基于BP神经网络的雷达点迹分类方法

提出了一种解决复杂电磁环境下目标检测后仍包含杂波的基于反向传播(BP)神经网络的雷达点迹分类方法。该方法可以在目标检测后进一步区分目标点和杂波点,提高目标跟踪的质量。同时,对BP神经网络进行了训练,并与K最近邻域法和支持向量机作了对比,发现该方法的分类精度可达87.3%,较后两种方法精度分别提升19.6%和7.6%。实验结果表明:基于BP神经网络的雷达点迹分类方法有效。

基于卷积神经网络的雷达点迹分类技术研究

雷达在探测目标过程中不可避免地会受到杂波影响,在信号处理检测时会产生杂波点迹,尤其是在杂波密集区,此类杂波点迹数量会更多。随着大数据的到来,人工智能技术获得突飞猛进的发展,以深度学习为代表的人工智能技术受到广泛关注。利用卷积神经网络对雷达点迹数据中的杂波与真实目标分类问题展开研究。首先在现有雷达点迹信息的基础上,进一步提取出多维特征参数,然后在Tensorflow平台中搭建多层卷积神经网络,并依据工程应用背景,针对性地优化经典损失函数,定义模型效果评估指标,最后通过由雷达实测数据构成的测试集数据对模型效果进行验证。

不同数据预处理对雷达点迹分类的影响

利用全连接神经网络研究雷达点迹分类问题时,在模型训练前需要对打上标签的点迹数据进行预处理,不同的数据预处理方法,会影响模型训练的效果。提出使用一种最大最小值联合处理的方法,与常用的其它4种不同数据预处理方法进行对比,分析不同数据预处理方法对雷达点迹分类效果的影响。本文所用方法明显优于常用方法,不仅加快了网络的学习训练速度,也提高了模型的分类精度。