雷达HRRP参数化统计建模及其在目标识别中的应用（视频）

     2021年10月23-24、30-31日，第一届雷达学报博士论坛成功举办！

     西安电子科技大学雷达信号处理国家重点实验室陈健10月24日在雷达感知技术分论坛做了题为《雷达HRRP参数化统计建模及其在目标识别中的应用》的学术报告。

报告简介

      雷达高分辨距离像（HRRP）包含丰富的目标结构信息，且易于获取和处理，广泛应用于雷达目标识别领域。基于统计模型的参数化雷达HRRP目标识别方法由于具备建模方式灵活、可融入先验信息、能提供鲁棒的参数估计等优势，取得了较好的识别性能。然而，现有统计模型通常参数量大、对训练样本数要求高，小样本情况下的识别能力严重下降。而实际雷达系统采样率有限，并不能保证充足的训练样本。因此，探索小样本稳健的统计建模方法，对推进雷达HRRP目标识别技术的应用具有重要意义。

      本报告从低复杂度统计建模的角度，提出了一种基于标签约束多任务卷积因子分析（MTL-LCCFA）模型的雷达HRRP识别方法。MTL-LCCFA将HRRP样本表示为多个低维字典原子与相应权向量的卷积和，且各样本所需的字典原子通过贝塔过程稀疏先验从一个由所有数据联合学习的字典中自动选择得到。一方面，字典原子作为卷积核，可以挖掘反映数据本质的局部结构信息，进而共享性较强、能够使模型以较少的字典原子表征所有数据；另一方面，与传统模型对各目标各方位帧HRRP独立建模不同，MTL-LCCFA采用所有HRRP共同学习卷积字典的多任务学习机制，能够避免字典原子冗余，进一步减少字典原子数。由于较小的字典原子尺度和较少的字典原子个数，MTL-LCCFA复杂度较低，更适用于小样本识别问题。此外，MTL-LCCFA还利用额外的标签信息约束参数的学习过程，增大了不同类模型参数的差异，增强了模型的类间可分性，有利于小样本识别能力的更大提升。基于三类飞机目标实测HRRP数据的统计识别结果表明，所提模型具有较好的小样本稳健性。每帧仅有30个训练样本时，MTL-LCCFA的识别准确率仍能达到85%，比传统模型高12%左右。相关研究成果已在Pattern Recognition、Information Sciences等期刊上发表。

      除构建低复杂度模型外，未来研究还将从跨域迁移学习的角度，利用合适的源域数据辅助目标域模型对HRRP数据的学习，实现小样本情况下识别率的提升，并对不同小样本识别方法的适用范围进行分析、总结。

报告视频

报告PPT

本报告PPT共36张。

博士简介

      陈健，西安电子科技大学华山准聘副教授，硕士生导师。于2020年8月在西安电子科技大学获得博士学位。研究方向为雷达目标可靠内隐知识挖掘、小样本稳健统计建模、检测识别模板动态扩展等。在IEEE TCYB/TGRS/TAES、PR、INS、SP、ESWA等信号处理和模式识别领域知名期刊发表论文10余篇，国际雷达会议文章2篇，授权专利2项，受邀担任Signal Processing期刊审稿人。

－ The End －