一、使用低分辨率雷达和神经网络进行舰船目标识别（论文文献综述）
候泽生[1]（2021）在《基于深度网络的SAR图像舰船目标识别方法研究》文中指出合成孔径雷达（Synthetic Aperture Radar,SAR）图像舰船识别是海上目标解译的一个重要环节,也是目前研究的一大热点。由于SAR特有的全天时、全天候的优势,以及SAR图像目标识别在军事和民用领域的迫切需求,所以研究舰船目标识别方法具有重要的理论价值和实际意义。传统的SAR图像目标识别流程主要有检测、鉴别、特征提取和识别四个主要模块,模块之间相互依赖,具有很大的局限性。深度学习自问世以来,就受到很大的关注,由于其突出的特征提取能力和自学习能力被图像处理领域广泛应用。基于深度网络的SAR图像目标解译方法近些年被SAR领域的学者广泛研究,本文主要研究基于深度网络的SAR图像舰船目标识别方法,具体工作如下:首先,简述了研究SAR图像目标识别工作的背景和意义,以及回顾了研究工作的国内外研究现状;然后重点研究了目标识别常用的传统方法和深度学习方法,并对一些关键技术进行详细的理论介绍;在这部分最后简要介绍了深度学习在SAR图像舰船目标识别的运用。其次,针对在舰船目标识别中的类别不平衡问题展开研究,从数学角度解释了类别不平衡问题的本质以及对模型的影响。然后本文分析了目前已有的处理类别不平衡方法的优势与不足,在充分考虑了SAR图像中舰船目标特点的情况下,提出了一种新的损失函数用于处理舰船识别中的类别不平衡问题。该损失函数主要是通过直接增大类内距离间接增大类间距离的方式优化分类边界。最后通过大量的实验验证了本文提出方法的有效性。最后,重点研究了检测识别一体化。检测识别一体化是目前SAR图像目标识别的一大趋势。但是基于深度网络的舰船目标检测识别由于受到数据集和方法的影响,还不能实现一体化。本文在已有的数据集的基础上进行整理,然后构建了一个五类的舰船识别数据集。为了实现一体化并且更好地特征融合,构建了一个基于金字塔结构的深度网络;同时针对舰船不同类别相似度较高的问题在金字塔结构中加入注意力机制,可以有效的放大有用特征,抑制无用特征。通过实验验证了基于深度网络的一体化方法的有效性,同时用对比实验说明加入注意力机制确实可以有效提高舰船的识别率。
何健[2]（2020）在《面向可见光遥感图像的海上目标快速检测和识别技术》文中研究说明近年来,随着遥感探测技术的飞速发展,为海上目标检测和识别提供了多种多样的样本数据,遥感图像在军用和民用领域的应用范围日趋广泛。本文根据实际需要,为了监控和管制重点海域的港口区域的舰船流动以及海面舰船分布的情况,将海上目标识别分为了港口区域的检测和舰船目标的识别。之后围绕可见光遥感图像中的港口和舰船目标的自动检测和识别问题,在港口检测部分研究了边缘处理、特征提取和目标检测,在舰船识别部分研究了显着性检测、目标分类等关键技术,在此基础上分别设计了具有高检测精度、低虚警率的港口和海面舰船目标的自动检测和识别方法,提高了遥感图像海上目标检测和识别技术的效率和实时性。本文的主要研究内容归纳如下:1.介绍了可见光遥感图像下的港口和舰船目标检测和识别的基本原理,详细分析了港口和舰船目标的形状、颜色、纹理等主要特征,为海上目标检测和识别算法的研究提供了理论的依据。分别总结了现有的港口和舰船目标检测和识别算法,分析了各类算法的优缺点,并详细介绍了本文的检测和识别算法的关键技术的基本理论。2.提出了基于边缘保持算法的遥感图像处理技术,可以有效的降低港口图像的背景干扰。在包含港口的遥感图像中,由于靠近海岸线,因此会存在很多人造建筑以及海岸附近的自然风貌,这些复杂地貌会干扰港口目标的特征提取。通过实验评估,本文提出的边缘保持算法可以有效的剔除这些复杂、无用的背景信息,并能够有效的保留关键的边缘信息,提高了特征提取和目标识别的检测精度。3.提出了基于边缘分类的SIFT特征提取算法,能有效的减少非边缘类特征的提取,鉴于港口目标的特征属于明显的边缘类特征,因此本文设计的算法可以将提取的特征更多的集中在关键特征点上,降低了港口目标识别的误匹配率;4.提出了基于超复数傅里叶变换的显着性检测模型,可以快速搜索到与当前任务要求相关的信息。本文讨论了视觉显着性模型的研究价值及在目标检测领域内的应用现状,同时分别对显着目标检测等视觉显着性模型的构建、及其在可见光遥感图像舰船目标检测中的应用展开深入研究,设计了基于改进的超复数傅里叶变换显着性模型来定位海上舰船目标区域,更有效的抑制了海上出现的云雾,海杂波等背景干扰。5.提出了基于迁移学习的Res Net模型用来识别显着性检测后提取出来的舰船目标,这不仅解决了当CNN网络层数过深的时候出现的梯度消失、梯度退化等问题,基于迁移学习的方案可以用少量的舰船样本数据就能够训练CNN模型,并且实现更高精度的舰船目标分类。综上所述,本文对可见光遥感图像海上目标自动检测与识别领域面临的问题和挑战所涉及的相关理论进行了分析,针对港口区域的目标特征检测、感兴趣区域提取、目标检测,以及舰船目标的显着性模型、目标检测和识别等关键技术问题进行了研究,取得了一定的成果。本文相关成果可为航天航空领域可见光遥感图像的港口和舰船目标自动检测与识别技术提供理论基础与算法支持,具有借鉴意义。
万锦伟[3]（2020）在《基于深度网络的HRRP目标识别与对抗攻击研究》文中研究指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。
董春雷[4]（2020）在《基于SBR算法的海上目标复合电磁散射及SAR成像与识别研究》文中研究指明本文首先针对弹跳射线（Shooting and Bouncing Ray,SBR）算法进行优化,并基于改进后的SBR算法建立了电大尺寸复杂目标与实际复杂海环境复合电磁散射模型,分析了目标与海面复合模型的电磁散射特性。在此基础上,进一步研究了基于电磁散射计算的SAR成像算法,建立了典型舰船目标SAR图像仿真数据集,并结合深度学习理论完成了舰船SAR图像仿真数据集的识别与分类工作。论文的主要工作如下:1、详细介绍了开放图形库（Open Graphics Library,Open GL）面元消隐以及基于八叉树结构的邻域搜索算法的基本原理,并在此基础上提出了Open GL与邻域搜索算法相结合的快速算法用以提高射线追踪的效率。该算法优化了射线穿过树结构角点与边线后的搜索问题以及射线穿出树结构体的判断问题,同时能够有效降低代码复杂度、提升SBR算法的计算效率。2、射线追踪的准确性对于SBR算法的计算精度至关重要,为了能够有效提高SBR算法的精度,本文提出了基于双尺度剖分技术的SBR算法。