來源 |?雷達學報
智庫 |?云腦智庫(CloudBrain-TT)
云圈?|?進“云腦智庫微信群”,請加微信:15881101905,備注您的研究方向
? ? ?2021年10月23-24、30-31日，第一屆雷達學報博士論壇成功舉辦！
? ? ?西安電子科技大學雷達信號處理國家重點實驗室陳健10月24日在雷達感知技術分論壇做了題為《雷達HRRP參數化統計建模及其在目標識別中的應用》的學術報告。
報告簡介
? ? ? 本報告從低復雜度統計建模的角度，提出了一種基于標簽約束多任務卷積因子分析（MTL-LCCFA）模型的雷達HRRP識別方法。MTL-LCCFA將HRRP樣本表示為多個低維字典原子與相應權向量的卷積和，且各樣本所需的字典原子通過貝塔過程稀疏先驗從一個由所有數據聯合學習的字典中自動選擇得到。一方面，字典原子作為卷積核，可以挖掘反映數據本質的局部結構信息，進而共享性較強、能夠使模型以較少的字典原子表征所有數據；另一方面，與傳統模型對各目標各方位幀HRRP獨立建模不同，MTL-LCCFA采用所有HRRP共同學習卷積字典的多任務學習機制，能夠避免字典原子冗余，進一步減少字典原子數。由于較小的字典原子尺度和較少的字典原子個數，MTL-LCCFA復雜度較低，更適用于小樣本識別問題。此外，MTL-LCCFA還利用額外的標簽信息約束參數的學習過程，增大了不同類模型參數的差異，增強了模型的類間可分性，有利于小樣本識別能力的更大提升。基于三類飛機目標實測HRRP數據的統計識別結果表明，所提模型具有較好的小樣本穩健性。每幀僅有30個訓練樣本時，MTL-LCCFA的識別準確率仍能達到85%，比傳統模型高12%左右。相關研究成果已在Pattern Recognition、Information Sciences等期刊上發表。
? ? ? 除構建低復雜度模型外，未來研究還將從跨域遷移學習的角度，利用合適的源域數據輔助目標域模型對HRRP數據的學習，實現小樣本情況下識別率的提升，并對不同小樣本識別方法的適用范圍進行分析、總結。
報告視頻
報告PPT
本報告PPT共36張。
博士簡介
－?The End －
聲明：歡迎轉發本號原創內容，轉載和摘編需經本號授權并標注原作者和信息來源為云腦智庫。本公眾號目前所載內容為本公眾號原創、網絡轉載或根據非密公開性信息資料編輯整理，相關內容僅供參考及學習交流使用。由于部分文字、圖片等來源于互聯網，無法核實真實出處，如涉及相關爭議，請跟我們聯系。我們致力于保護作者知識產權或作品版權，本公眾號所載內容的知識產權或作品版權歸原作者所有。本公眾號擁有對此聲明的最終解釋權。
投稿/招聘/推廣/合作/入群/贊助?請加微信：15881101905，備注關鍵詞
“閱讀是一種習慣，分享是一種美德，我們是一群專業、有態度的知識傳播者.”
↓↓↓?戳“閱讀原文”，加入“知識星球”，發現更多精彩內容.
?分享?? 點贊?? 在看??@以“三連”行動支持優質內容！?
