一、一种快速有效的雷达目标识别方法（论文文献综述）
陈正阳[1]（2021）在《基于毫米波雷达的HRRP目标识别分类》文中研究说明毫米波雷达受外界影响小,因此能够在各种环境下稳定工作。近年来,毫米波雷达在诸多场景中被广泛应用,路口监测场景下也需要使用毫米波雷达识别车辆的种类。本文重点研究了高分辨距离像（HRRP）的识别算法,分析了传统算法的缺点,设计了车辆目标的识别分类方法,并在实验仿真中验证了算法性能。本文工作主要分为以下两个部分:第一部分研究了雷达的散射点模型,分析HRRP的敏感性和解决方案。然后深入讨论了传统算法的缺点。基于CNN的识别方法致力于提取HRRP中的局部结构特征,但忽略了样本的时序相关性。而RNN网络缺乏长时间依赖性,性能较差。本文提出AC-LSTM算法,利用一维CNN提取HRRP中的局部特征,引入通道调整模块改善模型对于不同通道的特征识别能力,提高模型性能。将提取的特征用双向LSTM模型进行时序特征提取,在充分利用HRRP时序特征的同时有效改善了长时间依赖性问题。引入注意力机制,进一步提高识别准确率。该方法对时移有很强的抗干扰性。使用MSTAR数据库的仿真实验也证明了本方法的性能。第二部分针对实测数据的识别结果较差的问题进行分析。在实际场景中,车辆目标所处环境复杂,地面杂波、路边的障碍物都会干扰目标回波,严重影响识别算法。因此需要通过目标检测得到所需目标的信号。而由于毫米波雷达的距离分辨率较高,目标往往处于多个距离单元内。传统CFAR算法一般用于点目标检测,如果用于毫米波雷达会将属于目标的信号筛去,损失大量目标信息。本文提出了一种基于能量增强的CFAR算法,在检测目标点时同时考虑它周围多个点的能量,有效检测毫米波雷达回波中的目标,提高了实际场景下的模型识别能力。使用实测数据库的仿真实验也证明了本方法的性能。
杨浩哲[2]（2021）在《面向自动驾驶的激光雷达点云实时目标聚类与识别方法研究》文中研究说明自动驾驶车辆是一种能够主动感知环境并在无人工干预下自主行驶的车辆,随着技术创新和产业变革的推进,自动驾驶技术也在不断地成熟。激光雷达具有高精度、高实时、宽范围、数据海量等特点,在自动驾驶邻域被广泛应用,是环境感知系统中的主传感器。为满足自动驾驶车辆的高实时运行需求,本文提出了一种激光雷达点云的实时目标聚类与识别方法,具有精确度高、实时性好和适应性强等优点。本文将激光雷达点云处理步骤主要分为数据预处理与地面提取、非地面点聚类、点云目标识别三部分,分别做了以下工作:（1）在数据预处理与地面提取过程中,本文使用深度图（Range Image）的结构来存储点云数据。地面提取过程中利用一种变尺度环形栅格地图进行地面提取,使用栅格内的高度差和连续点云局部距离变化等特征作为提取标准。本文算法平均单帧运行时间为21.872毫秒,测试得到的地面点云交并比（IoU）大于0.78。通过实车实验,该法在城区与越野环境中均有良好表现。（2）针对点云进行聚类任务,本文提出了一种基于图结构层次聚类方法,并根据相邻点云向量夹角与传感器位置设计了分割标准。聚类过程先分割后合并,首先在相同通道下完成点云的第一次分割,使用图结构来存储分割后的点云集合。然后在图结构上使用改进的宽度优先搜索（BFS）算法,对图节点进行合并。该算法运算效率高,耗时得以减少,在主要交通目标上的聚类平均准确率为93.71%,交并比（IoU）高于0.7。通过不同线数雷达测试与分析,本文算法时间复杂度为线性,平均单帧处理时间为35.37毫秒（128线雷达）,城区与越野环境中测试效果良好。（3）在点云目标识别方面,本文采取先使用高精度地图筛选出道路区域内的点云目标,然后通过点云特征提取进行分类器训练。在特征提取中,选取了目标的空间尺度特征、垂直跨度分布特征、总体分布特征和反射强度特征,选取SVM作为分类器,并使用AdaBoost算法进行强化。通过测试与实车实验,完成了多类别的点云识别任务,该识别方法平均准确率达到92.5%,各类别的综合评价指数（F-score）高于0.9,单帧运行时间低于20毫秒,能够同时满足实时性和准确性需求。本文致力于激光雷达点云的实时聚类与识别技术的研究,通过数据集和大量实车测试,在确保准确率的情况下提高了环境感知系统的实时性,展示了本文方法的良好效果。
张鑫怡[3]（2021）在《交通场景中基于MMW雷达的目标识别方法研究》文中提出智能交通系统（Intelligent Transportation System,ITS）是当今交通系统的发展趋势,也是实时、准确、高效的综合交通运输管理系统。在智能交通系统中,毫米波（Millimeter-Wave,MMW）雷达作为一种道路交通辅助工具,可获得雷达照射区域内多个车道车辆的速度,距离和角度等信息,被广泛应用于道路超速卡口抓拍和交通信息监控。在MMW雷达交通场景中,目标车辆行驶距离较近会增加目标识别的难度,从而导致聚类和数据关联问题。因此,本文主要针对MMW雷达目标识别技术中的聚类和数据关联算法进行创新,并将创新算法和实际的道路交通场景结合设计了一款MMW交通雷达目标识别系统,具体工作总结如下:（1）针对许多传统算法需要预先确定聚类个数的问题,改进并提出了自适应距离密度噪声模糊（Density-Based Adaptive Distance Fuzzy,DB-ADF）聚类算法。DB-ADF聚类算法通过自适应距离对雷达数据初次聚类得到初始聚类中心点以及聚类类别数,而后通过对隶属矩阵和聚类中心不断迭代,从而对初次聚类的结果进行修正,最终得到聚类的结果。实验结果表明,该算法在临近距离车辆交通场景应用中具有更高的聚类精度和更好的聚类效果。（2）针对临近车辆交通场景中现有聚类算法初始聚类中心点的选择精度低、聚类效果不佳的问题,改进并提出了自适应椭圆距离密度峰值模糊（Adaptive Ellipse Distance Density Peak Fuzzy,AEDDPF）聚类算法。AEDDPF算法使用自适应椭圆距离对雷达数据进行描述。AEDDPF算法通过引入指数函数对聚类中心进行快速且准确地选择,得到初始聚类中心的个数及坐标值。初始化后的聚类中心点作为算法后续的输入条件,不但减少了算法的聚类迭代次数,也使得算法最终聚类结果更为准确。本文对AEDDPF算法的时间复杂性进行了分析。最后,本文还分析了 AEDDPF聚类算法对其他类型数据的概括能力。实验结果证明AEDDPF聚类算法在临近行驶车辆交通场景应用中聚类效果好,准确率达到96%以上。（3）针对联合概率数据关联（Joint Probability Data Association,JPDA）算法在计算关联事件过程中计算量大、关联事件组合多的问题,改进并提出了一种GK模糊联合概率数据关联（Gustafson-Kessel Fuzzy Joint Probability Data Association,GK-FJPDA）算法。GK-FJPDA算法将模糊集合理论引入到JPDA算法中,结合了 GK算法和JPDA算法各自的优点,在不降低JPDA算法精度的条件下,将目标属于量测的关联度矩阵引入多目标数据关联中。仿真数据被用来对最近邻数据关联（Nearest Neighbor Data Association,NNDA）,JPDA和GK-FJPDA三种算法进行对比,结果表明GK-FJPDA算法具有更高的精度。（4）针对MMW雷达交通场景中临近行驶车辆区分不清和数据关联不准确的问题,设计了一款MMW交通雷达目标识别系统。该系统主要基于上述创新聚类算法和数据关联算法,完成系统功能的需求分析、软件设计与实现,同时验证了创新算法应用于实际车辆行驶环境的可行性和有效性。MMW交通雷达目标识别系统可以满足实际路测时用户对实时性和准确度要求,达到了预期的效果。MMW交通雷达目标识别技术中的聚类和数据关联算法是本文创新与应用的重点,同时本文结合工程实现提出了基于MMW交通雷达的目标识别系统用以验证创新算法的实用价值。
