雷达自动目标识别中的HRRP特征提取研究

通过分别考虑基于HRRP一阶统计特性的MCC-TMM(模板匹配分类器)和基于HRRP一阶和二阶统计特性的AGC(自适应高斯分类器),提出了两种新的特征提取方法,使得针对不同的分类器采用不同的特征提取方法,从而更好地滤除HRRP上的高斯噪声和更好地保持不同目标HRRP具有不同的幅度分布即HRRP的可分性。基于外场ISAR和微波暗室两种实测数据的识别实验表明,提出的特征提取方法能够明显提高识别性能。     

基于卷积稀疏编码与多分类器融合的雷达HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别问题,提出基于卷积稀疏编码与多分类融合(convolutional sparse coding and multi-classifier fusion,CSCMF)的识别方法。首先,该方法利用CSC方法对目标HRRP进行特征提取,同时实现数据压缩;然后,将测试样本的特征分别输入随机森林分类器、朴素贝叶斯分类器和最小值分类器进行预分类,得到3个预测标签。采用多数投票法对3个预测标签进行分类器融合,得到最终的识别决策。实验中研究了分类器融合方法。基于5种飞机目标的HRRP仿真数据进行了实验验证,实验结果表明该方法的分类准确率较高,而且对噪声有较强的鲁棒性。     

基于direct LDA的幅度谱子空间雷达目标识别

针对高分辨距离像(HRRP)可分性低和维数高的问题,提出一种新的雷达自动目标识别(RATR)方法:dLDA& SVM.先采用直接线性判别分析在HRRP的幅度谱空间进行特征提取,然后在子空间中采用角域均值模板库训练one-against-a11支撑向量机(SVM)多类分类器进行目标识别.并设计了最短距离分类器与SVM分类器比较.基于外场实测数据的实验结果表明,与LDA幅度谱子空间法,幅度谱原空间法相比,dLDA & SVM可显著降低数据维数并提高识别性能.     

基于一维堆叠池化融合卷积自编码器的HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别中特征提取及识别问题, 提出了一种基于一维堆叠池化融合卷积自编码器(one-dimensional stacked pooling fusion convolutional autoencoder, 1D SPF-CAE)的识别方法。首先构造一维池化融合卷积自编码器(one-dimensional pooling fusion convolutional auto-encoder, 1D PF-CAE), 在编码阶段, 采用最大池化和平均池化同时提取不同的编码特征并进行融合来提取HRRP的结构特征; 然后堆叠多个1D PF-CAE形成1D SPF-CAE; 最后使用标签数据对网络进行微调, 实现HRRP目标识别。并使用AdaBound算法优化网络训练来提高识别性能。基于弹道中段目标仿真数据的实验结果表明, 该方法具有较强的特征提取能力, 对于HRRP目标识别准确率高、鲁棒性强。     

基于复合特征及分层特征选择的雷达HRRP识别

雷达高分辨距离像(highresolutionrangeprofile,HRRP)具有方位敏感性、平移敏感性以及在特征空间高度交叠的特点,采用复合特征可以更好地描述目标特性。利用复合特征,结合分层识别结构提出了一种分层特征选择方法,充分利用了特征信息,简化了识别器结构,使识别运算量大大下降且提高了识别率。基于HRRP的平移不变特征和相关矢量机的计算机仿真实验表明,该方法是有效的。     

基于卷积神经网络的海面目标全极化高分辨距离像识别技术

针对雷达目标全极化高分辨距离像(high resolution range profile, HRRP)提取可分性特征时, 利用全部距离单元作为度量尺度无法保留各距离单元具体特征的问题, 在综合利用4个极化通道的舰船目标HRRP信息时选择单个距离单元作为度量尺度。在此基础上, 提出基于Pauli分解, H、α、A、α₁分解和结构相似性参数的特征提取方法对目标极化散射矩阵进行特征提取, 并将提取得到的特征与基于卷积神经网络(convolutional neural network, CNN)的舰船目标HRRP识别方法结合, 利用改进残差结构CNN从极化特征中进一步提取深层可分性特征进行目标识别。实验结果表明, 所提方法能够保留目标全极化HRRP更多特征, 提高目标识别的准确率。     

