高级搜索

基于高效可扩展改进残差结构神经网络的舰船目标识别技术

付哲泉 李尚生 李相平 但波 王旭坤

引用本文: 付哲泉, 李尚生, 李相平, 但波, 王旭坤. 基于高效可扩展改进残差结构神经网络的舰船目标识别技术[J]. 电子与信息学报, doi: 10.11999/JEIT190913 shu
Citation:  Zhequan FU, Shangsheng LI, Xiangping LI, Bo DAN, Xukun WANG. Ship Target Recognition Based on Highly Efficient Scalable Improved Residual Structure Neural Network[J]. Journal of Electronics and Information Technology, doi: 10.11999/JEIT190913 shu

基于高效可扩展改进残差结构神经网络的舰船目标识别技术

    作者简介: 付哲泉: 男,1992年生,博士生,研究方向为精确制导技术及其智能化;
    李尚生: 男,1965年生,教授,研究方向为导弹制导技术;
    李相平: 男,1963年生,教授,研究方向为精确制导和目标探测技术;
    但波: 男,1985年生,讲师,研究方向为目标识别与选择技术;
    王旭坤: 男,1995年生,硕士生,研究方向为雷达目标识别技术
    通讯作者: 付哲泉,fuzq2413@163.com
摘要: 神经网络的深度在一定范围内与识别效果成正相关,为解决超出范围后网络层数增加识别准确率却下降的模型饱和问题,该文提出一种具有高效的微块内部结构和残差网络结构的神经网络模型,用于对舰船目标基于高分辨距离像的分类识别。该方法利用具有小尺度卷积核的卷积模块提取目标的稳定可分特征,同时利用联合损失函数约束目标特征的类内距离提高识别能力。仿真结果表明,该模型相比于其他常见网络结构,在模型参数更少的情况下,识别效果更好,同时具有较强的噪声鲁棒性。

English

    1. [1]

      魏存伟, 段发阶, 刘先康. 基于宽带雷达HRRP舰船目标长度估计算法[J]. 系统工程与电子技术, 2018, 40(9): 1960–1965. doi: 10.3969/j.issn.1001-506X.2018.09.10
      WEI Cunwei, DUAN Fajie, and LIU Xiankang. Length estimation method of ship target based on wide-band radar’s HRRP[J]. Systems Engineering and Electronics, 2018, 40(9): 1960–1965. doi: 10.3969/j.issn.1001-506X.2018.09.10

    2. [2]

      贺思三, 赵会宁, 张永顺. 基于时频域联合滤波的中段群目标信号分离[J]. 雷达学报, 2015, 4(5): 545–551. doi: 10.12000/JR15008
      HE Sisan, ZHAO Huining, and ZHANG Yongshun. Signal separation for target group in midcourse based on time-frequency filtering[J]. Journal of Radars, 2015, 4(5): 545–551. doi: 10.12000/JR15008

    3. [3]

      吴佳妮, 陈永光, 代大海, 等. 基于快速密度搜索聚类算法的极化HRRP分类方法[J]. 电子与信息学报, 2016, 38(10): 2461–2467. doi: 10.11999/JEIT151457
      WU Jiani, CHEN Yongguang, DAI Dahai, et al. Target recognition for polarimetric HRRP based on fast density search clustering method[J]. Journal of Electronics &Information Technology, 2016, 38(10): 2461–2467. doi: 10.11999/JEIT151457

    4. [4]

      李建伟, 曲长文, 彭书娟, 等. 基于生成对抗网络和线上难例挖掘的SAR图像舰船目标检测[J]. 电子与信息学报, 2019, 41(1): 143–149. doi: 10.11999/JEIT180050
      LI Jianwei, QU Changwen, PENG Shujuan, et al. Ship detection in SAR images based on generative adversarial network and online hard examples mining[J]. Journal of Electronics &Information Technology, 2019, 41(1): 143–149. doi: 10.11999/JEIT180050

    5. [5]

