一种基于Dropout约束深度极限学习机的雷达目标分类算法

目标识别是雷达智能化的重要标志，在军事和民用领域都发挥着重要作用。近几年兴起的深度学习模型应用于雷达目标分类识别，捕获目标深层抽象特征表达，已成为研究热点。美国DAPAR在其“对抗环境下的目标识别和匹配”（The Target Recognition and Adaption in Contested Environments, TRACE）项目中对深度学习分析公司研究持续重点支持。目前，深度学习模型训练时间耗时长、训练样本不足时模型容易陷入过拟合是其面临的主要技术挑战。

图1 雷达目标识别示意图

针对此问题，国防科技大学刘永祥教授团队提出了一种基于Dropout约束深度极限学习机的雷达目标分类算法，能在加快网络训练速度的同时，有效解决模型易陷入过拟合的问题。

该成果已发表于《雷达学报》2018年第5期“一种基于Dropout约束深度极限学习机的雷达目标分类算法”（赵飞翔，刘永祥，霍凯）。

  (a) 第一个隐藏层节点数对测试效果的影响 

(b) 第二个隐藏层节点数对测试效果的影响

图2 第一和第二隐藏层不同节点数对分类效果的影响

论文首先介绍了深度极限学习机的相关理论及训练过程，然后将Dropout对网络结构的影响作为约束项引入到深度极限学习机代价函数中，推导出Dropout约束条件下网络连接权重的计算表达式。然后利用5类飞机目标的雷达数据验证模型性能（图2、表1），其分类准确率相较栈式自动编码器算法和传统深度极限学习机算法分别提高了5.25%和8.16%，并且所提算法的训练速度相比栈式自动编码器提高了18倍。实验结果表明，所提模型能够减少网络训练时间并且解决模型过拟合问题。

表1 所提方法和其他算法分类准确率比较

了解详细信息请点击下面阅读原文。