用于雷达 HRRP 目标识别的变分时序深度生成模型
机器学习
2020-12-02 v1 机器学习
摘要
我们开发了一种基于高分辨率距离像（HRRP）的循环 gamma 信念网络（rGBN）用于雷达自动目标识别（RATR），该网络刻画了 HRRP 距离单元间的时间依赖性。所提出的 rGBN 采用分层 gamma 分布构建其时序深度生成模型。为实现可扩展训练与快速样本外预测，我们提出将随机梯度马尔可夫链蒙特卡罗（MCMC）与循环变分推断模型相混合来执行后验推断。为利用标签信息提取更具判别性的潜表示，我们进一步提出有监督 rGBN，以联合建模 HRRP 样本及其对应标签。在合成与实测 HRRP 数据上的实验结果表明，所提模型计算高效、具有良好的分类准确率和泛化能力，并提供高度可解释的多随机层潜结构。
引用
@article{arxiv.2009.13011,
title = {Variational Temporal Deep Generative Model for Radar HRRP Target Recognition},
author = {Dandan Guo and Bo Chen and Wenchao Chen and Chaojie Wang and Hongwei Liu and Mingyuan Zhou},
journal= {arXiv preprint arXiv:2009.13011},
year = {2020}
}