基于支持向量机的高分辨距离像分类法

支持向量机 (supportvectormachine ,SVM)是新一代学习机 ,具有良好的泛化性能。高分辨距离像(HRRP)分类是雷达复杂目标分类的重要方法。采用SVM作为分类器 ,研究了飞机目标HRRP分类法。设计了相应的预处理算法 ,并提出了结合VapnikChervonenkis维法和留一 (LOO)交叉验证法的参数选择算法。基于 5种飞机缩比模型的HRRP数据 ,比较了SVM分类法和最大相关分类法的性能 ,研究了噪声、训练用方位角采样数和训练样本集的大小对识别性能的影响。实验结果表明 ,SVM在HRRP分类上具有良好的应用前景。     

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。     

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。     

基于卷积稀疏编码与多分类器融合的雷达HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别问题,提出基于卷积稀疏编码与多分类融合(convolutional sparse coding and multi-classifier fusion,CSCMF)的识别方法。首先,该方法利用CSC方法对目标HRRP进行特征提取,同时实现数据压缩;然后,将测试样本的特征分别输入随机森林分类器、朴素贝叶斯分类器和最小值分类器进行预分类,得到3个预测标签。采用多数投票法对3个预测标签进行分类器融合,得到最终的识别决策。实验中研究了分类器融合方法。基于5种飞机目标的HRRP仿真数据进行了实验验证,实验结果表明该方法的分类准确率较高,而且对噪声有较强的鲁棒性。     

基于统计建模的字典学习算法在HRRP的应用

基于字典学习模型能真实反映雷达高分辨距离像(radar high resolution range profile, HRRP)潜在结构特征和统计建模算法可有效解决HRRP姿态敏感性问题的特点,运用统计建模划分HRRP角域,对鉴别字典的原子选取和判别优化问题开展研究。首先提出了基于概率主分量分析的最大概率差值算法,自适应划分HRRP角域获取帧界线。其次,利用帧界线对应功率谱特征构成初始化鉴别字典,在鉴别字典基础上优化判别准则,引入原子稀疏相似误差约束最优字典更新实现测试样本分类。雷达实测数据的实验结果验证了该算法可提高目标识别率,同时对噪声干扰具有很好的鲁棒性。     

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。     

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HRRP的进动锥体目标特征参数求解方法

提出了一种基于雷达高分辨距离像(high resolution range profile, HRRP)求解进动锥体目标微动参数与几何外形参数的新方法。首先通过对目标的电磁散射机理分析,建立了进动锥体HRRP径向长度的精确数学模型,得到了距离像长度与雷达观测角、进动角和目标特征尺寸之间的数学关系;然后在此基础上,推导了在变视角观测条件下利用HRRP长度求解锥体进动角的精确表达式;最后解算出锥体目标的高度、底面半径和推算雷达观测角等参数。仿真结果验证了本方法的正确性和有效性。     

Application of wavelet support vector regression on SAR data de-noising

A new filtering method for SAR data de-noising using wavelet support vector regression (WSVR) is developed.On the basis of the grey scale distribution character of SAR imagery,the logarithmic SAR image as a noise polluted signal is taken and the noise model assumption in logarithmic domain with Gaussian noise and impact noise is proposed.Based on the better performance of support vector regression (SVR) for complex signal approximation and the wavelet for signal detail expression,the wavelet kernel function is chosen as support vector kernel function.Then the logarithmic SAR image is regressed with WSVR.Furthermore the regression distance is used as a judgment index of the noise type.According to the judgment of noise type every pixel can be adaptively de-noised with different filters.Through an approximation experiment for a one-dimensional complex signal,the feasibility of SAR data regression based on WSVR is confirmed.Afterward the SAR image is treated as a two-dimensional continuous signal and filtered by an SVR with wavelet kernel function.The results show that the method proposed here reduces the radar speckle noise effectively while maintaining edge features and details well.     

基于PS-IFKCM的弹道中段目标识别方法

针对现有直觉模糊核c-均值(intuitionistic fuzzy kernel c-means,IFKCM)聚类算法对初始值敏感、易陷入局部最优解及收敛速度慢等缺陷,汲取了粒子群优化(particle swarm optimization,PSO)算法优势,对初始聚类中心进行优化,提出了基于粒子群优化的直觉核c-均值(particle swarm-based intuitionistic fuzzy kernel c-means,PS-IFKCM)聚类算法,选取4组标准数据集实际样本数据对算法的有效性进行了试验。最后选取弹道中段目标识别常用的雷达截面积(radar cross section, RCS)这一特征属性进行弹道中段目标识别仿真实验,并将其与模糊c-均值（fuzzy c-means, FCM）算法、IFKCM算法的识别效果及运行时间进行比较分析,表明了该算法应用于弹道中段目标识别的有效性及优越性。     

雷达高分辨距离像自适应角域划分方法

雷达高分辨距离像(radar high resolution range profile, HRRP)具有姿态敏感性的特点,一种有效的方法是分别对一组不发生散射点越距离单元走动角域范围内的HRRP样本进行处理。提出基于HRRP回波功率谱的顺序判别自适应分帧算法,通过对全局HRRP样本进行迭代搜索来确定数据划分边界,并自适应划分角域个数。所提方法依据散射点模型理论,考虑功率谱互相关系数变化规律,有效抑制了HRRP存在“距离像起伏剧烈”的样本。与自适应高斯分类器划分角域方法相比,所提方法在样本数据较小的情况下,仍可以有效地对目标进行角域划分。同时,与传统的利用互相关系数分帧方法和等间隔角域划分方法相比,所提方法可以有效降低识别运算量,减少识别算法处理时间,通过对3类舰船目标的仿真和3类民用船只的外场实测数据分析,表明所提方法是有效的。     

