基于卷积神经网络的空间红外目标识别方法研究
发布时间：2021-10-30 12:28
基于红外探测的空间目标识别技术在导弹防御系统中占据重要位置,对于国家的安全具有重大意义。在人工智能快速发展和智能化作战的需求下,基于数据驱动建立智能的识别系统,实现自动目标识别是当下急需解决的问题。本课题以红外目标识别任务为背景,针对识别系统存在的难点问题,开展了基于深度卷积神经网络（Convolutional Neural Networks,CNNs）的空间红外目标识别研究。论文主要围绕以下四个方面展开:第一,空间目标的红外辐射强度序列模型研究。分别从空间目标的温度模型、轨道运动以及投影面积模型三个方面对空间目标进行分析与建模。根据目标微动动力学模型,通过欧拉角表示,建立了惯量参数与微动周期之间的数学描述,分析了目标惯量参数对姿态运动方式以及红外辐射强度序列的影响。进一步探讨了影响目标辐射强度序列变化的主要因素,仿真生成了目标的辐射强度序列,为后续研究提供理论依据和数据基础。第二,基于多尺度卷积神经网络（MCNN）的目标辐射强度序列分类研究。针对远距离探测强噪声水平下的目标分类问题,提出一种多尺度卷积神经网络结构。网络结合多时间尺度和多频率尺度变换,通过局部卷积和完全卷积,使得底层特...
【文章来源】：国防科技大学湖南省 211工程院校 985工程院校
【文章页数】：133 页
【学位级别】：博士
【部分图文】：
导弹防御系统
国防科技大学研究生院博士学位论文第4页实现空间目标的可靠判决对于精分类模块的要求较高，用于识别的特征必须是能区分不同目标的本质特征；同时要求采用多模态分类器设计，通过不同层次的信息进行融合以保证识别算法的可靠性和稳定性。图1.4点目标成像由于空间拦截交战过程中所获得的目标特征是随交战时间动态变化的，并且受探测器性能的限制，远距离的目标（弹头、诱饵等）在探测器成像平面上成像面积小于一个像元而被称为点目标，如图1.4所示。此时对于观测者而言，能够利用的信息十分有限，无法获取目标的外形和基本结构等重要信息。但经过一段时间的观测可以得到目标辐射强度随时间变化的辐射强度序列。研究发现，目标红外辐射强度序列波动起伏的幅度、频率等能反映出空间目标的运动特征和物理属性，可以用于区分和辨识不同的目标类型。因此，大部分空间红外点目标识别的研究主要基于目标的辐射强度序列展开。1.2.2空间目标红外特性分析目标红外特性分析对于目标识别是必不可少的一个环节，分析的主要目的是为后续识别算法的设计提供依据。通过分析目标的主要特性或规律，进一步获取目标特性与红外辐射序列之间的关系是本课题的研究重点。目前，对于空间目标的红外特性分析方法主要分为两种：1）实验测量分析。通过在不同场景下进行飞行实验，获取观测数据，对其进行分析，确定目标特性与红外辐射强度序列之间的关系。采用实验测量的方法通常具有较高的可靠性和准确性，但由于代价昂贵，试验次数受限，对于目标特性的分析无法涵盖复杂多变的战场环境；2）计算机仿真分析。这是常用的分析手段，通过理论分析建立目标的观测模型，基于观测模型借助计算机仿真分析目标特征与其红外辐射强度序列之间的对应关系和变化规律。最后，采用实测
国防科技大学研究生院博士学位论文第9页先，弹道目标识别系统对于识别算法的精度要求高，进行误判的代价极大，同时由于远距离探测，获取的信息较少，受探测器噪声污染严重，因此要求网络需要具备稳定的识别性能，能够学习到稳健的特征表达。其次，在空间红外目标分类应用中，能够获取目标数据有限，样本集的完备性很难得到满足。由于对问题理解的局限性和实际应用中的复杂性，很难精确、完整地定义训练样本集，网络如何实现有限数据条件下的特征学习，摆脱大规模训练样本的依赖。这些问题均有待进一步的研究。1.2.4.3注意力模型对于深度网络的可解释性问题，目前主要通过可视化的方法进行解释，此外，注意力模型提供了一种重要的思路。注意力模型受人类视觉的选择性注意力机制启发，能够以“低分辨率”的方式感知周围的图像，以“高分辨率”的方式集中在图像的某个区域，随着时间的推移调整焦点，以从众多信息中选择出对当前任务最关键的信息。通过可视化注意力模型的输出，能够在一定程度上理解网络关注了哪些信息。便于理解在模型输出过程中输入序列中的信息是如何影响最后生成序列的。有助于更好地理解模型的内部运作机制以及对一些特定的输入-输出进行调试。图1.5Attention机制的发展近来，结合注意力机制（Attention）的深度网络引起了广泛的关注。图1.5表示了Attention研究的大致发展历程。Attention机制最早在图像领域被提出，Googlemind团队[148]于2014年提出了结合注意力机制的RNN进行图像分类。通过注意力去选择性学习图像中需要处理的部分，即当前状态会根据前一个状态学习得到的关注位置和当前输入的图像，去处理注意力部分像素，减少了需要处理的信息量，能够有效降低了任务的复杂度。随后，Bahdanau等人[149]将注意力机制引
