基于稳健深层网络的雷达高分辨距离像目标特征提取算法

特征提取是雷达高分辨距离像(HRRP)目标识别的核心技术。传统的特征提取算法多采用浅层的模型结构,容易忽视样本的内在结构,不利于学习有效的分类特征。针对这一问题,该文利用多层非线性网络实现特征学习,构建了基于深层网络的雷达HRRP目标识别框架。利用平均像在散射点不发生越距离单元走动的方位帧内具有稳健物理特性的性质,提出了堆栈联合稳健自编码器。该网络由一系列联合稳健自编码器堆栈化实现,在匹配原始HRRP样本的同时,约束同帧样本趋近于平均像,并将网络的最终输出作为分类器的特征输入。基于实测HRRP数据的实验结果验证了所提算法的有效性。     

无限最大间隔线性判别投影模型

针对具有多模分布结构的高维数据的分类问题,该文提出一种无限最大间隔线性判别投影(iMMLDP)模型。与现有全局投影方法不同,模型通过联合Dirichlet过程及最大间隔线性判别投影(MMLDP)模型将数据划分为若干个局部区域,并在每一个局部学习一个最大边界线性判别投影分类器。组合各局部分类器,实现全局非线性的投影与分类。iMMLDP模型利用贝叶斯框架联合建模,将聚类、投影及分类器进行联合学习,可以有效发掘数据的隐含结构信息,因而,可以较好地对非线性可分数据,尤其是具有多模分布特性数据进行分类。得益于非参数贝叶斯先验技术,可以有效避免模型选择问题,即局部区域划分数量。基于仿真数据集、公共数据集及雷达实测数据集验证了所提方法的有效性。     

面向SAR图像目标分类的CNN模型可视化方法

卷积神经网络(CNN)在合成孔径雷达(SAR)图像目标分类任务中应用广泛。由于网络工作机理不透明,CNN模型难以满足高可靠性实际应用的要求。类激活映射方法常用于可视化CNN模型的决策区域,但现有方法主要基于通道级或空间级类激活权重,且在SAR图像数据集上的应用仍处于起步阶段。基于此,该文从神经元特征提取能力和网络决策依据两个层面出发,提出了一种面向SAR图像的CNN模型可视化方法。首先,基于神经元的激活值,对神经元在其感受野范围内的目标结构学习能力进行可视化,然后提出一种通道-空间混合的类激活映射方法,通过对SAR图像中的重要区域进行定位,为模型的决策过程提供依据。实验结果表明,该方法给出了模型在不同设置下的可解释性分析,有效拓展了卷积神经网络在SAR图像上的可视化应用。     

一种针对雷达高分辨距离像识别的融合核优化算法

本文提出一种针对雷达一维高分辨距离像(HRRP)的核函数优化算法.该算法基于对模-1距离高斯核和模-2距离高斯核的融合,结合两种核函数的不同特性,不仅优化了核函数,同时抑制了HRRP的闪烁效应.文中,基于雷达实测数据,我们将所提算法应用于核主分量分析(KPCA)的核函数优化中,然后采用支持矢量机(SVM)对提取的特征进行了分类.通过对实验结果比较与分析,我们证明该方法是有效的.     

一种基于Dirichelt过程隐变量支撑向量机模型的目标识别方法

在目标识别中,对于样本数较多且分布复杂的数据,若将所有训练样本用来训练一个单一的分类器,会增加分类器的训练复杂度,且容易忽视样本的内在结构,不利于分类。因此人们提出了混合专家系统(ME),即将训练样本集划分为多个训练样本子集,并在每个子集上单独训练分类器。但是传统ME系统需要人为确定专家个数,并且每个子集的学习独立于后端的任务,如分类。该文提出一种基于Dirichlet过程(DP)混合隐变量(LV)支持向量机(SVM)模型(DPLVSVM)的目标识别算法,采用DP混合模型自动确定样本聚类个数,同时每个聚类中使用线性隐变量SVM(LVSVM)进行分类。不同于以往算法,DPLVSVM 将聚类过程和分类器的训练过程联合优化,保证了各个子集中样本的分布上的一致性和可分性,而且可以利用Gibbs采样技术对模型参数进行简便有效的估计。基于人工数据集、公共数据集以及雷达实测数据的实验验证了该文方法的有效性。     

