高分辨率雷达距离像用于目标识别的研究

针对飞机目标的分类问题,研究将雷达目标的高距离分辨率(high range resolution,HRR)像用于识别的方法。介绍两类基于目标HRR像的特征:差分功率谱和微分倒谱,并选择基于SARPROP(simulated anneal-ing resilient propagation)算法的多层前馈神经网络作为分类器。利用4种飞机缩比模型的重点散射源二维分布测试数据和频率步进法,得到目标的一维距离像。对上述两类距离像特征进行了分类,结果表明,差分功率谱特征对于一维距离像具有较高的识别率,并具有较好的抗噪性能。     

基于三阶累积量奇异值分解的雷达目标识别

基于一维距离像三阶累积量矩阵的奇异值分解 ,由非零奇异值构成奇异值矢量作为正则子空间法的输入 ,提出一种雷达目标一维距离像识别方法 ,对目标进行分类识别。该方法一方面利用三阶累积量提高了抗噪性能 ,同时又使用非零奇异值矢量减少了存储量与运算量。仿真实验结果表明 :在低信噪比 ,该方法的识别率高于特征子空间法     

基于子像空间的雷达目标一维距离像识别

提出了一种基于子像空间的雷达目标一维距离像识别方法。该方法一方面通过建立目标子像空间，改善了对输入目标为库属目标的识别率；另一方面基于假设检验理论，在分类判决中引入判决门限，能够有效地对库属目标和非库属目标进行判别。模拟实验结果表明该方法的有效性。     

基于FSVM的雷达多目标识别

重点分析了支撑矢量机多分类问题中存在的误分、拒分现象,针对雷达目标提出解决这一现象的模糊支撑矢量机。采用模糊支撑矢量机的分类机理对样本数据有限且残缺不全的高分辨一维雷达距离像进行多目标识别。实测数据(4种飞机雷达距离像)的多目标识别结果表明,模糊支撑矢量机与一般多类支撑矢量机相比在多目标识别时简单易行,而且在识别率上有显著的提高。     

基于目标一维距离像的雷达目标识别方法

讨论了马氏距离的性质,利用目标的一维距离像,提出了一种雷达目标识别方法.对雷达回波进行快速傅立叶变换,得到目标的一维距离像,计算其马氏距离,得到目标的稳定特征向量,根据相关算法进行目标识别.3种不同类型飞机回波的实测数据的识别结果,表明该方法是切实可行的.     

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。     

最优聚类中心雷达目标一维距离像识别

提出了一种基于最优聚类中心的雷达目标一维距离像识别方法。该方法利用训练数据集建立最小平方距离准则下的最优变换矩阵 ,使用该变换矩阵可增大同类目标的特征聚合性 ,从而减少同类之间差异 ,同时 ,通过在子像空间选定一组最优聚类中心来增大异类目标特征的可分离性 ,加大异类之间差异 ,提高雷达目标识别率。仿真实验结果表明了该方法的有效性。     

飞机目标的一维距离像特性

一维距离像已广泛应用于雷达自动目标识别 ,虽然一维距离像已将目标按距离分辨单元分割开 ,但每个分辨单元里还有许多散射点 ,该单元回波的复振幅为众多散射点子回波之和。当视角有微小变化时 ,其相位差的变化相当大 ,从而使各分辨单元的复振幅有大的起伏 ,所以一维距离像的方向敏感性十分强。对一维距离像的特性进行了研究 ,并通过预处理得到相对稳定的一维距离像。     

雷达高距离分辨率一维像目标识别

随着雷达技术的快速发展和军事应用的迫切需求,目标识别问题日益受到重视,利用高分辨率雷达一维距离像进行目标识别成为雷达和信号处理领域的一个研究热点。雷达目标一维距离像能够反映目标形状及结构特征,而且易于获取,迄今为止采用一维距离像进行非合作目标识别已经取得了丰富的研究成果。总结了近年来研究的基于目标一维距离像的特征提取方法、分类方法和联合跟踪与识别方法,分析了当前研究中亟需解决的关键问题,探讨了这些问题的可能解决思路和发展方向。     

一种自适应权值的多特征融合分类方法

由于类别较多或者特征单一等原因,传统的支持向量机方法对一些复杂问题的分类,很难获得好的识别效果。首先使用一种树状结构将概率支持向量机推广到多分类问题|然后提出一种自适应权值的多特征融合方法,根据概率输出自动调整不同分类器的相关权值,将所有分类器的结果进行加权得到最终的判决结果。为解决实际应用中常出现的非平衡问题,提出综合权值方法,将类别权值与特征权值进行综合。实验结果表明,融合方法较之传统的支持向量机一对一方法以及概率支持向量机方法能够获得更高的识别率|对于非平衡问题,综合权值方法可以得到更加合理的识别结果。     

