HRRP稀疏自编码器深层特征与散射中心特征的关联性研究

TN95; 利用稀疏自编码器网络对典型目标一维高分辨距离像(high resolution range profile,HRRP)进行了学习训练,基于各层权重系数矩阵定义了 一种综合权重系数,通过综合权重系数和降维特征与散射中心特征的对比分析,发现稀疏自编码器深层特征与散射中心特征之间具有一定的关联性,并对综合权重系数和深层降维特征的物理意义进行了解释.首先针对HRRP构建稀疏自编码器网络,经过深层学习后获取训练后的权重系数和降维后的特征,并与散射中心的位置特征和强度分布特征进行关联性分析.结果表明,综合权重系数矩阵为与散射中心密切相关的类字典系数矩阵,反映了距离域强散射中心位置随角度变化的可...

Full description

Saved in:
Bibliographic Details
Published in系统工程与电子技术 Vol. 43; no. 11; pp. 3040 - 3053
Main Authors 霍超颖, 闫华, 冯雪健, 殷红成, 邢笑宇, 陆金文
Format Journal Article
LanguageChinese
Published 北京环境特性研究所电磁散射重点实验室,北京100854 01.11.2021
Subjects
稀疏自编码器;权重系数;降维特征;散射中心特征
Online AccessGet full text
ISSN1001-506X
DOI10.12305/j.issn.1001-506X.2021.11.02

Cover

More Information
Summary:TN95; 利用稀疏自编码器网络对典型目标一维高分辨距离像(high resolution range profile,HRRP)进行了学习训练,基于各层权重系数矩阵定义了 一种综合权重系数,通过综合权重系数和降维特征与散射中心特征的对比分析,发现稀疏自编码器深层特征与散射中心特征之间具有一定的关联性,并对综合权重系数和深层降维特征的物理意义进行了解释.首先针对HRRP构建稀疏自编码器网络,经过深层学习后获取训练后的权重系数和降维后的特征,并与散射中心的位置特征和强度分布特征进行关联性分析.结果表明,综合权重系数矩阵为与散射中心密切相关的类字典系数矩阵,反映了距离域强散射中心位置随角度变化的可能的分子集;降维特征能够实现对强散射中心的学习和提取,反映了强散射中心位置和强度随角度的变化.最后分析了网络训练层数和降维维数对学习训练结果的影响,可指导后续网络参数的选择.文章首次针对雷达HRRP数据开展深度学习特征的可解释性研究,为后续深度学习在雷达数据处理中的广泛应用提供了有益的导引.
ISSN:1001-506X
DOI:10.12305/j.issn.1001-506X.2021.11.02