该算法利用大尺寸面元拟合目标几何轮廓减少射线遮挡判断次数,同时,利用再剖分的小尺寸面元进行双向追踪提高射线追踪的准确性。与传统SBR算法相比,基于双尺度剖分技术的SBR算法在保证了SBR计算效率的同时提高了计算精度。3、为了进一步提高SBR算法的计算效率,研究了基于CUDA架构的GPU并行加速算法。首先,详细介绍了CUDA编程的运行模式以及数据存储方式。然后,具体给出了基于CUDA的并行SBR算法的计算流程以及优化过程。通过对不同电大尺寸舰船目标的仿真计算,验证了并行SBR算法能够有效减少仿真时间,提高计算效率。4、为了满足电大尺寸目标与海面复合电磁散射快速求解的需求,将改进后的SBR算法与海面双尺度模型相结合,建立了海面上方单目标以及海面上方多目标复合散射模型。仿真计算了不同海况参数、不同雷达参数以及不同目标参数下,海面与单/多目标复合散射回波,分析了各参数对复合散射特性的影响。5、详细说明了SAR成像的基本原理以及距离-多普勒（RD）成像算法的具体流程。结合SAR成像原理,利用已建立的目标与海面复合电磁散射模型仿真计算了舰船与海面复合的频域散射场,并利用频域脉冲相干法得到了SAR回波数据。然后,采用RD成像算法生成了海面舰船SAR图像。同时,明确给出了极坐标格式算法录取的回波数据与电磁散射计算之间的转换关系。最后,仿真生成了不同海况参数以及雷达参数下复合场景SAR图像。6、详细介绍了Tensorflow框架的基本知识以及深度卷积神经网络的基本结构,利用仿真方法生成了六类舰船目标SAR图像数据集。根据VGG-16网络的基本结构搭建了深度卷积神经网络,并利用仿真数据对网络进行训练,研究了不同激活函数、不同学习率、不同最优化方法以及不同dropout选取比例对网络训练以及识别准确率的影响。同时探究了不同海情的图像训练集对网络泛化性的影响。
王洁[5]（2020）在《基于生成对抗网络的舰船目标多源融合识别方法》文中研究指明随着海军舰艇在现代军事、经济的地位提升,针对舰船目标的识别技术的研究也变得越来越重要。海洋舰船目标探测的手段多种多样,主要包括光学成像,红外成像,雷达成像等。舰船多源成像的融合识别也成为了研究热点。在实际情况中,获取的多源成像会受到外部条件影响,和自身传感器限制,导致成像效果较差。例如:光学图像分辨率较高,但是容易受到光源和天气、气候的影响,存在部分信息缺失的情况。而ISAR等雷达成像虽然分辨率较低,但是能够实现主动探测,且其分辨特性不受距离的影响,能全天时全天候的工作。而红外成像的分辨率一般介于两者之间,是被动成像系统,并且也能实现全天时全天候的成像工作。基于这三种图像互补且异构的信息,可以进行多源图像融合识别。本文是基于相同时空的舰船目标多源图像融合识别这一问题展开研究,期望使用生成对抗网络（GAN）将已有部分信息（舰船ISAR像,有雾的光学图像和红外图像）来生成高分辨图像信息（光学图像）,并进行图像融合,从而达到改善舰船目标识别效果的要求。主要内容包括:首先,本课题为了训练和测试生成对抗网络,需要获得舰船光学图像,ISAR图像和红外图像数据集,为了获得观测角度统一的多源成像,采取了成像仿真的方式,通过建立舰船的3D模型并进行网格剖分,利用算法来进行舰船成像仿真,最后进行图像预处理,构建图像数据集。其次以生成对抗网络为切入点,利用改进的GAN改善舰船图像质量,主要包括三种算法:舰船目标的光学成像受到云雾遮挡,造成舰船图像的部分信息缺失等问题。Pix2pix网络可以通过训练有云雾遮挡的信息缺失的光学图像,生成无雾图像来改善光学图像的质量,提高舰船目标识别率;基于光学图像和ISAR图像具有互补且异构信息,实际获取的舰船图像存在着角度不匹配的问题,使用Cycle GAN网络来解决舰船异质图像的转换融合问题,并且可以缓解小角度扰动带来的影响。而Pix2pix HD网络是基于Pix2pix改进的算法,不仅有效提高了生成图像的分辨率,而且还可以增加局部生成器来得到期望分辨率的高清图像,因此使用该网络将低分辨的红外图像生成高分辨舰船光学图像。最后为了进一步提取舰船多源图像的特征,去除图像的冗余信息,采用了基于小波变换的舰船多源融合算法,生成新的图像。为判断基于生成对抗网络生成的图像质量,使用改进卷积神经网络（CNN）自动提取特征,并将GAN输入图像和生成图像,融合图像,输入到网络中,通过分析舰船类别和舰船具体型号对比分析识别效果。实验结果表明利用本课题的方法不仅可以自动进行多源融合,减少手动提取的特征所耗费的人力物力,还可以有效的改善舰船目标的识别效果。
徐鹏政[6]（2020）在《基于HRRP与ISAR图像融合的舰船目标识别研究》文中进行了进一步梳理信息化战争背景下,现代雷达不仅能够提供目标的位置和速度信息,还能对目标进行成像获取目标的几何和姿态信息,雷达自动目标识别技术也随之产生。其中,由于我国复杂的海洋争端,舰船目标的识别对我国的领土安全有着重要意义。本文主要针对雷达舰船目标的识别进行了研究,由于当前研究单一地使用HRRP或者单一地使用ISAR图像进行识别的现状,本文主要对同时融合HRRP和ISAR图像进行舰船目标的识别的方法进行了研究,包括融合二者进行目标识别提高识别率的方法以及融合二者提高长度估计精度的方法。在融合识别的方法上,本文采用基于DS证据理论的融合和基于分类器选择的融合两种方法。在长度的融合上,由简单到复杂,先后利用零均值高斯分布、非零均值高斯分布对HRRP和ISAR的长度估计误差建模。利用训练集数据对高斯分布的参数进行估计,然后利用估计的概率模型通过最小均方误差估计方法,且对HRRP和ISAR的长度估计结果进行融合对ISAR图像长度估计结果与HRRP长度估计结果差别过大的样本,直接取HRRP长度估计结果作为融合结果。在雷达成像仿真数据集上验证结果表明基于分类器选择的融合方法能得到最佳的准确率以及融合后长度估计精度得到了明显的提升。首先,为了得到仿真数据集,本文对ISAR成像的原理,以及舰船目标的散射点建模和运动状态建模方法进行了阐述。同时,对海杂波使用K分布模型进行了仿真,从而得到有海杂波影响的仿真HRRP数据和ISAR图像数据,用于评价处理方法的性能。在融合处理之前,对于HRRP的长度估计和特征提取,采用CFAR检测得到目标在距离维上的范围,得到目标长度的估计值。在特征提取上,采用平移不变的双谱特征。在ISAR图像的长度估计和特征提取中,除使用传统CFAR方法进行目标区域提取外,本文还提出了利用U-Net网络从图像分割的角度进行目标区域提取的方法。最后,融合部分利用前述融合方法在仿真数据集上处理,验证算法性能。结果表明本文提出的分类决策融合方法的识别准确率有所提高,长度估计融合结果的误差也有所降低,说明了本文方法的有效性。
