基于卷積神經(jīng)網(wǎng)絡(luò)的海面目標(biāo)全極化高分辨距離像識(shí)別技術(shù)

但 波, 付哲泉, 高 山, 簡(jiǎn) 濤

(海軍航空大學(xué), 山東 煙臺(tái) 264001)

0 引 言

隨著雷達(dá)技術(shù)的不斷發(fā)展,研究人員希望獲得目標(biāo)更多的有效信息用于目標(biāo)的分類與識(shí)別,傳統(tǒng)體制的雷達(dá)導(dǎo)引頭難以滿足現(xiàn)階段多元化的需求。雷達(dá)目標(biāo)回波信號(hào)中的極化域信息是繼時(shí)域、頻域等特征之后用于目標(biāo)識(shí)別的又一重要特征。高分辨雷達(dá)技術(shù)使回波信號(hào)對(duì)目標(biāo)信息的描述更加精確,而極化域信息則使回波信號(hào)對(duì)目標(biāo)信息的描述更加全面。融合高分辨技術(shù)和全極化信息的雷達(dá)目標(biāo)識(shí)別受到學(xué)者們的廣泛關(guān)注,已成為雷達(dá)信號(hào)處理和目標(biāo)識(shí)別技術(shù)發(fā)展的一個(gè)重要方向。目前基于全極化寬帶體制雷達(dá)高分辨距離像(high resolution range profile, HRRP)極化特征提取的目標(biāo)識(shí)別研究主要包含以下兩個(gè)方面。

(1) 直接將目標(biāo)的HRRP信息與極化信息進(jìn)行組合,構(gòu)造得到距離-極化的二維特征,然后采用不同的分類識(shí)別方法進(jìn)行識(shí)別。文獻(xiàn)[12]提出距離-極化的二維目標(biāo)結(jié)構(gòu)成像方法,利用線性調(diào)頻正交極化體制的彈載毫米波雷達(dá)對(duì)車輛及坦克等多種目標(biāo)進(jìn)行識(shí)別實(shí)驗(yàn),達(dá)到了很好的識(shí)別效果。文獻(xiàn)[13]組合極化信息和HRRP信息,提出一種距離-極化的相關(guān)匹配模糊識(shí)別方法,仿真結(jié)果表明該方法可以自適應(yīng)地處理目標(biāo)識(shí)別過(guò)程中的姿態(tài)敏感。

(2) 基于極化目標(biāo)分解理論從極化散射矩陣中提取目標(biāo)有效的極化特征用于目標(biāo)識(shí)別。目標(biāo)的極化分解理論可以分為相干分解和非相干分解兩大類別。相干分解是對(duì)極化散射矩陣進(jìn)行處理,常見(jiàn)的算法有Pauli分解、Cameron分解、Krogager分解等。相比于相干分解方法,非相干分解應(yīng)用更為廣泛。常見(jiàn)的算法有Huynen分解,Cloude分解,、、分解等。文獻(xiàn)[18]采用集合平均的處理方法從極化相干矩陣中提取目標(biāo)的散射熵和散射角特征用于人造目標(biāo)的分類識(shí)別。文獻(xiàn)[19]定義參數(shù),將、、特征擴(kuò)展為、、、,從目標(biāo)、、、分解、相似性參數(shù)以及能量特征3個(gè)角度提取極化特征,并分析不同特征的可分性,最后使用支持向量機(jī)和核方法分類器對(duì)飛機(jī)和坦克目標(biāo)進(jìn)行分類,取得很好的識(shí)別效果,驗(yàn)證了方法的有效性。

以上研究主要關(guān)注從目標(biāo)全極化HRRP中提取可分性較強(qiáng)的特征。但是部分學(xué)者在計(jì)算相干矩陣時(shí),對(duì)相干矩陣各元素包含的所有距離單元求平均,即利用全部距離單元作為度量尺度,這樣很大程度上降低了特征空間的維度以及數(shù)據(jù)處理過(guò)程中的計(jì)算復(fù)雜度,無(wú)法保留各距離單元的具體特征。

在分類器設(shè)計(jì)方面,相對(duì)于傳統(tǒng)的分類識(shí)別算法而言,于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)識(shí)別效果更好。但網(wǎng)絡(luò)越深,CNN在訓(xùn)練時(shí)越容易出現(xiàn)梯度爆炸、消失等問(wèn)題。

