利用目标方位信息改善雷达距离像识别性能

由于雷达的高分辨距离像对方位变化非常敏感,模板库中对每个目标都必须按较小的方位范围建立所有有关方位的模板。如果能够得知目标的大致方位角,可以缩小搜索范围,减小运算量。具体研究利用目标方位信息对识别率的影响,发现测试样本在类内匹配时,总是与附近方位的模板距离最小,而在类间匹配时,"最佳匹配"的经常是不同方位的模板,因此,利用目标方位信息基本不改变类内距离,但可以增大类间距离,从而提高识别率。仿真结果表明,利用方位信息是雷达目标识别的有效措施。     

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。     

基于不同准则函数的雷达目标特征空间变换

为解决雷达目标高分辨距离像的识别问题 ,将 4种基于不同准则推导出的线性特征空间变换进行了归纳。分别用这几种变换方法对 6类飞机缩比目标高分辨距离像数据进行特征空间变换 ,然后用同一分类器判决 ,并对其识别结果加以分析与比较 ,得出在该应用条件下的有益结论。     

弹道目标雷达宽带识别仿真与评估

提出了一种将雷达目标识别方法与具体战情相结合的方法,并通过该方法对弹道目标雷达宽带识别方法进行了仿真与评估。仿真了空间目标飞行弹道后,通过坐标变换得到设定战情下的弹道目标雷达视线角。然后结合室内缩比模型静态测量数据,得到设定战情下弹道目标高分辨距离像。对仿真得到的三类弹头类目标进行识别,并分析了雷达带宽、信噪比、观测次数对识别性能的影响。     

基于非线性变换的高分辨率距离像雷达目标识别

雷达目标识别的预处理工作是高分辨距离像领域中的重要组成部分,也是提高识别率的重点和难点。给出了一种结合信号统计特性的信号预处理方法,通过对高分辨距离像(highresolutionrangeprofiles,HRRP)的非线性变换作为特征,有效地拉大了异类目标信号之间的欧氏距离,从而提高了分类的识别率。基于ISAR雷达实测飞机数据的实验结果证明了该方法的有效性。     

基于PCA-LVQ的雷达目标一维距离像识别

研究了宽带高分辨雷达目标识别问题。基于目标一维距离像,提出主成分分析(principal componentanalysis,PCA)和学习向量量化(learning vector quantization,LVQ)相结合的识别方法。即采用主成分分析方法进行数据压缩,提取目标特征,然后利用学习向量量化人工神经网络,训练集进行训练,建立识别模板库。最后对三种飞机模型高分辨回波数据进行识别,结果表明,经过PCA-LVQ网络处理后,目标维数和网络规模均大大降低,且系统具有良好的识别性能。     

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。     

一种稳健的雷达高分辨距离像目标识别算法

雷达高分辨距离像目标识别算法通常对目标回波的噪声大小比较敏感,如果测试样本和训练样本的信噪比不等,那么将会导致识别性能的下降。在实际应用中,需要识别算法在不同噪声强度下都能够保持稳健的性能,因此在概率主分量分析模型的基础上,提出一种稳健的雷达高分辨距离像自动目标识别算法。该算法能够让模型随着噪声强度的不同而自适应地调整其参数,并且分析了雷达数据的能量归一化处理对模型参数的影响。由于算法搜索时间较长,为提高算法的搜索效率,推导了一个快速算法。基于实测数据的仿真实验结果验证了方法的有效性, 对噪声有较好的稳健性。     

强杂波干扰背景下高分辨雷达信号的模糊检测

本文研究了强杂波干扰背景下运用模糊集合理论解决高分辨雷达信号的检测问题。文中首先分析了在高分辨雷达体制下获取稳定距离像的方法，并指出了传统匹配滤波方法的局限性。针对该问题，文中定义了四种模糊集合相似性测度，并在此基础上提出了一种模糊匹配滤波方法。基于文中定义的增量相似性测度准则对平均距离像采用模糊匹配滤波，实验结果表明该方法具有在强干扰背景下检测目标的良好能力，其性能明显优于传统匹配滤波方法。     

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。     

基于正则变换的雷达目标成像识别

本文提出一种基于正则变换的雷达目标成像识别方法。该方法首先将各个训练目标在不同方位角时的距离剖面像构成综合矩阵，并对之作正则变换建立正则子空间；然后将每类目标各方位的像向该子空间投影形成子像，并以其平均结果作为库目标的特征矢量。对未知目标，以其子像对库目标特征矢量的欧氏距离最小为分类准则，进行了识别模拟实验。     

