基于人工智能的复杂电磁环境下的雷达目标识别

发布时间：2020-12-13 00:46

　　如今,随着雷达技术的发展和突破使得雷达成像的分辨率越来越高,同时对雷达目标的识别要求也越发的高。本文要处理的图像是合成孔径雷达(synthetic aperture radar,SAR)图像,即识别出SAR图像中的目标物体。如何提高SAR图像识别的精度和识别的速度?最近几年人工智能快速发展,特别是深度学习的兴起,为雷达目标识别提供了一条新的路径。本文研究内容基于人工智能的雷达目标识别技术,研究的数据来源于MSTAR数据集,它是一个公开的合成孔径雷达图像数据集。本文首先研究SAR成像原理及其图像特征,SAR图像目标识别的算法过程,以及复杂电磁环境下半实物仿真散射点目标特征。然后对深度学习的深度神经网络算法、卷积网络模型、受限玻尔兹曼机和自编码器等算法模型进行研究,基于这些算法模型对SAR图像噪声进行处理。接着提出自编码器和支持向量机组合模型进行目标识别。该模型分别运用自编码器实现特征选择和数据降维和使用支持向量机来进行最后的目标分类。本文分析该模型的优势和不足,并提出改进的想法。本文接着研究基于卷积神经网络的雷达目标识别,通过研究当前各种深度神经网络框架模型,分析了它们的优势和不足,基于... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

雷达成像示意图

图 2-2 合成孔径示意图有效时间积累即雷达运行一个孔径长度大小的时间，v为邻的两个目标散射点我们认为分别位于孔径正侧视的中生的位移为y的位置。当y=0 时是雷达的载体与目标之时为时间零点，t=0。孔径雷达成像算法标发射的电磁波，合成孔径雷达成像系统接收到目标反布状况，这个分布是对于回波的二维处理得到的，一般距离向压缩处理过程和方位向压缩处理过程两个部分。方位向上因为存在徙动现象，所以相对比较困难。勒算法是合成孔径雷达所成像算法（包括其他雷达如逆广泛）中较简单也是最经典的一种算法。距离多普勒算分来完成，其中方位向则是利用雷达回波中的多普勒信

图 2-3 识别流程图对于传统的目标识别而言，尤其困难和繁琐的是对图像进行有效的特征的提取对于一个优秀的雷达目标识别系统而言如何快速并准确地识别出图像中的目标是非常重要的。然而要做到快速，那么对于图像的特征的提取就需要快速、简便、有效，但是人为选择特征提取算子对整幅图去进行特征选择会非常繁琐、效率低下，并且可能选出的特征并不能很好地表征目标物体。近年来，深度学习发展迅速，各种各样新的网络结构（卷积神经网络，自编码器、受限玻尔兹曼机等）和训练技巧（dropout、NB等）的出现[16]，使得深度学习被用到各个领域。深度卷积网络在图像识别分类和目标检测方面都表现地十分出色，而且深度卷积网络还有一个传统分类方法所没有的优点，就是告别了人为选择特征提取算子的过程。因为深度卷积网络训练的过程就是在学习如何自动进行特征选择，它的每一个卷积层就是一个特征选择的过程，输出就是一个个特征图。有因为深度卷积网络的一系列自动处理过程使得目标识别比传统方法更加快速。相比于以往采用支持向量机作为识别任务的左后一环来进行分类，如今有许多

【参考文献】：
期刊论文
[1]基于卷积神经网络的高分辨率SAR图像飞机目标检测方法[J]. 王思雨,高鑫,孙皓,郑歆慰,孙显.  雷达学报. 2017(02)
[2]合成孔径雷达数据减灾应用潜力研究综述[J]. 张薇,杨思全,王磊,李岩.  遥感技术与应用. 2012(06)
[3]高分辨率SAR数据在5·12汶川地震灾害监测与评估中的应用[J]. 刘斌涛,陶和平,范建容,田兵伟,张建强,严冬.  山地学报. 2008(03)
[4]SAR图像中目标的检测和识别研究进展[J]. 杨桄,陈克雄,周脉鱼,徐忠林,王宗明.  地球物理学进展. 2007(02)

硕士论文
[1]基于散射中心模型的SAR图像自动目标识别[D]. 程肖.国防科学技术大学 2009



本文编号：2913567