      杜兰, 魏迪, 李璐, 等. 基于半监督学习的SAR目标检测网络[J]. 电子与信息学报, 2020, 42(1): 154–163. doi: 10.11999/JEIT190783
      DU Lan, WEI Di, LI Lu, et al. SAR target detection network via semi-supervised learning[J]. Journal of Electronics &Information Technology, 2020, 42(1): 154–163. doi: 10.11999/JEIT190783

    6. [6]

      罗会兰, 卢飞, 孔繁胜. 基于区域与深度残差网络的图像语义分割[J]. 电子与信息学报, 2019, 41(11): 2777–2786. doi: 10.11999/JEIT190056
      LUO Huilan, LU Fei, and KONG Fansheng. Image semantic segmentation based on region and deep residual network[J]. Journal of Electronics &Information Technology, 2019, 41(11): 2777–2786. doi: 10.11999/JEIT190056

    7. [7]

      XING Shihong and ZHANG Shaokang. Ship model recognition based on convolutional neural networks[C]. Proceedings of 2018 IEEE International Conference on Mechatronics and Automation, Changchun, China, 2018: 144-148. doi: 10.1109/ICMA.2018.8484362.

    8. [8]

      杨宏宇, 王峰岩. 基于深度卷积神经网络的气象雷达噪声图像语义分割方法[J]. 电子与信息学报, 2019, 41(10): 2373–2381. doi: 10.11999/JEIT190098
      YANG Hongyu and WANG Fengyan. Meteorological radar noise image semantic segmentation method based on deep convolutional neural network[J]. Journal of Electronics &Information Technology, 2019, 41(10): 2373–2381. doi: 10.11999/JEIT190098

    9. [9]

      王鑫, 李可, 宁晨, 等. 基于深度卷积神经网络和多核学习的遥感图像分类方法[J]. 电子与信息学报, 2019, 41(5): 1098–1105. doi: 10.11999/JEIT180628
      WANG Xin, LI Ke, NING Chen, et al. Remote sensing image classification method based on deep convolution neural network and multi-kernel learning[J]. Journal of Electronics &Information Technology, 2019, 41(5): 1098–1105. doi: 10.11999/JEIT180628

    10. [10]

      郭晨, 简涛, 徐从安, 等. 基于深度多尺度一维卷积神经网络的雷达舰船目标识别[J]. 电子与信息学报, 2019, 41(6): 1302–1309. doi: 10.11999/JEIT180677
      GUO Chen, JIAN Tao, XU Congan, et al. Radar HRRP target recognition based on deep multi-scale 1D convolutional neural network[J]. Journal of Electronics &Information Technology, 2019, 41(6): 1302–1309. doi: 10.11999/JEIT180677

    11. [11]

      王容川, 庄志洪, 王宏波, 等. 基于卷积神经网络的雷达目标HRRP分类识别方法[J]. 现代雷达, 2019, 41(5): 33–38. doi: 10.16592/j.cnki.1004-7859.2019.05.007
      WANG Rongchuan, ZHUANG Zhihong, WANG Hongbo, et al. HRRP classification and recognition method of radar target based on convolutional neural network[J]. Modern Radar, 2019, 41(5): 33–38. doi: 10.16592/j.cnki.1004-7859.2019.05.007

    12. [12]

      刘兴旺. 一种多层预训练卷积神经网络在图像识别中的应用[D]. [硕士论文], 中南民族大学, 2018.
      LIU Xingwang. The application of a multi-layers pre-training convolutional neural network in image recognition[D]. [Master dissertation], South-Central University for Nationalities, 2018.

    13. [13]

      赵飞翔, 刘永祥, 霍凯. 基于栈式降噪稀疏自动编码器的雷达目标识别方法[J]. 雷达学报, 2017, 6(2): 149–156. doi: 10.12000/JR16151
      ZHAO Feixiang, LIU Yongxiang, and HUO Kai. Radar target recognition based on stacked denoising sparse autoencoder[J]. Journal of Radars, 2017, 6(2): 149–156. doi: 10.12000/JR16151

    14. [14]

      KRIZHEVSKY A, SUTSKEVER I, and HINTON G E. ImageNet classification with deep convolutional neural networks[C]. Proceedings of the 25th International Conference on Neural Information Processing Systems, Red Hook, United States, 2012: 1097–1105.

