Tiếp cận một số mô hình học sâu phân loại dữ liệu mục tiêu ra đa hàng hải
16 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.100.2024.106-112Từ khóa:
Ra đa hàng hải; Học sâu; Phân loại mục tiêu; Mạng nơ ron hồi quy; Mạng nơ ron tích chập.Tóm tắt
Trong ra đa hàng hải, tín hiệu phản xạ đóng vai trò quan trọng trong việc nhận dạng mục tiêu. Việc ứng dụng các kỹ thuật học máy như mạng nơ-ron hồi quy (RNN) và mạng nơ-ron tích chập (CNN) đã thu hút sự quan tâm của các nhà nghiên cứu trong lĩnh vực phân tích dữ liệu ra đa. Cả lý thuyết và thực nghiệm đều chứng minh rằng việc sử dụng các kỹ thuật này có thể cải thiện hiệu suất phân loại mục tiêu ra đa dựa vào lượng dữ liệu mục tiêu phong phú. Tuy nhiên, sự hạn chế về dữ liệu ra đa thực tế đang cản trở sự phát triển của các kỹ thuật phân tích dữ liệu ra đa. Trong bài báo này, chúng tôi tập trung vào phân tích và đánh giá hiệu suất của các mô hình phân loại SCNet, TARAN, TACNN và RFRAN, tiến hành thực nghiệm và tinh chỉnh một số tham số để nâng cao hiệu quả phân loại. Các thử nghiệm được thực hiện trên các bộ dữ liệu ra đa Doppler và ra đa hàng hải. Kết quả thực nghiệm cho thấy các mô hình SCNet và RFRAN có khả năng tối ưu và có thể hỗ trợ hiệu quả việc nhận dạng mục tiêu ra đa hàng hải.
Tài liệu tham khảo
[1]. N.V. Hùng, “Tài liệu huấn luyện trắc thủ ra đa hàng hải ,” Quân chủng Hải quân, (2014).
[2]. P. V. Du, “Nhiệm vụ: Xây dựng hệ thống thu thập CSDL tín hiệu mục tiêu ra đa chủ động và hỗ nhận dạng mục tiêu cho hệ thống ra đa hàng hải SCORE-3000 ,” Quân chủng Hải quân, (2018).
[3]. L. Du, H. Liu, Z. Bao, “Radar HRRP statistical recognition based on hypersphere model”, Signal Process., 88 (5), pp. 1176-1190, (2008). DOI: https://doi.org/10.1016/j.sigpro.2007.11.003
[4]. Hao Wan, Xu Si, Peikun Zhu, Jing Liang, “Target recognition via discriminant information and geometrical structure co-learning using radar sensor network”, Pattern Recognition, Volume 157, 110931, (2025). DOI: https://doi.org/10.1016/j.patcog.2024.110931
[5]. Kexin Huang, Yizhen Jia, Wen-Qin Wang, “FDA-MIMO Radar Target Recognition Based on SVM Classification with Multi-channel Feature Extraction”, Procedia Computer Science, Volume 221, pp. 1513-1518, (2023). DOI: https://doi.org/10.1016/j.procs.2023.07.008
[6]. Xianwen Zhang, Wenying Wang, Xuanxuan Zheng, Yao Wei, “A novel ra đa target recognition method for open and imbalanced high-resolution range profile”, Digital Signal Processing, Volume 118, 103212, (2021). DOI: https://doi.org/10.1016/j.dsp.2021.103212
[7]. Bin Xu, Bo Chen, Jinwei Wan, Hongwei Liu, Lin Jin, “Target-Aware Recurrent Attentional Network for Ra đa HRRP Target Recognition”, Signal Processing, Vol. 155, pp. 268-280, (2019). DOI: https://doi.org/10.1016/j.sigpro.2018.09.041
[8]. Jian Chen, Lan Du, Guanbo Guo, Linwei Yin, Di Wei, “Target-attentional CNN for Radar Automatic Target Recognition with HRRP”, Signal Processing, Vol. 196, 108497, (2022). DOI: https://doi.org/10.1016/j.sigpro.2022.108497
[9]. Chen Jian, Du Lan, He Hua, Guo Yuchen, “Convolutional factor analysis model with application to ra đa automatic target recognition”, Pattern Recognition, Volume 87, pp. 140-156, (2019). DOI: https://doi.org/10.1016/j.patcog.2018.10.014
[10]. Daiying Zhou, Xiaofeng Shen, Wanlin Yang, “Radar target recognition based on fuzzy optimal transformation using high-resolution range profile”, Pattern Recognition Letters, Volume 34, Issue 3, pp. 256-264, (2013). DOI: https://doi.org/10.1016/j.patrec.2012.10.010
[11]. Chuan Du, Long Tian, Bo Chen, Lei Zhang, Wenchao Chen, Hongwei Liu, “Region-factorized recurrent attentional network with deep clustering for radar HRRP target recognition”, Signal Processing, Vol. 183, 108010, (2021). DOI: https://doi.org/10.1016/j.sigpro.2021.108010
[12]. Qi Liu, Xinyu Zhang, Yongxiang Liu, “SCNet: Scattering center neural network for ra đa target recognition with incomplete target-aspects”, Signal Processing, Vol. 219, 109409, (2024). DOI: https://doi.org/10.1016/j.sigpro.2024.109409
[13]. I. Roldan, C.R. del-Blanco, Á.D. de Quevedo, F.I. Urzaiz, J.G. Menoyo, A.A. López, D. Berjón, F. Jaureguizar, N. García, “DopplerNet: a convolutional neural network for recognising targets in real scenarios using a persistent range–Doppler radar”, IET Radar, Sonar & Navigation, (2020). DOI: https://doi.org/10.1049/iet-rsn.2019.0307
[14]. Hai Le et al., “Micro-Doppler-Ra đa-Based UAV Detection Using Inception-Residual Neural Network”, International Conference on Advanced Technologies for Communications, (2020).