基于互易点学习的LPI信号开集识别

针对现有采用时频图结合深度学习模型对低截获概率(low probability of intercept, LPI)雷达信号识别的方法在开集场景下会失效的问题, 提出一种基于互易点学习(reciprocal point learning, RPL)和阈值判断的雷达信号开集识别方法。通过RPL对特征空间进行优化, 使已知类和未知类信号样本在特征空间中分布不同, 最后确定合适的阈值进行开集识别。根据时频图的特点, 在特征提取网络中加入注意力机制使网络更关注图像能量聚集的有效部分。实验结果表明, 该方法在开放的电磁环境条件下具有良好的适应性。     

一类快速模糊支持向量机

由H.P.Huang、C.F.Lin等人和T.Inoue,S.Abe等人提出的两类模糊支持向量机是两种类型的改进支持向量机,分别克服了过学习问题和减少了多类问题分类时存在的不可分区域。如何处理异常数据和加速训练大规模数据集是支持向量机中的急需解决的两个问题。针对这两个问题,提出了一类将两类模糊支持向量机集成的快速模糊支持向量机。训练时,根据每类数据与其类中心的距离,定义隶属函数,以加大对容易被错分样本的惩罚,利用合适的参数λ选取了每类数据中隶属度值较大的边缘数据构造模糊支持向量机,测试时,利用1-a-1和模糊支持向量机的决策函数判定未知样本的类别。含有异常数据的两类问题和机器学习数据集中手写数字识别的多类问题的实验结果,验证了提出的快速模糊支持向量机减少了训练时间同时提高了学习机的推广能力。     

SVM和HMM相结合的合成孔径雷达图像目标识别

提出了一种支持向量机和隐马尔可夫模型相结合的合成孔径雷达图像目标识别方法。该方法用小波分解和主成分分析提取图像特征,生成特征向量。利用图像在方位角上的关系由特征向量生成图像的特征序列以及隐马尔可夫模型的训练序列。用支持向量机进行目标预识别,确定目标最有可能所属的两个类别,用隐马尔可夫模型在这两个类别中确定目标最终所属类别,完成目标识别。使用MSTAR数据库中的图像数据对该方法进行验证和分析,结果表明,该方法可以明显提高目标的正确识别率,是一种有效的合成孔径雷达图像目标识别方法。     

P2P文件共享防污染系统设计与仿真

文件污染是当前P2P文件共享系统普遍存在的问题,极大的降低了系统的可用性。提出基于文件对象的污染传播模型,利用向量空间相似度赋予投票权重,使用horting图方法解决数据稀疏性问题,采用自适应的信誉阈值判断文件可信性,建立了基于对象信誉的P2P文件共享防污染系统。仿真实验表明,系统具有很高的识别精确度,能够很好的抑制污染文件在网络中的传播。     

基于SAMME+ResNet的多相码信号识别方法

针对传统多相码信号识别方法在低信噪比情况下分类精度不高、类识别率不均衡和识别方法不具有通用性的特点,提出了一种利用集成学习中的多类指数损失函数逐步添加模型(stagewise additive modeling using a multi-class exponential loss function, SAMME)算法和残差神经网络(residual neural network, ResNet)的多相码信号识别方法。通过仿真实验对5类多相码信号进行了分类识别,验证了模型的有效性,分析了不同数量基学习器对模型的影响,最后与传统分类方法进行了对比。仿真结果表明,在信噪比低于6 dB的情况下,所提方法相对于单个残差网络提高了约10%的分类精度,同时缩小了类之间识别率的差距,相对于常用的分类方法也有很大的优势。     

基于SAMME+ResNet的多相码信号识别方法

针对传统多相码信号识别方法在低信噪比情况下分类精度不高、类识别率不均衡和识别方法不具有通用性的特点,提出了一种利用集成学习中的多类指数损失函数逐步添加模型(stagewise additive modeling using a multi-class exponential loss function, SAMME)算法和残差神经网络(residual neural network, ResNet)的多相码信号识别方法。通过仿真实验对5类多相码信号进行了分类识别,验证了模型的有效性,分析了不同数量基学习器对模型的影响,最后与传统分类方法进行了对比。仿真结果表明,在信噪比低于6 dB的情况下,所提方法相对于单个残差网络提高了约10%的分类精度,同时缩小了类之间识别率的差距,相对于常用的分类方法也有很大的优势。     

选举理论模型及其在解决多候选人内蕴不确定性问题中的应用

简单选票模型,利用多数票为优胜的选举规则,建立一套分析结构以支持传统意义下的计票过程,分析废票对选举结果的影响并给出不确定性出现的条件.复合选票模型利用多组特征矩阵,向量和置换群为基础变量,形成一套稳定的选举分析系统.这套系统具有特征索引族以置换变化下不变性,区分候选人特有的概率特征向量.文中的主要结果建立一套选举权威机制,利用综合索引指数可区分排序方式,辅助解决选举中当多个候选人在持有相同选票时难以区分胜负的内蕴不确定性问题.