基于自编码模型的雷达高分辨距离像目标识别方法研究

《基于自编码模型的雷达高分辨距离像目标识别方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、费來£謂我衫＿硕士学位论文Ｉｉ＾ｌ＼＇秦潘．夕ｆ／１基于自编码模型的雷达高分辨距离像目标识别方法研究１ａｓｒｎ３ｍ作者姓名指导教师姓名、职称陈渤教授＾１申请学位类别工学硕士１西安电子科技大学学位论文独创性（或创新性）声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在导师指导下进行的研宄工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人己经发表或撰写过的研宄

2、成果；也不包含一为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。与我同工，作的同事对本研宄所做的任何贡献均已在论文中作了明确的说明并表示了谢意７。一。学位论文若有不实之处，本人承担切法律责任本人签名：ｔ綵日期：西安电子科技大学关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定：，即研究生在校攻读学位期间论文工作的知识产权属于西安电子科技大学。学校有权保留送交论文的复印件？，允许查阅、借阅论文，学校可以公布论文的全部或部

3、分内容，允许采用影。印、缩印或其它复制手段保存论文同时本人保证，结合学位论文研宄成果完成的论文、发明专利等成果。，署名单位为西安电子科技大学保密的学位论文在。＿年解密后适用本授权书本人签名：导师签名：＿日期：ａ化曰期：学校代码10701学号1502120931分类号TN95密级公开西安电子科技大学硕士学位论文基于自编码模型的雷达高分辨距离像目标识别方法研究作者姓名：翟颖一级学科：信息与通信工程二级学科：信号与信息处理学位类别：工学硕士指导教师姓名、职称：陈渤教授学院：电子

4、工程学院提交日期：2018年6月StudyofRadarHighRangeResolutionProfilesTargetRecognitionBasedonAuto-EncoderAthesissubmittedtoXIDIANUNIVERSITYinpartialfulfillmentoftherequirementsforthedegreeofMasterinSignalandInformationProcessingByZhaiYingSupervisor:ChenBoTitle:Professo

5、rJune2018摘要摘要雷达高分辨距离像（HRRP）是用宽带雷达信号获取的目标散射点子回波在雷达视线上投影的向量和。HRRP包含了目标的散射点强度分布和目标相对于雷达的径向结构信息，且相对于其他高分辨雷达信号具有易于获取和存储的优势，如今已成为雷达实时目标识别的重要手段之一。然而，针对雷达HRRP目标识别而言，如何从样本中获取目标稳健有效的分类特征，实现HRRP的目标识别是我们一直以来想要解决的问题。本文围绕HRRP目标识别展开研究，主要对雷达HRRP自身的目标特性以及针对HRRP目标识别的特征提取方法

6、进行讨论与分析。论文主要内容概括如下：1.研究了高分辨距离像目标识别的基本原理。围绕HRRP目标识别中的三个关键问题：HRRP敏感性问题、目标特征提取与选择以及分类器设计，进行了详细地介绍，为后续研究内容提供了一定的理论基础。2.研究了基于深层神经网络的雷达目标识别方法。传统特征提取方法中的大多数方法为浅层线性结构，难以获取目标层次化的有效识别特征。针对这一问题，我们介绍了基于深层网络：堆栈降噪自编码模型（SDAE）和深度置信网络（DBN）的雷达HRRP目标识别方法。SDAE通过最小化重构误差实现对模型参

7、数的优化，而DBN则是基于最大化对数似然函数对模型进行学习。对两种模型作进一步比较分析，发现它们虽然原理不同，但训练过程是类似的。两者均采用无监督的逐层贪婪训练法对网络进行预训练处理，再利用反向传播算法实现对参数的微调。通过这种方式避免了传统训练方法中模型训练时间过长、梯度弥散等问题。最后基于实测HRRP数据验证了深层网络结构在一定程度上有助于提高模型的特征提取能力。3.研究了基于稳健变分自编码模型的雷达目标识别方法。传统神经网络由于其模型结构的局限性以及忽略了HRRP自身的目标特性，导致其在实际应用中网

8、络性能受到限制。为了解决这一问题，我们提出了一种基于稳健变分自编码模型（RVAE）的目标识别算法。首先，详细介绍了变分自编码模型（VAE）的意义以及算法原理，并将其与传统AE模型进行比较，进一步体现出该模型的优越性；考虑到HRRP的目标特性，我们引入平均像的概念来缓解其方位敏感性问题。然后，在原始VAE模型的基础上加入HRRP方位帧与平均处理构建了RVAE模型。利用平均像的逼近约束，学习单个HRRP样本的稳健隐表示，使其不仅包