基于循环神经网络的空中目标类型识别

发布时间：2021-08-09 07:25

　　为解决在空中目标类型识别过程中,目标特征单一导致识别准确率低的问题,提出一种将雷达信噪比与目标航迹特征相结合的基于循环神经网络（Recurrent Neural Network,RNN）的目标识别方法。该方法利用RNN模型在处理时序数据上的优势,挖掘雷达数据隐藏在时间层面的特征;扩展目标特征属性维度,利用智能化模型有效地将雷达信噪比与目标航迹特征相结合,提高目标识别的准确率。应用真实检飞数据,对该方法进行检验,并与传统方法进行对比分析。仿真结果表明,基于RNN的目标智能化识别方法具有更高的准确率。 

【文章来源】：航天控制. 2020,38(03)北大核心CSCD

【文章页数】：7 页

【部分图文】：

RNN结构图

RNN目标识别算法

当战场传感器的实时数据经过预处理之后，直接输入训练完成的RNN网络进行实时的目标识别，识别过程如图3所示。当雷达探测到来袭目标，对目标数据进行预处理，得到9维的目标特征向量，包括了目标的相对距离R、方位角A、俯仰角E、xyz三轴上的速度分量、径向速度V、高度H和信噪比，然后将每一拍的目标特征向量依次循环输入到RNN网络中，最终网络输出目标类型结果，完成实时目标识别。这里输入的拍数需要视具体情况由雷达频次和识别实时性共同确定，由公式n=f×t计算得到，n为拍数，f为雷达频次，t为人为设定预期需要在发现目标后多久时间内给出识别结果。

【参考文献】：
期刊论文
[1]智能化技术在精确打击体系中的应用[J]. 周蓓蓓,刘珏.  空天防御. 2019(03)
[2]反舰导弹类型的Bayes-可拓识别模型[J]. 王丰,林瑜,农元苑.  航天控制. 2019(03)
[3]未来新一代轰炸机隐身特性需求分析[J]. 徐顶国,艾俊强,雷武涛,王立波.  航空工程进展. 2018(04)
[4]美国海军电子战系统现状及发展趋势[J]. 唐宏.  舰船电子对抗. 2018(05)
[5]美英法空袭叙利亚作战特点分析及防空装备发展启示[J]. 刘杰,陈海燕,高璞,梁壮.  空天防御. 2018(04)
[6]典型隐身目标SAR仿真与检测[J]. 韩昊鹏,张晨新,刘铭,童创明.  火力与指挥控制. 2018(09)
[7]基于深度强化学习的作战辅助决策研究[J]. 周来,靳晓伟,郑益凯.  空天防御. 2018(01)
[8]高超声速飞行器气动/隐身优化设计方法[J]. 焦子涵,邓帆,刘辉,陈林,付秋军,尘军.  宇航学报. 2016(09)
[9]基于参数学习贝叶斯网络的对敌空中目标融合识别[J]. 狄方旭,王小平,李瑾,刘哲.  弹箭与制导学报. 2014(06)
[10]基于支持向量机和无源特征的目标识别方法[J]. 史豪杰,邢清华,沈继承.  电光与控制. 2009(02)

硕士论文
[1]基于深度学习网络的雷达目标识别技术研究[D]. 夏靖远.国防科学技术大学 2016



本文编号：3331648