基于双流CNN-BiLSTM的毫米波雷达人体动作识别方法

目前基于雷达的人体动作识别方法,大多是先对人体动作的回波信号进行多维快速傅里叶变换(FFT)得到距离、多普勒和角度等信息,构造各种数据谱图后再输入到神经网络中进行分类识别,数据预处理过程较为复杂。提出了一种双流卷积神经网络(CNN)与双向长短时记忆网络(BiLSTM)串联的毫米波雷达人体动作识别方法。首先对原始的雷达回波信号复数采样数据(I/Q)进行帧差处理,以消除静态干扰,并将其转换为幅度/相位(A/P)的数据格式;然后将帧差后的I/Q和A/P数据分别输入单流的CNN-BiLSTM网络,提取人体动作的空间和时间特征,最后进行双流网络的融合以增强特征的交互性,提高识别准确率。实验结果表明,该方法数据预处理简单,并充分利用了动作数据的帧间相关性,模型收敛快,识别准确率可以达到99%,是一种快速有效的人体动作识别方法。

人工智能时代的目标识别课程教学

目标识别的核心任务是判别图像的目标类型,通常采用机器学习算法完成,而鲁棒特征提取是其关键。传统人工提取的特征通常存在表达能力较弱的问题。深度学习理论的兴起为高精度目标识别提供了有效的解决途径,同时因其理论较为丰富,涉及面较广,给目标识别课程的讲授带来了新的挑战。通过设计具有专业特色的课程内容、构建知识链条、师生共建活跃课堂和全方位考核模式的探索等进行课程改革;在深度神经网络目标识别内容设计方面,侧重讲授关键概念、经典网络、研究进展及未来发展方向,为从事相关工作的教师和学生提供参考。

基于属性散射中心卷积核调制的SAR目标识别深层网络

卷积神经网络(CNN)的特征提取能力与其参数量有关,一般来说,参数量越多,CNN的特征提取能力越强。但要学好这些参数需要大量的训练数据,而在实际应用中,可用于模型训练的合成孔径雷达(SAR)图像往往是有限的。减少CNN的参数量可以降低对训练样本的需求,但同时也会降低CNN的特征表达能力,影响其目标识别性能。针对此问题,该文提出一种基于属性散射中心(ASC)卷积核调制的SAR目标识别深层网络。由于SAR图像具有电磁散射特性,为了提取更符合SAR目标特性的散射结构和边缘特征,所提网络使用预先设定的具有不同指向和长度的ASC核对少量CNN卷积核进行调制以生成更多卷积核,从而在降低网络参数量的同时保证其特征提取能力。此外,该网络在浅层使用ASC调制卷积核来提取更符合SAR图像特性的散射结构和边缘特征,而在高层使用CNN卷积核来提取SAR图像的语义特征。由于同时使用ASC调制卷积核和CNN卷积核,该网络能够兼顾SAR目标的电磁散射特性和CNN的特征提取优势。使用实测SAR图像进行的实验证明了所提网络可以在降低对训练样本需求的同时保证优秀的SAR目标识别性能。

基于脉冲神经网络的轻量化SAR图像舰船识别算法

针对传统方法进行合成孔径雷达(SAR)图像目标识别存在参数多、能耗高等问题,提出了一种基于脉冲神经网络(SNN)的轻量化SAR图像舰船识别算法.首先,利用视觉注意力机制提取SAR图像视觉显著图,采用泊松编码器进行脉冲序列编码,能抑制背景噪声干扰.然后,结合泄漏整合发射(LIF)脉冲神经元和卷积神经网络,构建融合时序信息的SNN模型,能实现SAR图像舰船识别.最后,采用反正切函数作为反向传播时脉冲发射函数的梯度替代函数对SNN模型进行优化,能解决模型难以训练的问题.实验结果表明所提算法具有高精度、少参数、高效率和低能耗等优势,能实现SAR图像高效准确舰船识别.

SAR-ATR系统复数对抗样本生成方法

针对现有对抗攻击方法只能用于攻击实数卷积神经网络这一限制,提出了一种基于生成对抗网络的复数对抗样本生成方法。首先,设计了一种产生有效对抗样本的复数模型,并引入了复数计算模块;其次,利用残差神经网络作为基本骨架,将预训练的复数网络作为判别器实现对抗训练,以增强对抗样本的攻击能力;最后,通过替代模型实现可迁移的对抗攻击,以此实现了更高的攻击成功率。实验结果表明,所提方法在有目标攻击和无目标攻击任务下的成功率分别达到了76.338%和87.841%,迁移的成功率更高且对抗样本与原始干净样本更为接近。所提方法将对抗攻击扩展到复数神经网络后,避免了合成孔径雷达目标信息和精度的丢失,为实际合成孔径雷达自动目标识别系统的安全性和鲁棒性提供了参考方案。

