近年來,無人機擾航事件時有發(fā)生,鳥擊事件也嚴(yán)重威脅了民航飛行的安全。無人機和飛鳥作為低慢小目標(biāo)相比于通常的雷達(dá)目標(biāo),雷達(dá)散射截面積小、飛行高度低、多普勒頻移不明顯。加之低慢小目標(biāo)所處低空環(huán)境復(fù)雜、背景干擾多,在探測低慢小目標(biāo)時,環(huán)境中車輛、飛機、氣流等其他目標(biāo)也會形成航跡,對特定低慢小目標(biāo)的監(jiān)測和處理造成干擾。所以迫切需要對低慢小目標(biāo)探測雷達(dá)的輸出航跡進行初步分類,以提取出特定的低慢小目標(biāo)。然而,現(xiàn)有的低慢小目標(biāo)探測雷達(dá)通常分辨率較低,不能提供傳統(tǒng)目標(biāo)識別分類算法所需要的高分辨信息。因此,本論文嘗試基于低慢小目標(biāo)探測雷達(dá)的低分辨率航跡信息對目標(biāo)進行初步的分類。本論文主要研究機場環(huán)境下低慢小目標(biāo)探測雷達(dá)的目標(biāo)航跡分類問題。在低分辨率航跡信息中,難以直觀地在空間-多普勒-反射強度-和差信息組成的高維空間中分類目標(biāo)。本論文充分利用低分辨率航跡中的點跡高維信息,以點跡信息隨時間分布的數(shù)據(jù)作為分類算法的輸入,同時引入人工智能分類算法凝練出航跡特征,從而完成目標(biāo)的分類。主要工作如下:1)采集實測航跡數(shù)據(jù),對航跡中點跡的信息進行了統(tǒng)計分析,得到了不同目標(biāo)在空間、多普勒、反射強度以及和差信息等多種信息上的分布,基于這些分布特征仿真構(gòu)建了用于訓(xùn)練分類算法的數(shù)據(jù)集;2)引入CNN和RNN分類算法用于解決低分辨目標(biāo)航跡分類問題。仿真驗證了分類算法的有效性,比較了不同分類算法的性能;3)針對CNN和RNN分類算法的優(yōu)缺點,用雙向循環(huán)結(jié)構(gòu)構(gòu)造卷積窗口代替CNN的卷積層,利用循環(huán)卷積神經(jīng)網(wǎng)絡(luò)對航跡進行分類�；赥ensorFlow深度學(xué)習(xí)框架完成循環(huán)卷積神經(jīng)網(wǎng)絡(luò)的搭建,仿真驗證了循環(huán)卷積神經(jīng)網(wǎng)絡(luò)分類算法的性能;4)針對航跡中點跡信息的特性,將輸入航跡數(shù)據(jù)分為兩個部分:和差信息部分(方位和差比幅、俯仰和差比幅、方位和差相位、俯仰和差相位)和其他信息部分(距離、方位、俯仰、速度、RCS),每個部分與不同尺寸的卷積核進行卷積,最后將卷積后得到的特征圖融合,增強特征,提高魯棒性�；赥ensorFlow深度學(xué)習(xí)框架完成了多結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的搭建,并驗證了該分類算法的性能。
【學(xué)位單位】：南京航空航天大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TN95;TP18
【部分圖文】：

南京航空航天大學(xué)碩士學(xué)位論文第一章 緒論1.1 研究背景和意義近年來，民用無人機(Unmanned Aerial Vehicle，UAV)發(fā)展迅速[1]。但由于無人機管控制尚未完善，所以經(jīng)常造成無人機飛至機場影響航班準(zhǔn)點率、危害航班安全[2]的情況。此外，擊事件也是民航飛行的一大威脅。

31 0 24多普勒維當(dāng)前點跡圖 2.3 相鄰檢測單元示意圖2.3 構(gòu)建數(shù)據(jù)集本論文數(shù)據(jù)包括實測數(shù)據(jù)和仿真數(shù)據(jù)。其中實測數(shù)據(jù)由外場實驗采集得到，仿真數(shù)據(jù)是基于對實測數(shù)據(jù)中不同目標(biāo)的信息分布進行仿真得到。2.3.1 實測數(shù)據(jù)采集實測數(shù)據(jù)為天線接收的回波信號經(jīng)信號處理流程和數(shù)據(jù)處理流程后形成的航跡，由某型低慢小目標(biāo)探測雷達(dá)系統(tǒng)經(jīng)外場實驗采集得到。外場實驗包括采集無人機數(shù)據(jù)、鴿子數(shù)據(jù)和車輛數(shù)據(jù)。外場實測圖如圖 2.4 所示。其中，無人機采用大疆精靈 3(DJI Phantom 3)。無人機和鴿子的 RCS 均近似在 0.01m2~ 0.1m2之間。

