留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于中心矩特征和GA-BP神经网络的雷达目标识别

赵东波 李辉

赵东波, 李辉. 基于中心矩特征和GA-BP神经网络的雷达目标识别[J]. 红外与激光工程, 2018, 47(8): 826005-0826005(7). doi: 10.3788/IRLA201847.0826005
引用本文: 赵东波, 李辉. 基于中心矩特征和GA-BP神经网络的雷达目标识别[J]. 红外与激光工程, 2018, 47(8): 826005-0826005(7). doi: 10.3788/IRLA201847.0826005
Zhao Dongbo, Li Hui. Radar target recognition based on central moment feature and GA-BP neural network[J]. Infrared and Laser Engineering, 2018, 47(8): 826005-0826005(7). doi: 10.3788/IRLA201847.0826005
Citation: Zhao Dongbo, Li Hui. Radar target recognition based on central moment feature and GA-BP neural network[J]. Infrared and Laser Engineering, 2018, 47(8): 826005-0826005(7). doi: 10.3788/IRLA201847.0826005

基于中心矩特征和GA-BP神经网络的雷达目标识别

doi: 10.3788/IRLA201847.0826005
基金项目: 

国家自然科学基金(61571364);陕西省自然科学基金(2017JM6037);陕西省教育厅专项研究计划(17JK0397)

详细信息
    作者简介:

    赵东波(1979-),男,讲师,硕士,主要从事模式识别、信号处理方面的研究。Email:alien_dffy@163.com

  • 中图分类号: TN959.1

Radar target recognition based on central moment feature and GA-BP neural network

