2.2.3 分类器超参数寻优策略 |
| 2.3 本章小结 |
| 3 基于回波结构特征提取的目标分类方法 |
| 3.1 本文方法提出背景 |
| 3.2 回波时域特征提取及分布情况 |
| 3.2.1 基于回波时域波形的特征定义 |
| 3.2.2 特征分布情况 |
| 3.3 回波频谱结构的特征提取及分布情况 |
| 3.3.1 基于频谱结构的特征定义 |
| 3.3.2 特征分布情况 |
| 3.4 不同分类器的仿真实验 |
| 3.4.1 人-车目标K近邻分类器实验 |
| 3.4.2 人-车目标SVM分类器实验 |
| 3.4.3 人-车目标BP神经网络分类器实验 |
| 3.5 分类器超参数优化实验 |
| 3.5.1 K近邻分类器超参数优化 |
| 3.5.2 SVM分类器超参数优化 |
| 3.6 本章小结 |
| 4 基于特征融合的 1-D CNN 地面侦察雷达目标分类算法 |
| 4.1 卷积神经网络的结构 |
| 4.1.1 卷积层 |
| 4.1.2 激活层 |
| 4.1.3 池化层 |
| 4.1.4 丢弃层 |
| 4.1.5 损失函数 |
| 4.2 基于特征融合的1-D CNN网络结构配置 |
| 4.3 1-D CNN目标分类及性能比较 |
| 4.3.1 不同网络结构的分类性能 |
| 4.3.2 不同激活函数的分类性能 |
| 4.3.3 不同学习率的分类性能 |
| 4.3.4 不同优化器的分类性能 |
| 4.4 基于贝叶斯优化的特征融合1-D CNN目标分类方法 |
| 4.5 自编码特征融合1-D CNN目标分类方法 |
| 4.6 本章小结 |
| 5 目标分类算法的实现及测试 |
| 5.1 信号处理系统 |
| 5.1.1 信号处理硬件平台 |
| 5.1.2 信号处理系统工作原理 |
| 5.1.3 实验环境介绍 |
| 5.2 雷达回波信号处理的FPGA实现 |
| 5.2.1 接收中频回波信号 |
| 5.2.2 数字正交下变频 |
| 5.2.3 脉冲压缩 |
| 5.3 基于DSP的目标检测及分类识别 |
| 5.3.1 DSP软件工作流程 |
| 5.3.2 目标检测模块 |
| 5.3.3 目标分类识别模块 |
| 5.4 本章小结 |
| 6 总结和展望 |
| 6.1 本文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 硕士期间取得的学术成果和参与的科研项目 |
（8）基于深度学习的低分辨雷达目标识别技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 低分辨雷达目标识别的研究现状 |
| 1.2.2 深度学习的研究现状 |
| 1.2.3 深度学习在低分辨雷达目标识别中的应用 |
| 1.3 本文的主要工作及结构安排 |
| 第二章 基于卷积神经网络的雷达目标一步识别方法 |
| 2.1 基于特征提取的雷达目标两步识别方法 |
| 2.1.1 典型的信号特征 |
| 2.1.2 典型的分类器 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 全连接层 |
| 2.2.4 Softmax分类器 |
| 2.2.5 梯度下降算法 |
| 2.3 基于卷积神经网络的雷达目标一步识别方法 |
| 2.3.1 一维卷积神经网络设计 |
| 2.3.2 识别算法步骤 |
| 2.4 实验结果与分析 |
| 2.4.1 实验数据集 |
| 2.4.2 一步识别方法的识别效果 |
| 2.4.3 一维 CNN与二维CNN识别性能对比 |
| 2.4.4 一步识别方法与传统两步识别方法的性能对比 |
| 2.5 本章小结 |
| 第三章 小样本条件下的雷达目标识别算法 |
| 3.1 加权辅助分类生成对抗网络 |
| 3.1.1 生成对抗网络 |
| 3.1.2 条件生成对抗网络 |
| 3.1.3 辅助分类生成对抗网络 |
| 3.1.4 加权辅助分类生成对抗网络 |
| 3.2 基于WACGAN的雷达目标识别算法 |
| 3.2.1 网络模型设计 |
| 3.2.2 识别算法步骤 |
| 3.3 实验结果及分析 |
| 3.3.1 WACGAN生成样本 |
| 3.3.2 小样本条件下的识别效果分析 |
| 3.3.3 不同样本数下的识别效果分析 |
| 3.3.4 不同信噪比下的识别效果分析 |
| 3.4 本章小结 |
| 第四章 样本不均衡条件下的雷达目标识别算法 |
| 4.1 分段损失函数 |
| 4.1.1 交叉熵损失函数 |
| 4.1.2 类别均衡交叉熵损失函数 |
| 4.1.3 焦点损失函数 |