基于K近邻决策分布图的决策层融合目标识别

决策模板法是一种直观的决策层融合目标识别方法。该方法实质上是将目标的决策分布图作为特征矢量,将其和每类目标的决策模板进行匹配以实现融合识别。由于每类目标的决策模板是该类目标所有训练样本决策分布图的平均,因此它不能反映训练样本决策分布图的分布情况。为减少目标决策分布图散布对融合识别效果的影响,提出采用K近邻方法对目标的决策分布图进行分类,以实现融合识别。仿真实验结果表明所提方法的平均融合识别率优于决策模板法。     

A Target Recognition Approach to Projecting HRR Profiles onto Subspace

Abstract: A array of the azimuthally averaged range-profile vectors and the inter-class and intra-class divergence matrixesare constructed iwth many frames of the high resolution range profiles which result from radar echoes of airplanes. Takingthe methods of whitening transformation and SVD produces a system of subspace vectors for target recognition. Where-upon, a template library for target recognition is built by the projection of a class-mean vector made from the radar dataonto the subspace for recognition. By Euclidean distance, a comparison is made between the above projection and eachtemplate in the library, to decide which class the target belongs to. Finally, simulations with the experimental radar dataarte given to show that the proposed method is robust to variation in azimuth and immune to additive Gaussian noisewhen SNR≥5dB.     

噪声中目标距离剖面像识别的修正特征子空间法

以噪声背景下高分辨雷达目标的距离剖面像为测量矢量 ,提出了基于修正特征子空间而进行特征抽取的目标识别方法。对每类目标 ,由训练样本矩阵经奇异值分解 (SVD) ,建立各自的特征子空间 ,并提取相应的降噪算子。对未知目标 ,其距离剖面像在各特征子空间中的投影 ,经相应降噪算子作用后 ,以能量最大为准则进行识别。模拟实验结果表明了所提方法的有效性     

雷达目标距离剖面图像的特征编码与多模匹配识别

本文针对雷达目标距离剖面图像识别这一具体应用背景，提出了一种基于姿态角变化区域序贯划分、特征编码及多模匹配的模式识别新方法；其特点是通过多模匹配克服一般编码方法在给定的误判概率限制下对姿态角变化范围的容纳性有限的缺点，通过序贯划分来确定各模式中姿态角变化的容纳范围及边界；这种方法具有能适应目标特征随姿态角的变化以及能控制识别中的差错概率α等优点。     

目标一维距离像特征提取方法研究

针对雷达目标一维距离像的姿态敏感性和平移敏感性,直接将一维距离像用于目标识别很难取得好的识别效果,用目前的普遍做法进行目标识别存在计算量和存储量大的问题,提出把一维距离像作为随姿态变化的序列及强散射中心维数、目标特征尺寸、散射中心分布熵三个特征,并以这三个特征采用外场实测数据进行目标识别实验,取得了较好的识别效果。     

基于预分类的全极化HRRP模型匹配目标识别方法

全极化三维散射中心模型可准确描述目标的空间几何以及极化特征,已成为目标识别的有效手段之一。针对传统高分辨距离像的匹配算法计算量大、耗时长的不足,提出一种基于预分类的模型匹配目标识别方法,通过目标散射机理分析,对目标进行预分类,减小匹配模型数,然后利用全极化高分辨距离像的散射中心位置与极化信息构造模型匹配函数,实现了目标类别的判定。基于电磁仿真计算数据的识别实验表明,该方法具有良好的目标识别能力,相比于传统方法具有更高的识别正确率以及更低的存储量和计算量。     

基于非固定模板匹配的阵群目标编成识别

受传感器性能和处理算法的影响，阵群成员类型观测集合往往具有不完全性和不确定性,而且阵群目标的编成模板通常是非固定的。在这种情况下，基于固定模板匹配的传统阵群目标编成识别方法已不再适用。为此，提出了一种基于非固定模板匹配的阵群目标编成识别方法。该方法首先对阵群成员的类型观测和模板库中的非固定编成模板进行描述，然后计算出阵群成员类型观测集合同各个非固定编成模板之间的区间型距离度量，最后通过对所有区间型距离度量排序识别出观测到的阵群目标的编成。仿真实验证实了所提方法的有效性。     

基于深度学习的HRRP识别姿态敏感性分析

特征提取是基于高分辨距离像(high resolution range profile,HRRP)的雷达目标识别的关键技术之一.传统人工提取特征的算法,仅利用浅层结构特征,无法有效解决姿态敏感性问题,从而限制了目标识别方法的泛化性.对此,提出一种基于深度学习的目标识别方法,并通过详细的姿态角性能测试分析了该方法的应用边...