基于DnCNN的海面目标一维距离像识别方法

作     者：王哲昊 简涛 王海鹏 张健 WANG Zhehao;JIAN Tao;WANG Haipeng;ZHANG Jian

作者机构：海军航空大学信息融合研究所山东烟台264001 91206部队山东青岛266108 

出 版 物：《信号处理》 (Journal of Signal Processing)

年 卷 期：2021年第37卷第6期

页      面：932-940页

核心收录：

学科分类：080904[工学-电磁场与微波技术] 0810[工学-信息与通信工程] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 081105[工学-导航、制导与控制] 081001[工学-通信与信息系统] 081002[工学-信号与信息处理] 0825[工学-航空宇航科学与技术] 0811[工学-控制科学与工程] 

基　　金：国家自然科学基金(61971432,61790551) 泰山学者工程专项经费资助(tsqn201909156) 山东省高等学校青创科技支持计划(2019KJN031) 基础加强计划技术领域基金(2019-JCJQ-JJ-060) 

主　　题：去噪卷积神经网络 海面目标识别 高分辨一维距离像 残差学习 

摘      要：针对低信噪比条件下海面目标分类识别精度差的问题,该文提出了一种基于去噪卷积神经网络(Denoising convolutional neural network,DnCNN)的海面目标高分辨一维距离像(High Resolution Range Profile,HRRP)识别方法。所提方法设计了一个海面目标分类识别模型,该模型通过其中的降噪模块提高信噪比。首先,分析了HRRP和二维图像的相似特性,将HRRP降噪转变为二维图像降噪。其次,利用深层次卷积层与批归一化层相结合的结构,提取图像深层次的噪声特征,最后采用残差学习技术,减轻深层次网络的学习负担的同时重构图像进行分类识别。实验结果表明,该模型可以有效提升低信噪比条件下的海面目标分类识别正确率,在不同信噪比条件下其识别性能均优于对比模型,具有良好的识别性能和鲁棒性。