基于自动编码器的高分辨雷达目标识别研究

发布时间：2021-01-28 04:00

　　高分辨雷达数据由于能够提供目标尺寸、散射点结构等特征,并且包含目标更多的细节信息,使得高分辨雷达数据能够更精细的区分目标的类别和型号,因此在雷达自动目标识别（RATR）中的应用越来越广泛。而随着深度学习方法在机器学习领域的飞速发展,深度学习方法也被引入雷达目标识别的应用中,促进了雷达目标识别技术的进一步发展。在深度学习方法中,AE模型由于其良好的泛化性能在各个领域被广泛使用。本论文依托国防预研项目以及国家自然科学基金等项目,从深度学习方法在高分辨雷达目标识别中的应用角度出发,针对AE模型应用在高分辨雷达目标识别中存在的问题进行了相关理论和技术研究。论文的各部分主要内容概括如下:1.介绍雷达目标识别的基本概念、应用背景以及研究现状,并介绍了深度学习的相关概念和发展情况。讨论了深度学习在高分辨雷达目标识别中的问题,并概述了论文的主要工作。2.阐述了典型的深度学习方法——限制玻尔兹曼机（RBM）模型和自动编码器（AE）模型的基本结构,对模型的推导和求解过程做了详细介绍,并分析了两种方法的特点和不同。之后通过RBM模型和AE模型在高分辨雷达目标识别中HRRP数据和SAR图像数据上的实验结果,分... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：112 页

【学位级别】：博士

【部分图文】：

MSTAR数据集10类目标光学图像示例

目标的 SAR 图像，本论文研究主要使用其中的三类军事BTR70、步兵战车 BMP2 以及主战坦克 T72，其中 BMP2 2-9563、BMP2-9566 和 BMP2-C21，T72 也有三种变体，分别72-S7。图 1.4 和图 1.5 分别给出了三类地面目标的光学图像实验中，通常采用俯仰角为 17 度的数据作为训练数据，据作为测试数据，训练数据不包含变体，测试数据包含全据集划分的具体情况如表 1.2 所示。(a)BMP2 (b)BTR70 (c)T72图 1. 5 MSTAR 数据集 10 类目标光学图像示例

3. 2 加入随机丢弃的网络结构示意图构拥有 L 个隐层，( l)h ( l {1, , L} )表)分别表示第 l 层隐层的权重和偏置项线性变换的向量。如图 3.3(a)所示，下表示：( l 1) ( l 1) ( l ) ( l1)i i i+ + +k W h +b ( 1) ( 1)( )l li if+ +h k 节点。相应的iW 表示权重矩阵的第线性变换函数。随机丢弃之后，网络的隐层计算如( )Bernoulli( )lir p( l ) ( l ) ( l)i i ih r h ( l 1) ( l 1) ( l ) ( l1)i i i+ + +k W h +b


本文编号：3004316