通过大脑启发的多通道融合特征提取网络,通过双带极度 HRRP 识别

科学领域:

• 雷达信号处理是指处理雷达信号的过程.
• 人工智能的人工智能是人工智能.
• 模式识别 模式识别 模式识别

背景情况:

• 高分辨率范围配置文件 (HRRP) 为雷达自动目标识别 (RATR) 提供了有价值的目标信息.
• 有限的HRRP维度为准确的目标识别带来了挑战.
• 多频和多极化散射信息,结合深度学习,可以提高RATR性能.

研究的目的:

• 提出一个新的深度学习网络,MFFE-Net,用于改进双带偏度HRRP目标识别.
• 通过整合多频率和多极化信息来解决单维HRRP数据的局限性.
• 为了利用人类大脑启发的机制来进行先进的特征提取和融合.

主要方法:

• 开发了一种灵感来自人类大脑功能的多通道融合特征提取网络 (MFFE-Net).
• 实现双频HRRP特征的交互融合,以捕捉相似之处和差异.
• 利用选择性注意力机制进行多极化和多尺度特征聚合和融合.
• 采用等级学习与剩余连接来进行层次的特征提取和增强分离性.

主要成果:

• 多国财政基金网在模拟和测量数据集上都展示了准确的识别能力.
• 废弃性研究证实了个别网络组件在提高识别性能方面的有效性.
• 拟议的网络成功地集成了多频率和多极化信息,以实现强大的HRRP目标识别.

结论:

• 多元货币金融网络提供了一种有前途的方法,用于提高雷达自动目标识别,使用双频极度测量HRRP数据.
• 受人类大脑启发的设计有效地解决了有限的HRRP维度的挑战,并改善了功能分离性.
• 多频率和多极化信息的融合对于在复杂的目标识别场景中实现高精度至关重要.