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。     

α稳定分布噪声中基于最优核时频分析的跳频信号参数估计

针对传统非线性时频分析方法在跳频(frequency hopping, FH)信号参数估计时,会出现严重的交叉项和参数估计精度降低等问题,引入径向高斯核(radially Gaussian kernel,RGK)时频分析方法,该方法根据FH信号的不同自适应选择最优核函数,从而有效抑制交叉项。RGK时频分析方法可在高斯噪声环境下估计FH信号的参数,但在脉冲性较强的α稳定分布噪声中,该方法性能退化甚至失效。对此,结合最大似然估计理论,提出了一种α稳定分布噪声环境下的加权最大似然广义柯西(weighted maximum likelihood generalized Cauchy,WMGC)滤波的新方法。采用基于WMGC滤波器的RGK时频分析方法(WMGC RGK方法,即WR方法),对该噪声中的跳频信号进行参数估计。仿真结果表明,与基于分数低阶及Myriad的时频分析方法相比,WR方法在α稳定分布噪声中具有良好的鲁棒性和优良的跳频信号参数估计性能。     

基于高阶累积量特征学习的调制识别方法

自动调制分类是确保通信安全、可靠的关键技术之一。在低信噪比(low signal-to-noise ratio, Low-SNR)环境中,自动调制分类识别率低且识别类型受限。利用零均值高斯白噪声(white Gaussian noise,WGN)的高阶累积量理论值等于0的性质,在信号分析过程中,引入高阶累积量,可使系统免受WGN的影响。同时,引入深度学习网络结构完成微弱特征的表征,可有效解决调制方式受限及Low-SNR情况下的识别率下降问题。实验结果表明,所提方法在高斯信道环境下的分类精度比现有方法要高,在Low-SNR的不同信道环境下有较高的识别率,且使模型在时间、相位和频率偏移量方面具有更好的鲁棒性。     

基于互相关特征图和扩张稠密卷积网络的SFBC-OFDM识别方法

针对传统的空频分组码(space-frequency block code, SFBC)识别方法存在人工提取特征困难、低信噪比(signal to noise ratio, SNR)下识别准确率低和不适用于非协作通信的问题, 提出一种基于互相关特征图和扩张稠密卷积网络的SFBC自动识别方法。首先,计算接收端频域上的互相关函数并进行维度变换, 得到二维互相关特征图。然后, 对得到的特征图进行预处理以扩大卷积核感受的有效区域, 去除图像冗余信息。最后,构建扩张稠密卷积网络以自动提取预处理图像特征, 实现SFBC分类识别。仿真结果表明, SNR为-8 dB时, 该方法对SFBC信号的识别准确率达到了96.1%。相比于传统算法, 该方法具有更好的抗低SNR和特征自提取能力, 验证了深度学习方法在SFBC识别领域的有效性, 为该领域的后续研究奠定了基础。     

δ-广义标签多伯努利滤波算法的非线性扩展

针对高斯混合(Gaussian mixture, GM)实现的变分贝叶斯-δ-广义标签多伯努利(variational Bayesian-δ-generalized labeled multi-Bernoulli, VB-δ-GLMB)滤波算法在非线性场景下跟踪性能较低这一问题, 结合基于临近点算法(proximal point algorithm, PPA)和变分贝叶斯(variational Bayesian, VB)的迭代优化与容积卡尔曼滤波(cubature Kalman filtering, CKF), 提出一种适用于非线性模型的机动多目标跟踪算法。该算法在GM-VB-δ-GLMB的基础上采用逆伽马(inverse-Gamma, IG)和高斯乘积混合分布近似量测噪声协方差和状态联合后验分布; 利用PPA-CKF-VB(PCKF-VB)方法对传递过程中的高斯项参数进行预测更新; 最后为提高滤波精度进行变分贝叶斯容积RTS(VB cubature Rauch-Tung-Striebel, VB-CRTS)平滑。仿真结果表明, 对于量测噪声未知的非线性系统, 所提的算法与现有的VB-δ-GLMB算法相比目标跟踪精度有显著提高。     

条件线性状态空间模型Rao-Blackwellized卷积滤波算法

针对条件线性高斯状态空间模型,提出一种新的状态滤波方法,称为Rao-Blackwellized卷积滤波（Rao-Blackwellized convolution filtering, RBCF）算法,算法用卷积滤波器（convolution filter, CF）估计模型中的非线性状态,用卡尔曼滤波器 （Kalman filter, KF）估计线性状态;与Rao-Blackwellized粒子滤波器（Rao-Blackwellized particle filter, RBPF）相比,算法使用了基于核函数的CF,提高了在小噪声条件下的估计精度。RBCF滤波算法应用于机动目标跟踪的仿真结果表明：在小噪声条件下,RBCF的估计精度明显高于RBPF,其对位置和速度估计的均方根误差比RBPF低一个数量级以上。而且随着噪声进一步的减小,这种优势将更加明显。     

New CFAR target detector for SAR images based on kernel density estimation and mean square error distance

A new constant false alarm rate (CFAR) target detector for synthetic aperture radar (SAR) images is developed. For each pixel under test, both the local probability density function (PDF) of the pixel and the clutter PDF in the reference window are estimated by the non-parametric density estimation. The target detector is defined as the mean square error (MSE) distance between the two PDFs. The CFAR detection in SAR images having multiplicative noise is achieved by adaptive kernel bandwidth proportional to the clutter level. In addition, for obtaining a threshold with respect to a given probability of false alarm (PFA), an unsupervised null distribution fitting method with outlier rejection is proposed. The effectiveness of the proposed target detector is demonstrated by the experiment result using the RADATSAT-2 SAR image.