    15. [15]

      SIMONYAN K and ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[C]. Proceedings of the 3rd International Conference on Learning Representations, San Diego, United States, 2015: 1–14. (未找到本条文献出版地信息, 请核对)

    16. [16]

      HE Kaiming, ZHANG Xiangyu, REN Shaoqing, et al. Deep residual learning for image recognition[C]. Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, United States, 2016: 770–778. doi: 10.1109/CVPR.2016.90.

    17. [17]

      SZEGEDY C, IOFFE S, VANHOUCKE V, et al. Inception-v4, inception-ResNet and the impact of residual connections on learning[C]. Proceedings of the 31st AAAI Conference on Artificial Intelligence, San Francisco, United States, 2017: 4278–4284.

    18. [18]

      WEN Yandong, ZHANG Kaipeng, LI Zhifeng, et al. A discriminative feature learning approach for deep face recognition[C]. Proceedings of the 14th European Conference on Computer Vision, Amsterdam, Netherlands, 2016: 499–515. doi: 10.1007/978-3-319-46478-7_31.

    1. [1]

      张天骐, 范聪聪, 葛宛营, 张天. 基于ICA和特征提取的MIMO信号调制识别算法. 电子与信息学报,

    2. [2]

      宋晨, 周良将, 吴一戎, 丁赤飚. 基于时频集中度指标的多旋翼无人机微动特征参数估计方法. 电子与信息学报,

    3. [3]

      江小平, 王妙羽, 丁昊, 李成华. 基于信道状态信息幅值-相位的被动式室内指纹定位. 电子与信息学报,

    4. [4]

      缪祥华, 单小撤. 基于密集连接卷积神经网络的入侵检测技术研究. 电子与信息学报,

    5. [5]

      游凌, 李伟浩, 张文林, 王科人. 基于深度神经网络的Morse码自动译码算法. 电子与信息学报,

    6. [6]

      归伟夏, 陆倩, 苏美力. 关于系统级故障诊断的烟花-反向传播神经网络算法. 电子与信息学报,

    7. [7]

      刘小燕, 李照明, 段嘉旭, 项天远. 基于卷积神经网络的PCB板色环电阻检测与定位方法. 电子与信息学报,

    8. [8]

      邵凯, 李述栋, 王光宇, 付天飞. 基于迟滞噪声混沌神经网络的导频分配. 电子与信息学报,

    9. [9]

      申铉京, 沈哲, 黄永平, 王玉. 基于非局部操作的深度卷积神经网络车位占用检测算法. 电子与信息学报,

    10. [10]

      柳长源, 王琪, 毕晓君. 基于多通道多尺度卷积神经网络的单幅图像去雨方法. 电子与信息学报,

    11. [11]

      黄静琪, 胡琛, 孙山鹏, 高翔, 何兵. 一种基于异步传感器网络的空间目标分布式跟踪方法. 电子与信息学报,

    12. [12]

      张文明, 姚振飞, 高雅昆, 李海滨. 一种平衡准确性以及高效性的显著性目标检测深度卷积网络模型. 电子与信息学报,

    13. [13]

      兰红, 方治屿. 零样本图像识别. 电子与信息学报,

    14. [14]

      袁庆军, 张勋成, 高杨, 王永娟. 轻量级分组密码PUFFIN的差分故障攻击. 电子与信息学报,

    15. [15]

      陈家祯, 吴为民, 郑子华, 叶锋, 连桂仁, 许力. 基于虚拟光学的视觉显著目标可控放大重建. 电子与信息学报,

    16. [16]

      刘政怡, 刘俊雷, 赵鹏. 基于样本选择的RGBD图像协同显著目标检测. 电子与信息学报,

    17. [17]

      姚敏立, 王旭健, 张峰干, 戴定成. 基于动态参数差分进化算法的多约束稀布矩形面阵优化. 电子与信息学报,

    18. [18]

      贺利芳, 吴雪霜, 张天骐. 正交多用户短参考差分混沌移位键控通信系统性能分析. 电子与信息学报,

    19. [19]

