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]

      徐彬, 陈渤, 刘宏伟, 金林. 基于注意循环神经网络模型的雷达高分辨率距离像目标识别. 电子与信息学报,

    2. [2]

      冯博, 陈渤, 王鹏辉, 刘宏伟. 基于稳健深层网络的雷达高分辨距离像目标特征提取算法. 电子与信息学报,

    3. [3]

      邵长宇, 杜兰, 韩勋, 刘宏伟. 基于双视角距离像序列的空间锥体目标参数估计方法. 电子与信息学报,

    4. [4]

      艾小锋, 邹小海, 李永祯, 赵锋, 肖顺平. 基于时间-距离像分布的锥体目标进动与结构特征提取. 电子与信息学报,

    5. [5]

      姚汉英, 孙文峰, 马晓岩. 基于高分辨距离像序列的锥柱体目标进动和结构参数估计. 电子与信息学报,

    6. [6]

      潘勉, 王鹏辉, 杜兰, 刘宏伟, 保铮. 基于TSB-HMM模型的雷达高分辨距离像目标识别方法. 电子与信息学报,

    7. [7]

      冯博, 陈渤, 王鹏辉, 刘宏伟, 严俊坤. 利用稳健字典学习的雷达高分辨距离像目标识别算法. 电子与信息学报,

    8. [8]

      王鹏辉, 刘宏伟, 杜兰, 潘勉, 张学峰. 基于线性动态模型的雷达高分辨距离像小样本目标识别方法. 电子与信息学报,

    9. [9]

      张瑞, 牛威, 寇鹏. 基于样本紧密度的雷达高分辨距离像识别方法研究. 电子与信息学报,

    10. [10]

      和华, 杜兰, 徐丹蕾, 刘宏伟. 基于多任务复数因子分析模型的雷达高分辨距离像识别方法. 电子与信息学报,

    11. [11]

      王芳, 盛卫星, 马晓峰, 王昊. 基于Gabor幅值特征和相位特征相融合的ISAR像目标识别. 电子与信息学报,

    12. [12]

      张东波, 陈治强, 易良玲, 许海霞. 图像微观结构的二值化表示与目标识别应用. 电子与信息学报,

    13. [13]

      张国亮, 杨春玲, 王暕来. 基于优化概率神经网络和红外多光谱融合的大气层外空间弹道目标识别. 电子与信息学报,

    14. [14]

      冯熳, 王梓楠. 基于奇异值分解与神经网络的干扰识别. 电子与信息学报,

    15. [15]

      艾小锋, 邹小海, 李永祯, 杨建华, 肖顺平. 旋转对称目标双基地一维距离像特性分析. 电子与信息学报,

    16. [16]

      胡杰民, 付耀文, 魏玺章, 黎湘, 景宁. 调频步进雷达高速运动目标距离像合成方法研究. 电子与信息学报,

    17. [17]

      艾小锋, 李永祯, 赵锋, 肖顺平. 基于多视角一维距离像序列的进动目标特征提取. 电子与信息学报,

    18. [18]

      李彬, 李辉, 郭淞云. 基于t分布扩展概率主成分分析模型的一维距离像识别方法. 电子与信息学报,

    19. [19]

      邬战军, 牛敏, 许冰, 牛燕雄, 耿天琪, 张帆, 满达. 基于谱回归特征降维与后向传播神经网络的识别方法研究. 电子与信息学报,

    20. [20]

      毕莉, 赵锋, 高勋章, 黎湘. 基于一维像序列的进动目标尺寸估计研究. 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:  18
  • 文章访问数:  2723
  • HTML全文浏览量:  502
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