基于统计建模的字典学习算法在HRRP的应用

基于字典学习模型能真实反映雷达高分辨距离像(radar high resolution range profile, HRRP)潜在结构特征和统计建模算法可有效解决HRRP姿态敏感性问题的特点,运用统计建模划分HRRP角域,对鉴别字典的原子选取和判别优化问题开展研究。首先提出了基于概率主分量分析的最大概率差值算法,自适应划分HRRP角域获取帧界线。其次,利用帧界线对应功率谱特征构成初始化鉴别字典,在鉴别字典基础上优化判别准则,引入原子稀疏相似误差约束最优字典更新实现测试样本分类。雷达实测数据的实验结果验证了该算法可提高目标识别率,同时对噪声干扰具有很好的鲁棒性。     

基于双谱-谱图特征和深度卷积神经网络的HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别中有效表示和特征提取这一关键问题,提出了基于双谱-谱图特征和深度卷积神经网络(deep convolution neural network, DCNN)的识别方法。首先,提取HRRP的双谱-谱图特征表示作为CNN的输入。然后，通过网络训练提取出深层本质特征,实现对雷达目标的识别。最后，对不同特征表示的识别结果进行对比。采用卫星目标实测数据进行实验，结果表明,该方法可以准确有效地识别雷达目标,而且与其他常用特征表示相比,双谱-谱图特征表示具有更好的识别准确率和噪声鲁棒性。     

基于Bagging-SVM动态集成的多极化HRRP识别

针对多极化高分辨率一维距离像（high range resolution profile, HRRP）在目标识别过程中存在计算量和数据量大、识别算法复杂的问题,提出一种基于Bagging-SVM动态集成的目标识别方法。该方法首先提取多极化HRRP平移不变特征向量,然后运用Bagging方法结合基于动态互信息的特征选择方法生成基分类器,最后引入基分类器差异度进行选择性集成。实验验证该方法在缩减数据规模和计算量的同时,能有效利用多极化特征信息,得到较高的分类正确率,并且松弛了HRRP目标的姿态敏感性。     

基于熵的自适应加权投票HRRP融合识别方法

基于不同分类器对同一样本分类能力不同,同一分类器对不同样本可分程度不同的思想,为不同样本赋予不同融合权重,提出了一种基于熵的自适应加权投票高分辨距离像(high range resolution profile, HRRP)融合识别方法。该方法将二分类相关向量机(relevance vector machine,RVM)扩展为多类分类RVM概率模型,并对不同HRRP特征样本进行分类,利用每个多类分类RVM输出的样本后验概率信息计算出的熵值自适应为各个样本赋予权重,使得不同分类器以及同一分类器对不同样本的决策占有不同的比重,熵值越大的样本赋予的融合权重越低,最后通过加权投票方法实现融合识别,得到目标的最终识别结果。仿真实验结果验证了所提方法的有效性。     

利用方向角信息辅助雷达目标跟踪

传统雷达仅能提供目标的方位和距离量测,由于可利用的信息相对较少,跟踪精度很难进一步提高。利用现代雷达的高分辨探测能力,提出了一种基于距离像识别信息辅助目标跟踪的模型,并结合求根不敏卡尔曼滤波技术得到了一种高性能跟踪算法。该算法根据距离像识别结果得到目标方向角的测量,进而通过增加观测量的维数来提高目标的跟踪能力。不同条件下的仿真结果表明,利用方向角信息辅助的跟踪算法收敛速度快,跟踪精度高,且复杂度与传统算法相当。     

雷达目标自动识别系统的拒识新算法

提出了一种基于代价因子的Fisher判别函数拒识门限确定算法.该算法充分考虑了系统识别和误识的代价因子,引入Fisher判决理论,确定了拒识门限.设计了基于独立分量分析(independent component analy-sis,ICA)的雷达目标特征提取方法,将雷达高分辨距离像(high resolution range profile,HRRP)在"基信号"域中分解,提取相应的基系数组成向量,作为目标特征向量.采用基于欧氏距离度量的K最近邻(K nearest neighbor,KNN)分类器作为识别系统的分类规则,并引入拒识门限设计了一种新的分类器.实验结果表明,基于以上算法的雷达目标识别系统在最小代价前提下具有较高的正确识别概率.     

