雷达高分辨距离像目标识别中的在线学习问题研究

High resolution range profile (HRRP) contains abundant target structure information. Since it is easily obtained and processed, HRRP has been an important means for radar automatic target recognition (RATR). Building and learning recognition model are the basis of radar HRRP target recognition. The validity and completeness of the model will determine the recognition performance. With the sharp increase in HRRP sample size and confuser types, the traditional methods cannot learn the model effectively. Moreover, they lack the ability to complete and update the model. Both of these factors lead to poor performance of the recognition model and impede the application of radar HRRP target recognition. To this end, the project will focus on the online learning methods of radar HRRP target recognition under the Bayesian modeling framework. The main work of this project includes three aspects: (1) Efficient modeling method with large-scale HRRP samples; (2) Refined rejection method; (3) Real-time dynamic updating method of the recognition model. Through this project, it is expected to improve the validity and completeness of the recognition model and lay the theoretical and applied foundation for application of RATR technology.

高分辨一维距离像（HRRP）包含了丰富的目标结构信息，具有易于获取和处理的优点，是实现雷达自动目标识别的重要手段。识别模型的构建与学习是雷达HRRP目标识别的基础，其有效性和完备性直接决定了最终的识别性能。在当前训练样本规模急剧增大、库外目标种类不断增加的形势下，传统HRRP建模方法不仅很难进行准确有效的模型学习，而且缺少对识别模型完善、更新的能力，无法保证识别模型的有效性和完备性，这使得雷达HRRP目标识别技术不能满足目前战场的实际需求。针对该问题，本项目将在贝叶斯统计建模框架下，开展适合于雷达HRRP目标识别的在线学习方法研究，主要包含以下三个研究内容：1）大规模HRRP样本下的高效建模方法；2）精细化拒判方法；3）识别模型实时动态更新方法。本项目的研究目的是提高识别模型的有效性和完备性，为推动雷达HRRP目标识别方法的实用化奠定一定的理论和应用基础。

当前雷达目标识别任务面临着目标姿态不完备、训练样本规模大、库外目标种类不断增加的现状，传统建模方法很难进行准确有效的模型学习，且缺乏对识别模型完善、更新的能力，极大地限制了识别性能。针对该问题，本项目主要研究了以下内容：1）大规模样本下的高效建模方法。在贝叶斯统计模型求解过程中引入广义近似信息传递算法，取代包含高维矩阵求逆步骤的稀疏表示概率推断过程，在保持模型识别性能的前提下，显著提升了模型学习速度。针对变体目标稳健建模与识别问题，首先提出了基于变体分量分离的识别策略，在优化框架下构建了基于编码复杂度的结构化稀疏约束识别模型，并在贝叶斯框架下分别提出了局部马尔可夫链超先验结构化统计模型和局部非零参数耦合结构化统计模型，基于所提模型实现了变体分量的准确估计与分离，显著提升了对变体目标的识别性能；其次利用深度学习网络实现了对变体目标的端到端识别，同时改善了识别效率与性能；2）精细化拒判方法。在贝叶斯框架下构建了联合生成与判别模型的精细化拒判模型，利用非参数技术实现了自动模型选择与参数估计；使用深度网络取代传统支持向量数据描述模型中的非线性映射，避免了核函数选择与核参数调优过程，提高了模型对库内目标样本的适应能力，实现了拒判界面的优化。所提方法显著提升了对库外目标的拒判性能；3）识别模型实时动态更新方法。针对库内目标类别数不变的场景，提出了一种具有掩码的可扩展网络用于库内目标的在线学习，通过掩码矩阵训练选择出与新样本相关联的神经元组成任务子网，并在神经元漂移量准则下对部分神经元进行优化，有效缓解了现有方法的遗忘性灾难问题；针对被拒判的库外目标，提出了一种增强地端到端在线学习方法，通过引入内存组件存储少量库内目标代表性样本，并采用最小化交叉熵蒸馏损失函数完成训练，在不影响对现有库内目标识别性能的前提下，具备了对库外新目标的识别能力，实现了识别模型的在线更新与完善。