基于深度卷积神经网络的弹道目标微动分类

论文摘要

针对传统弹道目标微动分类缺乏智能性及噪声条件下分类性能差的问题,利用深度学习的高维特征泛化学习能力,提出一种将深度卷积神经网络用于弹道目标微动分类的方法。首先,在建立弹道目标微动模型的基础上,分析3种微动形式下的微多普勒表示,并生成雷达回波信号的时频图,作为训练、验证及测试的数据集;然后,运用深度卷积神经网络中的迁移学习对AlexNet和GoogLeNet进行再训练;最后,利用训练后的网络实现3种微动形式下的目标分类,并研究信噪比对分类性能的影响。仿真结果表明,与传统的微动目标分类方法相比,该方法不仅智能化程度高,而且在低信噪比条件下分类准确性更强。

论文目录

• 1 锥柱目标微动特性分析
•   1.1 不同散射中心的建模
•   1.2 不同微动形式的微多普勒分析
• 2 卷积神经网络建模
• 3 基于CNN的弹道目标微动分类
•   3.1 算法流程
•   3.2 数据集构建
•   3.3 CNN模型训练
• 4 仿真结果及分析
•   4.1 分类性能及分析
•   4.2 不同网络类型比较
•   4.3 信噪比对不同分类方法的性能影响
• 5 结语

文章来源

类型: 期刊论文

作者: 李江,冯存前,王义哲,许旭光

关键词: 弹道目标,微多普勒,卷积神经网络,时频分析,目标分类

来源: 空军工程大学学报(自然科学版) 2019年04期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 武器工业与军事技术,自动化技术

单位: 空军工程大学防空反导学院,信息感知技术协同创新中心

基金: 国家自然科学基金(61701528)

分类号: TP183;E91

页码: 97-104

总页数: 8

文件大小: 2997K

下载量: 132