【摘 要】
：
随着空域环境的日益拥挤,针对海量的飞行目标航迹数据进行航迹起始和识别的研究,有助于深度认知空域态势,从而为空域监管提供有效支持。雷达作为获取飞行目标航迹数据的主要手段之一,在航迹起始和识别的研究中发挥着不可比拟的作用。然而,传统的雷达目标航迹起始和识别算法已经难以应对当前多样化、复杂化、大数据化的雷达探测环境。本文基于深度学习技术,分别进行了雷达目标航迹起始和识别研究。主要研究内容如下:（1）提出
论文部分内容阅读
随着空域环境的日益拥挤,针对海量的飞行目标航迹数据进行航迹起始和识别的研究,有助于深度认知空域态势,从而为空域监管提供有效支持。雷达作为获取飞行目标航迹数据的主要手段之一,在航迹起始和识别的研究中发挥着不可比拟的作用。然而,传统的雷达目标航迹起始和识别算法已经难以应对当前多样化、复杂化、大数据化的雷达探测环境。本文基于深度学习技术,分别进行了雷达目标航迹起始和识别研究。主要研究内容如下:（1）提出了一种基于深度学习和雷达量测时空特征的目标航迹起始算法。已有的航迹起始研究大多只考虑了实时性或起始率中的一种,难以在强杂波环境下完成快速而准确的航迹起始。针对以上问题,本文将航迹起始问题转换为针对雷达量测组合的真假航迹辨别问题,综合考虑量测组合的时间和空间维度信息对真假航迹辨别的影响,提出了一种基于深度学习和雷达量测时空特征的目标航迹起始算法DLTS（Deep Learning and Temporal-Spatial characteristics of radar measurement）。该算法首先从量测组合集中筛选出候选集,并提取出候选集中量测组合的时序变化向量和空间分布向量,将其作为基于深度学习的门控循环单元和一维卷积神经网络混合模型的输入,以得到时间维度特征和空间维度特征,并将其合并获得时空特征。接下来,使用自注意力机制为不同维度的时空特征赋予不同的权重,再输入到分类器中对量测组合进行分类以实现真假航迹的辨别,从而完成航迹起始。实验结果表明,DLTS算法有效地提高了真实航迹起始率、虚假航迹起始率和平均起始时间,能够在强杂波环境下实现航迹的快速、准确起始。（2）提出了一种基于半监督式生成对抗网络的雷达目标航迹识别算法。已有的目标航迹识别研究缺乏对雷达量测数据中普遍存在的异常点迹的考虑,并且未考虑海量航迹数据的标注困难问题。针对以上问题,本文提出了一种基于半监督式生成对抗网络的雷达目标航迹识别算法SSTT（Semi-Supervised Target Track recognition）。该算法首先采用识别、剔除目标航迹数据中的异常点迹,并对缺失点迹进行了填补。接下来,从目标航迹的基础飞行特征中选择出强识别飞行特征,同时为了提高算法的鲁棒性,从基础飞行特征中提取出进阶飞行特征。然后,将强识别飞行特征与进阶飞行特征组合得到强识别飞行特征组合,并输入到所构建的半监督式生成对抗网络模型,完成航迹类型的分类识别。仿真实验表明,SSTT算法在仅使用少量标注数据的情况下能够准确地完成目标航迹类型的分类识别,有效地提高了目标航迹识别的准确率、精准率和召回率。
其他文献
交通事故对道路交通安全造成了极大的威胁与挑战,分析事故成因模式对于减少事故发生数量,降低事故所造成的损失起到了积极作用。由于道路交通系统固有的复杂性,常见的自动化算法会显得不够灵活。可视分析通过交互的方式将领域专家的专业知识引入分析流程中,通过将机器智能与人类智能相结合的方式,提高了分析结果质量和效率。因此本文提出将道路交通专家的领域知识与机器智能通过可视分析方法结合至一起,迭代式优化分析结果的方
水下无线传感器网络作为一种探索和开发海洋的新方法,在人类不易接触的水下区域的探测和监测中发挥着重要作用。水下无线传感器网络已广泛用于海洋信息收集,地质灾害预防,资源勘探和军事监测等许多领域,是无线传感器网络领域研究的热点之一。在水下空间中传感器节点如何自主调整位置实现对目标事件的覆盖和监视是一个重要课题,它为网络拓扑、目标监测、数据路由等应用领域提供支持,是决定水下无线传感器网络服务质量和工作效能
