现有基于深度神经网络的高距离分辨(High Range Resolution,HRR)雷达目标识别方法是纯数据驱动模型,是1个飞行事故记录器结构,特征不具可解释性,在方位缺失情况下特征泛化性差,模型识别率急剧下降.对此,本文设计了一种物理可解释自编码...现有基于深度神经网络的高距离分辨(High Range Resolution,HRR)雷达目标识别方法是纯数据驱动模型,是1个飞行事故记录器结构,特征不具可解释性,在方位缺失情况下特征泛化性差,模型识别率急剧下降.对此,本文设计了一种物理可解释自编码模型(Physical Interpretable Auto-Encoder Model,PIAEM),解码网络结合雷达目标的散射点模型,利用编码网络挖掘雷达数据具有明确物理含义的散射中心特征,从成像角度描述目标的物理结构特性,如尺寸、轮廓等,在方位缺失情况下具有稳健的物理特性.设计了基于最小重构误差的分类准则,实现雷达目标识别.基于实测高距离分辨雷达回波数据的实验结果表明,本文方法提取的特征具有明确物理含义,且在方位缺失4/5的情况下,PIAEM比现有基于传统目标识别方法的准确率提升了10.27%,验证了本文方法具有方位稳健识别性能.展开更多