【参考文献】：
期刊论文
[1]Micro-motion dynamics analysis of ballistic targets based on infrared detection[J]. Junliang Liu,Yanfang Li,Shangfeng Chen,Huanzhang Lu,Bendong Zhao. Journal of Systems Engineering and Electronics. 2017(03)
[2]Convolutional neural networks for time series classification[J]. Bendong Zhao,Huanzhang Lu,Shangfeng Chen,Junliang Liu,Dongya Wu. Journal of Systems Engineering and Electronics. 2017(01)
[3]Infrared modeling and imaging simulation of midcourse ballistic targets based on strap-down platform[J]. Changzhen Qiu,Zhiyong Zhang,Huanzhang Lu,Kaifeng Zhang. Journal of Systems Engineering and Electronics. 2014(05)
[4]Exo-atmospheric target discrimination using probabilistic neural network[J]. 王暕来,杨春玲. Chinese Optics Letters. 2011(07)
[5]中段弹道目标群的红外成像仿真研究[J]. 林两魁,谢恺,徐晖,安玮. 红外与毫米波学报. 2009(03)
[6]大气层外弹道式目标红外特征的数值分析(英文)[J]. 张骏,王一程,吕相银,杨华. 红外与激光工程. 2008(05)
[7]目标与场景的红外特性建模与仿真软件的发展[J]. 范晋祥,岳艳军. 红外与激光工程. 2008(S2)
[8]空间目标进动特性及在雷达识别中的应用[J]. 刘永祥,黎湘,庄钊文. 自然科学进展. 2004(11)
博士论文
[1]基于红外辐射强度序列的空间目标姿态和形状快速反演技术研究[D]. 毋亚北.国防科技大学 2017
[2]光学图像末制导中的点目标检测与识别算法研究[D]. 张兵.国防科学技术大学 2005
本文编号：3466732
【文章来源】：国防科技大学湖南省 211工程院校 985工程院校
【文章页数】：133 页
【学位级别】：博士
【部分图文】：
导弹防御系统
国防科技大学研究生院博士学位论文第4页实现空间目标的可靠判决对于精分类模块的要求较高，用于识别的特征必须是能区分不同目标的本质特征；同时要求采用多模态分类器设计，通过不同层次的信息进行融合以保证识别算法的可靠性和稳定性。图1.4点目标成像由于空间拦截交战过程中所获得的目标特征是随交战时间动态变化的，并且受探测器性能的限制，远距离的目标（弹头、诱饵等）在探测器成像平面上成像面积小于一个像元而被称为点目标，如图1.4所示。此时对于观测者而言，能够利用的信息十分有限，无法获取目标的外形和基本结构等重要信息。但经过一段时间的观测可以得到目标辐射强度随时间变化的辐射强度序列。研究发现，目标红外辐射强度序列波动起伏的幅度、频率等能反映出空间目标的运动特征和物理属性，可以用于区分和辨识不同的目标类型。因此，大部分空间红外点目标识别的研究主要基于目标的辐射强度序列展开。1.2.2空间目标红外特性分析目标红外特性分析对于目标识别是必不可少的一个环节，分析的主要目的是为后续识别算法的设计提供依据。通过分析目标的主要特性或规律，进一步获取目标特性与红外辐射序列之间的关系是本课题的研究重点。目前，对于空间目标的红外特性分析方法主要分为两种：1）实验测量分析。通过在不同场景下进行飞行实验，获取观测数据，对其进行分析，确定目标特性与红外辐射强度序列之间的关系。采用实验测量的方法通常具有较高的可靠性和准确性，但由于代价昂贵，试验次数受限，对于目标特性的分析无法涵盖复杂多变的战场环境；2）计算机仿真分析。这是常用的分析手段，通过理论分析建立目标的观测模型，基于观测模型借助计算机仿真分析目标特征与其红外辐射强度序列之间的对应关系和变化规律。最后，采用实测
