基于循環神經網絡的運動車輛目標分類

谷開雪 樂意

（南京國睿防務系統有限公司 江蘇省南京市 210039）

履帶式車輛和輪式車輛在陸戰場環境中承擔著不同的任務，履帶式車輛威脅性大，輪式車輛威脅性較小，兩類車輛目標的準確分類為陸戰場環境下的精確打擊提供了數據支持，因此，履帶式車輛和輪式車輛的分類問題在現代戰爭中具有重要意義。目標分類的前提是搜索雷達可以成功探測目標并提取到目標特征，然而搜索雷達通常為窄帶雷達，由于距離維分辨率低，通常從頻譜角度分析目標多普勒譜的差異，進而實現分類。

傳統的目標分類方法是基于目標的微多普勒效應，人工提取復雜特征，隨后將特征帶入到分類器中實現的。文獻提取了目標的特征譜特征，然后將特征帶入支撐向量機（Support Vector Machine, SVM）分類器進行分類；文獻提取了輪式和履帶式車輛的多普勒譜特征，然后根據最小錯誤率貝葉斯準則進行分類；文獻提取了輪式和履帶式車輛的時頻譜特征，然后將特征帶入SVM 分類器進行分類。特征決定分類效果，傳統的目標分類中提取到的特征質量受人的經驗以及專業知識的限制，往往會面臨噪聲穩健性的挑戰。文獻提取的特征譜特征在信噪比為30dB 時，識別率可以達到90%，而當信噪比為15dB 時，識別率將到75%，文獻的實驗在信噪比為20dB 時，識別率僅達到70%。文獻中的實驗數據積累點數為512，工程應用中，數據的積累點數很難達到512。深度學習算法不需要單獨的特征提取步驟，只需將原始時域數據或多普勒譜數據輸入到學習網絡中，學習網絡通過大量樣本的學習，分析數據之間隱含的關系，自動提取到穩健的特征。……