基于H/A/α分解的全极化HRRP目标识别方法

针对现有基于H/A/α分解提取全极化高分辨率距离像（high range resolution profile, HRRP）特征的方法都没有考虑度量尺度对所提取特征性能影响的问题,提取了平均度量尺度下的特征子集,给出联合动态互信息概念用于选择最优平均度量尺度,并剔除特征子集中的冗余特征;在此基础上,结合Bagging和Boosting算法,提出一种宽带全极化雷达目标识别方法;最后在多类飞机目标HRRP样本集上验证了该方法的有效性。     

基于复数全极化HRRP的雷达目标识别

针对实数单极化高分辨率一维距离像（high resolution range profile, HRRP）缺失了目标的极化信息和相位信息的问题,研究了复数全极化HRRP目标特征提取方法,为合理有效运用所提取的目标信息,提出一种基于Bagging的选择性集成算法,并在此基础上设计了复数全极化HRRP目标识别方法,最后通过实验验证该方法具有良好的稳健性和可分性。     

基于融合视觉词袋的高分遥感水体提取算法

针对高分遥感影像中水体目标提取易受植被阴影及光照条件等影响问题，提出基于融合视觉词袋的高分遥感水体目标提取算法。在分析遥感水体特性基础上，提出一种遥感水体目标频谱特征提取方法。为增强水体目标特征表达能力，设计一种基于局部二值模式和频谱特征的融合视觉词袋模型。基于提出的模型，设计水体目标分类器。为进一步细化水体和非水体边界，提出对水陆交界区域进行二次识别，得到优化后的水体目标提取结果。实验结果表明：提出算法能有效检测高分遥感影像中水体目标，在准确率和Kappa系数上表现良好。     

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。     

基于宽带雷达HRRP舰船目标长度估计算法

针对宽带雷达舰船一维高分辨距离像(high range resolution profile,HRRP)特征提取问题,提出了一种船长特征提取算法。首先,基于雷达舰船跟踪信息估计出姿态角,并提取运动状态特征;其次,根据边界幅度异常变化判断目标是否存在截像;然后,根据相邻相关法对齐目标,并剔除异常的HRRP距离像,采用基于门限分割方法提取目标区域,按照一定的投影准则计算船长。所提出的方法测长精度高,通过实测数据验证表明,自动估计船长平均误差在10%以内,具有较强的工程应用价值。     

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。     

基于分层极化特性的箔条云识别方法

箔条作为典型的无源干扰手段, 在空中运动扩散和分布取向复杂多变, 具有不确定性, 其雷达特性相当复杂, 即使先进的合成孔径雷达(synthetic aperture radar, SAR)导引头也难以应对。对此, 从箔条云的极化特性和空气动力学特性入手, 提出一种基于分层极化特性的箔条云干扰识别方法, 利用箔条云特有的分层极化特性来识别箔条干扰。所提方法利用干涉原理获取目标的高度维信息, 提出特征识别量ρ用于衡量箔条云和舰船目标的极化特性差异, 并讨论了所提方法的适用范围。理论分析和仿真结果验证了所提方法的可行性。     

基于DCNN的弹道中段目标HRRP图像识别

针对弹道中段目标识别问题,现有的基于高分辨距离像(high resolution range profile, HRRP)的识别方法直接提取一维HRRP(1-dimension HRRP, 1D-HRRP)的整体特征,对局部特征提取能力较弱,且由1D-HRRP数据提取的特征的表达能力有限,为此提出了一种基于深度卷积神经网络(deep convolutional neural network, DCNN)的弹道中段目标HRRP图像识别方法。首先,将1D-HRRP转化为0-1二值图像,从而把数值变化特征转化为图像结构特征;然后,构建DCNN逐层提取图像的局部特征和共性特征并进行识别;最后,结合Dropout和L2正则化双重机制缓解DCNN过拟合问题,利用AdaBound算法提高DCNN训练收敛速度和识别正确率。实验结果表明,所提出的基于HRRP图像的弹道中段目标识别方法比其他12种基于1D-HRRP或二维HRRP(2-dimension HRRP, 2D-HRRP)的识别方法正确率更高,在测试数据集上达到了96.28%,实验结果验证了该方法的有效性。     