国防科技大学研究生院博士学位论文第9页先，弹道目标识别系统对于识别算法的精度要求高，进行误判的代价极大，同时由于远距离探测，获取的信息较少，受探测器噪声污染严重，因此要求网络需要具备稳定的识别性能，能够学习到稳健的特征表达。其次，在空间红外目标分类应用中，能够获取目标数据有限，样本集的完备性很难得到满足。由于对问题理解的局限性和实际应用中的复杂性，很难精确、完整地定义训练样本集，网络如何实现有限数据条件下的特征学习，摆脱大规模训练样本的依赖。这些问题均有待进一步的研究。1.2.4.3注意力模型对于深度网络的可解释性问题，目前主要通过可视化的方法进行解释，此外，注意力模型提供了一种重要的思路。注意力模型受人类视觉的选择性注意力机制启发，能够以“低分辨率”的方式感知周围的图像，以“高分辨率”的方式集中在图像的某个区域，随着时间的推移调整焦点，以从众多信息中选择出对当前任务最关键的信息。通过可视化注意力模型的输出，能够在一定程度上理解网络关注了哪些信息。便于理解在模型输出过程中输入序列中的信息是如何影响最后生成序列的。有助于更好地理解模型的内部运作机制以及对一些特定的输入-输出进行调试。图1.5Attention机制的发展近来，结合注意力机制（Attention）的深度网络引起了广泛的关注。图1.5表示了Attention研究的大致发展历程。Attention机制最早在图像领域被提出，Googlemind团队[148]于2014年提出了结合注意力机制的RNN进行图像分类。通过注意力去选择性学习图像中需要处理的部分，即当前状态会根据前一个状态学习得到的关注位置和当前输入的图像，去处理注意力部分像素，减少了需要处理的信息量，能够有效降低了任务的复杂度。随后，Bahdanau等人[149]将注意力机制引
【参考文献】：
期刊论文
[1]Micro-motion dynamics analysis of ballistic targets based on infrared detection[J]. Junliang Liu,Yanfang Li,Shangfeng Chen,Huanzhang Lu,Bendong Zhao. Journal of Systems Engineering and Electronics. 2017(03)
[2]Convolutional neural networks for time series classification[J]. Bendong Zhao,Huanzhang Lu,Shangfeng Chen,Junliang Liu,Dongya Wu. Journal of Systems Engineering and Electronics. 2017(01)
[3]Infrared modeling and imaging simulation of midcourse ballistic targets based on strap-down platform[J]. Changzhen Qiu,Zhiyong Zhang,Huanzhang Lu,Kaifeng Zhang. Journal of Systems Engineering and Electronics. 2014(05)
[4]Exo-atmospheric target discrimination using probabilistic neural network[J]. 王暕来,杨春玲. Chinese Optics Letters. 2011(07)
[5]中段弹道目标群的红外成像仿真研究[J]. 林两魁,谢恺,徐晖,安玮. 红外与毫米波学报. 2009(03)
[6]大气层外弹道式目标红外特征的数值分析(英文)[J]. 张骏,王一程,吕相银,杨华. 红外与激光工程. 2008(05)
[7]目标与场景的红外特性建模与仿真软件的发展[J]. 范晋祥,岳艳军. 红外与激光工程. 2008(S2)
[8]空间目标进动特性及在雷达识别中的应用[J]. 刘永祥,黎湘,庄钊文. 自然科学进展. 2004(11)
博士论文
[1]基于红外辐射强度序列的空间目标姿态和形状快速反演技术研究[D]. 毋亚北.国防科技大学 2017
[2]光学图像末制导中的点目标检测与识别算法研究[D]. 张兵.国防科学技术大学 2005
本文编号：3466732
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3466732.html