万锦伟[4]（2020）在《基于深度网络的HRRP目标识别与对抗攻击研究》文中研究表明随着信息技术的蓬勃发展,人工智能技术正成为推动新一轮军事革命的核心驱动力,在国防领域发挥越来越重要的作用。将人工智能技术与雷达自动目标识别（RATR）技术相融合,增强对来袭目标的探测和预警能力,对提高战场态势的感知具有重要意义。此外,雷达高分辨距离像（HRRP）反映了目标散射中心沿雷达视线的分布情况,包含了目标大量的结构信息,并且具有易获取、易存储、易处理等优点,受到了雷达自动目标识别领域的持续关注。本论文将围绕国家自然科学基金、国防预研等项目,针对雷达高分辨距离像信号,主要从基于深度神经网络的HRRP特征提取（目标识别）及针对HRRP识别系统的对抗攻击两方面开展相关研究。论文研究内容可以概括为以下几个方面:1、为充分挖掘HRRP信号距离单元之间的空间相关性和提取结构化的判别特征,本文提出了一种可同时完成雷达HRRP目标识别和拒判任务的改进的卷积神经网络（CNN）模型。该模型在传统CNN识别网络基础上,增加一个重构网络来实现库外目标拒判功能。通过识别网络和重构网络的融合,使得该模型可同时实现HRRP的识别和拒判任务。此外,由于雷达HRRP信号的相位信息可以提供额外的分类信息,因此在该模型中除了使用常用的HRRP一维时域特征外,还使用HRRP的二维谱图特征用于识别和拒判任务。在实测数据集上的实验结果表明:所提方法无论在识别性能还是拒判性能上均优于传统方法。2、本文探讨了HRRP时频表示对识别结果的影响,并提出了一种具有注意力机制的CNN网络用于HRRP目标识别任务。具体的,为探索HRRP时频表示的影响,文中分别使用了短时傅里叶变换和连续小波变换两种时频变换方法对HRRP信号进行分析并对比了它们在CNN网络中的识别性能。在此基础上,针对在使用HRRP时频表示时需要参数选择的问题,提出了一种具有注意力机制的CNN模型用于HRRP目标识别。该模型通过注意力机制将由CNN从不同HRRP时频表示提取的特征进行自动融合,不仅避免了参数不合适影响识别结果的问题,而且还进一步提高了目标识别的准确率。3、为使深度网络同时具有好的特征提取和抗平移敏感能力,本文提出了一种CNN与双向递归网络（Bi RNN）的混合模型（称为CNN-Bi RNN模型）,用以HRRP目标识别任务。在CNN-Bi RNN模型中,先采用CNN从HRRP信号中提取有用的结构化特征,然后利用双向RNN对所提特征进行时序建模。为进一步提高模型的抗平移敏感能力,在CNN-Bi RNN模型中还引入了注意力机制,使模型所提特征更聚焦在目标区域。CNN-Bi RNN模型结合了CNN和RNN各自的优点,即与单纯的CNN模型相比,CNN-Bi RNN具有时序建模能力,可以缓解HRRP的平移敏感问题;而与直接用RNN对HRRP识别相比,CNN-Bi RNN采用CNN进行特征提取,有效提高了模型的识别率。基于实测数据的实验显示,本模型无论在识别率还是对抗平移敏感方面均具有优势。4、本文对比和分析了几种经典的数字对抗样本生成方法,并提出了一种鲁棒的数字对抗样本生成方法。对抗样本是深度网络的特有产物,研究对抗样本的生成可以达到攻击基于深度网络的目标识别系统的目的。为研究基于深度网络HRRP识别模型中的对抗样本问题,本文分析了几种经典的数字对抗样本生成方法并在实测数据集上进行了攻击性能对比。进一步地,为提高数字对抗样本的鲁棒性与实用性,提出了一种鲁棒的数字对抗样本方法。该方法通过优化的方式产生一个通用的、局部对抗扰动用以网络攻击。相比经典的数字对抗攻击方法,该方法产生的对抗扰动更具实用性,为将来针对实际HRRP目标识别系统的攻击提供基础。
钟银都[5]（2020）在《基于CPU和GPU的雷达目标识别算法并行实现》文中研究指明现代战争对雷达的自动化和智能化水平提出了较高的要求,以雷达目标识别为代表的智能信息处理技术受到了广泛的关注。随着雷达信号带宽的持续提高以及识别数据库中目标种类的不断增加,给实时地完成目标识别任务带来了极大的挑战。由于雷达目标识别任务具有良好的并行结构,高效的并行处理算法成为了目标识别技术领域的研究热点。与此同时,以中央处理器（CPU）和图形处理器（GPU）为代表的硬件处理器的并行处理能力也越来越强大,这为雷达目标识别算法的并行加速提供了可能。基于上述背景,本文开展了雷达高分辨距离像（HRRP）识别相关算法的并行设计研究,并在多核心CPU处理器硬件平台和CPU+GPU的异构平台下进行了算法实现。主要工作内容概括如下:1.结合线性调频脉冲体制雷达HRRP识别流程,对每个环节常用算法的原理进行阐述。首先介绍了针对大时宽带宽信号脉冲压缩处理的分段脉冲压缩算法;然后介绍了针对相参积累期间目标越距离单元走动问题的Keystone变换及其两种常用实现方式,即DFT+IFFT算法和Chirp-Z算法;接着介绍了针对HRRP数据敏感性问题的常用预处理方法;最后介绍了四种经典的统计识别模型和卷积神经网络识别模型。2.阐述了CPU和GPU处理器硬件结构的区别,然后给出了针对多核心CPU处理器并行编程的C++11多线程编程方法,以及针对NVIDIA GPU处理器并行编程的统一计算架构（CUDA）的编程、执行模型。最后给出了CUDA并行编程的调试分析方法及内核优化技巧。3.详细分析了HRRP识别流程中各算法的并行结构,针对性地设计了相应的并行实现方案,完成了各个算法在CPU平台下的单线程实现和多线程并行实现以及在CPU+GPU平台下的多线程并行实现。通过仿真实验检验了各算法在两种并行实现方式下的运行结果,并以CPU单线程运行时间为基准,对比分析了两种并行实现方式下的加速效果。其中,分段脉冲压缩算法、DFT+IFFT算法、Chirp-Z算法、迭代对齐算法、最大相关系数（MCC）分类器和自适应高斯分类器（AGC）的建模、MCC识别、AGC识别、因子分析（FA）建模和复因子分析（CFA）建模过程的CPU多线程实现可以达到3～5倍的加速效果,相应的GPU并行实现也都可以达到5倍以上的加速效果;此外,基于卷积神经网络的识别方法也取得了一定的加速效果。这说明基于CPU的多线程并行实现方式和基于CPU+GPU异构平台的并行实现方式能够显着提升雷达目标识别任务的实时性。
