一种改进的BP-Adaboost算法及在雷达多目标分类上的应用

基于BP-Adaboost的目标分类算法用于雷达目标分类具有良好的效果.随着训练样本以及测试样本数增加,经典"一对多(One vs.Rest,OvR)"BP-Adaboost算法所需用时也随之增加.提出一种改进的多分类BP-Adaboost算法应用在雷达多目标分类上,在提高分类准确率的同时,有效地解决经典算法在多分类上时间开销过大的问题.该方法采用二进制方法重新表示样本数据类别,使用Adaboost算法将多个BP神经网络弱分类器集成起来学习,通过修改经典算法中的损失函数连续调整训练样本分布和弱分类器的权重,最终形成一个强分类器.对雷达高分辨率距离像(High Resolution Range Profile,HRRP)数据集进行分类仿真结果表明,相比于单个BP神经网络基学习器,所提算法的分类准确率提高了5%~10%,相比于经典的"一对多"BP-Adaboost算法,该算法所需用时仅为传统算法的1/2~1/3.     

基于卷积神经网络的高分辨率雷达目标识别

提出一种基于卷积神经网络(Convolution Neural Network,CNN)的高分辨率雷达目标识别方法.首先针对小样本应用于深度CNN时训练过程中损失函数值收敛速度慢的问题,利用结合批归一化算法的改进CNN网络对高分辨距离像(High Resolution Range Profile,HRRP)进行自动特征提取;再利用支持向量机(Support Vector Machine,SVM)对距离像特征进行分类.使用军事车辆高保真电磁仿真数据对提出的方法进行验证,识别结果证明了该方法的有效性.     

基于集成间隔优化的对海雷达目标识别算法

综合考虑对海雷达目标识别的高实时性和强泛化能力要求,提出一种利用模拟退火算法(SA)进行集成间隔优化的静态选择集成(SSE)算法.该算法首先利用SA基于集成间隔最大化搜索出不同大小的最优基分类器子集,然后利用集成分类精确度从中筛选出最终的集成分类器系统.进而提出一种分类器权值、样本权值的迭代求解算法,并考虑这两类权值以及基分类器的分类置信度,给出了8种集成间隔定义.在自建全极化高分辨率距离像(HRRP)分类数据集和17个UCI数据集上分析了集成间隔定义对集成算法性能的影响,通过对比实验验证了该算法的有效性.     

基于小波和神经网络的目标识别方法

基于高分辨一维距离像，对雷达信号目标识别的小波分析和神经网络方法进行了理论研究和实验分析。小波变换起到了数据压缩作用，并且用不同的小波得到不同的结果。ISAR获得的三种飞机目标真实回波数据所形成的一维距离像作为实验数据，并且用神经网络对目标分类器进行了设计。     

OFD-LFM信号体制MIMO雷达运动目标HRRP合成方法

针对OFD-LFM信号体制MIMO雷达运动目标的高分辨距离像(HRRP)合成问题展开了相关的研究工作,首先给出了OFD-LFM信号体制MIMO高分辨雷达成像的几何关系图,在此基础上,通过严格的理论推导和详细的原理论述,提出了基于相位补偿的OFD-LFM信号体制MIMO雷达运动目标的HRRP合成方法,该方法利用了OFD-LFM信号中各子载波信号之间的正交性,可有效地合成出运动目标的HRRP。此外,还进一步分析了HRRP不发生卷绕的条件。仿真结果证明了本文方法的有效性。     

用于HRRP多类目标识别的D距离分类器

在雷达自动目标识别（radar automatic target recognition ，RATR）领域，为了保证基于高分辨距离像（high-resolution range profile，HRRP）的目标识别算法在进行小样本多类目标识别时仍然具有优异的识别性能，需要提出一种同时具备优异泛化性能与低运算复杂度的识别算法。利用比值计算两个向量之间的比值距离，并将比值距离应用于距离分类器中，称之为D距离分类器。然后利用八类地面目标实测数据将D距离分类器与其他一些RATR统计模型进行比较，分别分析其在小样本与多类目标时的识别精度。最终结果验证出D距离分类器在训练样本有限且多类目标识别时仍然具有优异的泛化性能与很低的运算复杂度。      