基于高维特征选择的跳频电台细微特征识别

将高维特征用于跳频电台细微特征个体识别具有很大优势,为了增强对跳频电台的分类识别能力,需要增加特征类型和维数,提高特征集的表征能力,但同时会引入大量冗余特征,导致分类器计算时间过长,分类正确率降低。为了降低高维特征集维数,首先采用相关性快速过滤特征选择算法,删除高维特征集中的不相关冗余特征,得到最优特征集。然后利用经过参数优化的支持向量机(support vector machine, SVM)分类器进行训练分类。实验表明,所提算法能够对高维特征集进行合理的降维,提高了SVM的分类器的分类性能,在保证分类正确率的基础上,降低了运算量,提高了跳频电台细微特征识别的时效性。     

基于线性卷积系数扩展特征的雷达目标识别

针对雷达目标高分辨距离像识别中的有效特征提取问题,提出了一种基于线性卷积系数扩展特征的雷达目标识别方法。该方法将高分辨距离像及其线性卷积系数扩展特征作为联合特征在核空间中进行特征选择,并采用支持向量机（support vector machine, SVM）作为分类器实现雷达目标识别。核空间中的特征选择可以解决联合特征高特征维数问题和非线性可分问题,进而提高SVM识别性能,而线性卷积系数扩展特征相比高分辨距离像具有更强的稳定性。同时,可以在一定程度上弥补因特征选择带来的高分辨距离像部分距离单元特征分量缺失。基于5种飞机目标高分辨距离像的仿真实验证明了该方法的有效性。     

基于线性调频步进信号的空间自旋目标时变三维成像方法

三维成像对空间目标测量、分类、识别等具有重要的意义。线性调频步进信号具有瞬时带宽较窄的特点,可获得较远的探测距离,在空间目标监视中具有优势。基于线性调频步进信号模型,提出了一种空间自旋目标时变三维成像的方法,并对由此产生的距离走动等问题进行了详细讨论。通过采用L型三天线雷达,首先分别获得各天线回波对应的高分辨距离像(high resolution range profile, HRRP)序列,然后利用Hough变换提取高分辨距离像序列中各个目标散射点的自旋运动特征,以获得各个散射点的自旋“轨迹”,最后通过对不同干涉平面内的高分辨距离像序列进行干涉处理,获得各散射点在每一慢时间时刻的空间方位向和俯仰向位置,结合高分辨距离像序列获得的距离向信息即可准确重构散射点的时变空间三维位置。仿真实验验证了文中自旋目标时变三维成像方法的有效性。     

基于KPCA和LDA的信号调制识别

对信号的特征选择与分类问题进行研究,提出了一种基于核主分量分析(kernel principle component analysis, KPCA)和线性判别(linear discriminant analysis, LDA)分类器的信号调制识别算法。针对通信信号的特点,首先利用KPCA的方法对特征参数进行主分量组合,以消除信号特征间的相关性和压缩特征向量的维数,然后利用LDA分类器进行信号调制方式的自动识别。仿真表明,在一个较大的信噪比范围内当特征非线性可分时,KPCA在特征选择方面性能更优,且基于KPCA+LDA的识别方法精度高于主分量分析(principle component analysis, PCA)+模板匹配算法。通过分析还可得出,KPCA+LDA等价于基于核的Fisher判别分析(kernel Fisher discriminant analysis, KFDA)方法。