一种基于多极化散射机理的极化SAR图像舰船目标检测方法

针对基于单一极化特性增强的极化SAR图像目标检测方法的缺陷,该文将DP(Dirichlet Process)混合隐变量SVM模型(DPLVSVM)应用于极化SAR图像舰船目标检测,提出一种基于多极化散射机理的检测方法。该方法通过联合Dirichlet过程混合与Bayes SVM模型,将信号空间划分成若干局部区域,然后在每一局部区域学习一个独立的极化检测器,并将各局部检测器进行组合实现全局多极化散射机理的目标检测。模型采用非参数化Bayes方法自动确定局部区域数量,在完全Bayes框架下,将局部区域划分及检测器学习进行联合优化,保证了各局部区域样本的可分性。另外,为了降低极化特征冗余,该文进一步提出带特征选择功能的稀疏提升DP混合隐变量SVM模型(SPDPLVSVM),提高模型的推广能力。该模型由于采用共轭先验分布,因而可以利用Gibbs采样方法进行高效求解。在RADARSAT-2数据上进行的实验验证了所提方法的有效性。     

基于软阈值深度学习的自动调制识别算法

自动调制识别是通信识别、电子侦察、干扰检测等领域中重要的环节. 针对低信噪比（signal-to-noise ratio, SNR）条件下自动调制识别准确率不高的问题,构建了一种基于注意力机制的卷积神经网络（convolutional neural network, CNN）调制识别模型（sequential convolution-based attention model, SCAM）,用于处理原始I/Q序列信号从而进行调制识别. 通过在一维CNN模型中引入注意力机制,SCAM能够有效地在低SNR条件下提取原始I/Q序列信号中的特征信息,再通过特征融合的方式对多域特征信息进行联合提取,并将融合后的特征用于调制识别,从而提升了自动调制识别的准确率. 对比传统CNN模型,开源数据集RML2016.10a上不同SNR环境条件下的调制识别实验表明,本文提出的SCAM模型能取得更高的调制类型识别准确率.

     

基于PGBN模型的SAR图像目标识别方法

特征提取是合成孔径雷达图像目标识别的关键步骤,也是难点之一。该文提出一种基于PGBN(Poisson Gamma Belief Network)模型的SAR图像目标识别方法。PGBN模型作为一种深层贝叶斯生成网络,利用伽马分布具有的高度非线性,从复杂的SAR图像数据中获得了更具结构化的多层特征表示,这种多层特征表示有效提高了SAR图像目标识别性能。为了获得更高的训练效率和识别率,该文进一步采用朴素贝叶斯准则提出了一种对PGBN模型进行分类的方法。实验采用MSTAR的3类目标数据进行了验证,结果表明通过该方法提取的特征有更好的结构信息,对SAR图像目标识别具有较好的性能。     

基于稳健变分自编码模型的雷达高分辨距离像目标识别算法

对于雷达高分辨距离像的识别问题,传统深层网络通常忽略了HRRP自身的目标特性,不利于学习有效的分类特征,导致其识别性能受到限制.针对这一问题,本文提出了一种基于稳健变分自编码模型的目标识别算法.该算法结合HRRP数据特性,利用平均像在散射点不发生越距离单元走动的方位帧内具有稳健物理特性的性质,基于变分自编码器构建了稳健变分自编码模型.该模型不仅能够获取稳健有效的识别特征,而且在一定程度上保存了数据的帧内结构信息,较大地提高了目标的平均识别率.基于实测HRRP数据验证了所提算法的有效性.     

基于注意循环神经网络模型的雷达高分辨率距离像目标识别

针对雷达高分辨率距离像(HRRP)数据的识别问题,该文利用HRRP生成的时序特性,提出一种基于循环神经网络的注意模型。该模型利用具有记忆功能的循环神经网络对时域数据进行编码,并根据HRRP中不同距离单元所映射的隐层对目标识别的重要性,自适应地赋予隐层不同的权值系数,并根据隐层特征编码特征进行HRRP目标识别。该模型利用了隐藏在HRRP数据内部的目标结构信息,提高了特征的区分度。实测数据的实验结果表明,该方法可以有效地进行识别,在样本存在一定余度数据和样本偏移的情况下,都能准确地找出目标支撑区域。