基于特征和深度学习的海面漂浮目标的检测与分类

作     者：郭亚星 

作者单位：南京邮电大学 

学位级别：硕士

导师姓名：时艳玲

授予年度：2023年

学科分类：11[军事学] 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] 0816[工学-测绘科学与技术] 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] 1109[军事学-军事装备学] 0811[工学-控制科学与工程] 

主      题：海杂波 海面目标检测 海面目标分类 卷积神经网络 生成对抗网络 

摘      要：本文研究的重点是海面目标检测和分类,在进行海面漂浮目标检测时,海面杂波是一个重要的干扰因素。由于海杂波的非平稳、非高斯、非均匀等特性,传统的基于统计模型的检测方法遭遇性能瓶颈。随着领域研究的不断深入,基于特征的检测和分类方法被用于海面目标检测。但是特征提取的方式具有一定的主观性和有限性,越来越多的学者将深度学习的技术引入本领域。本文基于深度学习技术,采用递归图(Recurrence Plots,RP)、卷积神经网络(Convolutional Neural Network,CNN)和生成对抗网络(Generative Adversarial Network,GAN)来进行海面目标的检测和分类。本文的研究概况如下:(1)介绍了递归图的构建过程,嵌入时延和嵌入维度的选取方法,以及生成的递归图数据集的规格。分析了目标递归图和杂波递归图之间的差异性。(2)介绍了卷积神经网络中卷积层、池化层、全连接层的工作原理,以及本文所用Le Net-5的网络结构。(3)基于递归图能很好地描述动态系统以及卷积神经网络在图像分类方面的优越性能,本文将递归图和卷积神经网络进行结合,提出了RPs-CNN分类器的结构,设计了RPs-CNN分类器的实验方案,介绍了七个分类性能评价指标,从递归图的参数和网络的参数两个大方向进行了实验,确定了最佳的递归图的时间序列长度、嵌入维度、嵌入时延、卷积核尺寸、卷积核深度、优化函数等实验参数。最后根据网络判别层的输出,实现了虚警可控的RPsCNN,并与经典算法进行了性能对比。实验结果表明,RPs-CNN的海面目标检测和分类方法在性能上优于传统的基于统计模型和特征的方法。(4)雷达回波数据中目标数据和海杂波数据的数据量悬殊较大。样本不平衡会导致偏向性问题、精度问题、泛化问题等一系列问题。为了解决上述问题,本文提出了解决由于海杂波样本数据不平衡所引发问题的思路,在RPs-CNN的基础上,引入了生成对抗网络GAN来对少数样本进行生成,从而解决由于样本不平衡而导致的分类性能较弱的问题。实验结果显示,基于递归图和卷积神经网络的海面目标检测和分类方法在性能上优于传统的基于统计模型和特征的方法。在解决海杂波样本数据不平衡所带来的问题上,引入对抗生成网络GAN进行少数类样本的生成,性能表现更好。本文提出的方法为海面目标检测和分类领域的研究提供了新的思路和方法,具有广泛的应用前景。