基于CNN的雷达目标分类识别技术研究

现有的识别方法对新的数据需要重新进行训练,不利于模型速度和在线功能的实现。文中提出一种宽度的卷积神经网络(BCNN),该模型由于具有“宽度”的网络结构,可以通过利用新生成的附加特征,提高BCNN模型的识别性能;此外,BCNN模型还能够利用新的训练数据进行自身的更新,从而具有增量学习能力。实验结果表明,该方法能更好地提取数据的特征,而且比常规的CNN的识别精度提高8%以上,所提模型还可以利用新的数据进行在线更新,从而具有更强的实用性和鲁棒性。

利用低频特征的几种目标识别方法研究

利用目标的低频RCS(雷达散射截面)值作为目标识别的特征矢量.分别对线性分类方法、最近邻分类方法和多层感知器神经网络分类方法进行了阐述和研究,并将这几种方法用于雷达目标识别.最后对几种分类方法的识别结果做了比较.＃结果显示:这三种分类器对简单目标都得到了较高的正确识别率,这说明目标的低频特征包含了目标的有用信息.