化青龙[7]（2020）在《基于复数域深度学习的SAR舰船目标识别方法研究》文中研究指明运动舰船的成像与识别技术在诸多领域都有着重要的作用,在海事管理方面,SAR可全天监控管理船只进出港口;在海洋环境保护方面,能及时发现油污导致的海洋污染;在军事方面,能侦察预警敌方舰船。传统SAR运动目标识别中,主要利用SAR图像的幅度信息,通过手动提取特征并结合分类器进行运动目标识别。对于海上运动的舰船目标,除了本身的航行运动分量之外,还存在三维转动分量,尤其在高海情下,运动分量引起目标散焦使其淹没在杂波背景中,使基于幅度图像域的SAR运动目标识别方法检测困难。本文研究基于复数域深度学习理论,在不进行目标的任何运动补偿情况下,利用舰船运动目标与静止目标在复数域的表达不同,设计了CV-EstNet、CV-MotionNet、CV-RefocusNet、CV-RotNet四种复数域网络分别完成SAR运动舰船目标速度估计、SAR运动舰船目标识别、SAR三维转动舰船目标重聚焦、SAR三维转动舰船目标识别。首先,本文首先研究SAR的基本成像处理方法,并进行算法的仿真分析。针对舰船目标的回波模拟,分析运动舰船目标回波模型,研究运动目标回波的多普勒中心变化及多普勒调频率变化,提出了基于射线追踪与三维模型结合的SAR舰船目标成像模型,并进行模拟与仿真,构建SAR舰船目标仿真样本库。基于高分三号SAR图像及对应AIS数据形成SAR舰船目标实测样本库。其次,研究复数域CNN网络架构与基础理论,阐述深度学习、实数域卷积神经网络与复数域卷积神经网络基本原理,基于CNN与CV-CNN分别开展SAR静止舰船目标识别实验,给出两种网络性能对比分析。然后,本文对运动舰船目标偏移与散焦问题进行分析,分别从实数域网络与复数域网络两个角度设计了EstNet与CV-EstNet,以实现SAR运动舰船目标的速度估计,并完成相应仿真数据实验,给出两种网络性能对比分析。同时,在EstNet与CV-EstNet的基础上,设计了Motion Net与CV-Motion Net两种网络,实现SAR运动舰船目标识别,并完成相应仿真与实测数据实验,给出两种网络性能对比分析。最后,本文分析海上舰船目标的三维转动特性,研究三维转动分量对SAR舰船目标多普勒频率的影响,然后分别从实数域网络与复数域网络两个角度设计了Refocus Net与CV-Refocus Net,以实现SAR三维转动舰船目标的重聚焦,并完成相应仿真与实测数据实验,给出两种网络性能对比分析。同时,在Refocus Net与CV-Refocus Net的基础上,设计了RotNet与CV-RotNet两种网络,实现SAR三维转动舰船目标识别,分析对比两种网络的性能表现。
薛佳音[8]（2020）在《基于ISAR的机动目标快速成像与识别技术研究》文中提出逆合成孔径雷达（Inverse Synthetic Aperture Radar,ISAR）成像与识别技术在精准制导、反导反卫、空间预警、环境监测等军民领域起着至关重要的作用。在实际观测场景中,由于被观测目标的高机动、非合作性和观测环境的复杂、不确定性,导致传统识别手段无法满足ISAR机动目标自动识别的高精度与近实时处理需求。为了解决这一问题,有必要对机动目标回波信号的快速高效处理进行更加深入的研究,并进一步探索对目标更多维度信息的挖掘与利用。针对以上需求,论文拟围绕成像和识别这两个处理阶段,开展系统建模、成像算法和识别技术的研究,以期取得较高的精度指标和较好的实时性能之间的折中。论文通过优化成像环节中补偿算法的精度和计算复杂度,来提高成像质量和处理实时性,以提升识别前置输入信息的特征传递效能;利用机器深度学习挖掘样本多维特征信息,以减小识别性能对成像质量以及人工特征工程的强依赖性,从整体上提升系统在复杂应用场景下的识别能力。论文的主要研究内容包括以下几个方面:（1）ISAR系统的机动目标回波特性建模、成像算法研究及优化设计。根据经典二维转台模型和合成孔径二维分辨原理,明晰ISAR系统回波信号构成与分集特性。通过对机动目标的回波频谱特性进行距离向和方位向的建模与分析,讨论高阶运动目标距离像（Range Profile,RP）的序列相关性和方位像的频谱展宽性,为下一步补偿和成像处理的研究建立理论基础。通过对经典距离—多普勒（Range-Doppler,RD）成像算法和通用补偿方法的约束条件与优化空间进行研究,并针对一般机动性和高机动性目标进行RD成像仿真分析,提出通过提高补偿精度来解决目标平动导致的图像模糊、提高一维像聚焦性以改善目标转动导致的图像散焦,最终实现对机动目标的高质量、近实时成像和快速识别。（2）基于RP相关性的参数估计及运动补偿算法的研究。通过深入研究回波各距离像之间的相关性,对通用参数估计方法进行性能改进和复杂度优化;针对径向平稳目标的运动补偿,利用分数阶傅立叶变换（Fractional Fourier Transform,Fr FT）进行距离压缩产生高分辨距离像来提高距离对准精度,对Fr FT匹配阶数搜索算法进行复杂度优化,实现基于Fr FT的一阶参数估计与运动补偿;针对径向非平稳的机动目标,将高阶参数估计问题建模为最小二乘（Least-Square,LS）问题,提出基于LS的高阶对称累积互相关参数估计方法（High-order Symmetric Accumulated Cross-correlation Method,HSACM）。通过仿真实验分析,证明了提出算法的估计精度显着高于同类算法,其计算复杂度远低于通用的高阶参数估计方法。（3）高阶信号变换处理技术及机动目标快速成像算法研究。针对Fr FT不适用于径向非平稳目标的距离压缩以产生能量高度聚集的一维像、以及目标非均匀转动产生的时变多普勒问题,提出一种新的低复杂度信号处理技术——幂权傅立叶变换（Power-Weighted Fourier Transform,PWFT）。利用PWFT对信号频谱的“锐化”特性,研究基于PWFT的高阶平动补偿和高阶方位聚焦,进而提出基于PWFT的快速成像算法PWFT-RD,以及一种非常规的窗函数——幂权窗,以改善图像远端的拖尾现象。仿真实验证明了PWFT技术可以有效改善补偿不足和目标非均匀转动导致的成像散焦问题,PWFT-RD算法能够对机动目标进行高质量、近实时的成像处理。（4）基于深度学习样本多维特征的识别网络的研究。分析ISAR回波数据的三种典型表征形式（原始数据、一维距离像、二维ISAR图像）在信号处理过程中对不同维度原始信息进行的特征增强与抑制。利用深度神经网络进一步挖掘目标的多维特征信息,设计基于卷积神经网络（Convolutional Neural Network,CNN）的端到端识别网络。基于此框架,设计以上三种单一表征样本驱动的单流识别网络,并分析各网络特点及其场景适用性。利用不同表征形式的优势互补对单流识别网络进行数据增强和结构优化,设计适应复杂应用场景的多元表征样本驱动的融合网络。仿真实验结果证明了提出的几种识别网络的有效性,验证了多流融合网络在目标高机动性和极低信噪比等特定应用场景下,与已有识别方案相比具有显着的先进性。