  • 摘要: 在雷达目标识别中,利用核主分量分析(KPCA)方法来进行目标特征提取,忽略了高分辨率距离像(HRRP)的本身特性。提取一种平移不变特征-中心矩作为特征向量,采用KPCA进行特征降维;由于BP神经网络易陷入局部极小,采用遗传算法(GA)对BP网络节点权值和阀值进行优化选择。基于雷达实测数据的实验结果表明:平移不变的KPCA特征提取方法实现了平移不变和降维的结合,同时,利用GA优化BP神经网络提高了分类器稳定性改善易陷入局部最小的缺陷,提高了雷达目标识别的性能。
  • [1] Xu Bin, Chen Bohai, Liu Hongwei, et al. Based on the recurrent neural network model, radar high resolution distance image target recognition[J]. Journal of Electronics and Information, 2016, 38(12):2988-2995. (in Chinese)
    [2] Wu Zhanjun, Niu Min, Xu Bing, et al. Research on recognition method based on spectral regression feature reduction and backward propagation neural network[J]. Journal of Electronic and Information, 2016, 38(4):978-984. (in Chinese)
    [3] Li Haipeng, Li Jingjiao, Yan Aiyun, et al. The parallel realization of genetic neural network in face recognition[J]. Computer Science, 2015, 42(6A):168-174. (in Chinese)
    [4] Yang Xufeng, Lin Wei, Yan Weidong, et al. SAR image target recognition using thermonuclear characteristics[J]. Infrared and Laser Engineering, 2014, 43(11):3794-3801. (in Chinese)
    [5] Li Hui, Jin Baolong, Zhai Haitian. High resolution radar signal translation invariant KPCA feature extraction algorithm[J]. Computer Simulation, 2012, 29(1):9-12. (in Chinese)
    [6] Sun Shaoyuan, Li Linna, Zhao Haitao. Depth estimation of monocular vehicle infrared images using KPCA and BP neural networks[J]. Infrared and Laser Engineering, 2013, 42(9):2348-2352. (in Chinese)
    [7] Yuan Pu, Mao Jianlin, Xiang Fenghong, et al. Improved network fault diagnosis based on genetic optimization BP neural network[J]. Power System and Automation Journal, 2017, 29(1):118-122. (in Chinese)
    [8] Liu Yanju, Kou Guohao, Song Jianhui. Air target recognition technology based on RBF neural network[J]. Fire and Command Control, 2015, 40(8):9-13. (in Chinese)
    [9] Cheng Liang, Zhu Li. Millimeter wave radiometer target recognition based on PCA optimized radial basis function neural network[J]. Acta Microwave Sinica, 2015, 10:225-229. (in Chinese)
    [10] Yang Wenxiu, Fu Wenxing, Zhou Zhiwei, et al. Lidar rapid target recognition based on projection dimension reduction[J]. Infrared and Laser Engineering, 2014, 43(S):0001-0007. (in Chinese)
    [11] Qin Guohua, Xie Wenbin, Wang Huamin. Tool wear detection and control based on neural network and genetic algorithm[J]. Optics and Precision Engineering, 2015, 23(5):1314-1321. (in Chinese)
    [12] Nie Haitao, Long Kehui, Ma Jun, et al. Fast object recognition under multiple varying background using improved SIFT method[J]. Optics and Precision Engineering, 2015, 23(8):2349-2356. (in Chinese)
    [13] Xiao Yongsheng, Huang Lizhen, Zhou Jianjiang. RATR of adaptive angular-sector segmentation based on grey incidence analysis model[J]. Grey Systems:Theory and Application, 2017, 7(1):71-79.
    [14] Cao Wei, Zhou Hui, Zhou Zhimin, et al. An approach for high resolution radar target recognition based on BP neural network[C]//International Conference on Intelligent Computing, ICIC 2011:Advanced Intelligent Computing, 2011:33-39.