图像分割是图像处理领域和计算机视觉领域中的关键技术之一。活动轮廓模型分割法因在医学图像等复杂图像的分割中取得了较好的分割效果而被广泛应用。医学图像大多为灰度不均的且含噪声的图像,基于区域的局部二值拟合活动轮廓模型有效解决了该类型图像的分割问题,但该模型中存在水平集函数演化效率低、分割效果易受噪声影响以及初始轮廓敏感等问题。本文针对以上问题进行改进并做出仿真,具体工作如下:1.针对模型分割效率低和易
目标检测是计算机视觉领域里一项十分重要的任务,在交通、医疗、国防等领域有广泛的应用。深度学习的引入使得目标检测算法获得了巨大的进步,目前基于深度学习的目标检测算法在精确度与速度上已经大幅超越传统算法,成为本领域的主流。本文针对目标检测算法所存在的一些困难,在经典的一阶段目标检测算法SSD的基础之上,进行了一系列的研究工作。本文的主要内容如下:目标检测任务是一种多尺度的任务,使用来自网络中不同深度的
由于时代的进步,遥感领域的科研技术也逐渐成熟,人类通过各类遥感卫星获取大量影像数据变得轻而易举。其中合成孔径雷达（Synthetic Aperture Radar,SAR）和可见光影像应用领域非常之广,尽管两者间灰度值区别很大,可它们均有自身的特性。可见光影像成像机理为光反射成像,依赖光源,所以该影像具备大量的光谱信息与细节信息,直观效果很好。SAR影像的成像机理为主动微波式成像,对桥梁、房屋等建
目标检测能够快速地从图片或视频中捕捉到感兴趣的目标,并输出目标的种类和目标的位置。作为计算机视觉的重要分支,它是人脸识别、目标跟踪等算法的基础性算法,一直是计算机视觉领域研究的热点。随着目标检测的技术的成熟,它的应用已经普及到生产和生活的许多领域,如交通、医疗、安防等领域。现如今,得益于GPU计算能力不断的提升和深度学习的快速发展,深度学习方法的优越性在许多领域得到体现。计算机视觉领域因深度学习的
高光谱图像包含大量的光谱波段,它是一种同时结合光谱信息和空间信息的三维图像数据。在现实生活中,高光谱图像可以应用到许多领域。例如:在农产品的检测中有助于种类识别;对地表建筑物的分类有助于城市管理;对病理图像的识别可用于疾病监控;对军事地图的分类能应用于国防建设。因此提出新颖高效的高光谱图像分类方法能够在众多领域中发挥重要的作用。为了提升高光谱图像分类的精确性,需要解决其高维度和样本少的困难。而深度
随着自然语言处理技术的不断发展,人们开始利用神经网络搭建人和机器之间的沟通桥梁—情感分析。已有的方法已经无法满足精细化分类的需求,研究者们开始追求细粒度更高的方面级情感分析技术,但是分析结果的准确度和时间成本一直以来都差强人意。本文针对方面级情感分析存在的一系列问题展开相关研究,本文的主要工作内容如下:（1）本文提出一种基于层次神经网络的方面级情感分析模型,利用双向LSTM对文本信息进行处理,同时
同时定位与建图（Simultaneous Localization and Mapping,SLAM）指的是机器人在未知环境中利用自身搭载的传感器,在运动过程中通过观察到的环境信息对自身位置和姿态进行定位,并同时构建周围环境的地图。SLAM在自动驾驶、避障导航、服务机器人等方面有着广泛的应用,是智能机器人应用的核心关键技术。目前视觉SLAM研究多数假定环境是静态的,使得SLAM算法无法处理复杂多变
同时定位与建图（Simultaneous Localization and Mapping,SLAM）是移动机器人领域的关键技术之一。已经成熟的视觉SLAM算法大多假设场景是静态的,当场景中存在运动物体时会干扰特征匹配,进而对SLAM系统的定位以及建图的精度造成较大影响。所以在动态环境下,SLAM算法需要识别出场景中的运动物体。本文设计视觉SLAM算法,提升算法在动态环境下的定位精度,并生成动态环