引入拒识的最小风险弹道目标识别

针对弹道目标识别过程中误分类代价的不对称性,提出了一种引入拒识的最小风险弹道目标识别方法。该方法借助受试者工作特征(ROC)曲线,从概率分布的角度分析了真阳性率、虚警率与决策阈值之间的关系;定义了代价敏感模型及引入拒识代价的模型的代价损失函数,推导了最小化分类代价所需满足的条件,结合ROC曲线的切线斜率,确定了最优拒识阈值,并利用两类目标的高分辨距离像(HRRP)数据验证了方法的有效性。实验结果表明:该方法能够唯一确定使代价最小的拒识阈值,克服了传统方法由于依赖于类先验概率及训练结果而造成的随机性和不确定性的缺点,提高了可靠性和稳定性,具有理论和实际应用价值。     

基于一维距离像和微动特征的弹道导弹识别方法

弹道导弹目标识别是导弹防御系统的重要环节.用于弹道导弹识别的特征通常包括RCS特征、极化特征、雷达高分辨一维距离像(HRRP)、ISAR像、微动特征等.研究目标散射中心模型,给出了基于散射中心理论的HRRP特征.弹道导弹在释放诱饵过程中,弹头和诱饵在结构和质量上的差别会表现在微运动特征上,据此构建了弹头及诱饵的微运动模型,得到弹头进动模型及诱饵摆动模型,对所建模型回波进行短时傅里叶变换(STFT),提取时频脊得到微动特征.弹头及其诱饵有着丰富的结构信息,仅依靠单一特征识别弹头目标效果并不理想.提出综合HRRP特征与微动特征的多特征联合识别方法,对联合的多特征采用主成分分析(PCA)降维,采用支持向量机(SVM)作为分类算法,仿真结果表明,联合HRRP特征与微动特征并通过PCA降维后弹头识别率得到明显提升.     

一种改进的线性调频步进信号目标抽取算法

针对线性调频步进信号一维成像算法中的目标抽取问题,提出一种改进的目标抽取算法. 在保证目标最强散射点被抽取到的前提下,该算法对最强散射点所在采样点的抽取区所有可能的位置进行遍历,根据每个可能的位置反推出一个抽取起始点,获取多组目标一维高分辨距离像(HRRP),并对各HRRP进行散射点提取,最终选择各强散射点能量累加值最大的那组HRRP作为目标的HRRP. 经实测数据验证,该方法抽取效果优于逆向舍弃法.      

一种雷达HRRP在线自适应目标识别方法

“边录取、边学习、边建模”是一维高分辨距离像（HRRP）雷达自动目标识别（RATR）工程化的一条路径,宽带雷达对飞行中的机动目标录取的HRRP随着目标相对于雷达的姿态而变化,完备（全姿态）的HRRP数据库可以看做是关于姿态（主要是方位）的非平稳过程,常用的平稳环境下的在线算法对非平稳的环境适应能力有限．文中通过一种在线混合专家（OME）将HRRP数据在线地分割成若干个近似平稳的区域,在各个区域内使用平稳协方差函数的在线Gauss过程分类器（0GPC）．针对迭代在线GaHSS过程分类（IOGPC）的参数学习算法EP和EM,提出了一种双链Gauss过程（Bi—OGP）来使OGPC的参数得以在单次数据扫掠的情况下实现在线更新．针对迭代在线混合专家门网络参数的学习算法EM,提出了基于初值选择的单次数据扫掠学习方法．基于HRRP实测数据的仿真试验证明,文中方法在单次扫描数据时就获得了高于或接近最近邻、迭代在线线性最小均方（LMS）混合专家和0GPC的识别率．     

基于自编码神经网络的高分辨率距离像降维法

为了提高支持向量机(SVM)分类效率,大幅减少以高分辨率距离像(HRRP)功率谱为特征的支持向量机目标识别分类器的计算量,采用自编码神经网络深度学习方法,实现高维、非线性HRRP功率谱的数据降维。在此基础上,提出了Autoencoder-SVM模型,综合利用自编码神经网络的特征提取能力和SVM的分类能力。仿真结果显示,在HRRP功率谱降维方面,自编码神经网络的降维效果远好于核主成分分析和等距映射算法,其降维结果对SVM分类结果影响甚微,但大幅缩短了SVM的计算时间;同时,在隐层节点数相同的情况下,随着隐含层数的增加或者深度的增加,自编码神经网络数据降维或特征提取效果更好。     

HRRP自动目标识别方法综述

雷达高分辨距离像自动目标识别是近年来雷达目标识别广受关注的一个研究领域. 基于国内外HRRP自动目标识别方法的研究现状,指出目前研究工作中亟待解决的两个问题:非合作目标的识别与分类超平面的获取;针对待解决问题提出目前研究工作中的3个重点:信噪比失配问题的研究,少量不完备样本的研究以及分类超平面获取方法的研究;对每个研究重点的研究思路进行详细划分,包括移除噪声成分、特征提取以及支持向量等,并归纳每种思路的研究现状;最后,对3个重点的研究现状进行总结评述并指出未来的发展方向.      