郭丹丹[6]（2020）在《深层动态概率模型的构建、推理与应用研究》文中研究说明近年来,人工智能技术的突出代表――深度学习,紧密地借鉴了人类大脑层次化信息处理的机制,已经在计算和智能模拟能力上取得了重要的突破。目前,研究如何利用深度学习对各种应用中的数据构建模型、学习有效特征,服务于后续任务,不论对国防还是民生事业均具有重要意义。本论文首先针对合成孔径雷达图像的目标识别问题,研究了如何采用深度学习提取雷达目标的多层特征。上述任务中,我们假设各样本服从独立同分布,但是现实应用中还存在另一类数据,其样本间存在明显的时序关系,比如天气预报,自然语言处理,疾病预测,国际关系分析,信号生成等。此时如果忽略样本内部或者之间的时序性会损失很多有价值的信息,因此构建深度动态模型表征数据的时序关系,得到对数据更加准确的描述是深度学习中重要的研究方向。本论文将进一步围绕数据样本存在时序性这一问题,从深度学习出发,结合概率统计模型,针对雷达目标识别、国际关系分析、自然语言处理等应用分别构建了深层动态概率模型,并发展了快速推理算法。1雷达目标识别技术在军事和民用领域中均具有非常重要的意义,而基于合成孔径雷达（SAR）图像的目标识别技术是其中一个重要研究方向。特征提取是SAR图像目标识别中十分关键的一步,特征提取的好坏直接影响SAR图像目标的识别性能。针对SAR图像目标识别问题,本论文从深度学习与概率模型相结合的角度出发,采用先验分布限制隐特征的空间,并利用快速变分网络增加算法推理效率,构建了一种基于深度概率模型的SAR图像目标识别框架。实验表明,该模型能够提取SAR图像具有鉴别性的多层特征,为后续雷达目标识别提供价值较高的信息。2不同于上述SAR图像目标识别领域中各图像服从独立同分布,很多应用中的数据存在时序特性,因此本论文又针对国际关系领域中多维时序数据的建模与推理展开了研究。对国际关系分析领域中的时序数据建模时,不仅要考虑高维数据的稀疏性和过度分散的时间模式的鲁棒性,还要捕捉数据不同时刻之间和每一个样本时刻内部的复杂依赖性。虽然一些现存的动态模型设计了深层结构捕捉数据的长时依赖,但是各层之间如何联系、影响并不明确。考虑到以上问题,本论文构建了一个深层动态概率模型-深层泊松伽马置信网络。为了推理模型,本论文利用一系列变量增广方法,进一步提出了“向后向上向前向下”吉布斯采样算法,并将模型推广至大数据。最后,在仿真和实测数据上的实验结果不仅表明了所提深层动态概率模型具有良好的预测性能,且能够提供高度可解释的多层结构以表示层次化和时序的信息传播。3除了国际关系分析,现实中很多信息是以文本的形式包含于各个语料库之中,本论文同样研究了基于深层动态模型的文本分析。目前,主题模型和语言模型均广泛应用于文本分析。虽然主题模型所学主题考虑了整篇文档的信息,具有全局语义,但它们通常将每个文档视为词袋（Bo W）,即忽略文档中单词间的顺序。语言模型,例如递归神经网络（RNN）,已经成为各种自然语言处理（NLP）任务的关键组成部分,例如文本总结,语音识别,机器翻译和图像标记等。这些语言模型考虑了句子中单词间的相关性,经常利用递归或注意力单元对单词间的相关性建模。但它们通常认为文档中句子间相互独立,忽略了句子的顺序和文档上下文,无法捕获文档的长期依赖关系和全局语义。针对自然语言生成任务,本论文将深层泊松伽马系统扩展为递归伽玛置信网络（r GBN）,提出了一种由主题模型引导的语言模型,并用r GBN来指导递归神经网络（RNN）生成语言。该模型不仅捕获了句子内单词间的依赖,还捕获了句子间的时序变换和主题依赖,超越了传统基于RNN的语言模型。为了进行推理,我们将随机-梯度MCMC和循环自编码变分贝叶斯相结合。在真实文本语料库上的实验结果表明,该模型不仅能超过目前考虑上下文的RNN语言模型,还能学习可解释的递归多层主题,生成语法正确、语义连贯的句子和段落。4基于HRRP的目标识别技术是雷达目标识别技术的一个重要研究方向。作为一维信号,HRRP数据具有易获取、易处理和易存储等优点,基于HRRP的雷达目标识别研究获得了很多研究人员的高度关注。本论文基于上述深层泊松伽马动态系统,针对HRRP样本距离单元之间存在时序依赖的特点,构建了时序的伽马置信网络,充分利用了模型层次结构的优势,有效地将HRRP数据隐状态层次之间和时刻之间的依赖性结合起来。为了使模型适应于大数据并提高其在测试阶段的效率,本论文提出了一种基于随机-梯度MCMC和时序变分自编码方法（r VAE）混合的贝叶斯推理算法推理模型。为了提取更具可分性的HRRP隐变量,通过利用HRRP样本的类别信息,本论文进一步提出了监督递归伽马置信网络（s-r GBN）,该方法能够对HRRP样本以及其相应的类别联合建模。在仿真数据及实测HRRP数据上的实验表明,所提方法具有良好的识别性能以及泛化能力,同时提供了可解释的多层随机隐变量。
齐先智[7]（2020）在《基于激光雷达的无人艇水面目标检测与识别方法研究》文中认为随着无人驾驶发展的火热,作为水上无人载体的无人艇（Unmanned surface vehicle,USV）逐渐进入大众视野。由于激光雷达具有测距精准,抗干扰能力强等的优点,因此常被用于无人艇中短距离的环境感知工作中,但目前公开的算法尚无法完全支持真实水面场景下障碍物的检测与识别。因此,本文以搭载禾赛Pandar40激光雷达的某无人艇作为研究对象,研究真实水面场景下水面障碍物的检测与识别方法,支撑无人艇的自主航行和环境感知。本文以水面环境点云场景作为背景,将研究内容分为点云预处理,目标检测与目标识别三个部分,主要研究内容如下:针对点云预处理,本文简要介绍禾赛Pandar40激光雷达的相关指标并讨论其成像模型与数据解析方案,并分析激光雷达水平与垂直方向点云分辨率特点。针对水面场景下,激光雷达原始点云中的离群点噪声和缺失点噪声,提出基于距离归一化的KNN统计滤波算法进行离群点滤除,提出共线准则进行缺失点快速判断与补全。实验证明上述算法能够有效对水面场景噪声进行滤波,提高场景点云质量。针对目标检测,本文首先对水面场景点云特点进行详细对比分析,并从点云组织方案出发说明了经典算法难以满足水面环境点云目标检测的原因。然后,本文使用前视投影栅格图作为点云组织结构,为算法设计在分割精度和时间效率提供结构支持;对尾流滤除,本文提出基于点云垂直属性结合改进的RANSAC算法的尾流滤除算法,避免了尾流滤除过程对障碍物点云的破坏。对于目标聚类,提出基于相邻点角度阈值的聚类准则,并在前视投影栅格图上利用连通域快速标记算法完成对障碍物点云的快速聚类。实验证明,本文提出的算法具有高分割性能与极低的时间复杂度,能够有效完成无人艇水面目标检测任务,并为后续的目标识别任务提供支持。针对目标识别,本文制作了基于激光雷达扫描的典型水面点云目标识别数据集,并提出了Light-Point Net和Multi-Scale L-Point Net两种基于点输入的识别网络结构,解决分辨率改变的激光雷达点云目标识别问题。实验证明,本文制作的水面点云识别数据集为深度学习引入水面点云目标识别任务提供基础,同时,本文提出的两种识别网络结构能够有效完成水面目标识别任务,与传统手工描述子对比,本文方法在识别效果,时间效率上均具有明显优势,能够更好支撑无人艇对环境的感知需求。
