检索结果-南通市图书馆

作者：刘迪阳国防科技大学

学位级别：硕士

逆合成孔径雷达（Inverse Synthetic Aperture Radar,ISAR）是探测空中、空间目标的重要工具,ISAR像识别是态势综合感知的重要研究内容。针对实际应用中难以获取充足训练样本问题,本文将迁移学习引入到ISAR像识别中,利用实现辅助任务（... 详细信息

逆合成孔径雷达（Inverse Synthetic Aperture Radar,ISAR）是探测空中、空间目标的重要工具,ISAR像识别是态势综合感知的重要研究内容。针对实际应用中难以获取充足训练样本问题,本文将迁移学习引入到ISAR像识别中,利用实现辅助任务（源域）中得到的可用信息辅助实现目标任务（目标域）,以期克服传统深度学习方法因训练数据量不足产生的泛化能力差问题。本文的主要研究工作和研究成果包括:1、本文首先描述了研究的背景和意义,总结了国内外在ISAR像识别、深度学习、和迁移学习方面的研究进展,介绍了本文使用的实验数据。2、第二章介绍了基于Finetune（也叫微调、fine-tuning）的迁移学习的原理,通过变量控制实验验证了使用Finetune方法训练神经网络过程中各种因素带来的影响。为了使HRRP数据适应二维CNN处理,本文设计了一种有效的数据预处理方法将HRRP转换为二维数据,对ISAR像与HRRP的融合识别具有重要参考意义。分析了Finetune方法局限性。3、第三章针对Finetune算法在小样本下识别率低的局限,本文将度量学习中的原型网络引入到ISAR像识别,提高了小样本训练下模型的识别率。根据原型网络能实现零样本学习的原理,提出了结合原形网络的Finetune方法,使小样本训练下的识别率进一步提升。分析了传统分类网络与原型网络的优劣和选用原则。4、第四章针对无标签的数据无法用于训练Finetune网络的局限,引入了分布适应中的DANN方法,使利用无标签的目标域数据训练目标域识别模型成为可能。针对源域数据和目标域数据噪声分布不一样的情况,提出了使用降噪网络和DANN联合使用、在数据层面和特征层共同合对齐源域和目标域的方法,实现更优的识别效果。5、最后一章总结了全文的研究工作与创新内容,并指出了后续有望提高模型性能的研究方向。

关键词： ISAR像识别提升泛化能力深度学习迁移学习 Finetune 原型网络域对抗网络

基于时序受限玻尔兹曼机的HRRP序列识别技术

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于时序受限玻尔兹曼机的HRRP序列识别技术

作者：张一凡国防科技大学

学位级别：硕士

高分辨一维距离像由于其易于采集并且包含目标的尺寸大小、散射中心分布等判别特征而被广泛应用于雷达目标识别领域,然而传统的一维距离像识别算法存在诸多问题。首先,传统的识别方法大多只利用单幅一维像进行识别,鲜有将一维距离像转... 详细信息

