雷達(dá)自動目標(biāo)識別技術(shù)主要是針對雷達(dá)捕獲的回波進(jìn)行特征提取及分析,從雷達(dá)識別技術(shù)提出發(fā)展至今,已經(jīng)取得了顯著的成果。雷達(dá)自動目標(biāo)識別技術(shù)可分為基于傳統(tǒng)的和基于深度神經(jīng)網(wǎng)絡(luò)的方法兩大類。傳統(tǒng)的雷達(dá)目標(biāo)識別方法,大多是將采集到的雷達(dá)信號看作是一個整體,沒有很好的考慮到雷達(dá)數(shù)據(jù)內(nèi)部的時序相關(guān)性信息。盡管一些傳統(tǒng)的研究方法也提出過一些算法來研究雷達(dá)數(shù)據(jù)的時序特性,但也只是建立了淺層模型進(jìn)行模仿,難以深度發(fā)掘雷達(dá)數(shù)據(jù)內(nèi)部潛在的時序相關(guān)性。循環(huán)神經(jīng)網(wǎng)絡(luò)自提出以來在自然語言處理領(lǐng)取得了顯著的效果,其能夠提取數(shù)據(jù)之間的時序相關(guān)性信息,較傳統(tǒng)方法,循環(huán)神經(jīng)網(wǎng)絡(luò)在雷達(dá)高分辨距離像（HRRP）識別領(lǐng)域也取得了很好的效果。本文的工作主要分為以下三點:1.深入探索雷達(dá)自動目標(biāo)識別技術(shù),包括基于傳統(tǒng)方法下的和基于深度神經(jīng)網(wǎng)絡(luò)下的雷達(dá)自動目標(biāo)識別技術(shù),并進(jìn)一步對比分析傳統(tǒng)模型和深度神經(jīng)網(wǎng)絡(luò)模型下的識別效果。2.首先對雷達(dá)原始信號提取其譜圖特征,其次使用卷積神經(jīng)網(wǎng)絡(luò)分別提取雷達(dá)信號的時域特征和譜圖特征進(jìn)行分類判決,然后對比分析了卷積神經(jīng)網(wǎng)絡(luò)提取時域特征和譜圖特征的識別結(jié)果,最后分析了卷積神經(jīng)網(wǎng)絡(luò)在提取時域特征時的不足并... 

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 基于高分辨距離像的國內(nèi)外研究現(xiàn)狀
        1.2.1 基于傳統(tǒng)的雷達(dá)高分辨距離像目標(biāo)識別方法
        1.2.2 基于深度神經(jīng)網(wǎng)絡(luò)的雷達(dá)高分辨距離像目標(biāo)識別方法
    1.3 論文研究內(nèi)容及創(chuàng)新
    1.4 論文組織架構(gòu)及章節(jié)安排
第2章 雷達(dá)HRRP自動目標(biāo)識別的基本理論
    2.1 數(shù)據(jù)集介紹
    2.2 實驗平臺介紹
    2.3 雷達(dá)HRRP的識別流程
    2.4 高分辨距離像的敏感性問題
        2.4.1 高分辨距離像的方位敏感性
        2.4.2 高分辨距離像的強度敏感性
        2.4.3 高分辨距離像的平移敏感性
    2.5 數(shù)據(jù)預(yù)處理
    2.6 高分辨距離像的模型建立與識別
        2.6.1 基于模板匹配法的高分辨距離像模型建立與識別
        2.6.2 基于因子分析(FA)的高分辨距離像模型建立與識別
        2.6.3 基于SVM的高分辨距離像模型建立與識別
    2.7 實驗結(jié)果分析
    2.8 本章小結(jié)
第3章 基于卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)目標(biāo)識別方法
    3.1 基于CNN的高分辨距離像目標(biāo)識別
        3.1.1 CNN神經(jīng)網(wǎng)絡(luò)介紹
        3.1.2 算法流程
    3.2 基于時域的高分辨距離像目標(biāo)識別
    3.3 基于譜圖的高分辨距離像目標(biāo)識別
    3.4 實驗結(jié)果分析
    3.5 本章小結(jié)
第4章 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的雷達(dá)目標(biāo)識別方法
    4.1 循環(huán)神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
    4.2 基于RNN模型的高分辨距離像目標(biāo)識別
        4.2.1 訓(xùn)練算法及流程
        4.2.2 一維距離像的RNN模型識別
        4.2.3 一維距離像的LSTM模型識別
        4.2.4 一維距離像的雙向LSTM模型識別
    4.3 實驗結(jié)果分析
    4.4 本章小結(jié)
第5章 基于注意力機制及時頻融合的雷達(dá)目標(biāo)識別方法
    5.1 Attention機制在循環(huán)神經(jīng)網(wǎng)絡(luò)上的應(yīng)用
        5.1.1 Attention機制
        5.1.2 縮放點積注意力機制
        5.1.3 Attention機制和循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)合
    5.2 基于時頻融合的特征提取
    5.3 算法框架及流程介紹
    5.4 實驗結(jié)果分析
    5.5 本章小結(jié)
第6章 總結(jié)和展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
附錄


【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)seq2seq模型的英漢翻譯研究[J]. 肖新鳳,李石君,余偉,劉杰,劉倍雄.  計算機工程與科學(xué). 2019(07)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的短切氈缺陷分類[J]. 卓東,景軍鋒,張緩緩,蘇澤斌.  激光與光電子學(xué)進(jìn)展. 2019(10)
[3]利用深度學(xué)習(xí)進(jìn)行圖像分割[J]. 李家棟.  電子世界. 2018(10)
[4]多權(quán)值電容歸一化方法的研究[J]. 何世鈞,張婷,何海洋,程小龍,周媛媛.  計量學(xué)報. 2017(03)
[5]基于注意循環(huán)神經(jīng)網(wǎng)絡(luò)模型的雷達(dá)高分辨率距離像目標(biāo)識別[J]. 徐彬,陳渤,劉宏偉,金林.  電子與信息學(xué)報. 2016(12)
[6]基于因子分析和Bayers判別的烤煙香型分類模型構(gòu)建與驗證[J]. 李超,李娥賢,秦云華,熊文,吳億勤,王璐,張承明,唐杰.  中國煙草科學(xué). 2016(03)
[7]基于復(fù)高斯模型的雷達(dá)高分辨距離像目標(biāo)識別新方法[J]. 王鵬輝,杜蘭,劉宏偉.  光學(xué)學(xué)報. 2014(02)
[8]基于SVM的大魚際掌紋圖像二分類法[J]. 朱習(xí)軍,劉大專,周兆山,張秋淋,梁文華.  計算機工程. 2011(18)
[9]基于兩步噪聲消除技術(shù)與高斯統(tǒng)計模型的語音增強算法[J]. 歐世峰,王顯云,高穎,趙曉暉.  信號處理. 2011(08)
[10]回波越距離單元走動的MTD研究[J]. 趙建宏,楊建宇,熊金濤,彭衛(wèi).  電波科學(xué)學(xué)報. 2007(03)

博士論文
[1]雷達(dá)高分辨距離像特征提取及識別算法研究[D]. 曹向海.西安電子科技大學(xué) 2008

碩士論文
[1]基于統(tǒng)計建模的雷達(dá)目標(biāo)高距離分辨回波識別方法研究[D]. 胡靖.西安電子科技大學(xué) 2017
[2]基于深度自動編碼器的特征提取算法研究[D]. 顏丹.長沙理工大學(xué) 2016



本文編號：3657281