針對(duì)上述問(wèn)題,本文基于全極化體制雷達(dá),綜合利用4個(gè)極化通道的HRRP信息,同時(shí)選擇單個(gè)距離單元作為度量尺度。在此基礎(chǔ)上,提出基于Pauli分解、、、、分解和結(jié)構(gòu)相似性參數(shù)的特征提取方法對(duì)目標(biāo)極化散射矩陣進(jìn)行特征提取,并將提取得到的目標(biāo)全極化特征與基于神經(jīng)網(wǎng)絡(luò)的艦船目標(biāo)HRRP識(shí)別方法結(jié)合,利用可擴(kuò)展改進(jìn)殘差結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)從不同特征提取方法得到的極化特征中進(jìn)一步提取深層可分的特征進(jìn)行目標(biāo)分類識(shí)別。該方法能夠保留目標(biāo)全極化HRRP的更多特征,提高目標(biāo)識(shí)別的準(zhǔn)確率。

1 基于極化散射矩陣的特征提取

1.1 基于Pauli分解的極化散射矩陣特征提取

基于Pauli分解的極化散射矩陣特征提取是一種相干分解的方法,將目標(biāo)總的后向散射通過(guò)幾種典型散射機(jī)理的加權(quán)求和來(lái)表示。在垂直極化和水平極化的線性正交基下,Pauli基可以表示為

(1)

在滿足互易定理的情況下(=),此時(shí)Pauli基可以簡(jiǎn)化為、、三項(xiàng),即極化散射矩陣表示為

(2)

結(jié)合式(1)和式(2)可以得到:

(3)

(4)

(5)

式中：、、均為復(fù)數(shù),分別表示3種散射類型在目標(biāo)回波中所占的比重。假設(shè)各極化通道的HRRP數(shù)據(jù)為()、()、()、(),=0,1,2,…,-1,為HRRP數(shù)據(jù)的距離單元個(gè)數(shù)。當(dāng)選擇單個(gè)距離單元作為度量尺度時(shí),基于Pauli分解的極化散射特征、、分別為

(6)

1.2 基于H、α、A、α1分解的極化散射矩陣特征提取

組合第21節(jié)中提取的、、特征,可以得到極化散射矢量:

(7)

同時(shí)可以如下定義相干矩陣:

=

(8)

其中,為半正定的Hermit矩陣,通過(guò)對(duì)進(jìn)行特征分解可以得到:

(9)

式中:為特征值,并且≥≥≥0;為對(duì)應(yīng)的特征向量,可表示為

=ej[cos, sincosej, sinsinej]

(10)

式中:和分別表征目標(biāo)的散射機(jī)理和定向角;表示+的相位;表示+與-之間的相位差;則表示+與之間的相位差。

(11)

(12)

(13)

其中,為散射熵,取值區(qū)間為[0,1];為散射角,取值區(qū)間為0°～90°;為各向異性度。是相干矩陣特征值中最大值對(duì)應(yīng)的散射角,稱為主導(dǎo)散射角,表示目標(biāo)回波信號(hào)的主導(dǎo)散射機(jī)制。因此,可以作為一個(gè)重要的特征加以保留。

當(dāng)選擇單個(gè)距離單元作為度量尺度時(shí),對(duì)寬帶全極化體制雷達(dá)目標(biāo)HRRP數(shù)據(jù)的、、、特征提取過(guò)程可以歸納如下。

:各極化通道的HRRP數(shù)據(jù)()、()、()、(),其中=0,1,2,…,-1,為HRRP數(shù)據(jù)的距離單元個(gè)數(shù)。

:目標(biāo)全極化HRRP數(shù)據(jù)的、、、特征。

計(jì)算

逐個(gè)距離單元計(jì)算相干矩陣()=()()。

逐個(gè)距離單元進(jìn)行特征值分解()=

()log()。

逐個(gè)距離單元計(jì)算各向異性度()=

1.3 基于結(jié)構(gòu)相似性參數(shù)的極化散射矩陣特征提取

基于結(jié)構(gòu)相似性參數(shù)的極化散射矩陣特征提取由Yang等人提出,該參數(shù)體現(xiàn)了兩個(gè)目標(biāo)之間散射特征的相似性,并且該參數(shù)與目標(biāo)的姿態(tài)角和回波信號(hào)功率無(wú)關(guān)。

(14)

將各標(biāo)準(zhǔn)體在Pauli基下的極化散射矢量代入式(14)中,即可得到目標(biāo)與不同標(biāo)準(zhǔn)體的結(jié)構(gòu)相似性參數(shù),例如目標(biāo)與平板的結(jié)構(gòu)相似性參數(shù):

