Resumen

La precesión es una forma común de micromovimiento de los objetivos espaciales, que introduce una modulación micro-Doppler (m-D) adicional en el eco del radar. La clasificación eficaz de los objetivos espaciales es de gran importancia para la extracción e identificación de los parámetros de micromovimiento. La extracción de características es un paso clave durante el proceso de clasificación, que influye en gran medida en el rendimiento final de la clasificación. Este artículo presenta dos métodos para clasificar diferentes tipos de blancos espaciales de precesión a partir de los HRRP. En primer lugar, se establece el modelo de precesión de los objetivos espaciales y se analizan las características de dispersión y, a continuación, se calculan los datos electromagnéticos del objetivo cónico, del objetivo cónico-cilíndrico y del objetivo cónico-cilíndrico-flamenco. Los resultados experimentales demuestran que la máquina de vectores de apoyo (SVM) que utiliza características de histogramas de gradiente orientado (HOG) consigue un buen resultado, mientras que la red neural convolucional profunda (DCNN) obtiene una mayor precisión de clasificación. La DCNN combina el extractor de características y el propio clasificador para extraer automáticamente las firmas de alto nivel de los HRRP mediante un proceso de entrenamiento. Además, se compara la eficacia de los dos procesos de clasificación utilizando el mismo conjunto de datos.

• Materias:Minería de datos Propagación de ondas Electromagnetismo Radiofrecuencia Teoría de Antenas
• Subjects:Data mining Wave propagation Electromagnetism Radio frequency Antenna theory
• Palabras claves:objetivo espacial, proceso de clasificación, clasificación del espacio, modelo del espacio, extracción de parámetros de micromovimiento, máquina de vectores de apoyo, red neuronal convolucional, forma de micromovimiento común, mayor precisión de clasificación, objetivo de precesión espacial
• Keywords:space target, classification process, classification of space, model of space, micromotion parameters extraction, support vector machine, convolutional neural network, common micromotion form, higher classification accuracy, space precession target