一种利用贝叶斯优化的弹道目标微动分类网络  

Ballistic target fretting classification network based on Bayesian optimization

作　　者：李鹏[1] 冯存前[1] 许旭光 唐子翔 LI Peng;FENG Cunqian;XU Xuguang;TANG Zixiang(Air and Missile Defense College,Air Force Engineering University,Xi’an 710051,China)

机构地区：[1]空军工程大学防空反导学院,陕西西安710051

出　　处：《西安电子科技大学学报》2021年第5期139-148,共10页Journal of Xidian University

基　　金：国家自然科学基金(61001507)。

摘　　要：弹道目标识别在现在的军事反导系统中具有重要作用。不同的弹道目标由于其运动特征的不同会呈现出不同的微动特征,因此在弹道目标的识别中,微动特征被广泛应用。在弹道目标的微动特征分类中,卷积神经网络因为其优异的分类能力而被广泛应用。在卷积神经网络框架中,神经网络相关的超参数和结构通常与被处理的任务性质相关,不同的任务需要设置不同的超参数和不同的网络架构使卷积神经网络的识别效果达到最优。人工选择适合弹道目标微动分类的网络超参数和结构需要足够的人力经验和大量的计算时间,而且并不总能得到最优的参数。针对这个问题,提出用贝叶斯优化算法来自动获取应用于弹道目标微动分类的卷积神经网络的超参数和最优结构的方法,以提高神经网络对微动特征的分类性能。仿真结果表明,与基于迁移学习的神经网络和传统的方法相比,贝叶斯优化算法得到的卷积神经网络模型具有良好的识别效果和鲁棒性,能够精准地对不同微动特征下的信号进行分类与识别。Ballistic target recognition plays an important role in the current military anti-missile system.Different ballistic targets show different fretting characteristics due to their different motion characteristics,so fretting features are widely used in ballistic target recognition.Since artificial selection for ballistic target classification of the micro structure of neural network parameters needs human experience and a large amount of computing time,and does not guarantee the optimal parameters of the problem,we suggest using the bayesian optimization algorithm to automatically obtainthe convolution method for neural network parameters and the optimal structure,in order to improve the classification performance of the neural network for the micro motion features.Experimental results show that the bayesian optimization algorithm can quickly accomplish the parameter optimization of the convolutional neural network,and that the convolutional neural network model has a good recognition effect and is robust.

关 键 词：目标识别 微多普勒 贝叶斯优化 深度学习 

分 类 号：TN957[电子电信—信号与信息处理]