基于深度学习的最小风险弹道中段目标识别技术研究

Under the background of radar target recognition in ballistic midcourse, and to reduce the high risk caused by misidentification of warhead in the midcourse of ballistic missile defense, the project will make in-depth research on the minimum risk ballistic midcourse target recognition technology based on deep learning. By breaking through the key problems such as fast and effective automatic feature extraction, cost sensitive classifier optimization, stable and reliable temporal-spatial evidence fusion, new theories and technology for radar target recognition will be further developed. The project will investigate the following four aspects from the combination of automatic feature extraction, cost-sensitive multi-classifier fusion, and temporal-spatial decision fusion. The first one is to investigate the effective minimum risk midcourse target recognition model and create multi-feature hierarchical fusion model. The second one is investigating feature extraction methods based on deep learning to achieve fast and effective automatic feature extraction. The third one is investigating cost-sensitive multi-class classification method to achieve stable and effective minimum misclassification cost for midcourse target feature classification. The last one is investigating temporal-spatial decision fusion method in continuous recognition process to achieve stable and reliable recognition. The project is the deepening and further expansion of our prior research, the prospective research results are expected to provide new theoretical basis and technical support for the research and system implementation of ballistic midcourse target recognition, which are of great theoretical significance and practical value.

本项目以弹道中段多目标识别为研究背景，为降低对弹头类目标误识带来的高风险性，将在前期研究基础上，深入研究基于深度学习的最小风险弹道中段目标识别技术。通过突破快速有效的自动特征提取、代价敏感分类器优化设计、稳定可靠的时-空域证据动态融合等关键问题，进一步发展雷达目标识别新理论新方法。项目将从自动特征提取、代价敏感多分类器融合、时-空域决策融合相结合出发，研究有效的最小风险弹道中段目标识别模型，构建多特征层次融合识别模型；研究基于深度学习的特征提取方法，实现快速有效的自动特征提取；研究面向弹道中段目标特征分类的代价敏感多类分类方法，实现稳定有效的最小误分代价目标特征分类；研究连续识别过程中的时-空域决策融合方法，实现稳定可靠的融合识别决策。本项目是前期项目研究工作的深化和拓展，其预期研究成果将为弹道中段目标识别技术的研究和系统的实现提供新的理论依据和技术支撑，具有重要的理论意义和实际应用价值。

项目以弹道中段多目标识别为研究背景，研究了基于深度学习的最小风险弹道中段目标识别技术。项目主要研究内容及取得的成果包括： .（1）研究构建了基于深度学习的最小风险弹道中段目标识别模型，完成了弹道中段典型目标仿真。为实现快速稳健的最小风险多目标识别，研究了极限学习机模型、基于深度学习与极限学习机的目标识别方法。为提升极限学习机的鲁棒性、稀疏性和泛化性能，提出了基于L21范数损失函数和正则化的极限学习机、层次极限学习机自编码器。提出了多层去噪极限学习机，准确率和鲁棒性有明显提升。提出一种基于深度一维卷积自编码器的目标高分辨一维距离像（HRRP）识别方法，提出一维层次局部感受野极限学习机，实现了目标HRRP抽象特征表示的学习和识别。提出了基于轻量化卷积神经网络的弹道目标识别方法，减少了模型的复杂度，同时具有较好的识别性能。 .（2）研究了用于自动特征提取的深度学习网络模型，通过改进深度自编码器网络结构和学习算法实现了有效的自动特征学习。提出一种基于L21范数损失函数和L21范数正则化的堆栈自编码器，提高了模型的鲁棒性和稀疏性；提出一种双隐含层极限学习机自编码器实现了有效的特征学习；提出一种局部和全局图嵌入自编码器、基于中心损失函数的堆栈鉴别自编码器，构建了多层Fisher极限学习机、多层区分极限学习机，提取的目标特征具有更好的类可区分性。 .（3）围绕面向弹道中段目标特征分类的代价敏感多类分类方法展开了研究。为实现最小化误分类代价、降低误分类风险，研究了代价敏感特征选择方法，提出一种基于群体智能的代价敏感特征选择方法；研究了代价敏感采样方法、代价敏感分类方法，提出一种新的基于核空间的代价敏感采样方法、一种基于简化期望核的多核并行代价敏感极限学习机模型；从降低误识代价出发，提出一种基于代价敏感剪枝一维卷积神经网络的弹道目标识别方法、提出了基于生成对抗网络及改进模型的的数据生成和数据类平衡方法。 .（4）围绕连续识别过程中的时-空域决策融合方法展开了研究。为减少识别结果的不确定性、提高识别的准确率、降低误识风险，提出一种基于快照集成一维卷积神经网络的弹道目标识别方法、提出一种基于皮尔逊相关系数和不确定度的证据组合方法、提出一种基于协商策略的时间证据自适应组合方法、提出了基于时间卷积网络和弹性网络正则化的目标识别方法。