      孙闽红, 丁辰伟, 张树奇, 鲁加战, 邵鹏飞. 基于统计相关差异的多基地雷达拖引欺骗干扰识别. 电子与信息学报,

    20. [20]

      贺利芳, 陈俊, 张天骐. 短参考多用户差分混沌移位键控通信系统性能分析. 电子与信息学报,

  • 图 1  针对HRRP的CNN结构示意图

    图 2  残差结构

    图 3  卷积模块结构

    图 4  本文所提模型框图

    图 5  某艘舰船模型图及其对应幅值归一化后的HRRP图

    图 6  HRRP数据平移截取示意图

    图 7  信噪比为15 dB时不同模型的特征可视化图

    表 1  模型A各阶段参数情况

    阶段输出结构参数个数
    初始卷积层128×1×97×1, 9, s=299
    左侧支路右侧支路
    卷积模块164×1×181×1, 9
    3×1, 3, s=2, x=3
    1×1, 12
    1×1, 15, s=2585
    卷积模块232×1×361×1, 18
    3×1, 6, s=2, x=3
    1×1, 24
    1×1, 30, s=21980
    卷积模块316×1×721×1, 36
    3×1, 12, s=2, x=3
    1×1, 48
    1×1, 60, s=27200
    卷积模块48×1×1441×1, 72
    3×1, 24, s=2, x=3
    1×1, 96
    1×1, 120, s=227360
    全连接层1144全局平均池化+全局最大值池化0
    全连接层22288
    输出层13SL+CL26
    参数总数37538
    下载: 导出CSV

    表 2  不同复杂度模型在不同信噪比数据集下的识别准确率(%)

    模型名称识别时间(us)信噪比(dB)
    051015
    模型A25860.4289.4198.2199.83
    模型B32672.9594.4199.1599.89
    模型C32373.7893.7199.0799.86
    下载: 导出CSV

    表 3  CNN模型结构和参数明细

    阶段输出维度网络结构参数个数
    卷积层1256×1×83×1,8,s=164
    池化层1128×1×82×1,s=20
    卷积层2128×1×163×1,16,s=1464
    池化层264×1×162×1,s=20
    卷积层364×1×323×1,32,s=11696
    池化层332×1×322×1,s=20
    卷积层432×1×643×1,64,s=16464
    池化层416×1×642×1,s=20
    卷积层516×1×641×1,64,s=14416
    池化层58×1×642×1,s=20
    全连接层16432832
    全连接层22130
    输出层13SL39
    参数总数46105
    下载: 导出CSV

    表 5  SCAE模型结构和参数明细

    阶段输出维度网络结构参数个数
    卷积层1256×1×1285×1, 128, s=1768
    池化层1128×1×1282×1, s=20
    卷积层2128×1×645×1, 64, s=141024
    池化层264×1×642×1, s=20
    卷积层364×1×323×1, 32, s=16176
    池化层332×1×322×1, s=20
    卷积层432×1×163×1, 16, s=11552
    池化层416×1×162×1, s=20
    卷积层516×1×81×1, 8, s=1136
    池化层58×1×82×1, s=20
    输出层13SL845
    参数总数50501
    下载: 导出CSV

    表 4  SDSAE&KNN模型结构和参数明细

    阶段输出维度参数个数
    隐藏层1150×138550
    隐藏层2100×115100
    隐藏层350×15050
    隐藏层410×1510
    参数总数59210
    下载: 导出CSV

    表 6  不同信噪比条件下本节模型与对比模型识别准确率(%)

    模型名称识别时间(us)信噪比(dB)
    051015
    模型A25860.4289.4198.2199.83
    CNN6958.2286.9195.5198.79
    SCAE4754.7886.5894.4498.78
    SDSAE&KNN6846.5083.9493.4498.65
    下载: 导出CSV
  • 加载中
图(7)表(6)
计量
  • PDF下载量:  25
  • 文章访问数:  3345
  • HTML全文浏览量:  573
文章相关
  • 通讯作者:  付哲泉, fuzq2413@163.com
  • 收稿日期:  2019-11-14
  • 录用日期:  2020-04-16
  • 网络出版日期:  2020-04-25
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章