(15)

依次可計(jì)算得到、、、、其余5個(gè)特征參數(shù)。

選擇單個(gè)距離單元作為度量尺度,對(duì)每個(gè)距離單元的極化散射矩陣依次計(jì)算目標(biāo)的結(jié)構(gòu)相似性參數(shù),對(duì)各極化通道的HRRP數(shù)據(jù)()、()、()、()而言,目標(biāo)與平板的結(jié)構(gòu)相似性參數(shù)為

(16)

目標(biāo)與其他標(biāo)準(zhǔn)體的結(jié)構(gòu)相似性參數(shù)可以參照式(16)得到。經(jīng)過(guò)上述數(shù)據(jù)處理可以得到目標(biāo)全極化HRRP數(shù)據(jù)的、、、、、共6個(gè)特征參數(shù)。

通過(guò)對(duì)艦船目標(biāo)全極化HRRP數(shù)據(jù)進(jìn)行以上3種方式的特征提取,每個(gè)艦船目標(biāo)最終可以獲得、、,、、、,、、、、、共13個(gè)特征參數(shù)。

2 神經(jīng)網(wǎng)絡(luò)模型的分析與設(shè)計(jì)

2.1 卷積模塊的設(shè)計(jì)

為了克服網(wǎng)絡(luò)層數(shù)變深導(dǎo)致深層神經(jīng)網(wǎng)絡(luò)模型出現(xiàn)識(shí)別準(zhǔn)確率飽和的問(wèn)題,通常會(huì)引入殘差結(jié)構(gòu),其結(jié)構(gòu)如圖1所示。

圖1 殘差結(jié)構(gòu)Fig.1 Residual structure

其中,殘差結(jié)構(gòu)的輸出如下所示:

+1=()+

(17)

式中:表示第層殘差結(jié)構(gòu)的輸入特征;+1表示第層殘差結(jié)構(gòu)的輸出特征;()表示殘差塊的映射。

文中所使用的CNN分類器參照文獻(xiàn)[23,25]針對(duì)艦船目標(biāo)單極化通道識(shí)別提出的融合卷積模塊和改進(jìn)殘差結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)的具體結(jié)構(gòu),如圖2所示。

圖2 卷積模塊結(jié)構(gòu)Fig.2 Structure of convolution module

圖2中,高度模塊化的網(wǎng)絡(luò)結(jié)構(gòu)使得模型的可擴(kuò)展性得到增強(qiáng)。

2.2 模型結(jié)構(gòu)的設(shè)計(jì)

模型框圖如圖3所示。與圖2相同,將HRRP樣本輸入一層后,其數(shù)據(jù)維度由括號(hào)內(nèi)數(shù)字表示。卷積模塊的個(gè)數(shù)確定了連續(xù)多個(gè)卷積模塊和第一個(gè)全連接層的輸出數(shù)據(jù)維度。最后輸出層的結(jié)果對(duì)應(yīng)目標(biāo)的類別數(shù),本文識(shí)別的目標(biāo)類別數(shù)為3。限于篇幅,本文使用的聯(lián)合損失函數(shù)結(jié)構(gòu)參考文獻(xiàn)[25]。

圖3 模型框圖Fig.3 Block diagram of model

3 數(shù)據(jù)集的建立與預(yù)處理

利用FEKO軟件計(jì)算得到3種艦船模型的全極化HRRP數(shù)據(jù)。模型包括LHD-1(長(zhǎng)257.2 m,寬40.2 m)、CG-47(長(zhǎng)197.3 m,寬19.6 m)和Cargo(長(zhǎng)204.6 m,寬40.6 m)。仿真參數(shù)設(shè)置如表1所示。仿真所用艦船模型示意圖如圖4所示。CG-47在方位角為0°,俯仰角為80°時(shí),各極化通道的HRRP如圖5所示。橫坐標(biāo)表示HRRP的距離單元,縱坐標(biāo)表示回波信號(hào)的功率,單位為dBsm。綜合不同極化通道的HRRP可以看出,全極化HRRP中包含的目標(biāo)信息更加豐富,合理使用目標(biāo)全極化HRRP可提取出可分性更強(qiáng)的特征,有效改善目標(biāo)分類效果。