黄娅敏[8]（2020）在《基于卷积神经网络的雷达高分辨距离像目标识别》文中认为宽带雷达可获得观测目标的高分辨距离像（High Resolution Range Profile,HRRP）,HRRP反映了目标散射中心沿雷达视线方向的分布情况。HRRP包含了丰富的目标特征信息,并具有计算量小、数据易获取等优势,广泛应用于雷达自动目标识别（Radar Automatic Target Recognition,RATR）。近年来,深度学习技术快速发展并广泛用于计算机视觉等领域。卷积神经网络（Convolutional Neural Network,CNN）作为一种典型的深度学习模型,已经在图像识别、自然语言处理等领域取得了成功。因此,开展基于CNN的HRRP目标识别方法,对提升我国RATR技术具有重要的理论价值。本文主要工作如下:（1）介绍了雷达一维距离成像基本原理及典型的目标识别方法。首先,基于经典的转台模型,介绍了逆合成孔径雷达（Inverse Synthetic Aperture Radar,ISAR）一维距离成像基本原理。然后,分析了HRRP幅度、平移和姿态的敏感特性对识别的影响,并且给出了相应的预处理方法。最后,介绍了基于支持向量机（Support Vector Machine,SVM）、k最近邻算法（k-Nearest Neighbor,KNN）的HRRP目标识别方法,为后续章节的方法性能分析与对比提供理论基础。（2）研究了基于CNN的HRRP目标识别方法。首先,介绍了CNN的结构特性,网络训练的基本原理及优化算法。然后,通过对HRRP特性的分析,设计了基于典型CNN结构的HRRP目标识别方法。该网络可通过卷积、池化结构提取平移不变特征,并缓解HRRP的平移敏感性问题,无需进行包络对齐的预处理,直接实现从HRRP数据到识别结果输出“端到端”的学习与映射。最后,基于雅克-42、安-26和奖状飞机的实测HRRP数据,分别利用SVM、KNN和CNN进行识别,结果表明CNN在识别正确率和噪声鲁棒性方面均具有较大优势。（3）提出一种基于批归一化特征融合CNN的HRRP目标识别方法。首先,分析了传统CNN结构在特征提取方面的局限性。然后,分别介绍了特征融合网络与批归一化处理的基本原理。特征融合网络通过可分离卷积增加融合结构,将浅层网络的结构等特征和深层网络的细节等特征进行融合。批归一化（Batch Normalization,BN）操作加快网络训练和收敛速度,抑制过拟合,增强了网络泛化能力。接着,提出了基于批归一化特征融合CNN的HRRP目标识别算法流程。最后,通过在三类飞机的实测HRRP数据集上的实验验证本章所提方法相比典型CNN结构具有更高的识别率和泛化性能。（4）总结和展望。对全文工作进行总结,并对下一步的工作进行了展望。
袁以军[9]（2020）在《雷达高分辨距离像目标识别中的深度网络攻击方法研究》文中提出由于雷达高分辨距离像（HRRP）数据具有易获取、易处理的优良特性,成为了雷达目标识别领域常用的数据形式。近年来,由于深度学习的崛起,基于深度网络模型的雷达目标识别方法层出不穷,然而最新的研究表明深度网络容易受到对抗样本的攻击,只需要在原始样本上添加极其微小的噪声就可以使得深度网络发生错误分类。安全性对于雷达目标识别的重要性不言而喻,因此本文的研究重点是雷达高分辨距离像识别中的深度网络攻击问题。论文的主要工作包括以下三个部分:第一部分基于散射点模型假设介绍了雷达高分辨距离像的基本概念,研究了HRRP数据的敏感性问题并给出了相应的预处理方法加以解决。接着介绍了基于深度网络的雷达目标识别的基础概念,包括深度前馈网络和卷积神经网络,最后引出了对抗样本的概念,解释了对抗样本的原理并介绍了对抗样本的常见分类。第二部分是雷达目标识别中的深度网络攻击问题。首先阐述了包括FGSM、BIM、CW和DF等经典深度网络攻击方法的原理,验证了这些方法在基于深度网络的HRRP目标识别任务中依然有效。然而由于经典攻击方法都是基于梯度优化的算法,对于每个样本都需要经过复杂的优化操作才可以生成对抗样本,在实际应用中可能无法满足实时性的需求。针对这一问题,提出了基于残差自编码模型的快速攻击方法。之所以称为快速攻击方法,是因为一旦自编码模型训练完成,只需要前向运行一遍自编码模型即可得出对抗样本。利用对抗损失和相似性损失促使自编码模型产生噪声小,且可以使原始样本发生错误分类的对抗样本。实验结果表明,快速攻击方法在攻击成功率、噪声大小以及实时性等多个性能指标上表现均衡。同时验证了快速攻击方法产生的噪声在不同目标网络上具有可迁移性,可以实现黑盒攻击。第三部分是雷达目标识别中的鲁棒攻击问题。第二部分中的所有攻击方法的共同特点是不同样本的对抗噪声是不同的,即噪声是关于输入样本的函数。鲁棒攻击方法则不同,噪声是常数,即噪声对于所有的训练样本以及测试样本都适用。鲁棒攻击的优点包括:噪声在训练集学习完成之后,测试时不需要额外的计算量,减小了时间消耗,更容易实现实时性攻击;所有样本共用一种噪声,使得在实际情况下的攻击更加容易被实现。考虑到HRRP存在目标区域,提出利用掩码实现限制噪声长度的攻击。针对实数网络没有充分利用到HRRP复数信息的问题,提出了基于复数网络的鲁棒攻击方法。为了实现黑盒攻击,提出基于网络蒸馏的黑盒攻击方法。最后通过大量的实验验证了鲁棒攻击在白盒攻击、复数攻击、黑盒攻击场景下的有效性。
马晓瑛[10]（2020）在《宽带极化雷达地面目标识别技术研究》文中研究指明面对现代信息化战争日益复杂的战场环境,针对雷达升空平台地面目标识别系统,传统的雷达信号处理技术已无法满足现代化战争对目标进行准确识别,因此对雷达目标识别技术的需求愈来愈迫切。随着雷达极化技术的发展,基于目标极化HRRP的目标识别技术也逐渐成为该领域相关研究人员的研究热点。极化HRRP不仅可以反映目标的物理结构信息,更能表征目标的电磁散射特性。目前,随着雷达目标识别技术的发展,基于极化HRRP的目标识别技术已成为该领域相关研究人员的研究热点,并取得了一定的进展与突破。但是针对雷达升空平台地面目标识别这一应用背景条件,其关键技术依然存在一些问题。例如训练样本不足或缺失所导致的非完备训练模板库问题,地面干扰或假目标与目标高相似性导致样本特征空间低可分性问题,以及低信噪比导致噪声与目标发生混叠等问题,都将严重影响雷达目标识别系统对地面目标的识别性能。本论文将针对该应用背景下雷达地面目标识别技术中存在的关键技术问题展开研究。具体包括以下几点:1.为解决雷达地面目标识别技术中,由于目标非合作性所导致的训练样本不足或缺失造成的训练模板库非完备问题,本论文研究了一种基于电磁仿真软件FEKO雷达非合作目标HRRP仿真方法。通过将待仿真目标的CAD模型导入该软件,利用软件内部集成的目标RCS计算方法,得到目标各个频点的RCS进而得到目标HRRP。在目标识别训练阶段,可以利用该方法生成的仿真数据生成训练模板库,以此来解决训练样本数据不足或缺失导致的非完备训练模板库问题。同时将仿真数据与目标实测数据对比,该方法所生成的目标HRRP能够较准确表征目标实际电磁散射特性,并利用该方法生成的仿真数据在训练阶段形成目标训练模板库,然后用实测数据在测试阶段对未知待测试目标进行判别,以此来验证此方法在目标识别技术中的有效性。2.特征提取是目标识别环节关键问题,为对目标HRRP提取高可分性、低维度的特征,本论文提出一种基于目标极化HRRP极化分解的特征提取方法。该方法基于一种极化分解方式,实现目标多通道HRRP的特征提取,较传统直接对单个极化通道HRRP进行特征提取的方法,该方法更能充分利用目标极化HRRP的极化信息,降低特征提取阶段对目标HRRP的极化信息损失,同时减少目标特征中的冗余信息,保证特征低维度特性。并利用实测数据对本方法进行验证,结果表明,在保证目标特征向量低维度的条件下,本方法有效地提高了各目标间特征向量的可分性,从而使得目标识别性能得到有效提升。3.针对雷达升空平台地面目标识别系统,研究了一种基于宽带极化雷达目标HRRP鉴别-分类二级处理的目标识别方法,将地面雷达目标识别系统分为目标鉴别与目标分类两个阶段。目标鉴别阶段,由于目标HRRP的姿态敏感性,导致目标特征空间的非均匀多区域分布问题,该目标识别方法在目标鉴别阶段利用快速密度聚类算法对特征空间进行区域划分,然后利用基于密度权重支持向量域描述的鉴别器完成目标鉴别,实现对库内目标（感兴趣目标）的鉴别与库外干扰（地面干扰与假目标）的拒判。目标分类阶段,利用基于高斯核函数的支持向量机实现目标分类,完成对库内目标的类型分析。本方法解决了针对感兴趣目标的鉴别与分类,通过对训练特征空间进行区域划分,将特征空间划分为多个子区域,完善了目标识别系统的性能。同时,该方法实现了对特征空间域更为精确的描述,有效减小了鉴别器与分类器的运算复杂度。最后通过实测数据进行实验,验证了本方法具备优良的鉴别与分类性能。