蒋丽婷[9]（2020）在《面向港口情报分析的遥感影像目标识别技术研究与实现》文中认为在信息时代下,全面获取敌对势力军事情报,实时高效进行军事判读,是未来战争制胜的重要手段。舰船作为重要的海上作战工具,统计各国舰船的型号数量,监视各港口动态,能够提前预测作战意图,定位舰船目标部署位置,作战部队能够精确打击目标,因此,研究舰船目标的检测与识别,提高情报获取效性,具有重大战略意义。遥感影像作为重要情报获取手段,被广泛应用于情报侦察领域,本文以遥感影像港口情报分析为应用背景,围绕港口近岸舰船检测识别问题展开研究。本文的研究工作包含以下三个方向:一、基于集成学习和语义分割方法对海陆进行分离,由于近岸舰船的纹理、灰度与地物十分相似,这类舰船提取非常困难,虚警率较高。该步骤集成多个语义分割模型,对大幅遥感影像进行海陆分割,剔除陆地误检目标,既能够降低虚警率,又能够去除大幅遥感影像中陆地区域,减少检测区域,提高检测效率。二、针对基于候选区域的目标检测算法速度较慢问题,本文提出一种端到端的舰船检测方法,该方法不考虑候选框提取,将对象检测问题转化为回归问题,能够快速提取目标。由于港口舰船尺度多样,小目标检测困难,本文还引入特征金字塔网络,提取多层特征图进行检测,改善小目标检测效果,并增强尺度变化的鲁棒性。三、研究舰船目标识别技术,战场态势瞬息万变,为了快速识别舰船目标,本文采用二值神经网络进行目标分类任务,相比传统神经网络,二值神经网络在速度上有着极大提高。基于以上研究,本文设计并实现了港口情报分析系统,并对其进行测试,实验结果表明该系统能够实时处理大幅遥感影像,实现了舰船目标高效、精准、快速检测识别。
张超[10]（2020）在《舰船高分辨率距离像识别方法研究》文中提出在雷达目标自动识别（RATR）的领域中,针对高分辨率距离像（HRRP）对目标进行识别是一项艰巨而有意义的课题。根据HRRP估算出舰船目标的径向物理长度,可以为舰船目标的识别提供重要的信息;根据姿态角对HRRP数据集进行分帧,可以提升分类器的泛化性能;提取HRRP的特征,不仅可以扩充数据量,而且可以克服HRRP的各种敏感性问题;针对HRRP的识别,构建合适的分类器对提升最终的识别率有着重要的影响。本文针对舰船目标长度估计、HRRP数据集分帧、特征提取和分类器的构建等角度入手,针对舰船目标HRRP的识别问题,做了如下的主要工作:（1）针对舰船目标长度估计的问题,提出了一种基于序贯HRRP和姿态角的舰船目标径向物理长度估计流程。该流程根据舰船目标的HRRP,提出了一种舰船径向投影长度提取法,根据此算法提取出不同姿态角时舰船目标的径向投影长度,并结合姿态角估算出舰船目标的径向物理长度,为进一步的识别提供一定的先验信息。计算结果证明该径向投影长度提取法有着良好的稳定性和准确性,并且使用该流程估计的舰船径向物理长度误差也在合理的范围内。（2）针对HRRP分帧的问题,提出了一种基于统一流形逼近与投影（UMAP）的自适应分帧流程。该流程使用UMAP结合一种聚类效果的评估机制对HRRP数据集进行分帧,克服了参数寻找困难的问题,为HRRP的分帧提供了一种新的思路。计算结果证明了该分帧流程的优越性,提升了识别率。（3）针对HRRP特征提取和分类的问题,提出了一种基于重塑双谱的卷积神经网络（CNN）识别流程。该流程设计了一种特定结构的CNN,重塑了HRRP双谱图像的关键区域作为CNN的输入数据,并通过多种措施解决样本不均衡和CNN过拟合的问题。计算结果证明该识别流程在种类数较多的大规模HRRP数据集上具有良好的识别效果,并且克服了样本数据不均衡和CNN过拟合的问题。
二、使用低分辨率雷达和神经网络进行舰船目标识别（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、使用低分辨率雷达和神经网络进行舰船目标识别（论文提纲范文）
（1）基于深度网络的SAR图像舰船目标识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统舰船目标识别 |
| 1.2.2 基于深度网络的舰船目标识别 |
| 1.3 本文主要创新点 |
| 1.4 论文研究内容与章节安排 |
| 第二章 舰船目标识别的关键技术 |
| 2.1 舰船目标识别基本流程 |
| 2.2 基于传统方法的舰船识别技术 |
| 2.2.1 SAR图像特征提取与选择 |
| 2.2.2 SAR图像目标识别算法 |
| 2.3 基于深度网络的舰船识别技术 |
| 2.3.1 深度网络基本框架 |
| 2.3.2 基于深度网络的舰船识别方法 |
| 2.4 本章总结 |
| 第三章 类别不平衡条件下的舰船识别 |
| 3.1 引言 |
| 3.2 类别不平衡问题的本质 |
| 3.3 基于深度特征聚合的舰船目标识别方法 |
| 3.4 实验结果与分析 |
| 3.5 总结 |
| 第四章 舰船目标检测识别一体化方法 |
| 4.1 引言 |
| 4.2 检测识别一体化深度网络搭建 |
| 4.3 基于深度网络的舰船检测识别一体化 |
| 4.4 实验结果与分析 |
| 4.5 总结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（2）面向可见光遥感图像的海上目标快速检测和识别技术（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 遥感图像海上目标检测技术的研究现状 |
| 1.2.1 基于合成孔径雷达的遥感图像海上目标检测和识别 |
| 1.2.2 基于红外图像的遥感图像海上目标检测和识别 |
| 1.2.3 基于可见光的遥感图像海上目标检测和识别 |
| 1.2.4 遥感图像海上目标检测算法的总结 |
| 1.3 可见光遥感图像海上目标分类 |
| 1.3.1 可见光遥感图像下的海上港口目标 |
| 1.3.2 可见光遥感图像下的海上舰船目标 |
| 1.4 论文主要研究内容和结构 |