基于Scat-LSTM的小样本HRRP识别方法

为提高小样本情况下的高分辨距离像(HRRP)目标识别精度,提出了一种基于小波散射变换的HRRP目标识别算法Scat-LSTM。首先,对原始信号进行小波散射变换,得到小波散射系数矩阵;然后,将该特征矩阵输入深度神经网络中进行训练和识别。实验结果表明,在样本量充足的情况下,相比于直接使用原始信号作为输入的方法,Scat-LSTM平均识别率提升了4%,并且在训练样本量极少的情况下,也能取得比其他算法更好的识别率。

基于雷达RCS数据的空间目标识别算法研究

近年来,深度学习在雷达目标识别领域取得了突破性进展,但基于雷达散射截面积数据的深度学习目标识别算法研究相对甚少。此外,空间目标雷达信号容易受噪声影响,导致目标识别准确率低。本文提出了一种端到端的时频特征融合神经网络TFF-Net用于实现基于RCS序列数据的空间目标识别。首先使用时频分析方法将RCS序列数据转化为二维时频数据来降低噪声干扰,其次使用TFF-Net提取时频数据的深层特征。TFF-Net先利用卷积神经网络捕获目标空间特征,接着采用双向长短时记忆网络来建模时序信息,再通过时间注意力网络自适应地关注时频数据中重要的序列。最后,在空间目标数据集上进行了算法对比实验。结果表明,所提出算法的空间目标识别精度达到95.8%,明显高于当前一些主流雷达目标识别算法,且在低信噪比情况下分类精度也优于其他算法,具有更好的噪声鲁棒性。

基于宽带雷达RCS数据的空间物体识别方法

本研究提出了一种基于时频分析和混合神经网络的雷达RCS数据目标识别技术。通过小波变换、傅里叶逆变换和对数处理方法来处理2种极化的宽带雷达散射截面(radar cross section, RCS)数据,实现数据的高效去噪和频域分析,从而得到更为精准和清晰的一维距离像。设计了一种混合神经网络结构来处理得到的一维距离像。该网络结构综合利用卷积神经网络(CNN)来高效提取特征,并采用长短时记忆网络(LSTM)来捕捉时序依赖关系,从而实现了对雷达RCS两种极化数据的高效识别。为验证该技术的有效性,使用某研究所提供的数据集进行了验证性实验,并与CNN、SVM、MLP等主流方法进行比较。通过参数的优化和调整,模型达到了97.50%的识别准确率。结果表明,该方法能够充分利用时频信息,并成功整合局部和全局特征,为雷达RCS数据目标识别提供了一个高效和精准的解决方案。

光学遥感图像中舰船识别方法研究

光遥感图像舰船目标在检测识别过程中会存在诸多干扰,导致无法精准识别出舰船目标,对此,研究光学遥感图像中舰船识别方法。首先,在光学遥感图像内提取舰船目标显著性区域,抑制云雾、海杂波与海域陆地等背景信息对舰船目标识别的影响,完成光学遥感图像舰船目标的粗识别。然后,基于提取到的光学遥感图像显著性区域,利用CNN网络对其进行舰船目标精识别。实验结果表明,设计方法可以有效提取光学遥感图像的舰船目标显著性区域,并提取显著性区域的舰船目标特征;舰船目标识别精度始终高于95%,具有实用性。

发展中的雷达目标识别

随着雷达技术的发展 ,雷达目标识别日益受到广泛重视。本文综述了雷达目标识别的重要进展 ,并特别指出了高频区目标识别急需解决的一些问题。

用于一维图像识别的支撑矢量机方法

研究了支撑矢量机的分类机理 ,并利用支撑矢量机对雷达目标一维像进行了识别 .识别的结果表明了该方法的优越性 ,并显示它可以对残缺不全的样本进行识别 .

小波神经网络的毫米波雷达目标一维距离像识别

将小波变换和反向传播神经网络理论结合 ,设计一种小波神经网络结构。由于小波变换在时间和频率空间所具有良好的定位特性 ,使小波神经网络可对输入输出数据进行多分辨的学习训练。介绍神经网络的数学框架和该网络的学习算法。根据毫米波频率步进雷达目标一维距离像所给出的信息 ,将所提出的小波神经网络用于 3种实际雷达目标的识别。实验结果表明 ,小波神经网络收敛速度快、识别率高。