| 4.1.4 分段损失函数 |
| 4.2 基于分段损失函数的雷达目标识别算法 |
| 4.2.1 网络模型设计 |
| 4.2.2 识别算法步骤 |
| 4.3 实验结果及分析 |
| 4.3.1 分段损失函数参数选择 |
| 4.3.2 不同损失函数对识别效果的影响 |
| 4.3.3 基于分段损失函数的雷达目标识别算法识别效果 |
| 4.4 本章小结 |
| 第五章 针对无标签样本的半监督雷达目标识别算法 |
| 5.1 半监督生成对抗网络 |
| 5.2 基于SGAN的半监督雷达目标识别算法 |
| 5.2.1 网络模型设计 |
| 5.2.2 识别算法步骤 |
| 5.3 实验结果及分析 |
| 5.3.1 参数选择 |
| 5.3.2 SGAN生成样本 |
| 5.3.3 单一信噪比下算法的识别效果 |
| 5.3.4 不同信噪比下算法的识别效果 |
| 5.4 本章小结 |
| 结束语 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（9）基于深度学习的毫米波探测系统自动目标识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号注释表 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 自动目标识别的概念及原理 |
| 1.1.2 毫米波探测系统的自动目标识别技术 |
| 1.2 国内外研究概况 |
| 1.3 毫米波探测系统自动目标识别关键问题 |
| 1.3.1 基于HRRP的目标识别关键问题 |
| 1.3.2 基于SAR图像的目标识别关键问题 |
| 1.3.3 基于InSAR的目标识别关键问题 |
| 1.4 特征抽取算法简介 |
| 1.4.1 线性特征提取算法 |
| 1.4.2 非线性特征提取算法 |
| 1.4.3 基于神经网络的特征提取方法 |
| 1.5 论文结构安排与创新点 |
| 2 基于深度稳健判别字典学习的HRRP识别算法研究 |
| 2.1 引言 |
| 2.2 字典学习简介 |
| 2.2.1 字典学习模型 |
| 2.2.2 字典学习方法 |
| 2.2.3 稀疏表示的求解方法 |
| 2.3 深度稳健判别字典学习算法研究 |
| 2.3.1 数据特性分析及处理 |
| 2.3.2 稳健判别字典学习算法(SDDL) |
| 2.3.3 深度稳健判别字典学习算法(DSDDL) |
| 2.4 实验与分析 |
| 2.4.1 实验数据描述 |
| 2.4.2 算法性能分析 |
| 2.5 本章小结 |
| 3 基于深度收缩降噪自编码的HRRP识别算法研究 |
| 3.1 引言 |
| 3.2 基础神经网络 |
| 3.2.1 自编码器 |
| 3.2.2 多层感知器 |
| 3.3 深度收缩降噪自编码识别算法研究 |
| 3.3.1 数据特性分析与处理 |
| 3.3.2 降噪收缩自编码 |
| 3.3.3 基于堆栈降噪收缩自编码的识别算法 |
| 3.4 实验与分析 |
| 3.4.1 DCAE识别性能分析 |
| 3.4.2 SDCAE参数影响分析 |
| 3.4.3 基于SDCAE的识别性能实验与分析 |
| 3.4.4 方法讨论 |
| 3.5 本章小结 |
| 4 基于深度协同自编码的HRRP识别算法研究 |
| 4.1 引言 |
| 4.2 协同滤波 |
| 4.3 深度协同降噪自编码识别算法研究 |
| 4.3.1 方位敏感特性分析 |
| 4.3.2 HRRP识别与CF模型联系 |
| 4.3.3 协同自编码 |
| 4.3.4 基于深度协同自编码的识别算法 |
| 4.4 实验与分析 |
| 4.4.1 特征表示分析 |
| 4.4.2 识别性能分析 |
| 4.4.3 方法讨论 |
| 4.5 本章小结 |
| 5 基于CV-CNN和超像素信息融合的SAR图像识别算法研究 |
| 5.1 引言 |
| 5.2 基础工作简介 |
| 5.2.1 Pol SAR数据处理 |
| 5.2.2 超像素分割 |
| 5.2.3 卷积神经网络简介 |
| 5.3 基于CV-CNN和超像素信息融合的SAR地形识别算法 |
| 5.3.1 数据预处理 |
| 5.3.2 基于CV-CNN的 Pol SAR图像识别网络 |
| 5.3.3 基于信息融合的目标识别算法 |
| 5.4 实验与分析 |
| 5.4.1 Flevoland数据集识别实验 |
| 5.4.2 Oberpfaffenhofen数据集识别实验 |
| 5.4.3 Flevoland基准数据集识别实验 |
| 5.4.4 San Francisco数据集识别实验 |