高分辨一维距离像由于其易于采集并且包含目标的尺寸大小、散射中心分布等判别特征而被广泛应用于雷达目标识别领域,然而传统的一维距离像识别算法存在诸多问题。首先,传统的识别方法大多只利用单幅一维像进行识别,鲜有将一维距离像转化为序列目标进行识别,这使得一维距离像序列相邻帧之间存在的时空相关性没有被利用到,造成信息的损失。其次,由于HRRP具有姿态敏感性,传统方法很难提取到稳健的特征。最后,传统方法在低信噪比环境下的识别性能受限,无法适应雷达工作的实际环境。近年来,在大数据背景下,以“深度学习”为主的雷达目标识别方法取得了巨大的成功。相比于传统方法,深度学习能够更有效的利用大量的训练数据,直接从HRRP数据中学习得到更高层次的特征表达。本文针对这三个一维距离像识别领域存在的问题,研究基于时序受限玻尔兹曼机的一维距离像序列识别方法,为雷达目标识别提供了新的思路。第一章为绪论,阐述了本文的研究背景与意义,概括了当前目标识别的主要研究方法和进展,分析了基于HRRP的目标特征提取与目标识别以及基于HRRP的分类算法的主要类型,指出了各方法的优势和不足。最后简要回顾了受限玻尔兹曼机模型及其在目标识别等相关问题中的应用现状。指出了受限玻尔兹曼在序列目标识别上的潜在优势,为课题的研究指明了方向。第二章基于时序受限玻尔兹曼机模型研究了HRRP序列识别方法。针对传统的识别方法不能有效利用序列信息的问题,本章将一维距离像序列视为距离单元上的一维序列数据直接作为输入进行识别任务,将时序受限玻尔兹曼机模型应用到一维距离像序列识别任务中,有效利用了一维距离像序列相邻帧之间的时空相关性特征。第三章基于RTRBM模型研究了高维数据背景下的HRRP序列识别方法。为解决TRBM模型复杂,计算量大的问题,本章将递归时序受限玻尔兹曼机模型应用到一维距离像序列识别中,其性能优于TRBM模型,取得了更高的识别率,这是由于递归时序受限玻尔兹曼机模型当前时刻的状态只与前一个时刻的状态有关,因此模型计算量得以减少。第四章基于ARTRBM模型研究了低信噪比环境下的HRRP序列识别方法。针对传统方法难以处理高维数据和低信噪比数据的问题,本章将注意力机制引入到递归时序受限玻尔兹曼机模型,提出基于注意力机制的递归时序受限玻尔兹曼机模型,模型利用递归时序受限玻尔兹曼机模型提取一维距离像序列信息,并储存在隐藏层向量中。注意力机制分配给对识别贡献大的特征以更大的权值,使模型将更多注意力放在更具可分性的特征上,使得所提出的模型抗噪性能优于传统模型,更适应于低信噪比环境。第五章为总结与展望。对全文的主要工作以及创新点进行总结,并对小样本,非均匀采样等条件下的HRRP序列识别,以及将更深层网络与注意力机制相结合并应用于HRRP序列任务等问题进行了展望。

关键词：时序受限玻尔兹曼机一维距离像序列目标识别注意力机制机器学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的ISAR分辨率增强技术研究

基于深度学习的ISAR分辨率增强技术研究

作者：秦丹国防科技大学

学位级别：硕士

逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)目前已成为人们获取非合作运动目标高分辨雷达像的常用手段,雷达像的分辨率越高,其展现的目标信息越丰富。针对传统ISAR分辨率增强方法的不足,本文重点研究用于ISAR分辨率增强的... 详细信息

逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)目前已成为人们获取非合作运动目标高分辨雷达像的常用手段,雷达像的分辨率越高,其展现的目标信息越丰富。针对传统ISAR分辨率增强方法的不足,本文重点研究用于ISAR分辨率增强的深度学习方法。所开展的研究工作和取得的研究成果如下:第一章回顾了国内外ISAR分辨率增强技术的研究进展,重点分析了目前已经广泛应用的各种传统方法存在的不足,并总结了目前深度学习在分辨率增强技术研究中取得的研究成果。第二章基于ISAR成像原理阐述了ISAR分辨率增强的具体含义,并在传统ISAR分辨率评估方法的基础上提出了ISAR分辨率增强指数,用于评估ISAR分辨率增强性能。第三章首先分析了利用深度学习方法提升ISAR分辨率的可行性,提出了用深度方法增强ISAR分辨率的基本框架。而后选择低分辨ISAR像和其对应高分辨ISAR像之间的均方根误差(Mean Square Error,MSE)作为损失函数,用深度残差网络学习两者之间存在的映射关系,将已训练完成的深度残差网络模型作为ISAR高分辨图像的重构模型。为了分析该深度残差网络模型的重构性能,我们基于理想点散射模型和暗室测量数据研究了残差网络结构和ISAR回波信噪比对分辨率增强性能的影响,并对残差网络各层提取的特征进行了可视化和进一步分析。与传统的ISAR分辨率增强技术相比,该方法不需要进行模型参数求解,可以同时增强距离向和方位向分辨率,有效避免了谱估计方法和稀疏表示方法容易产生假散射点的问题,提高了散射点的估计精度。第四章提出了一种基于生成对抗网络的ISAR分辨率增强方法。该方法将绝对值损失和对抗损失的加权和作为生成网络的损失函数,解决了将MSE作为网络的损失函数导致的分辨率增强指数有限和弱散射点无法被准确恢复的问题。我们同样基于理想点散射模型和暗室测量数据展开实验,实验结果表明,对比于其他基于深度学习的雷达分辨率增强方法,该方法达到了更高的分辨率增强指数,在低的信噪比下仍然能较准确的恢复图像中的弱散射点,具有更强的鲁棒性。第五章是全文研究工作的总结与展望。总结了全文的主要研究内容及创新点并讨论了目前利用深度学习增强ISAR分辨率方法的优势和局限性。