基于特征的模糊神经网络遥感图像目标分类识别

特征是图像处理中用于辨识目标的最基本属性。提出了利用模糊神经网络方法,针对舰船的几何特征、矩特征和纹理特征进行舰船目标识别处理。首先简单地描述了几何特征、矩特征尤其是Hu矩特征、一阶纹理特征和二阶纹理特征。然后分别对仿真数据、卫星观测数据中的舰船目标,以及自动检测处理获取的舰船目标的几何特征、Hu机特征和纹理特征进行了提取和分析。模糊神经网络方法可以综合模糊集理论和神经网络方法的优势,有效地实现基于特征的图像目标分类识别处理。文章首先描述了一种主从神经元结构的模糊神经网络分类识别方法,然后利用该方法对大型舰船进行分类识别,包括基于单类舰船特征的分类识别和基于多源(时相)数据融合的分类识别。实验结果表明,基于大型舰船的几何特征、矩特征和纹理特征,利用模糊神经网络方法可以实现对大型舰船目标的有效分类识别。通过多源数据融合处理,可以改善分类识别效果。

雷达目标识别中的BP神经网络算法改进及应用

针对雷达目标信号的复杂性和实用雷达目标识别系统所应具备的稳健性、扩展性及通用性等要求,提出多种简单有效的BP神经网络算法改进。通过平衡训练样本数量、动态重置初始权值、评定网络规模等措施,解决了BP算法收敛速度慢、受初始样本分布影响大等缺陷,提高了识别算法的稳健性和泛化能力。结果已成功应用到不同型号雷达上的多套目标识别系统中。

基于卷积神经网络的SAR图像目标识别研究.

针对合成孔径雷达(Synthetic Aperture Radar,SAR)的图像目标识别应用,该文提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)的SAR图像目标识别方法。首先通过在误差代价函数中引入类别可分性度量,提高了卷积神经网络的类别区分能力;然后利用改进后的卷积神经网络对SAR图像进行特征提取;最后利用支持向量机(Support Vector Machine,SVM)对特征进行分类。使用美国运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition,MSTAR)SAR图像数据进行实验,识别结果证明了所提方法的有效性。

基于RSOM树模型的机器学习原理与算法研究

机器学习和识别可归结于一个高速、有效地搜索非常大的样本空间问题,以实现对训练和识别样本的最佳拟合.对于复杂背景的模式样本集,同类型样本的独立同分布(i.i.d)特性通常难以保证,统计理论无法有效应用.本文将层次化思想和自组织映射(SOM)神经网络相结合,采用递归实现技术实现了一种高效、高容量,能够自适应增长的模式分类树(RSOM树)生长方法,用于模式识别和机器学习的基本建模.通过对大量公用数据集的测试以及在实际的雷达目标识别系统中应用,方法有效性得到了证明.

一种基于雷达回波序列的舰船目标识别方法

介绍了一种基于中分辨雷达回波序列的目标轮廓成像识别方法。该方法实现了一维回波序列到目标二维径向轮廓像的变换。在二维轮廓像基础上，可以提取到较一维回波更加有效、稳定的特征。选择ＡＲＴ２神经网络模型对这些特征进行分类，得到了平均９１％的正确识别率。

合成孔径雷达图像目标的卷积神经网识别框架

针对合成孔径雷达(SAR)图像目标识别问题,在卷积神经网的基础上,提出了一种新的识别框架。该框架通过连接多个基本操作单元并以层次结构构造一个集特征提取和分类器训练于一体的端到端网络,同时利用深度网络的反向传播完成分类器对特征提取的反馈以改进特征的效果。在MSTAR公开数据集上,该网络框架分类十类目标达到了98.61%的精度,与其他方法相比,有效提高了SAR图像目标的识别精度。所提框架能有效分类SAR图像目标,具有良好的识别精度,且具备模块化结构,无须复杂预处理,实现简单。

宽带毫米波雷达目标时延神经网络识别新方法

基于一维距离像和神经网络研究宽带毫米波雷达目标识别问题 ,研究了用于雷达距离像序列识别的时延神经网络模型及其学习算法 ,并提出了基于距离像序列的宽带雷达目标时延神经网络识别方法 .还利用三种飞机缩比模型的暗室测量数据 ,研究了时延神经网络分类器中时延单元数目对分类精度的影响以及分类器的分类性能 .实验结果表明

模糊极大—极小神经网络雷达目标识别方法研究

针对基于雷达目标结构特征的识别方法对目标姿态角变化敏感的问题，利用模糊极大－极小（ＦｕｚｚｙＭａｘ－Ｍｉｎ，ＦＭＭ）神经网络作为模式分类器，提出抽取稳健性目标结构特征的方法，构造出能较好地减少目标姿态变化敏感性的ＦＭＭ神经网络雷达目标识别系统。利用实测的五种飞机目标数据对其进行了性能检验，证明该识别方法能在较大的姿态模区内取得优良的识别效果。