二、一种快速有效的雷达目标识别方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种快速有效的雷达目标识别方法（论文提纲范文）
（1）基于毫米波雷达的HRRP目标识别分类（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 雷达识别技术的历史和国内外研究 |
| 1.2.1 雷达目标识别技术的历史 |
| 1.2.2 高分辨距离像国内外研究现状 |
| 1.3 本文的主要研究内容及目标 |
| 1.4 本文章节安排 |
| 第二章 高分辨距离像目标识别理论 |
| 2.1 雷达目标高分辨距离像介绍 |
| 2.1.1 雷达工作原理 |
| 2.1.2 雷达的测距能力 |
| 2.1.3 高分辨距离像模型 |
| 2.2 高分辨距离像的特性 |
| 2.2.1 时移敏感性 |
| 2.2.2 幅度敏感性 |
| 2.2.3 姿态敏感性 |
| 2.2.4 相位敏感性 |
| 2.3 高分辨距离像的时频特征 |
| 2.3.1 时域特征 |
| 2.3.2 频域特征 |
| 2.4 传统高分辨距离像识别方法 |
| 2.4.1 基于隐马尔可夫模型(HMM)的识别方法 |
| 2.4.2 基于卷积神经网络(CNN)的识别方法 |
| 2.4.3 基于循环神经网络(RNN)的识别方法 |
| 2.5 本章小结 |
| 第三章 基于AC-LSTM的HRRP识别 |
| 3.1 模型整体框架 |
| 3.2 局部特征提取 |
| 3.2.1 卷积层 |
| 3.2.2 归一化层 |
| 3.2.3 池化层 |
| 3.2.4 通道调整层 |
| 3.3 时序特征提取 |
| 3.3.1 循环神经网络(RNN) |
| 3.3.2 双向长短时记忆网络(Bi-LSTM) |
| 3.3.3 注意力机制 |
| 3.4 模型训练 |
| 3.4.1 过拟合处理 |
| 3.4.2 学习率优化 |
| 3.4.3 参数设置与训练步骤 |
| 3.5 数据介绍及仿真结果 |
| 3.5.1 MSTAR数据库 |
| 3.5.2 数据处理 |
| 3.5.3 仿真结果 |
| 3.6 本章小结 |
| 第四章 基于增强能量检测的HRRP识别 |
| 4.1 恒虚警率检测 |
| 4.1.1 单元平均恒虚警 |
| 4.1.2 统计有序恒虚警 |
| 4.1.3 有序平均恒虚警 |
| 4.2 增强能量检测CFAR |
| 4.2.1 扩散目标模型 |
| 4.2.2 能量增强检测CFAR |
| 4.3 基于增强能量检测的HRRP识别 |
| 4.3.1 数据降噪 |
| 4.3.2 预处理 |
| 4.3.3 算法流程 |
| 4.3.4 训练步骤 |
| 4.4 数据采集及仿真结果 |
| 4.4.1 数据采集 |
| 4.4.2 仿真结果 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 附录缩略语 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（2）面向自动驾驶的激光雷达点云实时目标聚类与识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 研究现状 |
| 1.3 课题来源和研究内容 |
| 第2章 自动驾驶平台及感知关键问题分析 |
| 2.1 引言 |
| 2.2 研究平台概述 |
| 2.2.1 硬件设备 |
| 2.2.2 软件系统 |
| 2.3 环境感知系统需求 |
| 2.3.1 性能需求 |
| 2.3.2 主要难点 |
| 2.4 主要框架 |
| 第3章 点云预处理及地面分割 |
| 3.1 引言 |
| 3.2 激光雷达数据特性 |
| 3.3 车辆坐标系与点云数据预处理 |
| 3.3.1 车辆坐标系标定 |
| 3.3.2 点云存储与预处理 |
| 3.4 点云地面提取 |
| 3.4.1 栅格地图与地面提取 |
| 3.4.2 提取效果 |
| 3.5 本章小结 |
| 第4章 非地面点云聚类 |
| 4.1 引言 |
| 4.2 聚类方法及分割标准 |
| 4.2.1 主要聚类方法 |
| 4.2.2 分割标准 |
| 4.3 点云图结构与遍历方法 |
| 4.3.1 点云图结构 |
| 4.3.2 相同通道下的点云分割 |
| 4.3.3 图搜索算法与节点合并 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第5章 点云目标识别 |
| 5.1 引言 |
| 5.2 目标识别方案 |
| 5.3 高精度地图筛选 |
| 5.4 点云关键特征提取 |
| 5.4.1 点云对象空间尺寸特征 |
| 5.4.2 点云垂直跨度分布特征 |
| 5.4.3 点云总体分布特征 |
| 5.4.4 反射率特征 |
| 5.5 分类器优化 |
| 5.5.1 支持向量机分类器 |
| 5.5.2 多分类器 |
| 5.5.3 AdaBoost算法提升 |
| 5.6 实验与分析 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 后续展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（3）交通场景中基于MMW雷达的目标识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多目标数据聚类 |
| 1.2.2 多目标数据关联 |
| 1.3 本文的结构安排 |
| 1.4 本章小结 |
| 第2章 FSK雷达工作原理及信号处理 |
| 2.1 引言 |
| 2.2 FSK体制雷达工作原理 |
| 2.3 MMW交通场景雷达 |
| 2.3.1 MMW交通场景雷达性能 |
| 2.3.2 MMW交通雷达信号处理 |
| 2.4 本章小结 |
| 第3章 自适应距离密度噪声模糊聚类算法 |
| 3.1 引言 |
| 3.2 聚类算法的介绍 |
| 3.2.1 DBSCAN聚类算法 |
| 3.2.2 GK聚类算法 |
| 3.3 DB-ADF算法的实现 |
| 3.3.1 基于自适应距离密度噪声的初次聚类算法 |
| 3.3.2 DB-ADF算法主体 |
| 3.3.3 实验结果及对比分析 |
| 3.4 本章小结 |
| 第4章 自适应椭圆距离密度峰值模糊聚类算法 |
| 4.1 引言 |
| 4.2 CFSFDP聚类算法 |
| 4.3 AEDDPF聚类算法的实现 |
| 4.3.1 AEDDPF聚类算法的初始化 |
| 4.3.2 AEDDPF算法的主体部分 |
| 4.3.3 AEDDPF算法的时间复杂度分析 |
| 4.3.4 实验设计与对比 |
| 4.3.5 讨论 |
| 4.4 本章小结 |
