采用乘性RNN的雷达HRRP目标识别.docx

本文提出了一种采用乘性RNN（Multiplicative Recurrent Neural Network，MRNN）的雷达HRRP目标识别方法。该方法将HRRP样本转化为序列数据，然后采用乘性的方式对不同序列数据自适应地选择对应参数，提取数据稳健的时序动态特征。采用投票的策略将时序信息进行融合，输出样本类别。 本文通过对HRRP样本的研究，提出了一种新的方法来解决HRRP目标识别中的时序相关性变化问题。该方法首先将HRRP样本转化为序列数据，然后采用乘性循环神经网络模型对数据进行特征提取。该模型能够自动地学习参数，提取数据稳健的时序动态特征。 本文的贡献在于： 1. 提出了乘性循环神经网络模型来解决HRRP目标识别中的时序相关性变化问题。 2. 采用滑窗的方式将HRRP样本转化为序列数据，能够处理当前的数据。 3. 该方法能够自动地学习参数，提取数据稳健的时序动态特征。 4. 实验结果表明，该算法不仅能够提高识别性能，还能够在一定程度上缓解由方位敏感性引起的时序特征的变化。 本文的结论是，采用乘性RNN的雷达HRRP目标识别方法能够有效地解决HRRP目标识别中的时序相关性变化问题，并且能够提高识别性能。 知识点： 1. HRRP（High Resolution Range Profile）是宽带雷达信号获取的目标散射点子回波在雷达射线上投影的向量和的幅度波形。 2. HRRP目标识别的核心在于提取可分性特征。 3. 乘性循环神经网络模型（Multiplicative Recurrent Neural Network，MRNN）是一种特殊的循环神经网络模型，能够自动地学习参数，提取数据稳健的时序动态特征。 4. 滑窗的方式可以将HRRP样本转化为序列数据，能够处理当前的数据。 5. 该方法能够解决HRRP目标识别中的时序相关性变化问题，并且能够提高识别性能。 6. HRRP样本具有方位敏感性，当目标相对于雷达视线的姿态发生变化时，会导致散射点的相对径向距离发生变化。 7. 乘性循环神经网络模型能够自动地学习参数，提取数据稳健的时序动态特征。 8. 投票的策略可以将时序信息进行融合，输出样本类别。 9. 实验结果表明，该算法不仅能够提高识别性能，还能够在一定程度上缓解由方位敏感性引起的时序特征的变化。 10. 乘性循环神经网络模型是一种有效的方法来解决HRRP目标识别中的时序相关性变化问题。