关键词： ISAR分辨率增强深度学习深度残差网络端到端映射估计精度生成对抗网络增强指数弱散射点降低旁瓣

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的雷达像融合识别

基于深度学习的雷达像融合识别

作者：林文浩国防科技大学

学位级别：硕士

雷达目标识别是一种依靠雷达回波信号实现对目标类别自动判定的技术,在民用和军事领域应用广泛。宽带雷达目标识别包括基于高分辨距离像(High Resolution Range Profile,HRRP)的识别和基于逆合成孔径雷达(Inverse Synthetic Aperture Ra... 详细信息

雷达目标识别是一种依靠雷达回波信号实现对目标类别自动判定的技术,在民用和军事领域应用广泛。宽带雷达目标识别包括基于高分辨距离像(High Resolution Range Profile,HRRP)的识别和基于逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)像的识别等,其能够获取目标的结构信息,进而实现更为精准的目标类别判定。但由于单传感器观测数据存在不完善、不确定等特点,单模态识别性能有时不够理想。而基于观测信息的共享和综合利用,多模态融合识别实现了更为准确可靠的目标识别结果。传统融合方法所依赖的特征提取和特征选择等存在依靠专家经验的缺陷,且各阶段相互独立,无法实现端到端的自动识别。鉴于深度学习在信息处理中强大的数据拟合能力、自动提取特征能力以及可移植性强等独特优势,为了实现对多雷达信息的融合利用及实现端到端的目标识别过程,本文将多模态融合技术和深度学习技术结合到雷达像目标识别上,以期提高雷达目标识别性能。本文分别针对HRRP融合识别、ISAR像融合识别开展研究,并探讨了模态缺失下的ISAR像融合识别问题。本文的主要研究内容和成果概括如下:1.针对多个HRRP融合过程中的特征维度高的问题,提出了基于注意力机制降维的HRRP融合识别方法。本文首先将预处理后的多源HRRP分别经双向长短期记忆网络(Long Short-Term Memory,LSTM)提取特征并进行归一化,然后将特征进行外积得到融合特征,为了实现对高维特征有效利用的同时减少网络参数,本文引入注意力机制来分别实现矩阵降维和矢量降维。最后将特征矢量输入全连接分类器实现目标分类。实测数据结果表明,其识别率优于单模态识别和基于特征拼接的多模态融合识别方法。2.针对多幅ISAR像融合时的信息冗余问题,提出了基于共享隐空间的ISAR像融合识别方法。本文主要通过表征学习来构建多输入的共享隐空间,以同一特征表示并减少冗余信息,同时提出了一种增强网络支路间信息交互的注意力模块,该模块可以有效提高网络收敛速度。仿真实验结果验证了该方法在识别率、网络参数量等方面优于其他多视角融合方法。3.针对复杂环境下模态缺失的问题,提出了基于Bot Net和Embrace Net的ISAR像融合识别方法。受复杂环境和非合作目标的运动特性影响,ISAR成像条件有时难以保证,即可能存在输入模态缺失的情况。为此引入了一种名为Embrace Net的融合识别模型,既实现了在多源可靠输入的条件下提高识别率,又保证了在模态缺失的情况下取得比单输入更高识别率的效果。

关键词：雷达目标识别深度学习多模态特征级融合注意力机制 HRRP ISAR像模态缺失

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于联合字典学习的ISAR像分辨率增强

基于联合字典学习的ISAR像分辨率增强

作者：叶佳琪国防科技大学

学位级别：硕士

近年来,随着人工智能的兴起,机器学习和稀疏表示被越来越多的应用于信号处理领域。受自然光学图像超分辨率技术的启发,本文尝试将光学图像超分辨率算法引入ISAR图像分辨率增强中,重点研究了一种基于联合字典学习的ISAR像稀疏重构算法。... 详细信息