| 第5章 GK模糊联合概率数据关联算法 |
| 5.1 引言 |
| 5.2 联合概率数据关联算法 |
| 5.2.1 关联事件生成 |
| 5.2.2 关联概率计算 |
| 5.3 创新数据关联算法的实现 |
| 5.3.1 GK-FJPDA关联隶属度矩阵的构造 |
| 5.3.2 GK-FJPDA算法的主体 |
| 5.4 仿真实验对比及道路测试结果 |
| 5.4.1 仿真实验对比 |
| 5.4.2 道路测试结果 |
| 5.5 本章小结 |
| 第6章 MMW交通雷达目标识别系统设计与实现 |
| 6.1 引言 |
| 6.2 MMW交通雷达目标识别系统的设计 |
| 6.2.1 需求分析 |
| 6.2.2 总体设计及内置算法 |
| 6.3 系统实现 |
| 6.3.1 开发运行环境及界面展示 |
| 6.3.2 系统道路测试 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 下一步工作展望 |
| 致谢 |
| 参考文献 |
| 在学期间发表的学术论文与研究成果 |
（4）基于深度网络的HRRP目标识别与对抗攻击研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 雷达自动目标识别概述 |
| 1.2 雷达自动目标识别基本概念及分类 |
| 1.3 雷达自动目标识别技术发展概述 |
| 1.3.1 雷达HRRP目标识别技术的发展 |
| 1.3.2 基于深度学习的HRRP目标识别技术的发展 |
| 1.4 深度神经网络中的攻击与防御 |
| 1.4.1 对抗样本技术与网络防御技术 |
| 1.5 高分辨距离像及其特性分析 |
| 1.5.1 高分辨距离像的信号模型 |
| 1.5.2 高分辨距离像的特性分析 |
| 1.6 实验数据、平台及评价指标说明 |
| 1.6.1 实测三类飞机数据 |
| 1.6.2 实验平台介绍 |
| 1.6.3 评价指标说明 |
| 1.7 论文内容安排 |
| 第二章 基于卷积神经网络的HRRP目标识别与拒判 |
| 2.1 引言 |
| 2.2 预备知识 |
| 2.2.1 一个典型的CNN网络 |
| 2.2.2 高分辨距离像的谱图特征表示 |
| 2.3 基于CNN的HRRP目标识别与拒判 |
| 2.3.1 基于CNN的HRRP识别 |
| 2.3.2 基于CNN的HRRP识别与拒判 |
| 2.4 实验结果与分析 |
| 2.4.1 实验设置 |
| 2.4.2 模型参数的影响 |
| 2.4.3 识别性能对比 |
| 2.4.4 特征可视化 |
| 2.4.5 拒判性能比较 |
| 2.5 本章小结 |
| 第三章 基于注意力机制卷积网络的HRRP目标识别 |
| 3.1 引言 |
| 3.2 基于时频分析的HRRP目标识别 |
| 3.2.1 高分辨距离像的连续小波变换(CWT) |
| 3.2.2 识别性能对比与分析 |
| 3.3 基于多时频特征融合的目标识别技术 |
| 3.3.1 注意力机制 |
| 3.3.2 具有注意力机制的CNN网络 |
| 3.4 实验结果与分析 |
| 3.4.1 实验设置 |
| 3.4.2 识别性能比较 |
| 3.4.3 注意力权值可视化 |
| 3.5 本章小结 |
| 第四章 基于卷积-双向递归网络的HRRP目标识别 |
| 4.1 引言 |
| 4.2 基于CNN-BiRNN混合模型的HRRP识别 |
| 4.2.1 循环神经网络(RNN) |
| 4.2.2 CNN-BiRNN 网络 |
| 4.2.3 网络训练与测试过程 |
| 4.3 模型对比 |
| 4.4 实验结果与分析 |
| 4.4.1 实验设置 |
| 4.4.2 卷积层的影响 |
| 4.4.3 识别性能比较 |
| 4.4.4 注意力权值可视化 |
| 4.5 本章小结 |
| 第五章 雷达HRRP目标识别网络中的对抗攻击方法 |
| 5.1 引言 |
| 5.2 雷达HRRP中的经典数字对抗样本 |
| 5.2.1 经典的数字对抗样本生成方法 |
| 5.2.2 攻击结果展示 |
| 5.3 一种鲁棒的HRRP数字对抗样本生成方法 |
| 5.3.1 鲁棒的HRRP对抗样本生成方法 |
| 5.3.2 方法对比 |
| 5.3.3 实验设置 |
| 5.3.4 对抗扰动长度的影响 |
| 5.3.5 攻击结果展示 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 工作展望 |
| 6.2.1 高分辨距离像目标识别工作展望 |
| 6.2.2 高分辨距离像对抗攻击和防御工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）基于CPU和GPU的雷达目标识别算法并行实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 雷达目标识别简介 |
| 1.2 研究背景 |
| 1.3 并行计算在雷达领域的研究现状 |
| 1.4 CPU处理器的发展 |
| 1.5 GPU处理器的发展 |
| 1.6 论文的工作安排 |
| 第二章 雷达HRRP目标识别基本方法 |
| 2.1 HRRP相关概念 |
| 2.2 HRRP识别的基本流程 |
| 2.3 脉冲压缩 |
| 2.3.1 匹配滤波原理 |
| 2.3.2 分段脉冲压缩技术 |
| 2.3.3 仿真实验结果 |
| 2.4 基于Keystone变换的相参积累算法 |
| 2.4.1 Keystone变换原理 |
| 2.4.2 DFT+IFFT算法原理 |
| 2.4.3 Chirp-Z算法原理 |
| 2.4.4 仿真实验结果 |
| 2.5 HRRP数据预处理 |
| 2.5.1 归一化和迭代对齐 |
| 2.5.2 仿真实验结果 |
| 2.6 经典雷达HRRP目标识别模型 |
| 2.6.1 最大相关系数分类器模型 |
| 2.6.2 自适应高斯分类器模型 |
| 2.6.3 因子分析模型 |
| 2.6.4 复因子分析模型 |
| 2.6.5 仿真实验结果 |
| 2.7 卷积神经网络识别模型 |
| 2.7.1 神经元模型 |
| 2.7.2 前馈神经网络模型 |
| 2.7.3 卷积神经网络模型 |
| 2.8 本章小结 |
| 第三章 CPU和 GPU处理器的并行编程 |
| 3.1 CPU和 GPU硬件结构的异同 |
| 3.2 CPU多线程编程方法 |
| 3.3 GPU多线程编程框架 |
| 3.3.1 CUDA架构介绍 |
| 3.3.2 CUDA编程执行模型 |
| 3.4 CUDA编程调试及内核优化技巧 |
| 3.4.1 CUDA编程调试 |
| 3.4.2 CUDA内核优化技巧 |
| 3.5 本章小结 |
| 第四章 基于CPU和 GPU的 HRRP识别相关算法并行实现 |
| 4.1 引言 |
| 4.2 硬件平台与软件框架介绍 |
| 4.3 分段脉冲压缩算法并行实现 |
| 4.3.1 频域分段脉冲压缩并行结构分析 |
| 4.3.2 分段脉冲压缩CPU多线程并行实现 |
| 4.3.3 分段脉冲压缩GPU多线程并行实现 |
| 4.3.4 分段脉冲压缩并行实现结果 |
| 4.4 Keystone变换并行实现 |