基于DCNN的弹道中段目标HRRP图像识别

针对弹道中段目标识别问题,现有的基于高分辨距离像(high resolution range profile, HRRP)的识别方法直接提取一维HRRP(1-dimension HRRP, 1D-HRRP)的整体特征,对局部特征提取能力较弱,且由1D-HRRP数据提取的特征的表达能力有限,为此提出了一种基于深度卷积神经网络(deep convolutional neural network, DCNN)的弹道中段目标HRRP图像识别方法。首先,将1D-HRRP转化为0-1二值图像,从而把数值变化特征转化为图像结构特征;然后,构建DCNN逐层提取图像的局部特征和共性特征并进行识别;最后,结合Dropout和L2正则化双重机制缓解DCNN过拟合问题,利用AdaBound算法提高DCNN训练收敛速度和识别正确率。实验结果表明,所提出的基于HRRP图像的弹道中段目标识别方法比其他12种基于1D-HRRP或二维HRRP(2-dimension HRRP, 2D-HRRP)的识别方法正确率更高,在测试数据集上达到了96.28%,实验结果验证了该方法的有效性。     

基于混合概率主成分分析的HRRP特征提取

针对主成分分析(principal component analysis, PCA)等数据压缩方法用于雷达高分辨距离像(high resolution range profile, HRRP)的特征提取,只能反映固定方位帧内HRRP线性结构,而无法准确描述目标,导致识别性能下降的问题,提出了一种基于混合概率PCA的HRRP特征提取方法。该方法利用期望最大值(Expectation maximization, EM)算法求解HRRP的一、二阶统计参数,能够真实反映数据分布,以分布趋同的原则实现不同方位帧的聚类,减少模板数量。最后通过自适应高斯分类器和Kullback-Leibler距离分类器识别获取的统计特征,可进一步改善识别性能。仿真实验验证了该方法能够在降低数据维数的同时,实现HRRP统计特征的提取,能一定程度上削弱方位敏感性的影响。     

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...     

基于极化分集接收的HRRP欺骗干扰鉴别

有源宽带欺骗干扰能够生成虚假高分辨距离像(high resolution range profile, HRRP),严重影响成像雷达的目标特征提取与识别。为此,研究了基于极化分集接收的HRRP欺骗干扰鉴别方法。首先,建立了目标回波和欺骗干扰的正交极化宽带响应模型,分析了两者的极化相关特性差异;然后,利用正交极化HRRP之间的互相关系数作为鉴别量,提出了相应的鉴别算法;最后,利用飞机缩比模型及干扰机天线的暗室测量数据进行仿真实验。实验结果表明：在一定信噪比(signal-to-noise ratio, SNR)及鉴别门限条件下,正确鉴别概率将大于90%,验证了算法的有效性。     

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。     

多极化多特征融合的雷达目标识别研究

雷达多极化组合态距离像与单极化组合态距离像相比包含了更多的目标信息,因此也具有更强的目标鉴别能力;而距离像不同的特征同样包含了具有一定差异的鉴别信息,可以用来提高距离像的总体识别能力。基于D-S证据理论将多极化信息和六种常用的距离像特征信息有效融合起来,获得了较高的识别率,基于仿真数据的实验验证了结论的正确性。     

GM（1，1，β）灰微分方程的若干性质

针对灰色预测模型的适应范围和优化问题,首先根据灰色GM（1,1）模型参数是灰的、可调的原理,提出了GM（1,1,β）模型的内涵型和参数包形式,分析了模型的若干性质,然后给出了模型的优化算法. 研究结果表明,GM（1,1,β）灰微分方程模型参数α的客观取值范围为（-∞,+∞）,经典GM（1,1）模型参数α的客观取值范围为（-2,+2）;发展系数α的客观取值范围是由背景值系数β 决定的,而与原始数据无关;灰微分方程模型完全适合齐次指数数列. 最后,以我国城镇居民家庭人均可支配收入的数据为例验证了GM（1,1,β）灰微分方程模型的有效性.