基于孪生网络的电磁目标跨模式识别算法

以深度学习为代表的人工智能技术是解决电磁目标识别问题的一种有效方法.然而,在识别多模式电磁目标时,目标内部不同模式间数据的差异可能掩盖目标个体间的差异,当某种模式训练样本缺失或稀少时,该模式下的目标识别性能会显著下降.为此,提出一种基于孪生网络的电磁目标跨模式识别算法,在度量学习框架下通过优化设计网络结构和损失函数,引导网络在分类学习过程中拉近同一目标各模式数据间的距离,拉远不同目标数据间的距离,并结合邻近判决准则实现多模式电磁目标在非均衡数据集上的跨模式识别.基于实际数据的测试结果表明,在相同数据集和网络规模条件下,所提方法的跨模式识别率较经典卷积神经网络方法和数据增强方法提升20%.