基于雷达低分辨率航迹信息的目标分类方法研究

发布时间：2020-10-20 18:13

　　 近年来,无人机扰航事件时有发生,鸟击事件也严重威胁了民航飞行的安全。无人机和飞鸟作为低慢小目标相比于通常的雷达目标,雷达散射截面积小、飞行高度低、多普勒频移不明显。加之低慢小目标所处低空环境复杂、背景干扰多,在探测低慢小目标时,环境中车辆、飞机、气流等其他目标也会形成航迹,对特定低慢小目标的监测和处理造成干扰。所以迫切需要对低慢小目标探测雷达的输出航迹进行初步分类,以提取出特定的低慢小目标。然而,现有的低慢小目标探测雷达通常分辨率较低,不能提供传统目标识别分类算法所需要的高分辨信息。因此,本论文尝试基于低慢小目标探测雷达的低分辨率航迹信息对目标进行初步的分类。本论文主要研究机场环境下低慢小目标探测雷达的目标航迹分类问题。在低分辨率航迹信息中,难以直观地在空间-多普勒-反射强度-和差信息组成的高维空间中分类目标。本论文充分利用低分辨率航迹中的点迹高维信息,以点迹信息随时间分布的数据作为分类算法的输入,同时引入人工智能分类算法凝练出航迹特征,从而完成目标的分类。主要工作如下:1)采集实测航迹数据,对航迹中点迹的信息进行了统计分析,得到了不同目标在空间、多普勒、反射强度以及和差信息等多种信息上的分布,基于这些分布特征仿真构建了用于训练分类算法的数据集;2)引入CNN和RNN分类算法用于解决低分辨目标航迹分类问题。仿真验证了分类算法的有效性,比较了不同分类算法的性能;3)针对CNN和RNN分类算法的优缺点,用双向循环结构构造卷积窗口代替CNN的卷积层,利用循环卷积神经网络对航迹进行分类。基于TensorFlow深度学习框架完成循环卷积神经网络的搭建,仿真验证了循环卷积神经网络分类算法的性能;4)针对航迹中点迹信息的特性,将输入航迹数据分为两个部分:和差信息部分(方位和差比幅、俯仰和差比幅、方位和差相位、俯仰和差相位)和其他信息部分(距离、方位、俯仰、速度、RCS),每个部分与不同尺寸的卷积核进行卷积,最后将卷积后得到的特征图融合,增强特征,提高鲁棒性。基于TensorFlow深度学习框架完成了多结构卷积神经网络的搭建,并验证了该分类算法的性能。
【学位单位】：南京航空航天大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TN95;TP18
【部分图文】：

南京航空航天大学硕士学位论文第一章 绪论1.1 研究背景和意义近年来，民用无人机(Unmanned Aerial Vehicle，UAV)发展迅速[1]。但由于无人机管控制尚未完善，所以经常造成无人机飞至机场影响航班准点率、危害航班安全[2]的情况。此外，击事件也是民航飞行的一大威胁。

31 0 24多普勒维当前点迹图 2.3 相邻检测单元示意图2.3 构建数据集本论文数据包括实测数据和仿真数据。其中实测数据由外场实验采集得到，仿真数据是基于对实测数据中不同目标的信息分布进行仿真得到。2.3.1 实测数据采集实测数据为天线接收的回波信号经信号处理流程和数据处理流程后形成的航迹，由某型低慢小目标探测雷达系统经外场实验采集得到。外场实验包括采集无人机数据、鸽子数据和车辆数据。外场实测图如图 2.4 所示。其中，无人机采用大疆精灵 3(DJI Phantom 3)。无人机和鸽子的 RCS 均近似在 0.01m2~ 0.1m2之间。

基于雷达低分辨率航迹信息的目标分类方法研SVM1:2-012SVM2:0-101图 3.9 低慢小雷达目标分类的 SVM 多模式分类，分类结果混淆矩阵如图 3.10 所示，其中横坐标数据计算可得，分类准确率为 86.47%。车辆数据，高于鸟类和无人机数据集的分类精确率，这是有较大的区分度，分类结果很好地印证了这一点
【相似文献】

相关期刊论文 前10条

1 周旭东;陈晓红;陈松灿;;半配对半监督场景下的低分辨率人脸识别[J];计算机研究与发展;2012年11期

2 柳坚;Windows XP爱富不嫌贫——自己动手找回低分辨率设置[J];电脑应用文萃;2005年01期

3 徐建平,施进明;气象卫星低分辨率资料传输的数字化[J];气象科技;2003年05期

4 李明;;卫星云图数字化处理系统[J];实验技术与管理;1988年01期

5 ;综合消息[J];国外空间动态;1988年06期

6 倪汉培;GMS低分辨率云图在1024×1024高分辨率显示器上的实时伪彩色显示[J];南京气象学院学报;1989年03期

7 储久良;袁宝华;;基于完备局部相位量化的低分辨率人脸识别[J];高技术通讯;2014年11期

8 张地;何家忠;彭宏;;低分辨率人脸序列的超分辨率重构识别[J];韶关学院学报;2007年06期

9 马慧;孙万春;汪炜玮;程代娣;;基于低分辨率的人脸识别方法研究[J];计算机测量与控制;2019年03期

10 薛杉;朱虹;王婧;史静;;低分辨率人脸图像的迭代标签传播识别算法[J];模式识别与人工智能;2018年07期

相关博士学位论文 前3条

1 熊志伟;基于范例的高性能图像超分辨率[D];中国科学技术大学;2011年

2 周旭东;基于不同多视图数据场景的典型相关分析研究和应用[D];南京航空航天大学;2013年

3 朱小柯;行人重识别关键匹配技术研究[D];武汉大学;2017年

相关硕士学位论文 前10条

1 狄佳颖;基于雷达低分辨率航迹信息的目标分类方法研究[D];南京航空航天大学;2019年

2 胡藏艺;基于回归分析的鲁棒人脸识别研究[D];南京邮电大学;2019年

3 刘仪;基于卷积神经网络的低分辨率细胞图像分割算法研究[D];西安理工大学;2019年

4 赵迪;人脸幻想研究[D];山东大学;2019年

5 张悦;具有姿态和光照鲁棒性的低分辨率人脸识别算法[D];吉林大学;2018年

6 刘操钢;基于深度学习的低分辨率人脸识别[D];哈尔滨工程大学;2018年

7 姜亚东;基于卷积神经网络的低分辨率行人与人脸检测和识别研究[D];电子科技大学;2018年

8 周猛;大规模MIMO中继协作方案设计及性能研究[D];西北师范大学;2018年

9 陈南真;复杂场景低分辨率人脸识别及其在身份识别系统的应用[D];电子科技大学;2018年

10 张一凡;低分辨率条件下的人脸识别算法研究[D];电子科技大学;2018年

本文编号：2848994