| 第2章 可见光海上目标检测和识别的基本问题和关键技术 |
| 2.1 引言 |
| 2.2 可见光下的海上目标的基本特点和关键问题研究 |
| 2.2.1 可见光遥感图像下的海上目标 |
| 2.2.2 可见光遥感图像海上目标检测和识别技术的关键问题研究 |
| 2.3 现有的可见光遥感图像下的海上目标检测和识别算法 |
| 2.3.1 可见光遥感图像下的港口目标检测 |
| 2.3.2 可见光遥感图像下的海上舰船目标识别 |
| 2.4 可见光遥感图像下海上目标检测和识别的关键算法 |
| 2.4.1 基于SIFT的特征提取算法 |
| 2.4.2 基于视觉显着性模型的检测算法 |
| 2.4.3 基于深度学习的目标识别算法 |
| 2.5 本章小结 |
| 第3章 基于SIFT+SVM的可见光港口目标检测 |
| 3.1 引言 |
| 3.2 基于SIFT的港口目标检测算法流程 |
| 3.3 基于LEPA的图像边缘优化算法 |
| 3.3.1 港口目标检测算法的预处理 |
| 3.3.2 基于LEPA的图像处理方法 |
| 3.4 基于EC-SIFT的特征提取算法 |
| 3.5 港口候选区域的提取算法 |
| 3.6 本章小结 |
| 第4章 基于视觉显着性和ResNet的可见光舰船目标识别 |
| 4.1 引言 |
| 4.2 基于视觉显着性的舰船目标检测 |
| 4.2.1 颜色空间的选择 |
| 4.2.2 基于MHFT的显着性检测模型 |
| 4.2.3 基于MHFT的显着性检测结果 |
| 4.3 基于CNN的舰船目标识别算法 |
| 4.3.1 潜在舰船区域目标预提取 |
| 4.3.2 基于神经网络的深度学习方法 |
| 4.3.3 基于ResNet的舰船目标识别 |
| 4.4 本章小结 |
| 第5章 港口及舰船目标检测和识别算法验证 |
| 5.1 引言 |
| 5.2 基于SVM分类器的港口目标检测 |
| 5.2.1 SVM算法架构 |
| 5.2.2 港口目标检测 |
| 5.2.3 港口目标检测结果分析 |
| 5.3 舰船目标识别实验结果 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 论文主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（3）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 |
（4）基于SBR算法的海上目标复合电磁散射及SAR成像与识别研究（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 国内外动态和发展趋势 |
| 1.2.1 复杂目标电磁散射特性研究 |
| 1.2.2 目标与随机粗糙(海)面复合散射特性研究 |
| 1.2.3 SAR成像技术研究 |
| 1.2.4 雷达目标识别技术研究 |
| 1.3 论文主要结构及安排 |
| 1.3.1 本文内容安排 |
| 1.3.2 论文的主要贡献及创新点 |
| 第二章SBR算法基本原理 |
| 2.1 几何光学(GO) |
| 2.2 基于面元法建模的射线追踪 |
| 2.3 物理光学近似(PO) |
| 2.4 物理绕射(PTD) |
| 2.5 数值算例与分析 |
| 2.5.1 物理绕射影响分析 |
| 2.5.2 slicy模型验证 |
| 2.6 本章小节 |
| 第三章 基于邻域搜索和双尺度剖分的SBR算法计算复杂目标RCS |
| 3.1 OpenGL在射线追踪过程中的应用 |
| 3.2 基于Octree加速的SBR算法 |
| 3.3 邻域搜索算法 |
| 3.3.1 邻域搜索算法介绍 |
| 3.3.2 邻域搜索算法实现 |
| 3.3.3 邻域搜索算法优化 |
| 3.4 双尺度剖分模型加速算法 |
| 3.5 算例分析 |
| 3.5.1 OpenGL算法验证 |
| 3.5.2 邻域搜索算法加速效果对比 |
| 3.5.3 双尺度剖分算法加速效果对比 |
| 3.6 本章小结 |
| 第四章 基于CUDA并行加速的SBR算法计算复杂目标RCS |
| 4.1 CUDA简介 |
| 4.1.1 CUDA编程模型 |
| 4.1.2 CUDA存储模型 |
| 4.2 基于CUDA的SBR并行加速算法设计 |
| 4.2.1 基于CUDA的SBR并行加速算法设计 |
| 4.2.2 SBR算法的并行程序内存分配及优化 |
| 4.3 算例分析 |
| 4.4 本章小节 |
| 第五章 基于SBR-TSM算法计算海面上方目标复合散射 |
| 5.1 基于双尺度模型计算海面散射 |
| 5.1.1 海面几何建模 |
| 5.1.2 双尺度模型(TSM) |
| 5.1.3 海面散射及回波仿真 |
| 5.1.4 海面布儒斯特角仿真分析 |
| 5.2 基于SBR方法的复合电磁散射计算 |
| 5.3 复合散射算例分析 |
| 5.3.1 海面上方导弹目标复合散射分析 |
| 5.3.2 海面舰船目标复合散射分析 |
| 5.4 本章小节 |
| 第六章 基于电磁散射计算的海面舰船目标SAR成像 |
| 6.1 SAR成像原理 |
| 6.1.1 线性调频信号以及脉冲压缩 |
| 6.1.2 SAR成像系统 |
| 6.2 条带式SAR成像 |
| 6.2.1 RD成像算法 |
| 6.2.2 基于频域脉冲相干法回波模拟 |
| 6.3 聚束式SAR成像 |
| 6.4 海面舰船目标SAR成像仿真 |
| 6.4.1 条带式SAR成像仿真模拟 |
| 6.4.2 高分辨聚束式SAR成像仿真模拟 |
| 6.5 本章小节 |
| 第七章 基于深度学习的舰船目标SAR图像识别 |
| 7.1 Tensorflow简介 |
| 7.1.1 计算图 |
| 7.1.2 张量 |
| 7.1.3 会话 |
| 7.2 卷积神经网络基本结构 |
| 7.2.1 卷积层 |
| 7.2.2 池化层 |
| 7.2.3 激活函数 |
| 7.2.4 损失函数 |
| 7.3 网络最优化方法 |
| 7.4 舰船SAR图像识别网络构建 |
| 7.4.1 舰船SAR图像数据集制作 |
| 7.4.2 SAR图像识别网络构建 |
| 7.5 实验分析 |
| 7.5.1 网络超参数对网络训练影响分析 |
| 7.5.2 网络泛化性验证 |
| 7.6 本章小节 |
