基于微多普勒效应特征的空中目标识别.pdf
《基于微多普勒效应特征的空中目标识别.pdf》由会员分享,可在线阅读,更多相关《基于微多普勒效应特征的空中目标识别.pdf(6页珍藏版)》请在咨信网上搜索。
1、收稿日期:2 0 2 3 0 3 0 8基于微多普勒效应特征的空中目标识别孟凡君1,杨学岭1,2,吴 鑫1,管志强1(1.中国船舶集团有限公司第八研究院,江苏 南京 2 1 1 1 5 3;2.南京航空航天大学,江苏 南京 2 1 1 1 5 3)摘要:特征提取是基于微动特征雷达目标识别的关键一环。传统方法提取的特征为线性、浅层的,导致表征微多普勒效应的能力有限。针对这些问题,采用非线性网络进行特征学习,建立了基于微多普勒效应的飞机目标识别深度网络。通过构建处理微多普勒效应的卷积神经网络(C NN)模型,从微多普勒频域数据中自动提取非线性深层次属性特征,实现空中目标分类识别。在实际测量的微多普
2、勒频域数据上的大量实验结果表明,所提方法具有良好的目标识别性能和泛化性能。关键词:微多普勒效应;特征提取;雷达自动目标识别;卷积神经网络 中图分类号:T N 9 5 7.5 1文献标识码:A文章编号:C N 3 2-1 4 1 3(2 0 2 3)0 4-0 0 6 0-0 6D O I:1 0.1 6 4 2 6/j.c n k i.j c d z d k.2 0 2 3.0 4.0 1 3A i r T a r g e t R e c o g n i t i o n B a s e d o n M i c r o-D o p p l e r E f f e c t F e a t u r
3、e s ME NG F a n j u n1,YANG X u e l i n g1,2,WU X i n1,GUAN Z h i q i a n g1(1.N o.8 R e s e a r c h A c a d e m y o f C S S C,N a n j i n g 2 1 1 1 5 3,C h i n a;2.N a n j i n g U n i v e r s i t y o f A e r o n a u t i c s a n d A s t r o n a u t i c s,N a n j i n g 2 1 1 1 5 3,C h i n a)A b s t r
4、 a c t:F e a t u r e e x t r a c t i o n i s t h e k e y t e c h n i q u e f o r r a d a r t a r g e t r e c o g n i t i o n b a s e d o n m i c r o-D o p p l e r e f f e c t.T h e f e a t u r e s e x t r a c t e d b y t r a d i t i o n a l m e t h o d s a r e l i n e a r a n d s h a l l o w,w h i c
5、 h r e s u l t s i n t h e l i m i t e d c a p a b i l i t y t o c h a r a c t e r i z e m i c r o-D o p p l e r e f f e c t.A i m i n g a t t h e s e i s s u e s,t h i s p a p e r a-d o p t s n o n l i n e a r n e t w o r k f o r f e a t u r e l e a r n i n g,b u i l d s u p d e e p n e t w o r k f
6、 o r a i r c r a f t t a r g e t r e c o g n i t i o n b a s e d o n m i c r o-D o p p l e r e f f e c t.B y c o n s t r u c t i n g a c o n v o l u t i o n a l n e u r a l n e t w o r k(C NN)m o d e l f o r d e a l i n g w i t h m i c r o-D o p p l e r e f f e c t,t h e n o n l i n e a r d e e p p
7、r o p e r t y f e a t u r e s o f t a r g e t s a r e f u l l y e x t r a c-t e d f r o m m i c r o-D o p p l e r d a t a o f f r e q u e n c y d o m a i n,s o a i r t a r g e t c l a s s i f i c a t i o n a n d r e c o g n i t i o n a r e r e-a l i z e d.T h e e x t e n s i v e e x p e r i m e n t
8、a l r e s u l t s o n t h e r e a l m e a s u r e d m i c r o-D o p p l e r f r e q u e n c y d o m a i n d a t a s h o w t h a t t h e p r o p o s e d m e t h o d a c h i e v e s g o o d t a r g e t r e c o g n i t i o n p e r f o r m a n c e a n d g e n e r a l i z a-t i o n p e r f o r m a n c e.