近年来,随着人工智能的兴起,机器学习和稀疏表示被越来越多的应用于信号处理领域。受自然光学图像超分辨率技术的启发,本文尝试将光学图像超分辨率算法引入ISAR图像分辨率增强中,重点研究了一种基于联合字典学习的ISAR像稀疏重构算法。本文的主要工作如下:第一章介绍了图像超分辨技术的国内外研究现状,总结概括了ISAR分辨率增强技术的几种经典方法及工作原理。为后续工作的开展提供了理论依据。第二章阐述了ISAR的成像原理以及稀疏成像原理。介绍了小角度条件下的转台成像模型。信号通过字典可以稀疏的表示,该方法能够提高信号的抗噪性,对于ISAR成像也具有不需要预先估计散射点的优势。所以在后续介绍了稀疏表示在ISAR成像中的应用。第三章提出了一种稀疏重构模型,该模型基于低分辨率和高分辨率图像块的耦合字典学习方法来实现图像分辨率的增强。当雷达信号频率变化不大时,目标的散射中心模型近似保持不变,假设目标对象的低分辨率ISAR像与其高分辨率ISAR像共享相同的稀疏表示系数是合理的。根据雷达图像与光学图像的差异,提出了针对ISAR像的预处理方法,并研究了如何将该算法在实一维像和ISAR像中应用。最后采用点散射模型和暗室测量数据验证了本方法的性能。第四章主要研究了利用复雷达图像提升图像分辨率。分别从对字典训练算法的改进和数据的处理两个方面进行。在字典优化算法方面,本文提出了基于RBM网络模型的字典训练算法,模型中的隐层节点表示稀疏表示系数,显层节点表示高/低分辨率图像数据,因此,模型中的权重就代表字典,经过多次迭代训练即可得出最后训练好的字典。本章还与之前学者提出过的经典字典学习算法进行了对比比较。最后经过仿真实验可以证明基于RBM网络的字典学习算法是使稀疏恢复效果最好的算法。本章还针对稀疏重构中雷达图像的数据处理形式进行改变,不再使用之前所含信息量较少的实雷达数据训练方法,而是采用复雷达图像数据进行训练和测试。将雷达数据进行实部和虚部分离处理。最后的实验结果证明复雷达数据进行实验仿真具有更好的效果。

关键词： ISAR成像分辨率增强技术联合字典学习稀疏重构框架受限玻尔兹曼机模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于度量学习的小样本ISAR像识别

基于度量学习的小样本ISAR像识别

作者：杨宜国防科技大学

学位级别：硕士

ISAR(Inverse Synthetic Aperture Radar,ISAR)像识别在民用和军事领域应用广泛,然而在实际的雷达目标识别应用中,尤其在非合作目标条件下难以获取足够多的训练样本来满足模型的训练需求,导致深度学习技术在小样本条件下ISAR像识别的性... 详细信息

ISAR(Inverse Synthetic Aperture Radar,ISAR)像识别在民用和军事领域应用广泛,然而在实际的雷达目标识别应用中,尤其在非合作目标条件下难以获取足够多的训练样本来满足模型的训练需求,导致深度学习技术在小样本条件下ISAR像识别的性能不佳。当前数据增强、迁移学习、元学习是解决小样本条件下识别的重要方法,尤其是在极少数样本条件下,元学习中的度量学习方法展现了优异的性能。针对小样本条件下ISAR图像识别的难题,本文研究基于度量学习的小样本ISAR像识别方法。本文的主要研究工作和研究成果包括:1、第一章回顾了国内外在ISAR像识别和度量学习方面的研究进展,分析了传统方法存在的不足,介绍了本文使用的实验数据。2、第二章介绍了度量学习原理,通过在ISAR像仿真数据集上进行的实验验证了度量学习方法解决小样本ISAR像识别的有效性,并重点分析了度量学习方法的两个局限性,一是在度量学习中,少量标签样本具有随机性,因此模型提取的每类的原型也具有随机性,从而导致模型性能不够稳健。度量学习方法的测试是随机选取多个抽样任务进行分类识别,但模型的每个识别任务都是未知的,故模型无法提取特定任务中最具可分性的特征。二是对ISAR像识别而言,现有度量学习方法的度量能力有待提高。3、第三章针对度量学习中ISAR像识别特征并没有达到最佳可分性的问题,本文提出了基于Transformer的度量学习ISAR像识别方法,该方法通过引入由三重注意力模块构成的Transformer,自适应学习更具可分性的度量空间,从而提高模型识别性能。最后利用电磁计算和暗室测量数据仿真实验验证了提出的模型在小样本ISAR像识别中的有效性。4、第四章针对现有度量学习方法对ISAR像空间位置关系敏感导致模型度量能力不佳的局限性,本文提出了一种面向小样本ISAR像识别的双重注意力关系网络。该模型首先引入分裂卷积(Split Based Convolutional Operation,SPconv)消除ISAR像特征中的模式冗余,提取ISAR像的有效特征,并对标记样本特征取均值得到类别原型,其次嵌入了一个双重相关注意力模块(Dual Correlation Attention,DCA)来感知ISAR像的位置关系,比较不同位置的相关语义对象或细粒度特征。最后通过可学习的非线性分类器度量测试样本与每类原型(类别中心)的相似度来进行分类。通过电磁计算和暗室测量数据仿真实验验证了提出的模型在小样本ISAR像识别中的有效性。5、第五章总结了全文的研究工作与创新内容,并指出了后续有望提高模型性能的研究方向。