| 第八章 结束语 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）基于生成对抗网络的舰船目标多源融合识别方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外相关领域的研究现状 |
| 1.2.1 单一手段舰船目标识别研究现状 |
| 1.2.2 多源舰船目标融合算法研究现状 |
| 1.2.3 生成对抗网络的的研究现状 |
| 1.3 本文研究内容 |
| 第2章 舰船多源成像基础 |
| 2.1 引言 |
| 2.2 逆孔径合成雷达成像仿真 |
| 2.2.1 舰船目标转动模型 |
| 2.2.2 距离多普勒成像算法 |
| 2.2.3 舰船目标ISAR成像仿真 |
| 2.3 舰船红外成像仿真 |
| 2.3.1 舰船红外成像仿真原理 |
| 2.3.2 舰船红外成像仿真结果 |
| 2.4 舰船光学成像仿真 |
| 2.4.1 光学成像仿真原理 |
| 2.4.2 光学成像仿真结果 |
| 2.5 舰船多源图像预处理 |
| 2.6 本章小结 |
| 第3章 基于信息缺失的图像重构算法 |
| 3.1 引言 |
| 3.2 生成对抗网络基础 |
| 3.2.1 生成对抗网络结构 |
| 3.2.2 生成对抗网络损失函数 |
| 3.2.3 网络中卷积与池化操作 |
| 3.3 基于Pix2pix的图像重构算法 |
| 3.3.1 Pix2pix网络结构 |
| 3.3.2 Pix2pix网络损失函数 |
| 3.3.3 基于Pix2pix生成图像的结果分析 |
| 3.4 本章小结 |
| 第4章 舰船异质图像的转换融合算法 |
| 4.1 引言 |
| 4.2 基于循环一致性对抗网络的舰船异质图像的转换融合算法 |
| 4.2.1 循环一致性对抗网络原理及结构 |
| 4.2.2 网络损失函数 |
| 4.2.3 改进的生成器结构 |
| 4.2.4 基于循环一致性对抗网络生成图像的结果分析 |
| 4.3 基于Pix2pix HD的舰船目标的图像增强方法 |
| 4.3.1 Pix2pix HD原理及结构 |
| 4.3.2 Pix2pix HD损失函数 |
| 4.3.3 基于Pix2pix HD生成图像的结果分析 |
| 4.4 本章小结 |
| 第5章 舰船多源图像融合及识别算法研究 |
| 5.1 引言 |
| 5.2 基于小波变换的图像融合 |
| 5.2.1 基于小波变换的融合算法原理 |
| 5.2.2 小波变换的融合参数的选取 |
| 5.2.3 小波变换的融合结果 |
| 5.3 基于卷积神经网络的舰船目标识别 |
| 5.3.1 卷积神经网络结构 |
| 5.3.2 卷积神经网络特征提取和识别方法 |
| 5.4 舰船目标识别结果 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（6）基于HRRP与ISAR图像融合的舰船目标识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 HRRP目标识别研究现状 |
| 1.2.2 ISAR图像目标识别研究现状 |
| 1.2.3 HRRP与 ISAR图像联合处理研究现状 |
| 1.2.4 国内外文献分析 |
| 1.3 论文主要研究内容和结构安排 |
| 第2章 ISAR成像原理及仿真 |
| 2.1 引言 |
| 2.2 ISAR成像原理 |
| 2.2.1 ISAR理想转台成像模型 |
| 2.2.2 距离-多普勒算法 |
| 2.3 舰船目标几何及运动建模 |
| 2.3.1 船目标的几何建模 |
| 2.3.2 船目标的运动建模 |
| 2.4 海杂波仿真原理 |
| 2.5 成像仿真结果 |
| 2.6 本章小结 |
| 第3章 HRRP预处理及特征提取 |
| 3.1 引言 |
| 3.2 HRRP的敏感性 |
| 3.3 HRRP的长度估计 |
| 3.3.1 基于CFAR的长度提取 |
| 3.4 双谱特征提取 |
| 3.5 本章小结 |
| 第4章 ISAR图像预处理及特征提取 |
| 4.1 引言 |
| 4.2 基于CFAR检测的分步式目标提取 |
| 4.2.1 恒虚警检测(CFAR)原理 |
| 4.2.2 概率分布模型的获取 |
| 4.2.3 条纹噪声去除 |
| 4.2.4 目标区域填充 |
| 4.3 基于U-Net的端到端目标提取 |
| 4.3.1 U-Net原理 |
| 4.3.2 训练过程 |
| 4.3.3 结果分析 |
| 4.4 ISAR图像的特征提取及长度估计 |
| 4.5 本章小结 |
| 第5章 长度融合及识别结果融合 |
| 5.1 引言 |
| 5.2 长度融合 |
| 5.2.1 高斯分布的最小均方误差估计 |
| 5.2.2 仿真数据处理结果 |
| 5.3 识别结果融合 |
| 5.3.1 分类器 |
| 5.3.2 融合策略 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（7）基于复数域深度学习的SAR舰船目标识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 SAR成像技术的研究现状 |
| 1.3 SAR舰船目标识别方法研究现状 |
| 1.4 本文的主要研究内容 |
| 第2章 舰船目标SAR成像分析 |
| 2.1 引言 |
| 2.2 SAR成像基本原理 |
| 2.2.1 SAR成像模型 |
| 2.2.2 SAR回波建模 |
| 2.3 SAR运动目标成像分析 |
| 2.3.1 运动目标回波模型 |
| 2.3.2 运动目标多普勒中心变化 |
| 2.3.3 运动目标多普勒调频率变化 |
| 2.4 基于射线追踪法的SAR舰船目标成像研究 |
| 2.4.1 射线追踪法概述 |
| 2.4.2 几何建模及网格剖分 |
| 2.4.3 碰撞检测 |
| 2.4.4 物理光学法计算平板RCS |
| 2.5 SAR舰船目标样本库构建 |
| 2.5.1 SAR舰船目标仿真样本库构建 |
| 2.5.2 SAR舰船目标实测样本库生成 |
| 2.6 本章小结 |
| 第3章 复数域CNN网络架构及基础理论 |
| 3.1 引言 |
| 3.2 卷积神经网络 |
| 3.2.1 卷积神经网络基本原理 |
| 3.2.2 基于CNN的 SAR静止舰船目标识别 |
| 3.3 复数域卷积神经网络 |
| 3.3.1 复数域卷积神经网络基本原理 |