表1 仿真參數(shù)設(shè)置

圖4 艦船模型示意圖Fig.4 Schematic diagram of ship model

圖5 CG-47各極化通道HRRPFig.5 HRRP for each polarization channel of CG-47

為了滿足深度學(xué)習(xí)訓(xùn)練要求,需要對(duì)仿真數(shù)據(jù)進(jìn)行一定擴(kuò)充,數(shù)據(jù)擴(kuò)充過(guò)程如下。

(1) 平移截取HRRP數(shù)據(jù)。將256個(gè)距離分辨單元分為8等分,每一個(gè)等分包含32個(gè)距離單元。將原始數(shù)據(jù)左右各平移一個(gè)和兩個(gè)等分,移除的數(shù)據(jù)舍棄并將空白數(shù)據(jù)補(bǔ)0,如圖6所示。

圖6 HRRP數(shù)據(jù)平移截取示意圖Fig.6 Schematic diagram of HRRP data translation interception

圖6中黑色線段部分為原始HRRP數(shù)據(jù),紅色部分為補(bǔ)齊數(shù)據(jù),數(shù)值為0?？梢钥闯?通過(guò)平移截取操作后得到的HRRP數(shù)據(jù)可能丟失原始數(shù)據(jù)中部分信息,通過(guò)截取HRRP樣本中部分重合的部分,HRRP樣本數(shù)量得到大量補(bǔ)充,單一艦船目標(biāo)的HRRP數(shù)據(jù)由360個(gè)變?yōu)? 800個(gè)。

(2) 對(duì)變換后的HRRP數(shù)據(jù)添加隨機(jī)噪聲。將變換后HRRP添加滿足一定信噪比要求的高斯白噪聲,添加次數(shù)設(shè)定為10次。

此時(shí)，單一信噪比條件下單一艦船目標(biāo)的HRRP數(shù)據(jù)由1 800個(gè)變?yōu)?8 000個(gè),所有艦船目標(biāo)的HRRP仿真數(shù)據(jù)集達(dá)到54 000個(gè)。其中,隨機(jī)選擇2/3和1/3的數(shù)據(jù)分別作為訓(xùn)練集和測(cè)試集,則訓(xùn)練集和測(cè)試集的HRRP數(shù)量分別為36 000個(gè)和18 000個(gè)。

將艦船數(shù)據(jù)經(jīng)過(guò)數(shù)據(jù)擴(kuò)充處理后,可得到單極化通道數(shù)據(jù)集Data-HH、Data-HV、Data-VH、Data-VV,數(shù)據(jù)集的HRRP均為長(zhǎng)度為256的一維數(shù)據(jù),以及全極化通道數(shù)據(jù)集Data-Full,數(shù)據(jù)集的HRRP是維度256×4的二維數(shù)據(jù)。使用第2節(jié)介紹的3種特征提取方法對(duì)全極化數(shù)據(jù)進(jìn)行處理,可得到各方法對(duì)應(yīng)的數(shù)據(jù)集:Data-Pauli、Data-,,,及Data-Similarity,且數(shù)據(jù)集中HRRP維度分別為256×3、256×4、256×6。本文的算法流程如圖7所示。

圖7 基于極化特征提取的目標(biāo)識(shí)別流程圖Fig.7 Target recognition flow chart based on polarization feature extraction

4 基于艦船目標(biāo)全極化HRRP數(shù)據(jù)的識(shí)別性能分析

實(shí)驗(yàn)運(yùn)行環(huán)境設(shè)置如下,操作系統(tǒng):Windows10;硬件條件:Intel(R) Xeon(R) W-2 125 CPU @4.00 GHz和NVIDIA GeForce RTX 2080 Ti GPU;軟件條件:Python 3.6.1。仿真實(shí)驗(yàn)中網(wǎng)絡(luò)從零開(kāi)始訓(xùn)練,訓(xùn)練參數(shù)如下:網(wǎng)絡(luò)訓(xùn)練迭代次數(shù)為200次,模型初始學(xué)習(xí)率為0.01,網(wǎng)絡(luò)每訓(xùn)練20次學(xué)習(xí)率減半,使用Adam優(yōu)化器更新網(wǎng)絡(luò)權(quán)重,并且采用批量梯度下降法,每批訓(xùn)練樣本數(shù)為100。模型使用聯(lián)合損失函數(shù),損失函數(shù)各參數(shù)取值為=30、=06、=005、=01。

4.1 基于單極化通道的HRRP識(shí)別效果分析

利用第3節(jié)融合卷積模塊和殘差結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型對(duì)基于單極化通道HRRP的目標(biāo)識(shí)別進(jìn)行仿真分析,數(shù)據(jù)集的信噪比范圍為-15～15 dB,間隔5 dB。模型各階段參數(shù)明細(xì)如表2所示，參數(shù)總數(shù)為37 518個(gè)。