| 4.4.1 Keystone变换并行结构分析 |
| 4.4.2 DFT+IFFT、Chirp-Z算法的CPU多线程并行实现 |
| 4.4.3 DFT+IFFT、Chirp-Z算法的GPU多线程并行实现 |
| 4.4.4 DFT+IFFT、Chirp-Z算法并行实现结果 |
| 4.4.5 运行时间与线程数的选择问题 |
| 4.5 迭代对齐并行实现 |
| 4.5.1 迭代对齐并行结构分析 |
| 4.5.2 迭代对齐CPU多线程并行实现 |
| 4.5.3 迭代对齐GPU多线程并行实现 |
| 4.5.4 迭代对齐并行实现结果 |
| 4.6 经典HRRP目标识别模型并行实现 |
| 4.6.1 MCC、AGC模型并行结构分析 |
| 4.6.2 MCC、AGC模型的CPU多线程并行实现 |
| 4.6.3 MCC、AGC模型的GPU多线程并行实现 |
| 4.6.4 MCC、AGC模型并行实现结果 |
| 4.6.5 FA、CFA模型并行结构分析 |
| 4.6.6 FA、CFA模型的CPU多线程并行实现 |
| 4.6.7 FA、CFA模型的GPU多线程并行实现 |
| 4.6.8 FA、CFA模型并行实现结果 |
| 4.7 均值方差解耦合的快速求法 |
| 4.7.1 CPU均值方差解耦合实现的性能分析 |
| 4.7.2 GPU均值方差解耦合实现的性能分析 |
| 4.8 卷积神经网络识别模型的并行实现 |
| 4.8.1 卷积神经网络模型并行结构分析 |
| 4.8.2 一维卷积神经网络并行实现 |
| 4.8.3 二维卷积神经网络并行实现 |
| 4.9 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（6）深层动态概率模型的构建、推理与应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 基于神经网络的动态模型 |
| 1.1.2 基于概率框架的动态模型 |
| 1.2 国内外研究现状 |
| 1.2.1 动态模型的研究现状及分析 |
| 1.2.2 概率统计模型推理方法的研究现状及分析 |
| 1.2.3 自然语言生成模型的研究现状及分析 |
| 1.2.4 雷达自动目标识别的研究现状及分析 |
| 1.3 研究内容安排 |
| 第二章 基于监督深度概率模型的SAR图像目标识别 |
| 2.1 引言 |
| 2.2 深层变分自编码模型 |
| 2.2.1 深层概率生成模型 |
| 2.2.2 量化SAR图像 |
| 2.2.3 推理模型 |
| 2.3 监督深度概率模型 |
| 2.3.1 监督深层变分自编码模型 |
| 2.3.2 欧式距离监督变分自编码模型 |
| 2.4 实验 |
| 2.4.1 MSTAR数据集 |
| 2.4.2 实验设置 |
| 2.4.3 识别性能 |
| 2.4.4 模型分析 |
| 2.5 总结 |
| 第三章 深层泊松伽马动态系统 |
| 3.1 引言 |
| 3.2 深层泊松伽马动态系统 |
| 3.3 可扩展的马尔科夫链蒙特卡洛采样 |
| 3.3.1 隐变量增广 |
| 3.3.2 向后向上向前向下吉布斯采样 |
| 3.3.3 随机梯度马尔科夫链蒙特卡洛采样推理算法 |
| 3.4 实验结果 |
| 3.4.1 仿真数据集 |
| 3.4.2 实测数据集 |
| 3.4.3 定量比较 |
| 3.4.4 定性分析 |
| 3.5 总结 |
| 第四章 基于深层动态主题指导的自然语言模型 |
| 4.1 引言 |
| 4.2 时序层次主题引导的语言模型 |
| 4.2.1 层次循环主题模型 |
| 4.2.2 语言模型 |
| 4.2.3 模型似然和推理 |
| 4.3 实验结果 |
| 4.3.1 数据集 |
| 4.3.2 模型复杂度 |
| 4.3.3 定量比较 |
| 4.3.4 定性分析 |
| 4.4 总结与展望 |
| 第五章 基于变分时序深层模型的HRRP自动目标识别 |
| 5.1 引言 |
| 5.2 基础知识 |
| 5.2.1 HRRP数据的描述 |
| 5.2.2 输入数据 |
| 5.2.3 隐马尔科夫模型(HMM) |
| 5.2.4 线性动态系统(LDS) |
| 5.2.5 循环神经网络(RNN) |
| 5.3 变分时序深层生成模型 |
| 5.3.1 生成模型 |
| 5.3.2 混合推理算法 |
| 5.4 监督变分时序深度生成模型 |
| 5.5 实验结果 |
| 5.5.1 仿真数据的结果 |
| 5.5.2 实测HRRP数据集 |
| 5.5.3 设置 |
| 5.5.4 模型参数的影响 |
| 5.5.5 识别性能 |
| 5.5.6 定性分析 |
| 5.5.7 对训练数据大小的鲁棒性 |
| 5.5.8 计算复杂度 |
| 5.6 总结与展望 |
| 第六章 结束语 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）基于激光雷达的无人艇水面目标检测与识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容及结构安排 |
| 2 激光雷达点云数据预处理算法研究 |
| 2.1 引言 |
| 2.2 激光雷达成像模型与数据解析 |
| 2.3 激光雷达点云空间分辨率 |
| 2.4 激光雷达水面场景点云去噪算法 |
| 2.5 实验结果与分析 |
| 2.6 本章小结 |
| 3 基于前视投影栅格图的水上目标检测方法 |
| 3.1 引言 |
| 3.2 水面场景点云特点 |
| 3.3 基于前视投影栅格图的点云结构化方法 |
| 3.4 基于点云垂直属性与RANSAC平面拟合的尾流滤除 |
| 3.5 基于相邻点角度阈值的快速点云聚类 |
| 3.6 算法结果与分析 |
| 3.7 本章小结 |
| 4 基于LIGHT-POINTNET的多尺度水面点云目标识别 |
| 4.1 引言 |
| 4.2 水面点云目标识别数据集制作 |
| 4.3 Light-Point Net点云目标识别网络 |
| 4.4 Multi-Scale L-Point Net多尺度特征融合网络 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 研究工作总结 |
| 5.2 贡献和创新 |
| 5.3 后续工作展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读学位期间发表论文和参与项目目录 |
（8）基于卷积神经网络的雷达高分辨距离像目标识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状与分析 |
| 1.2.1 HRRP目标识别发展现状与分析 |
| 1.2.2 卷积神经网络发展现状与分析 |
| 1.3 本文结构安排 |
| 第二章 雷达高分辨距离像与目标识别基本理论 |
| 2.1 引言 |
| 2.2 雷达高分辨距离像 |
| 2.2.1 成像模型 |
| 2.2.2 HRRP数据 |
| 2.3 雷达高分辨距离像特性 |
| 2.3.1 幅度敏感性 |
| 2.3.2 平移敏感性 |
| 2.3.3 姿态敏感性 |
| 2.4 典型雷达HRRP目标识别方法 |
| 2.4.1 支持向量机 |