| 3.3.2 基于CV-CNN的 SAR静止舰船目标识别 |
| 3.4 本章小结 |
| 第4章 基于CV-CNN的 SAR运动舰船目标识别 |
| 4.1 引言 |
| 4.2 舰船目标偏移与散焦问题分析 |
| 4.3 基于CV-ESTNET的 SAR运动舰船目标速度估计 |
| 4.3.1 CV-EstNet架构设计 |
| 4.3.2 仿真实验与分析 |
| 4.4 基于CV-MOTIONNET的 SAR运动舰船目标识别 |
| 4.4.1 CV-MotionNet架构设计 |
| 4.4.2 仿真实验与分析 |
| 4.5 基于CV-MOTIONNET的实测舰船目标识别 |
| 4.5.1 MotionNet实验结果 |
| 4.5.2 CV-MotionNet实验结果 |
| 4.6 本章小结 |
| 第5章 基于CV-CNN的 SAR三维转动舰船目标识别 |
| 5.1 引言 |
| 5.2 SAR三维转动目标成像分析 |
| 5.3 基于CV-REFOCUSNET的 SAR三维转动舰船目标重聚焦 |
| 5.3.1 CV-Refocus Net架构设计 |
| 5.3.2 仿真实验与分析 |
| 5.4 基于CV-ROTNET的 SAR三维转动舰船目标识别 |
| 5.4.1 CV-Rot Net架构设计 |
| 5.4.2 仿真实验与分析 |
| 5.5 基于CV-ROTNET的实测舰船目标识别 |
| 5.5.1 Rot Net实验结果 |
| 5.5.2 CV-Rot Net实验结果 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（8）基于ISAR的机动目标快速成像与识别技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 附录A 符号对照表 |
| 附录B 缩略语对照表 |
| 第1章 绪论 |
| 1.1 课题背景 |
| 1.2 课题研究目的和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 ISAR成像技术发展与研究现状 |
| 1.3.2 雷达目标识别技术发展与研究现状 |
| 1.3.3 机动目标ISAR成像与识别问题分析 |
| 1.4 主要研究内容和结构安排 |
| 第2章 ISAR系统模型及成像算法研究 |
| 2.1 引言 |
| 2.2 ISAR系统模型 |
| 2.2.1 距离-方位二维转台模型 |
| 2.2.2 合成孔径二维分辨原理 |
| 2.2.3 系统关键参数 |
| 2.3 机动目标回波频谱特性建模 |
| 2.3.1 距离向回波特性 |
| 2.3.2 方位向回波特性 |
| 2.4 面向机动目标的RD算法优化设计 |
| 2.4.1 经典RD算法及通用补偿方法 |
| 2.4.2 机动目标RD成像仿真分析 |
| 2.4.3 基于RD的算法优化方案 |
| 2.5 通用实验模型及性能评价指标 |
| 2.5.1 实验环境 |
| 2.5.2 仿真实验模型与通用实测数据 |
| 2.5.3 性能评价指标 |
| 2.6 本章小结 |
| 第3章 基于RP相关性的快速参数估计与补偿 |
| 3.1 引言 |
| 3.2 基于RP相关性的优化对称累积互相关法 |
| 3.2.1 对称累积互相关处理 |
| 3.2.2 复杂度优化与分析 |
| 3.2.3 OSACM算法实现流程 |
| 3.3 径向平稳目标的一阶参数估计与补偿 |
| 3.3.1 基于FrFT的距离压缩 |
| 3.3.2 FrFT匹配阶数搜索算法的优化 |
| 3.3.3 基于FrFT的一阶参数估计方法 |
| 3.4 径向非平稳目标的高阶参数估计与补偿 |
| 3.5 算法精度与复杂度的仿真实验分析 |
| 3.6 本章小结 |
| 第4章 基于幂权傅立叶变换的快速成像处理 |
| 4.1 引言 |
| 4.2 幂权傅立叶变换 |
| 4.2.1 幂权傅立叶变换的定义 |
| 4.2.2 PWFT的频谱单峰锐化特性 |
| 4.3 基于PWFT的快速成像 |
| 4.3.1 基于PWFT的高阶运动补偿 |
| 4.3.2 基于PWFT的高阶方位聚焦 |
| 4.3.3 PWFT-RD快速成像算法 |
| 4.4 基于PWFT的非常规窗函数设计 |
| 4.4.1 幂权窗的定义 |
| 4.4.2 幂权窗与常规窗函数的比较 |
| 4.5 仿真实验分析 |
| 4.5.1 平动补偿性能分析 |
| 4.5.2 方位聚焦性能分析 |
| 4.5.3 成像算法性能比较 |
| 4.5.4 ISAR图像加窗结果比较 |
| 4.6 本章小结 |
| 第5章 基于深度学习的机动目标快速识别 |
| 5.1 引言 |
| 5.2 ISAR回波数据的典型表征形式分析 |
| 5.3 基于CNN的端到端识别网络框架 |
| 5.4 样本多维特征驱动的N流识别网络设计 |
| 5.4.1 单一表征样本驱动的单流网络 |
| 5.4.2 多元表征样本驱动的多流融合网络 |
| 5.5 识别网络的实验论证与性能分析 |
| 5.5.1 多场景数据集构建与网络训练 |
| 5.5.2 识别网络性能分析 |
| 5.5.3 与已有识别方法的性能比较 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（9）面向港口情报分析的遥感影像目标识别技术研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感影像情报分析现状 |
| 1.2.2 遥感影像舰船目标检测技术现状 |
| 1.2.3 遥感影像的舰船目标分类技术现状 |
| 1.3 研究目标与研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 本文主要工作及结构安排 |
| 第二章 小样本遥感影像海陆分割技术 |
| 2.1 基于对抗网络的样本生成技术 |
| 2.1.1 生成对抗网络模型结构 |
| 2.1.2 集成实例特征的生成网络 |
| 2.1.3 多尺度图像判别网络 |
| 2.2 像素级端到端的语义分割 |
| 2.2.1 编码器解码器结构 |
| 2.2.2 Segnet分割结果优化 |
| 2.3 基于多分类器的集成学习 |
| 2.3.1 集成学习法 |
| 2.3.2 分类器设计 |
| 2.4 实验及结果分析 |
| 2.4.1 数据集介绍 |
| 2.4.2 实验结果分析 |
| 2.5 本章小结 |