基于雷達(dá)低分辨率航跡信息的目標(biāo)分類方法研SVM1:2-012SVM2:0-101圖 3.9 低慢小雷達(dá)目標(biāo)分類的 SVM 多模式分類，分類結(jié)果混淆矩陣如圖 3.10 所示，其中橫坐標(biāo)數(shù)據(jù)計算可得，分類準(zhǔn)確率為 86.47%。車輛數(shù)據(jù)，高于鳥類和無人機數(shù)據(jù)集的分類精確率，這是有較大的區(qū)分度，分類結(jié)果很好地印證了這一點
【相似文獻】

相關(guān)期刊論文 前10條

1 周旭東;陳曉紅;陳松燦;;半配對半監(jiān)督場景下的低分辨率人臉識別[J];計算機研究與發(fā)展;2012年11期

2 柳堅;Windows XP愛富不嫌貧——自己動手找回低分辨率設(shè)置[J];電腦應(yīng)用文萃;2005年01期

3 徐建平,施進明;氣象衛(wèi)星低分辨率資料傳輸?shù)臄?shù)字化[J];氣象科技;2003年05期

4 李明;;衛(wèi)星云圖數(shù)字化處理系統(tǒng)[J];實驗技術(shù)與管理;1988年01期

5 ;綜合消息[J];國外空間動態(tài);1988年06期

6 倪漢培;GMS低分辨率云圖在1024×1024高分辨率顯示器上的實時偽彩色顯示[J];南京氣象學(xué)院學(xué)報;1989年03期

7 儲久良;袁寶華;;基于完備局部相位量化的低分辨率人臉識別[J];高技術(shù)通訊;2014年11期

8 張地;何家忠;彭宏;;低分辨率人臉序列的超分辨率重構(gòu)識別[J];韶關(guān)學(xué)院學(xué)報;2007年06期

9 馬慧;孫萬春;汪煒瑋;程代娣;;基于低分辨率的人臉識別方法研究[J];計算機測量與控制;2019年03期

10 薛杉;朱虹;王婧;史靜;;低分辨率人臉圖像的迭代標(biāo)簽傳播識別算法[J];模式識別與人工智能;2018年07期

相關(guān)博士學(xué)位論文 前3條

1 熊志偉;基于范例的高性能圖像超分辨率[D];中國科學(xué)技術(shù)大學(xué);2011年

2 周旭東;基于不同多視圖數(shù)據(jù)場景的典型相關(guān)分析研究和應(yīng)用[D];南京航空航天大學(xué);2013年

3 朱小柯;行人重識別關(guān)鍵匹配技術(shù)研究[D];武漢大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 狄佳穎;基于雷達(dá)低分辨率航跡信息的目標(biāo)分類方法研究[D];南京航空航天大學(xué);2019年

2 胡藏藝;基于回歸分析的魯棒人臉識別研究[D];南京郵電大學(xué);2019年

3 劉儀;基于卷積神經(jīng)網(wǎng)絡(luò)的低分辨率細(xì)胞圖像分割算法研究[D];西安理工大學(xué);2019年

4 趙迪;人臉幻想研究[D];山東大學(xué);2019年

5 張悅;具有姿態(tài)和光照魯棒性的低分辨率人臉識別算法[D];吉林大學(xué);2018年

6 劉操鋼;基于深度學(xué)習(xí)的低分辨率人臉識別[D];哈爾濱工程大學(xué);2018年

7 姜亞東;基于卷積神經(jīng)網(wǎng)絡(luò)的低分辨率行人與人臉檢測和識別研究[D];電子科技大學(xué);2018年

8 周猛;大規(guī)模MIMO中繼協(xié)作方案設(shè)計及性能研究[D];西北師范大學(xué);2018年

9 陳南真;復(fù)雜場景低分辨率人臉識別及其在身份識別系統(tǒng)的應(yīng)用[D];電子科技大學(xué);2018年

10 張一凡;低分辨率條件下的人臉識別算法研究[D];電子科技大學(xué);2018年

本文編號：2848994