| 5.5 本章小结 |
| 6 基于深度降噪卷积网络的被动毫米波目标识别算法研究 |
| 6.1 引言 |
| 6.2 InSAR成像原理及图像特点 |
| 6.2.1 基于G矩阵的近程毫米波InSAR成像模型 |
| 6.2.2 InSAR图像特性分析 |
| 6.3 基于深度去噪CNN的 InSAR反演图像目标识别 |
| 6.3.1 被动毫米波图像数据集的构建 |
| 6.3.2 基于DAE-CNN的 InSAR图像目标识别算法 |
| 6.3.3 实验与分析 |
| 6.4 基于深度去噪CNN的 InSAR可见度函数目标识别 |
| 6.4.1 基于可见度函数的深度降噪CNN目标识别算法 |
| 6.4.2 实验与分析 |
| 6.4.3 方法讨论 |
| 6.5 本章小结 |
| 7 集成毫米波主被动目标探测识别系统设计 |
| 7.1 引言 |
| 7.2 毫米波HRRP识别子系统 |
| 7.3 毫米波SAR图像识别子系统 |
| 7.4 毫米波InSAR目标识别子系统 |
| 7.5 本章小结 |
| 8 总结与展望 |
| 8.1 全文总结 |
| 8.2 存在的问题及工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附A 攻读博士期间发表的论文 |
| 附B 攻读博士期间参与的课题 |
（10）基于小波自编码—循环神经网络的雷达HRRP目标识别技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 雷达目标识别问题的研究现状 |
| 1.2.2 特征提取和分类技术 |
| 1.2.3 本文的主要内容与结构安排 |
| 第二章 高分辨距离像的特性分析及预处理 |
| 2.1 引言 |
| 2.2 HRRP特性分析 |
| 2.2.1 散射点中心模型 |
| 2.2.2 高分辨距离像的特性和预处理 |
| 2.3 信号的非平稳性和时频表示 |
| 2.3.1 信号的非平稳性 |
| 2.3.2 信号的不确定原理 |
| 2.3.3 短时傅里叶变换 |
| 2.3.4 小波变换 |
| 2.4 本章小结 |
| 第三章 基于循环神经网络的雷达高分辨距离像目标识别 |
| 3.1 引言 |
| 3.2 雷达高分辨距离像的时序建模 |
| 3.2.1 HRRP数据介绍 |
| 3.2.2 HRRP数据时序建模 |
| 3.3 基于循环神经网络的HRRP目标识别 |
| 3.3.1 循环神经网络 |
| 3.3.2 基于循环神经网络的HRRP目标识别 |
| 3.4 实验结果及分析 |
| 3.4.1 实验数据及实验设置 |
| 3.4.2 实验内容 |
| 3.5 本章小结 |
| 第四章 基于小波自编码-循环神经网络的雷达HRRP目标识别 |
| 4.1 引言 |
| 4.2 自编码网络 |
| 4.3 稀疏自编码网络 |
| 4.4 小波自编码-循环神经网络 |
| 4.5 实验结果与分析 |
| 4.5.1 模型设置 |
| 4.5.2 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 总结和展望 |
| 5.1 论文总结 |
| 5.2 未来研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
四、一种低分辨雷达自动目标识别系统（论文参考文献）
- [1]基于毫米波雷达的HRRP目标识别分类[D]. 陈正阳. 北京邮电大学, 2021(01)
- [2]基于深度网络的HRRP目标识别与对抗攻击研究[D]. 万锦伟. 西安电子科技大学, 2020(05)
- [3]基于ISAR的机动目标快速成像与识别技术研究[D]. 薛佳音. 哈尔滨工业大学, 2020(01)
- [4]基于概率统计模型的雷达高分辨距离像目标识别方法研究[D]. 陈健. 西安电子科技大学, 2020(05)
- [5]基于HRRP与ISAR图像融合的舰船目标识别研究[D]. 徐鹏政. 哈尔滨工业大学, 2020(01)
- [6]基于多维特征融合的“低慢小”目标自动识别关键技术研究[D]. 吴琪. 国防科技大学, 2019(02)
- [7]地面侦察雷达目标分类技术研究[D]. 孙泽渝. 南京理工大学, 2019(01)
- [8]基于深度学习的低分辨雷达目标识别技术研究[D]. 朱克凡. 国防科技大学, 2019(02)
- [9]基于深度学习的毫米波探测系统自动目标识别方法研究[D]. 马益路. 南京理工大学, 2019(01)
- [10]基于小波自编码—循环神经网络的雷达HRRP目标识别技术研究[D]. 张梦娇. 西安电子科技大学, 2019(02)