基于CWT自相似特性的飞机目标HRRP分类法

为了解决高分辨率距离像 (HRRP)分类的姿态敏感和距离像对齐问题 ,基于连续小波变换 (CWT)的自相似特性 ,构造了能量尺度分形维数。分别在 3个极化测量通道和两个尺度区间上 ,从 HRRP的 CWT能量随尺度的演化过程中提取了原始特征集。采用 Fisher可分性准则作判据 ,进一步确定了 3维最佳特征向量。并从理论和实验上证明了 ,能量尺度分形维数特征较不敏感于噪声和目标方位角的变化 ,同时不受目标径向位移和距离像平移的影响 ,是性能良好的飞机目标分类特征     

基于压缩感知的高分辨距离像散射中心参数估计

提出利用压缩感知理论实现高分辨距离像散射中心参数估计。该方法首先将散射中心参数估计转化为信号的稀疏表示,然后重点研究测量矩阵的设计和稀疏参数的选取。为了提高解的鲁棒性,在构造字典矩阵时将采用位置错开以降低测量矩阵原子之间的互相关性。在算法求解过程中,采用贝叶斯信息准则确定模型阶次和稀疏参数。数据实验表明,算法能够稳定精确地估计散射中心参数。     

基于两级支持向量机分类的视频镜头分割方法

提出一种基于两级支持向量机分类的视频镜头分割方法.第1级分类器利用分段视频首尾帧直方图距离,结合滑动窗口和陷波方法计算分段视频的特征向量,通过支持向量机来分类筛选含有镜头边界的子段;第2级分类器根据不同间距的帧间直方图的距离特征,采用时间窗口法构造特征向量,利用二叉树支持向量机多分类策略检测镜头边界的位置.结果表明,所提出的方法能够同时提高切变和渐变的镜头边界的检测效果.     

一种基于HMM的雷达目标识别方法

根据雷达目标散射点的一般模型和特定条件的简化模型；提出用RELAX方法从高分辨雷达回波提取目标散射点分布的位置信息作为目标HRRR的特征向量；利用HRRR对雷达视角敏感这一特点，用隐马尔可夫过程表征多视角雷达回波序列，获得目标距离-方位两维信息，用若干HMM子过程构成的模式链表征一个飞行目标的飞行姿态变化，从而采用基于隐马尔可夫模型的分类器实现目标类属和方位的自动识别和分类，实测数据的计算机仿真结果表明，这一方法的平均识率为99.80%和81.2%。     

基于CSP与SVM算法的运动想象脑电信号分类

针对基于两种不同意识任务(想象左手运动和想象右手运动)的脑机接口,使用共空间模式(common spatial pattern,CSP)算法对BCI 2003竞赛数据进行特征提取;基于滑动时间窗,利用CSP方法对C3,Cz和C4位置的脑电信号进行处理.利用支持向量机对特征进行分类,获得最大分类正确率82.86%,最佳时间点4.09 s,最大互信息0.47 bit,最大互信息陡度0.431 bit/s.与BCI 2003竞赛结果相比,最大互信息陡度有了显著提高,证明该方法更适合BCI实时系统的要求.     

蛋白质中RNA-结合残基预测的随机森林模型

构建了用于预测蛋白质序列中RNA-结合残基的分类模型.在模型的特征提取方面,除了与功能相关的结构特征和序列正交编码信息以外,还提出了一个新颖的特征PSSM-PP.该特征不仅包含蛋白质序列的进化保守特征,还包含与蛋白质和RNA结合有关的氨基酸理化特征.在设计模型时,考虑到样本数据量大的问题,选用了快速的随机森林算法.该预测模型总体预测准确率达到87.02％,特异性达到95.62％,敏感性达51.16％,Matthew相关系数为0.533 6.此外,还构建了RNA结合残基的预测平台.