基于深层网络迁移与多任务学习的雷达目标识别方法研究

Radar automatic target recognition (RATR) is a key technique to improve the radar’s ability for acquiring information. With the recent development and successful applications of deep learning in the computer vision and speech recognition areas, deep learning provides a new approach to study on RATR. The existing work shows the deep networks can be applied for RATR, but there are still some problems. Firstly, some properties and information of radar echoes haven’t been utilized, and few deep networks have been designed for radar echoes. Due the scattering property’s dependence on the center frequency or bandwidth and its sensitivity on target aspect, the traditional training method based on the separate learning with the data under a certain measured condition leads to the small training data problem, which limits the performance of deep learning algorithms on RATR..For target recognition based on high-resoluiton range profiles (HRRP) and synthetic aperture radar (SAR) images, we will study on the deep networks based RATR accoding to the following three steps, deep network designing, network transferring and multi-task learning, network regularization and training optimization. We will search the physical explanation for the deep feature with the phase information and scattering center models, augment training information by network transferring and joint multi-task learning among training data under different measured conditions, and finally realize the effective deep networks for RATR.

雷达自动目标识别(RATR)是提升雷达传感器信息获取能力的关键技术。近年来深度学习的发展及其在计算机视觉、语音识别等领域的成功应用，为RATR研究提供了一条新的技术途径。现有研究表明深层网络适合于RATR，但对雷达回波的固有特性、信息等利用得还不够充分，针对雷达数据专门设计的深层网络模型较少；同时，由于雷达目标散射回波对波段、分辨率的依赖性和对方位的敏感性，不同条件观测数据独立学习的传统RATR训练方式会导致小样本问题，制约了深度学习算法的应用性能。.本项目将重点针对高分辨距离像(HRRP)目标识别和合成孔径雷达(SAR)图像目标识别应用，依照深层网络设计、网络迁移与多任务学习、网络正则化与训练优化三个步骤研究基于深度学习的RATR方法，结合相位信息和散射中心模型探索多层特征的物理特性解释，利用不同条件观测数据间的网络迁移和联合多任务学习扩充训练信息，实现有效的RATR深层网络。

本项目研究基于深度学习的雷达目标识别。经过课题组成员的共同努力，经过四年的研究，课题组完成了预期的研究内容。在1）雷达目标识别深层网络设计，2）雷达目标识别深层网络的迁移与多任务学习，3）雷达目标识别深层网络的正则化与训练优化方面取得了一系列研究成果，包括1）设计了物理可解释的雷达目标检测/识别深层网络，2）解决了雷达目标检测/识别深层网络训练的小样本问题，3）实现了有效的雷达目标识别深层网络，4）提出SAR目标识别网络的模型压缩方法等，显著提升了雷达目标检测/识别性能且对实现雷达终端设备部署具有重要意义。.依托本项目，课题组已发表学术论文32篇，其中，SCI已检索论文24篇，国内核心刊物学术论文2篇，国际会议学术论文5篇；在审国际刊物SCI学术论文4篇；申请国家/国防发明专利15项，其中已授权3项。已发表学术论文中中科院JCR二区以上的刊物论文22篇，包括信号和信息处理权威刊物IEEE TSP（中科院JCR一区/TOP）、Information Sciences（中科院JCR一区/TOP）和Signal Processing（中科院JCR二区），人工智能权威刊物IEEE T Cybernetics（中科院JCR一区/TOP）、ESWA（中科院JCR一区/TOP）和Pattern Recognition（中科院JCR一区/TOP），遥感领域权威刊物IEEE TGRS（中科院JCR二区/TOP）和Remote Sensing（中科院JCR二区/TOP）等。课题组成员还积极参与国际/国内会议，项目负责人杜兰教授在2021 CIE International Conference on Radar等会议做特邀报告。本项目培养博士研究生13名，其中8名已毕业；培养硕士研究生12名，其中8名已毕业。在本项目部分成果支撑下获得的科技奖励包括项目负责人杜兰教授获2019年教育部高等学校科学研究优秀成果奖（科学技术）青年科学奖，学术荣誉包括项目负责人杜兰教授2018年入选国家万人计划科技创新领军人才，课题组主要成员严俊坤副教授2020年入选中国科协青年人才托举计划。课题组不断将科研成果推广应用，项目成果已在空间态势感知、星载SAR目标检测识别等方面成功应用于型号装备。

内容获取失败，请点击重试