9、K e y w o r d s:m i c r o-D o p p l e r e f f e c t;f e a t u r e e x t r a c t i o n;r a d a r a u t o m a t i c t a r g e t r e c o g n i t i o n;c o n v o l u t i o n n e u r a l n e t w o r k 0 引 言众所周知,移动目标会在雷达回波信号中产生多普勒频移,称为多普勒效应。如果目标上存在旋转或者震荡的结构组件,这些移动组件将在目标中心频率周围引起额外的频率调制,称为微多普勒效应。目标的微多普勒调制效应
10、是区别其他目标所独有的,包括目标微动分量几何特征和微动的细节,为雷达自动目标识别提供了新的途径1-2。对于动态飞行器目标的分类识别,也可利用差分调制分量来区分不同类型的飞行器目标。3种飞行器目标(喷气式飞机、螺旋桨飞机、直升机)的调制分量结构,如旋翼长度、速度和数量,有显著差异,在窄带雷达回波中体现为不同的多普勒调制特性。3种飞行器目标基于X波段雷达实测数据的典型例子如图1所示。频域数据通过T分布随机近邻嵌入(T-S E N)32 0 2 3年8月舰 船 电 子 对 抗A u g.2 0 2 3第4 6卷第4期S H I P B OA R D E L E C T R ON I C C OUN
11、T E RME A S UR EV o l.4 6 N o.4方法进行压缩,并以散点图的形式显示在特征空间中,不同目标的微多普勒集用深浅不同的颜色表示。据此,可以从回波中提取相关特征,实现对3类飞机目标的分类。在利用差分调制分量提取特征区分不同类型目标方面,积累了大量的研究成果。陈行勇等提出一种利用时频分布提取微多普勒物理特征估算运动参数的方法4。文献5 以速率偏差系数作为调制特性,使用K-最近邻分类器(KNN)方法来实现目标分类。这些方法基于特定的参数模型,在实践中运行良好,但都是提取浅层特征,泛化性能有限。最近,许多研究人员认为非线性、深度网络可以在各种任务中实现卓越的性能。图1 基于T-
12、S E N的微多普勒频域数据集及特征空间展示 在特征学习的诸多应用中,深度网络具有强大的非线性特征提取能力,在图像等领域取得了优于传统人工特征的性能。2 0 0 6年,H i n t o n提出一种无监督逐层贪心训练方法6,解决了深度增加引起的梯度消散问题,使神经网络向更深的方向发展。后来,许多研究人员根据不同应用背景提出了多种深度学习(D L)模型,如深度执行网络(D NN)、卷积神经网络(C NN)等,在图像等领域比传统方法取得了更好的效果。文献7 以受限三分支去噪声自编码器的形式提出了一种新的深度网络,以充分利用有限的训练样本进行合成孔径雷达(S A R)自动目标识别。这些传统的工程特征
13、是有用的,但依赖于研究人员的经验和技能。另一方面,不同频段雷达数据的通用性较差8。针对这些问题,提出了一种基于微多普勒效应的飞机目标识别C NN模型,并结合标签信息来学习目标的稳定结构和相关性。本文证明了该方法应用在X波段和S波段雷达的实测数据有效性和泛化性能,以展示对传统特征提取方法的建模能力。分析结果表明,该方法比传统的特征提取方法具有更好的特征提取能力。同时,实验结果也表明该方法具有良好的泛化性能。1 基于微多普勒效应特征的空中目标识别方法 本文提出的目标识别框架如图2所示。它由2个过 程 组 成:原 始 微 多 普 勒 频 域 数 据 预 处 理 和C NN。首先,从原始微多普勒频域数
14、据中去除固定杂波频率分量,并移动机身频率分量,使用L2归一化方法处理数据;然后,利用C NN来学习微多普勒数据的深层特征;最后,利用归一化指数(s o f t m a x)层获得具有深层特征的分类结果。图2 本文提出的目标识别框架流程1.1 微多普勒频域数据预处理在原始微多普勒频域数据中,目标特征和固定杂波混合在返回的回波中。这里固定杂波分量的多普勒频谱主要对应于零频附近的频率分量。16第4期孟凡君,等:基于微多普勒效应特征的空中目标识别微多普勒频域数据的幅度尺度灵敏度取决于微多普勒频域数据的强度,由雷达发射功率、目标距离、雷达天线增益、雷达接收机增益、雷达系统损耗等构成的函数决定。不同雷达或
15、不同条件下测得的微多普勒频域数据会有不同的幅度尺度。为了处理幅度尺度灵敏度,每个微多普勒频域数据通过除以L2范数进行归一化:xi=xiKi=1|xi|2(1)式中:xi表示每个频率的幅度尺度值;k表示微多普勒频域数据的维数。在多普勒频谱中,目标机身的幅度尺度值是最大的。将最大振幅刻度值移至零频率位置。图3(a)、(b)、(c)显示了原始微多普勒数据预处理。图3 微多普勒频域数据预处理1.2 卷积神经网络如图2右侧所示,本文提出了一种基于微多普勒效应的飞机目标识别C NN模型。C NN模型包括输入层、卷积层、池化层、激活函数、全连接层和输出层,它们基本上是一个接一个地堆叠构成一个网络。通常C N
16、N的输入是原始图像XRDK。本文中,Hi表示C NN中的第i层特征图。原始图像XRDK可被描述为:H0=X(2)同时,假设Hi代表卷积层,生产过程可描述如下:Hi=f(Hi*Wi+bi)(3)式中:WiRKM是第i个卷积的权重矩阵;*是操作符号,表示卷积核与第i个图像或特征图进行卷积;biRM是隐藏的偏置向量;f()表示非线性函数。卷积层之后通常是池化层,根据一定的下采用规则对特征图进行采样。一方面,池化层可以降低特征图的维度;另一方面,池化层可以保持特征图的尺度不变性。池化层可以描述为:Hi=s u b s a m p l i ng(Hi-1)(4)式中:Hi表示池化层,并且Hi-1表示第(
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 多普勒效应 特征 空中 目标 识别
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。