    [15] Zhou Daiying. Radar target HRRP recognition based on reconstructive and discriminative dictionary learning[J]. Signal Processing, 2016, 126(11):52-64.
    [16] Huang Xiayuan, Nie Xiangli, Hong Weiwua, et al. SAR target configuration recognition based on the biologically inspired model[J]. Neurocomputing, 2017, 234(4):185-191.
  • [1] 刘尚波, 丹泽升, 廉保旺, 徐金涛, 曹辉.  干涉式闭环光纤陀螺仪的PSO-PID控制优化方法 . 红外与激光工程, 2024, 53(3): 20230626-1-20230626-12. doi: 10.3788/IRLA20230626
    [2] 张颖, 李河申, 王昊, 孙军华, 张晞, 刘惠兰, 吕妍红.  基于神经网络的典型地物的偏振多光谱图像分类(特邀) . 红外与激光工程, 2022, 51(6): 20220249-1-20220249-8. doi: 10.3788/IRLA20220249
    [3] 姚姝含, 官莉.  基于星载红外高光谱观测用机器学习算法反演大气温湿廓线 . 红外与激光工程, 2022, 51(8): 20210707-1-20210707-12. doi: 10.3788/IRLA20210707
    [4] 赵霖, 王爱民, 王崑声, 于成龙.  基于改进遗传算法的虚拟制造单元继承性重构调度技术 . 红外与激光工程, 2022, 51(11): 20220510-1-20220510-10. doi: 10.3788/IRLA20220510
    [5] 岳端木, 孙会来, 杨雪, 孙建林.  飞秒激光环切加工不锈钢微孔工艺及其质量控制神经网络模型 . 红外与激光工程, 2021, 50(10): 20200446-1-20200446-10. doi: 10.3788/IRLA20200446
    [6] 刘云朋, 霍晓丽, 刘智超.  基于深度学习的光纤网络异常数据检测算法 . 红外与激光工程, 2021, 50(6): 20210029-1-20210029-6. doi: 10.3788/IRLA20210029
    [7] 蒋伟伟, 傅戈雁, 张吉平, 吉绍山, 石世宏, 刘凡.  三分光束光内同轴送丝熔覆层几何形貌预测 . 红外与激光工程, 2020, 49(3): 0305005-0305005-9. doi: 10.3788/IRLA202049.0305005
    [8] 谢俊峰, 杨晨晨, 梅永康, 韩保民.  基于遗传算法的星载激光全波形分解 . 红外与激光工程, 2020, 49(11): 20200245-1-20200245-7. doi: 10.3788/IRLA20200245
    [9] 汪子君, 邱俨睿, 杨宏霄, 孙磊.  基于鲁棒Otsu的红外无损检测缺陷分割算法 . 红外与激光工程, 2019, 48(2): 204004-0204004(9). doi: 10.3788/IRLA201948.0204004
    [10] 李瑞君, 赵文楷, 何园涛, 黄强先.  一维纳米定位控制系统 . 红外与激光工程, 2018, 47(10): 1017005-1017005(6). doi: 10.3788/IRLA201847.1017005
    [11] 贾文抖, 范春利, 孙丰瑞, 杨立.  基于红外测温的内部点热源的识别 . 红外与激光工程, 2015, 44(3): 837-844.
    [12] 刘超明, 娄淑琴.  基于遗传算法的光纤光栅交叉敏感解调研究 . 红外与激光工程, 2015, 44(6): 1859-1864.
    [13] 劳达宝, 周维虎, 李万红, 石冬, 林心龙.  基于遗传算法的柱面光栅测角技术研究 . 红外与激光工程, 2015, 44(7): 2182-2188.
    [14] 韩军, 常波, 路邵军, 吴玲玲, 占春连.  SVM 的光栅成像光谱仪图像畸变校准方法 . 红外与激光工程, 2014, 43(9): 3099-3104.
    [15] 毛海岑, 刘爱东, 王亮.  采用混合粒子群算法的星图识别方法 . 红外与激光工程, 2014, 43(11): 3762-3766.
    [16] 曲仕茹, 杨红红.  采用Kalman_BP神经网络的视频序列多目标检测与跟踪 . 红外与激光工程, 2013, 42(9): 2553-2560.
    [17] 赵洪常, 肖光宗, 汪之国, 张斌.  采用BP神经网络的四频激光陀螺零偏的光强补偿方法 . 红外与激光工程, 2013, 42(2): 355-360.
    [18] 许兆美, 刘永志, 杨刚, 王庆安.  粒子群优化BP神经网络的激光铣削质量预测模型 . 红外与激光工程, 2013, 42(9): 2370-2374.
    [19] 孙韶媛, 李琳娜, 赵海涛.  采用KPCA和BP神经网络的单目车载红外图像深度估计 . 红外与激光工程, 2013, 42(9): 2348-2352.
    [20] 蔡义, 汪红熳, 亓波.  星地激光通信无波前传感器优化算法仿真分析 . 红外与激光工程, 2013, 42(4): 1063-1068.
  • 加载中
计量
  • 文章访问数:  439
  • HTML全文浏览量:  84
  • PDF下载量:  36
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-03-09
  • 修回日期:  2018-04-12
  • 刊出日期:  2018-08-25

基于中心矩特征和GA-BP神经网络的雷达目标识别

doi: 10.3788/IRLA201847.0826005
    作者简介:

    赵东波(1979-),男,讲师,硕士,主要从事模式识别、信号处理方面的研究。Email:alien_dffy@163.com

基金项目:

国家自然科学基金(61571364);陕西省自然科学基金(2017JM6037);陕西省教育厅专项研究计划(17JK0397)

  • 中图分类号: TN959.1

摘要: 在雷达目标识别中,利用核主分量分析(KPCA)方法来进行目标特征提取,忽略了高分辨率距离像(HRRP)的本身特性。提取一种平移不变特征-中心矩作为特征向量,采用KPCA进行特征降维;由于BP神经网络易陷入局部极小,采用遗传算法(GA)对BP网络节点权值和阀值进行优化选择。基于雷达实测数据的实验结果表明:平移不变的KPCA特征提取方法实现了平移不变和降维的结合,同时,利用GA优化BP神经网络提高了分类器稳定性改善易陷入局部最小的缺陷,提高了雷达目标识别的性能。

English Abstract

参考文献 (16)

目录

    /

    返回文章
    返回