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。     

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。     

基于注意力机制的堆叠LSTM网络雷达HRRP序列目标识别方法

传统的雷达高分辨距离像(high resolution range profile, HRRP)序列识别方法依赖于人工特征提取, 并且现有的深度学习方法存在梯度消失问题, 导致收敛速度慢, 识别精度低。针对上述问题, 提出一种基于注意力机制的堆叠长短时记忆(attention-based stacked long short-term memory, Attention-SLSTM)网络模型, 该模型通过堆叠多个长短时记忆(long short-term memory, LSTM)网络层, 实现了HRRP序列更深层次抽象特征的提取; 通过替换模型的激活函数, 减缓了堆叠LSTM(stacked LSTM, SLSTM)模型梯度消失问题; 引入注意力机制计算特征序列的分配权重并用于分类识别步骤, 增强了隐藏层特征的非线性表达能力。模型在雷达目标识别标准数据集MSTAR上多种不同目的的实验结果表明, 所提方法具有更快的收敛速度和更好的识别性能, 与多种现有方法对比具有更高的识别率, 证明了所提方法的正确性和有效性。     

雷达HRRP双门限在线统计识别方法

"边录取、边学习、边建模"是雷达高分辨距离像(high resolution range profile,HRRP)统计识别工程化的方法之一.在独立高斯模型假设下,推导了参数在线学习的公式,根据概率密度值提出一种双门限在线统计识别方法,首先设置门限S_A剔除HRRP中的"环值",然后设置门限S_B将数据分成几段,从而缓减模型与实时HRRP数据多模特性的失配.基于实测数据的仿真实验证明了本方法的有效性.     

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。     

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。     

地面目标HRRP识别的稳健性特征选择方法

特征选择是雷达高分辨一维距离像目标识别的关键步骤,可降低特征维度,提高特征稳健性。提出一种基于散度的特征选择方法,采用该方法对适用于距离像地面目标识别的特征集合进行特征选择,得到优选的特征子集后再进入分类器网络进行识别。采用地面目标仿真数据和实测数据进行神经网络分类器识别实验。实验结果表明：在距离像信噪比、俯仰角和距离分辨力参数变化的情况下,基于散度的特征选择方法在基本保持或提升特征集的识别性能的前提下,能保持甚至提升识别的稳健性,具有较好的应用价值。     

基于AEPSO-SVM算法的雷达HRRP目标识别

针对雷达自动目标识别中的高分辨距离像(high resolution range profile,HRRP)识别问题,提出自适应进化粒子群(adaptive evolution particle swarm optimization, AEPSO)算法优化支持向量机(support vector machine,SVM)的目标分类识别方法。该算法利用非线性自适应惯性权重的调整以适应粒子寻优的非线性变化过程,采用分阶段调节加速因子增强粒子在进化过程中的学习能力,通过引入局部搜索算子在增加粒子多样性的同时有效避免了粒子陷入局部最优陷阱。通过改进的PSO算法优化SVM参数,建立分类识别器模型。将该AEPSO-SVM模型应用到雷达HRRP目标识别中,实验结果表明,该算法对于高分辨雷达目标识别精度高、鲁棒性强。     

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.     

基于独立分量分析的雷达目标识别方法

通过分析雷达距离像的数学模型,利用独立分量分析(independent component analysis,ICA)技术提取雷达距离像信号中的独立分量,并定义为独立基波形。将观测信号投影到几个峰度大的独立基波形上,得到的各个投影分量作为待识别的信号特征。由于独立基波形实际上对应了目标回波中的散射中心响应,使得通过该方法提取的特征不仅保持了独立性,而且还具有实际的物理意义。在此基础上,使用支持矢量机(support vectormachine,SVM)作为分类器,进行了仿真实验和对比实验,实验结果表明该方法是有效和可行的。     

基于方位弯折的高分辨距离像雷达目标识别

针对高分辨雷达距离像的方位敏感性问题,将应用于语音处理的动态时间弯折技术引入高分辨距离像雷达目标识别领域,提出了一种动态方位弯折技术,该技术通过将测试数据与模板特征序列进行非线性伸缩(弯折),获得测试帧与模板之间最小匹配距离对应的最佳匹配路径,实现对测试数据的目标识别。对ISAR实测飞机数据的分类实验及与模板匹配法和RBF识别方法的比较,获得了良好的识别结果,表明了该方法的可行性和有效性。     

基于复值HRRP CICA特征的多方位SAR目标识别

提出了一种基于雷达目标复距离像复值独立分量分析（complex independent component analysis, CICA）的合成孔径雷达（synthetic aperture radar, SAR）目标多方位散射特征提取和识别方法。根据雷达目标散射机理,将目标高分辨率复距离像建模为多个散射中心的复相干叠加。在分析复距离像的基础上,采用CICA方法实现了距离像中每个散射中心响应的分离。针对每个散射中心响应,利用高阶矩方法提取特征矢量。分类器基于隐马尔可夫模型（hidden Markov model, HMM）设计。采用美国运动和静止目标获取与识别（moving and stationary target acquistion and recognition, MSTAR）计划公开发布的目标实测数据进行算法实验,实验结果说明了提出方法具有较好的识别率。