雷达高分辨距离像小样本目标识别方法研究

发布时间：2020-08-25 16:47

【摘要】：雷达自动目标识别技术(RATR)是当前目标识别研究领域的一个热点方向。RATR技术对提高国防能力、军队指挥自动化水平具有重要意义。近些年,随着宽带雷达技术的快速发展,雷达信号的分辨率不断提高,基于高分辨距离像(HRRP)的雷达目标识别的研究和应用不断涌现。但是当HRRP的维度相对样本量太大或者追踪非合作目标时,会出现小样本问题。本文主要研究基于高分辨距离像的雷达自动目标识别方法以及在小样本情况下的目标识别问题,主要内容和成果如下:(1)本文从HRRP的散射点模型出发,介绍了HRRP的基本特点以及预处理方法,然后介绍了常用了识别方法,包括自适应高斯分类器、支持向量机等。使用实测数据和以上方法进行目标识别实验,并对实验结果做了分析总结,对比了各种方法的性能差别,分析了各种方法的优势和不足,并给出了选择雷达目标识别方法的意见。(2)在小样本情况下,直接训练分类器会出现过拟合现象,度量学习不直接进行分类,而是学习一个距离度量函数,该函数可以描述两个样本之间的距离(或者相似度)。这种思路很适合解决小样本识别问题。神经网络在近几年的快速发展让人们认识到了其强大的能力,许多研究者将神经网络和度量学习结合,使用神经网络学习距离度量函数,得到了很多研究成果。本文研究了基于度量学习的小样本目标识别方法,具体包括孪生神经网络和原型网络两种方法。这两种方法都是通过神经网络将原始样本映射到特征空间,在特征空间进行距离计算完成小样本识别任务。最后通过实验验证了这两种方法相对传统方法的有效性,并分析了两种方法的优缺点。(3)元学习扩展学习器的学习范围,在相关任务的分布上进行学习。传统的学习器学习到适用于各个样本点的通用规则,元学习器学习一个适用于各种任务的算法。本文采用了一种元学习方法解决雷达小样本目标识别问题,即模型无关元学习(MAML)。MAML的关键思想在于训练模型的初始参数,使用少量新数据和几步梯度下降,模型就可以在新任务上获得最好的性能。将MAML应用于雷达高分辨距离像小样本识别任务,通过实验验证了MAML方法确实可以很快适应新任务并取得较好的识别性能。
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN957.52;TP18
【图文】：

线性可分,边界,分离超平面,二次优化

图2.1 SVM 线性可分数据的分类边界[54]问题：0,,|| ||T01subject tomax( ), 1,...,i iMy M iN β βxβ面。分离超平面到任意一类的最近的样本的距问题还可以写成如下形式：0,T0|| ||subjecmint to ( ) 1, 1,...,i iy i N βxββ的模值的限制。要注意M 1/ || β||。式（2-化问题的常用形式。该优化问题具有二次优化目

线性不可分,边界,导数

图2.2 SVM 线性不可分数据的分类边界[54]数并令导数等于零，可以得到：1Ni i ii y β x10Ni ii y ,i i C i i 。将上述结果带入式（2-24），可以得到拉格朗T1 1 112N N ND i i j i j i ji i jL y y x x

示意图,示意图,一维空间,单位向量

图2.3 PCA 正交映射示意图[23] { | 1,2,...,}nx n N，nx 为 D 维向量。我们的目时保证映射后的数据的方差最大。据映射到一维空间（M=1）。使用 D 维单位向量点nx 都可以映射为一个标量值 T1 nu x。映射后均值，通过下式计算：11NnnN x x 可以通过下式计算：T T 2 T1 1 1 11}1{NnnN u x u x u Su

【相似文献】