关键词： ISAR像识别度量学习小样本学习 Transformer 注意力机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的稀疏孔径ISAR成像技术

基于深度学习的稀疏孔径ISAR成像技术

作者：肖超超国防科技大学

学位级别：硕士

逆合成孔径雷达（Inverse Synthetic Aperture Radar,ISAR）目前已成为获取非合作运动目标高分辨雷达像的常用手段,并已广泛应用于民用与军用领域。但在实际应用中由于目标机动、强噪声干扰等原因造成雷达回波缺失,使得传统的RD（Range ... 详细信息

逆合成孔径雷达（Inverse Synthetic Aperture Radar,ISAR）目前已成为获取非合作运动目标高分辨雷达像的常用手段,并已广泛应用于民用与军用领域。但在实际应用中由于目标机动、强噪声干扰等原因造成雷达回波缺失,使得传统的RD（Range Doppler,RD）成像算法失效。在回波缺失的情况下,目前主要通过压缩感知类算法完成图像重构,该类方法通常通过l正则项约束为模型添加稀疏先验,但基于正则项约束的先验模型并不是理想的先验模型。针对稀疏孔径ISAR成像中存在的这一问题,本文提出将传统压缩感知算法与深度学习相结合,通过神经网络从数据中学习目标的先验结构信息,提出了基于Pn P-ADMM（Plug-and-Play Alternating Direction Multiplier Method）的稀疏孔径ISAR成像算法,但由于Pn P（Plug-and-Play）框架存在迭代调用相同去噪网络的缺陷。在此基础上,针对基于深度学习的Pn P框架下稀疏孔径ISAR成像的局限性,提出了U-ADMMNet成像算法。最后针对重构之后的ISAR像质量不佳的情况,提出了基于CBAM-Unet+的ISAR图像增强算法。本文所开展的研究工作及内容安排如下:第一章为绪论部分,介绍了本课题的研究背景及意义,回顾了基于压缩感知、深度学习、深度展开、即插即用等稀疏孔径ISAR成像技术发展现状,最后介绍了本文所用实验数据情况。第二章首先介绍了雷达目标散射模型以及ISAR成像的基本原理及稀疏孔径条件下的ISAR成像模型,并通过仿真和实测数据实验分析了不同稀疏模式对成像结果的影响,此外还介绍了本文对成像结果评价所用的评价指标。第三章针对传统ADMM算法的先验模型局限性,将Pn P框架和ADMM算法结合进行稀疏孔径ISAR成像,提出了Pn P-ADMM的成像方法,该方法利用深度网络学习数据中的结构先验信息代替传统ADMM算法的l范数约束先验,得到更加精确的先验模型。本章首先介绍了基于ADMM的稀疏孔径ISAR成像算法的推导过程,推导了Pn P-ADMM成像算法流程。电磁仿真数据与实测数据实验结果验证了该方法在成像质量上优于传统ADMM算法。第四章在第三章基础上,针对目前基于深度学习的Pn P框架在算法迭代中调用同一去噪先验网络的局限性,提出了一种新的U-ADMMNet成像算法,该方法结合Pn P框架与深度展开方法的优点,先将ADMM算法通过深度展开方法展开成网络的形式,再将复数UNet网络替换ADMM网络中的去噪先验模块,形成所提的U-ADMMNet网络,该网络可在算法的不同迭代轮次中调用不同参数的去噪先验网络。仿真和实测数据实验表明该方法在相关系数、均方根误差、峰值信噪比等图像评价指标上明显优于ADMM、CRL1-ADMM等成像算法。第五章针对目前U-Net网络在ISAR像增强任务中未充分利用雷达图像语义信息的弊端,提出在U-Net网络中引入全尺度连接和CBAM（Convolutional Block Attention Module）注意力模块。从全尺度捕获图像中的细节和结构信息,并在多尺度特征融合层中引入通道和空间注意力模块,增强网络的特征表达能力。仿真和实测数据实验结果表明,本章所提网络的图像增强效果优于目前深度神经网络的增强效果。第六章为总结和展望,对全文工作及创新点进行了总结,并分析了目前所做工作的不足以及将来可采取的解决方案。

关键词：逆合成孔径雷达(ISAR) 深度学习深度展开压缩感知交替乘子法