基于孪生网络的电磁目标跨模式识别算法
Cross-Modal Recognition Algorithm of Electromagnetic Targets via Siamese Network
查看参考文献43篇
|
文摘
|
以深度学习为代表的人工智能技术是解决电磁目标识别问题的一种有效方法.然而,在识别多模式电磁目标时,目标内部不同模式间数据的差异可能掩盖目标个体间的差异,当某种模式训练样本缺失或稀少时,该模式下的目标识别性能会显著下降.为此,提出一种基于孪生网络的电磁目标跨模式识别算法,在度量学习框架下通过优化设计网络结构和损失函数,引导网络在分类学习过程中拉近同一目标各模式数据间的距离,拉远不同目标数据间的距离,并结合邻近判决准则实现多模式电磁目标在非均衡数据集上的跨模式识别.基于实际数据的测试结果表明,在相同数据集和网络规模条件下,所提方法的跨模式识别率较经典卷积神经网络方法和数据增强方法提升20%. |
|
其他语种文摘
|
The artificial intelligence technology(e.g., deep learning) is an effective approach to electromagnetic target (ET) recognition. However, in the recognition of multi-mode ETs, when the training samples with a certain mode are missing or rare, the recognition rate with this mode will be significantly degraded. The reason mainly lies in that the data distance between different modes of the same ET may exceed the data distance between different ETs. To remedy this, a crossmodal ET recognition approach via Siamese network is developed in this paper. Following the framework of metric learning, we design the network structure and the loss function carefully, so that the recognition training process intentionally drives the Siamese network to enlarge the data distance between different ETs while shorten the distance between different modes of the same ET. Consequently, the multi-mode ETs can still be successfully recognized by employing certain distance-based decision criterion, even with imbalanced training data sets for different modes. The numerical results based on realistic data show that with same data sets and network size, the cross-modal recognition rate of the proposed approach is 20% higher than that of the classical convolutional neural network approach, and that of the popular data-enhancement approaches. |
|
来源
|
电子学报
,2022,50(6):1281-1290 【核心库】
|
|
DOI
|
10.12263/DZXB.20210805
|
|
关键词
|
电磁目标
;
跨模式识别
;
孪生网络
;
度量学习
;
非均衡数据集
|
|
地址
|
1.
电子科技大学信息与通信工程学院, 四川, 成都, 611731
2.
电子信息控制重点实验室, 四川, 成都, 610036
3.
北方电子设备研究所, 北京, 100191
4.
鹏城实验室, 广东, 深圳, 518055
|
|
语种
|
中文 |
|
文献类型
|
研究性论文 |
|
ISSN
|
0372-2112 |
|
学科
|
电子技术、通信技术;自动化技术、计算机技术 |
|
基金
|
国家自然科学基金
|
|
文献收藏号
|
CSCD:7240117
|
参考文献 共
43
共3页
|
|
1.
郭桂蓉.
电磁特征抽取与目标识别,1996
|
CSCD被引
22
次
|
|
|
|
|
2.
王强. 一种快速模板匹配目标识别算法.
计算机工程与应用,2000,36(6):42-43,69
|
CSCD被引
6
次
|
|
|
|
|
3.
郭俊锋. 利用小波变换进行空间目标电磁特征提取与识别.
火力与指挥控制,2008,33(2):13-15,20
|
CSCD被引
1
次
|
|
|
|
|
4.
张量. 基于电磁散射特征参数提取与数据分布分析的非线性目标识别.
电波科学学报,2019,34(1):52-59
|
CSCD被引
2
次
|
|
|
|
|
5.
尹宝才. 深度学习研究综述.
北京工业大学学报,2015,41(1):48-59
|
CSCD被引
133
次
|
|
|
|
|
6.
Zheng S L. Big data processing architecture for radio signals empowered by deep learning: Concept, experiment, applications and challenges.
IEEE Access,2018,6:55907-55922
|
CSCD被引
2
次
|
|
|
|
|
7.
鲜佩. 基于CNN的电磁辐射源目标识别算法.
电子信息对抗技术,2020,35(2):34-38
|
CSCD被引
3
次
|
|
|
|
|
8.
Gama F. Convolutional neural network architectures for signals supported on graphs.
IEEE Transactions on Signal Processing,2019,67(4):1034-1049
|
CSCD被引
3
次
|
|
|
|
|
9.
田壮壮. 基于卷积神经网络的SAR图像目标识别研究.
雷达学报,2016,5(3):320-325
|
CSCD被引
42
次
|
|
|
|
|
10.
O'shea T J. Over-the-air deep learning based radio signal classification.
IEEE Journal of Selected Topics in Signal Processing,2018,12(1):168-179
|
CSCD被引
83
次
|
|
|
|
|
11.
徐彬. 采用双向LSTM模型的雷达HRRP目标识别.
西安电子科技大学学报,2019,46(2):29-34
|
CSCD被引
12
次
|
|
|
|
|
12.
李东瑾. 基于核协同表示与鉴别投影的辐射源调制识别.
电子学报,2020,48(9):1695-1702
|
CSCD被引
1
次
|
|
|
|
|
13.
秦鑫. 基于扩张残差网络的雷达辐射源信号识别.
电子学报,2020,48(3):456-462
|
CSCD被引
28
次
|
|
|
|
|
14.
李东瑾. 基于栈式稀疏降噪自编码网络的辐射源调制识别.
电子学报,2020,48(6):1198-1204
|
CSCD被引
6
次
|
|
|
|
|
15.
蔡晶烨.
多模式数字通信电台中的调制解扩解调模块实现,2008
|
CSCD被引
1
次
|
|
|
|
|
16.
阳榴. 多功能雷达工作模式识别方法综述.
电讯技术,2020,60(11):1384-1390
|
CSCD被引
3
次
|
|
|
|
|
17.
王沙飞.
认知电子战原理与技术,2018
|
CSCD被引
4
次
|
|
|
|
|
18.
He H B. Learning from imbalanced data.
IEEE Transactions on Knowledge and Data Engineering,2009,21(9):1263-1284
|
CSCD被引
149
次
|
|
|
|
|
19.
Krawczyk B. Learning from imbalanced data: Open challenges and future directions.
Progress in Artificial Intelligence,2016,5(4):221-232
|
CSCD被引
43
次
|
|
|
|
|
20.
钱云.
非均衡数据分类算法若干应用研究,2014
|
CSCD被引
4
次
|
|
|
|
|
了解气象卫星更多信息，请访问