| 2.4.2 k最近邻 |
| 2.4.3 深度学习 |
| 2.5 本章小结 |
| 第三章 基于卷积神经网络的HRRP目标识别方法 |
| 3.1 引言 |
| 3.2 深度学习理论基础 |
| 3.2.1 前馈神经网络 |
| 3.2.2 反向传播算法 |
| 3.2.3 训练优化算法 |
| 3.3 卷积神经网络理论基础 |
| 3.3.1 卷积层 |
| 3.3.2 池化层 |
| 3.3.3 全连接层 |
| 3.4 基于CNN的雷达HRRP目标识别算法 |
| 3.4.1 算法流程 |
| 3.4.2 数据归一化预处理 |
| 3.4.3 网络结构 |
| 3.5 实验结果及分析 |
| 3.5.1 实验数据简介 |
| 3.5.2 实验结果及分析 |
| 3.6 本章小结 |
| 第四章 基于批归一化特征融合网络的HRRP目标识别方法 |
| 4.1 引言 |
| 4.2 卷积神经网络改进方法 |
| 4.2.1 特征融合结构 |
| 4.2.2 批归一化结构 |
| 4.3 基于改进CNN结构的雷达HRRP目标识别 |
| 4.3.1 特征融合CNN |
| 4.3.2 批归一化CNN |
| 4.3.3 批归一化特征融合CNN |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）雷达高分辨距离像目标识别中的深度网络攻击方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 雷达目标识别的发展 |
| 1.2.2 特征提取技术与分类器的发展 |
| 1.2.3 基于神经网路的雷达目标识别发展 |
| 1.3 本文的内容与安排 |
| 1.3.1 实验数据介绍 |
| 1.3.2 本文内容安排 |
| 第二章 雷达高分辨距离像目标识别 |
| 2.1 雷达高分辨距离像基本概念 |
| 2.2 雷达目标识别方法 |
| 2.2.1 神经元 |
| 2.2.2 深度前馈网络 |
| 2.2.3 反向传播算法 |
| 2.2.4 卷积神经网络 |
| 2.3 对抗样本 |
| 2.4 本章小结 |
| 第三章 雷达目标识别中的深度网络攻击方法 |
| 3.1 引言 |
| 3.2 经典的深度网络攻击方法 |
| 3.2.1 快速梯度符号法 (FGSM) |
| 3.2.2 雅可比显着图攻击 (JSMA) |
| 3.2.3 Deep Fool |
| 3.2.4 CW |
| 3.3 基于残差自编码模型的快速攻击模型 |
| 3.3.1 自编码模型 |
| 3.3.2 残差自编码模型 |
| 3.3.3 基于自编码模型的快速攻击模型 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 雷达目标识别中的鲁棒攻击方法 |
| 4.1 引言 |
| 4.2 鲁棒的HRRP攻击 |
| 4.3 基于复数网络的鲁棒HRRP攻击 |
| 4.4 黑盒鲁棒攻击 |
| 4.4.1 网络蒸馏 |
| 4.5 实验结果与分析 |
| 4.5.1 白盒攻击 |
| 4.5.2 复数攻击 |
| 4.5.3 黑盒攻击 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）宽带极化雷达地面目标识别技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 雷达目标识别的研究背景及意义 |
| 1.2 雷达HRRP目标识别的基本概念 |
| 1.2.1 雷达HRRP的敏感性 |
| 1.2.2 雷达HRRP目标识别的优势 |
| 1.3 目标识别的研究历史与发展现状 |
| 1.4 论文研究内容安排 |
| 第二章 基于电磁仿真软件FEKO的雷达非合作目标HRRP仿真 |
| 2.1 引言 |
| 2.1.1 RCS的定义 |
| 2.1.2 RCS的计算方法 |
| 2.2 基于电磁仿真软件FEKO的雷达非合作目标HRRP仿真方法 |
| 2.2.1 大面元物理光学法 |
| 2.2.2 基于FEKO的目标HRRP仿真 |
| 2.3 仿真参数入射波姿态角间隔选取 |
| 2.3.1 散射点越距离单元走动 |
| 2.3.2 入射波俯仰角间隔选取 |
| 2.3.3 入射波方位角间隔选取 |
| 2.4 本章小结 |
| 第三章 基于双圆极化HRRP极化分解的特征提取方法及其可分性分析 |
| 3.1 引言 |
| 3.2 宽带极化雷达目标特征提取 |
| 3.2.1 m_chi极化分解 |
| 3.2.2 各散射分量所占比例特征 |
| 3.2.3 熵特征 |
| 3.2.4 重心特征 |
| 3.2.5 幅度最大值特征 |
| 3.2.6 中心矩特征 |
| 3.3 高维特征降维算法 |
| 3.4 特征可分性分析 |
| 3.4.1 核Fisher判别准则 |
| 3.4.2 目标鉴别特征可分性分析 |
| 3.4.3 目标分类特征可分性分析 |
| 3.4.4 实验结果及性能分析 |
| 3.5 本章小结 |
| 第四章 基于双圆极化HRRP鉴别-分类二级处理的目标识别方法 |
| 4.1 引言 |
| 4.2 地面典型目标鉴别器设计 |
| 4.2.1 快速密度聚类算法 |
| 4.2.2 密度权重支持向量数据域描述算法 |
| 4.3 地面典型目标分类器设计 |
| 4.4 鉴别-分类二级处理的目标识别方法 |
| 4.4.1 目标鉴别阶段 |
| 4.4.2 目标分类阶段 |
| 4.5 实验结果及性能分析 |
| 4.5.1 根据鉴别性能高低进行特征选择 |
| 4.5.2 不同带宽下目标识别性能分析 |
| 4.5.3 不同信噪比下目标识别性能分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文内容总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
四、一种快速有效的雷达目标识别方法（论文参考文献）
- [1]基于毫米波雷达的HRRP目标识别分类[D]. 陈正阳. 北京邮电大学, 2021(01)
- [2]面向自动驾驶的激光雷达点云实时目标聚类与识别方法研究[D]. 杨浩哲. 中国科学技术大学, 2021
- [3]交通场景中基于MMW雷达的目标识别方法研究[D]. 张鑫怡. 北京信息科技大学, 2021(08)
- [4]基于深度网络的HRRP目标识别与对抗攻击研究[D]. 万锦伟. 西安电子科技大学, 2020(05)
- [5]基于CPU和GPU的雷达目标识别算法并行实现[D]. 钟银都. 西安电子科技大学, 2020(05)
- [6]深层动态概率模型的构建、推理与应用研究[D]. 郭丹丹. 西安电子科技大学, 2020(05)
- [7]基于激光雷达的无人艇水面目标检测与识别方法研究[D]. 齐先智. 华中科技大学, 2020(01)
- [8]基于卷积神经网络的雷达高分辨距离像目标识别[D]. 黄娅敏. 西安电子科技大学, 2020(05)
- [9]雷达高分辨距离像目标识别中的深度网络攻击方法研究[D]. 袁以军. 西安电子科技大学, 2020(05)
- [10]宽带极化雷达地面目标识别技术研究[D]. 马晓瑛. 西安电子科技大学, 2020(05)