基于CNN的舰船高分辨距离像目标识别

发布时间：2024-06-13 18:55

　　针对传统目标识别方法人工提取特征难以挖掘到数据深层次特征的问题,提出了将卷积神经网络(CNN)应用于高分辨距离像(HRRP)的目标识别方法,实现了对数据深层次特征的自动提取。首先构造CNN模型,设置网络参数;然后针对HRRP数据是一维的问题,将HRRP数据重新排列使一维数据变为二维数据;其次用训练数据对CNN模型进行训练得到网络参数;最后用训练好的网络模型对测试数据进行目标识别。通过对数据的减半并且添加噪声,验证了CNN的泛化性能。通过对学习率的优化,可以进一步提高CNN的识别率。实测数据的实验结果表明,CNN具有较好的识别性能。

【文章页数】：7 页

【部分图文】：

图1HRRP生成示意图

HRRP是目标散射点子回波沿雷达视线方向的投影向量和，其生成示意图如图1所示。早期的雷达目标识别主要是通过窄带雷达对目标的有效散射截面积（RCS）进行研究的，随着带宽的增大，雷达的分辨能力增强，当雷达的带宽大到使雷达的距离分辨率远小于目标的尺寸时，目标的各等效散射中心在雷达视线上....

图2CNN基本结构图

CNN是一类特殊的前馈神经网络，最早始于20世纪60年代Hubel和Wiesel等人通过对猫和猴的视觉皮层细胞研究，发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，提出了感受野（receptivefield）的概念，继而提出了CNN[20]。近年来，CNN被广泛应用于各....

图3舰船模型与实验装置

本文采用的数据是某实验室通过水声试验测量的舰船模型HRRP数据[21]，舰船模型与实验装置如图3所示，实验示意图如图4所示。图4实验示意图

图4实验示意图

图3舰船模型与实验装置实验共测得5类舰船在不同角度下的HRRP数据，5类舰船目标编号为目标A～E，其中A～C为军用舰船，D为渔政船，E为巴拿马型货船。每一类包含2400个样本，平均覆盖180°姿态角，图5给出了5类目标在姿态角为0°时的归一化HRRP。

本文编号：3993501