表2 使用單極化通道數(shù)據(jù)集時(shí)模型各階段參數(shù)明細(xì)

各信噪比數(shù)據(jù)集的識(shí)別結(jié)果如圖8示。由圖8可知,Data-VV數(shù)據(jù)集的識(shí)別效果最好,各極化通道HRRP數(shù)據(jù)集對(duì)應(yīng)的目標(biāo)識(shí)別準(zhǔn)確率均隨著數(shù)據(jù)集信噪比的增加而增大。基于同極化通道HRRP數(shù)據(jù)集(Data-HH、Data-VV)的識(shí)別準(zhǔn)確率均大于交叉極化通道(Data-HV、Data-VH),這是由于同極化通道回波信號(hào)能量更強(qiáng),且包含的有效信息更多。

圖8 單極化通道HRRP目標(biāo)識(shí)別結(jié)果Fig.8 HRRP target recognition results of single-polarization channel

4.2 基于極化特征提取的HRRP識(shí)別效果分析

以基于Pauli分解的特征提取為例,分析對(duì)比全極化通道數(shù)據(jù)集Data-Full和基于Pauli分解的數(shù)據(jù)集Data-Pauli的識(shí)別效果。同時(shí)為了驗(yàn)證基于Pauli分解所提取特征的有效性,將全極化通道數(shù)據(jù)集Data-Full中VH極化通道數(shù)據(jù)剔除,構(gòu)建新的數(shù)據(jù)集Data-HHHVVV,對(duì)比識(shí)別準(zhǔn)確率。

構(gòu)建的3個(gè)數(shù)據(jù)集在不同信噪比條件下的識(shí)別結(jié)果與Data-VV數(shù)據(jù)集的識(shí)別結(jié)果對(duì)比如圖9所示。由圖9可知,數(shù)據(jù)集中極化通道數(shù)量的增加使得模型的識(shí)別準(zhǔn)確率明顯提高,與單極化通道的數(shù)據(jù)集Data-VV相比,其他3個(gè)多極化通道的數(shù)據(jù)集平均識(shí)別準(zhǔn)確率要高6%以上。

圖9 不同數(shù)據(jù)集與單極化通道數(shù)據(jù)集Data-VV的識(shí)別結(jié)果對(duì)比Fig.9 Recognition results comparison between different datasets and single polarization channel dataset Data-VV

下面將全極化通道數(shù)據(jù)集Data-Full與經(jīng)過(guò)特征提取后得到的3個(gè)數(shù)據(jù)集組合,比較不同特征提取方法對(duì)識(shí)別效果的影響。組合后的數(shù)據(jù)集分別命名為Data-Full+Pauli、Data-Full+,,,和Data-Full+Similarity。不同數(shù)據(jù)集對(duì)應(yīng)模型的結(jié)構(gòu)和參數(shù)明細(xì)不變,差別僅限,,,于各階段輸出數(shù)據(jù)的維度。以上3個(gè)數(shù)據(jù)集在不同信噪比條件下的識(shí)別結(jié)果與全極化通道數(shù)據(jù)集Data-Full的識(shí)別結(jié)果對(duì)比如圖10所示。由圖10可知,將全極化通道HRRP與基于極化散射矩陣提取的特征進(jìn)行組合可以進(jìn)一步提高模型的識(shí)別準(zhǔn)確率,且在低信噪比條件下的效果改善更加明顯。3種特征提取方法的改善效果,結(jié)構(gòu)相似性參數(shù)大于,,,分解大于Pauli分解。Data-Full+,,,數(shù)據(jù)集與Data-Full+Pauli數(shù)據(jù)集的識(shí)別結(jié)果對(duì)比,在信噪比高于-5 dB時(shí),兩個(gè)數(shù)據(jù)集的識(shí)別準(zhǔn)確率相同,在信噪比低于-5 dB時(shí),基于Data-Full+,,,數(shù)據(jù)集的識(shí)別準(zhǔn)確率更高,說(shuō)明,,,的特征組合相比于Pauli分解得到的特征組合具有更好的噪聲魯棒性。而Data-Full+Similarity數(shù)據(jù)集識(shí)別效果最好,在信噪比大于0 dB時(shí),均達(dá)到了100%的識(shí)別準(zhǔn)確率,在低信噪比時(shí)識(shí)別效果也有明顯改善。