| 第三章 基于卷积神经网络的舰船检测技术 |
| 3.1 基于卷积神经网络的舰船特征提取 |
| 3.1.1 基于候选框的目标检测算法 |
| 3.1.2 一体化卷积网络检测算法 |
| 3.2 多尺度特征融合模型 |
| 3.2.1 特征金字塔网络 |
| 3.2.2 局部感知NMS |
| 3.3 网络训练优化方法 |
| 3.3.1 常用损失函数 |
| 3.3.2 改进交叉熵损失函数 |
| 3.3.3 训练参数 |
| 3.4 实验及结果分析 |
| 3.4.1 数据集介绍 |
| 3.4.2 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于量化网络的舰船型号识别技术 |
| 4.1 基于迁移学习的遥感影像目标识别算法 |
| 4.1.1 卷积神经网络 |
| 4.1.2 基于通用自然图像目标分类基础模型的迁移学习设计 |
| 4.2 量化网络的特性分析 |
| 4.2.1 运算特性分析 |
| 4.2.2 访存特性分析 |
| 4.2.3 模型精度特性分析 |
| 4.3 基于量化网络模型的训练优化方法 |
| 4.3.1 量化网络方法 |
| 4.3.2 基于量化网络图像分类算法 |
| 4.4 实验及结果分析 |
| 4.4.1 数据集介绍 |
| 4.4.2 实验结果分析 |
| 4.5 本章小结 |
| 第五章 港口情报分析原型系统实现 |
| 5.1 需求分析 |
| 5.2 智能化态势感知体系 |
| 5.3 系统功能实现 |
| 5.3.1 数据资源 |
| 5.3.2 功能介绍 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间发表的学术论文及取得的研究成果 |
（10）舰船高分辨率距离像识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词 |
| 第一章 绪论 |
| 1.1 课题研究意义 |
| 1.2 课题研究背景 |
| 1.2.1 舰船雷达目标识别技术 |
| 1.2.2 目标识别技术国内外研究现状 |
| 1.3 本文的主要研究工作 |
| 1.3.1 实验数据说明 |
| 1.3.2 本文的内容安排 |
| 第二章 舰船高分辨率距离像的预处理 |
| 2.1 引言 |
| 2.2 一维距离像的介绍 |
| 2.3 一维距离像的特性 |
| 2.3.1 距离像的幅度敏感性 |
| 2.3.2 距离像的姿态敏感性 |
| 2.3.3 距离像的平移敏感性 |
| 2.4 HRRP的预处理 |
| 2.5 实验结果与分析 |
| 2.6 本章小结 |
| 第三章 基于序贯HRRP和姿态角的舰船目标长度估计 |
| 3.1 引言 |
| 3.2 舰船目标径向投影长度的提取 |
| 3.2.1 基于门限分割的长度提取法 |
| 3.2.2 基于滑窗搜索的长度提取法 |
| 3.2.3 基于双向滑动平均的长度提取法 |
| 3.2.4 基于卷积算子滑窗搜索的长度提取法 |
| 3.3 舰船目标姿态角的提取 |
| 3.3.1 异常航迹点的处理 |
| 3.3.2 航迹最小二乘拟合 |
| 3.3.3 舰船航向角和姿态角的估计 |
| 3.4 基于序贯HRRP和姿态角的舰船径向物理长度估计 |
| 3.5 计算机仿真实验结果及分析 |
| 3.6 本章小结 |
| 第四章 基于流形学习的HRRP自适应分帧 |
| 4.1 引言 |
| 4.2 流形学习的介绍 |
| 4.3 基于t-SNE的HRRP分帧 |
| 4.3.1 t-SNE的介绍 |
| 4.3.2 Lead-Follower聚类 |
| 4.3.3 实验结果与分析 |
| 4.4 基于UMAP的HRRP自适应分帧 |
| 4.4.1 UMAP的介绍 |
| 4.4.2 均值漂移聚类 |
| 4.4.3 卡林斯基-哈拉巴兹指数 |
| 4.4.4 随机搜索算法 |
| 4.4.5 基于UMAP的自适应分帧流程 |
| 4.4.6 实验结果及分析 |
| 4.5 综合对比实验 |
| 4.6 本章小结 |
| 第五章 基于卷积神经网络的舰船HRRP识别方法 |
| 5.1 引言 |
| 5.2 HRRP特征提取方法 |
| 5.2.1 双谱变换 |
| 5.2.2 短时傅里叶变换 |
| 5.2.3 小波变换 |
| 5.2.4 计算机仿真实验结果与分析 |
| 5.3 卷积神经网络的实现 |
| 5.3.1 卷积神经网络的结构 |
| 5.3.2 数据集不平衡的处理 |
| 5.3.3 防止过拟合的措施 |
| 5.3.4 卷积神经网络的设计 |
| 5.4 基于卷积神经网络的HRRP识别流程 |
| 5.5 计算机仿真实验结果及分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 课题研究展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
四、使用低分辨率雷达和神经网络进行舰船目标识别（论文参考文献）
- [1]基于深度网络的SAR图像舰船目标识别方法研究[D]. 候泽生. 电子科技大学, 2021(01)
- [2]面向可见光遥感图像的海上目标快速检测和识别技术[D]. 何健. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2020(01)
- [3]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)
- [4]基于SBR算法的海上目标复合电磁散射及SAR成像与识别研究[D]. 董春雷. 西安电子科技大学, 2020(05)
- [5]基于生成对抗网络的舰船目标多源融合识别方法[D]. 王洁. 哈尔滨工业大学, 2020(01)
- [6]基于HRRP与ISAR图像融合的舰船目标识别研究[D]. 徐鹏政. 哈尔滨工业大学, 2020(01)
- [7]基于复数域深度学习的SAR舰船目标识别方法研究[D]. 化青龙. 哈尔滨工业大学, 2020(01)
- [8]基于ISAR的机动目标快速成像与识别技术研究[D]. 薛佳音. 哈尔滨工业大学, 2020(01)
- [9]面向港口情报分析的遥感影像目标识别技术研究与实现[D]. 蒋丽婷. 中国电子科技集团公司电子科学研究院, 2020(03)
- [10]舰船高分辨率距离像识别方法研究[D]. 张超. 南京航空航天大学, 2020(07)