基于自更新置信分类网络的雷达点迹识别算法

作     者：杨蕊 赵颖博 YANG Rui;ZHAO Ying-bo

作者机构：西安建筑科技大学工程综合实训中心西安710000 西安建筑科技大学机电学院西安710000 

出 版 物：《科学技术与工程》 (Science Technology and Engineering)

年 卷 期：2024年第24卷第20期

页      面：8541-8549页

学科分类：080904[工学-电磁场与微波技术] 0810[工学-信息与通信工程] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 081105[工学-导航、制导与控制] 081001[工学-通信与信息系统] 081002[工学-信号与信息处理] 0825[工学-航空宇航科学与技术] 0811[工学-控制科学与工程] 

基　　金：国家自然科学基金(61804120) 陕西省自然科学基础研究计划(2021 JQ-515) 

主　　题：雷达点迹 置信函数 深度学习 数据分类 迭代优化 

摘      要：多雷达协同组网进行目标探测识别时,受复杂战场环境影响,获取的数据富含大量杂波和不确定信息,传统雷达点迹识别算法在处理此类数据时具有一定局限。为了解决上述问题,提出一种基于自更新置信分类网络的雷达点迹识别算法(radar plots recognition algorithm based on self-updating confidence classification network,RPR-SCCN)。首先,构建置信分类网络,获取各轮迭代下雷达点迹隶属目标、杂波和不确定的初始置信度。然后,基于点迹的空间分布特性构造决策证据并进行修正融合,融合结果进行点迹类别更新,更新点迹则再次驱动置信分类网络训练学习。优化后的置信分类网络继续进行下一轮次的点迹置信更新、决策证据构建以及类别标签更新等,此过程一直循环迭代,直至前后两轮次的雷达点迹类别标签不再变化时停止。实测雷达点迹的实验验证结果显示,点云分形网络(point fractal network,PF-Net)、基于全连接神经网络的雷达点迹分类算法(radar plot classification based on fully connected neural network,RPC-FNN)、粒子群优化概率神经神经网络(particle swarm optimization probabilistic neural network,PSO-PNN)和基于卷积神经网络的雷达点迹分类算法(radar plot classification based on convolutional neural networks,RPC-CNN)典型雷达点迹智能识别算法的识别正确率为82%~90%,所提算法则可以达到93%,提升3%~10%。此外,所提算法对训练样本数目依赖较小,便于推广应用。