圖10 組合數(shù)據(jù)集與全極化通道數(shù)據(jù)集Data-Full的識(shí)別結(jié)果對(duì)比Fig.10 Recognition results comparison between the combined dataset and the full polarization channel dataset Data-Full

在圖10中,以信噪比為-10 dB為例,不同特征提取方法對(duì)應(yīng)的特征可視化結(jié)果如圖11所示。

圖11 -10 dB條件下不同特征提取方法對(duì)應(yīng)的特征可視化結(jié)果Fig.11 Feature visualization results corresponding to different feature extraction methods under the condition of -10 dB

從圖10可知,隨著特征方法的改變,特征的類內(nèi)差異逐漸變小,不同類型目標(biāo)的特征逐漸收斂到類的中心,類間差異逐漸增大。特征的空間分布范圍從最大[-2.5,2]縮小到[-0.6,0.7]。因此,識(shí)別率也相應(yīng)提高。與Data-Full特征提取方法對(duì)應(yīng)的識(shí)別率90.78%相比,Data-Full+Similarity特征提取方法對(duì)應(yīng)的識(shí)別率提高了5.84%。

在實(shí)際工程應(yīng)用時(shí),與識(shí)別準(zhǔn)確率相比,神經(jīng)網(wǎng)絡(luò)模型的大小以及運(yùn)算時(shí)間也是需要考慮的重要因素。本文各數(shù)據(jù)集對(duì)應(yīng)的參數(shù)總數(shù)、模型大小、模型復(fù)雜度、運(yùn)算時(shí)間以及平均識(shí)別準(zhǔn)確率的數(shù)據(jù)明細(xì)如表3所示。其中,模型復(fù)雜度用模型的浮點(diǎn)運(yùn)算數(shù)FLOPs來(lái)衡量,運(yùn)算時(shí)間則表示模型處理每個(gè)HRRP數(shù)據(jù)所需時(shí)間。從表3可知,使用單極化通道數(shù)據(jù)集時(shí),各模型的參數(shù)總數(shù)、模型大小和模型復(fù)雜度相同,運(yùn)算時(shí)間和平均識(shí)別準(zhǔn)確率存在一定差別。與使用多極化信息的數(shù)據(jù)集相比,單極化通道數(shù)據(jù)集對(duì)應(yīng)的模型參數(shù)總數(shù)更少、模型大小更小、模型復(fù)雜度和識(shí)別準(zhǔn)確率更低、運(yùn)算時(shí)間更長(zhǎng)。使用多極化信息的數(shù)據(jù)集時(shí),各模型的參數(shù)總數(shù)、模型大小和模型復(fù)雜度均相同,模型處理單個(gè)HRRP數(shù)據(jù)所需時(shí)間總體上隨著HRRP數(shù)據(jù)維度的增加而增加。對(duì)比不同數(shù)據(jù)集可知,Data-Full+Similarity數(shù)據(jù)集在增加一定運(yùn)算時(shí)間的情況下識(shí)別效果最佳。

表3 不同數(shù)據(jù)集對(duì)應(yīng)模型的評(píng)價(jià)參數(shù)明細(xì)

5 結(jié) 論

本文首先利用艦船目標(biāo)4個(gè)極化通道的HRRP信息,在提取可分性特征時(shí)選擇單個(gè)距離單元作為度量尺度。然后,提出基于Pauli分解、基于,,,分解以及基于結(jié)構(gòu)相似性參數(shù)的特征提取方法對(duì)全極化HRRP數(shù)據(jù)進(jìn)行特征提取,建立不同數(shù)據(jù)集。最后，基于以上數(shù)據(jù)集,利用提出的基于改進(jìn)殘差結(jié)構(gòu)的CNN對(duì)3艘艦船目標(biāo)進(jìn)行分類實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，全極化信息的引入可以顯著改善模型對(duì)目標(biāo)的識(shí)別效果,識(shí)別準(zhǔn)確率與單極化通道數(shù)據(jù)集相比要高6%以上。比較3種特征提取方法,組合全極化數(shù)據(jù)和結(jié)構(gòu)相似性特征的Data-Full+Similarity數(shù)據(jù)集在增加一定運(yùn)算時(shí)間的情況下取得了最好的識(shí)別效果。但單極化通道數(shù)據(jù)集對(duì)應(yīng)的模型在模型復(fù)雜度更低的情況下運(yùn)算時(shí)間更長(zhǎng)的問(wèn)題還需進(jìn)一步分析。