基于匹配追踪理论的超宽带雷达目标散射特性分析及目标识别技术

为了改善基于超宽带雷达的目标识别性能，首先结合匹配追踪算法，提出了一种GTD模型参数提取新方法，并利用该思想对Altes模型参数提取的最小二乘拟合方法进行了相应的改进.然后，利用提出的算法，通过与Altes和扩展Altes模型的对比，分析了GTD模型在超宽带目标全响应散射机理建模中的可行性，并通过实验揭示了目标散射中心超宽带响应存在主散射机理这一物理现象.在此基础上，根据分析的结果，提出了一种基于GTD模型的频域匹配追踪目标识别新方法（简称MPLRT-GTD），并利用超宽带暗室实测目标模型的散射场数据对提出的目标识别新方法、Li的E脉冲法和最优似然比测试目标识别方法的性能进行了仿真.     

基于去冲激响应的UWB雷达目标识别

提出了基于去冲激响应的UWB雷达目标识别方法,在理论上对该识别方法进行了详细地推导,并给出了该方法中所用到的窄脉冲的选取准则;最后,通过计算机模拟,给出了两种飞机模型不同姿态下的近似冲激响应数学模型,在此基础上对这两种飞机模型进行了识别仿真。从仿真结果来看,此识别方法效果良好。     

基于隐Markov模型的雷达目标识别技术研究

该文首先提出了非相干平均、多分辨率分解、富氏变换的特征提取方法；然后用隐Ｍａｒｋｏｖ模型来描述、识别基于一维像的特征序列。３类ＩＳＡＲ飞机目标的实测数据用验证上述方法的效性，取得了９９．３３％的识别率。     

雷达海面目标识别技术研究进展

 针对雷达海面目标识别特征数据缺乏和识别算法推广能力差等问题,从雷达目标电磁散射特性和目标分类识别两方面总结了雷达海面目标识别技术的研究热点和发展趋势。围绕海面目标雷达特性,从电磁散射测量和建模两个方面综述了国内外研究现状;从低分辨雷达回波、高分辨距离像、高分辨雷达图像3方面综述了海面目标识别技术发展现状;介绍了雷达海面目标识别工程应用情况;最后展望了海面目标识别技术的发展趋势。     

智能化武器系统发展的关键技术--雷达自动目标识别技术

雷达目标识别作为智能化武器发展的关键技术,在未来信息化条件下一体化联合作战中发挥着极为重要的作用。简要回顾了雷达目标识别技术的发展,重点介绍了在雷达目标识别方面取得的技术进展和主要成果,并概括了该领域的发展趋势。     

用频率步进技术识别雷达目标的方法

利用频率步进脉冲技术提取一种坦克简化模型的距离回波形。然后针对该模型就识别特征的提取，模式识别库的建立和几种背景条件下的识别概率等问题进行了探讨。通过实验获得了几种简单目标模型的高距离回波形，说明了高距离分辨技术在目标识别领域的可行性。     

一种基于HMM的雷达目标识别方法

根据雷达目标散射点的一般模型和特定条件的简化模型；提出用RELAX方法从高分辨雷达回波提取目标散射点分布的位置信息作为目标HRRR的特征向量；利用HRRR对雷达视角敏感这一特点，用隐马尔可夫过程表征多视角雷达回波序列，获得目标距离-方位两维信息，用若干HMM子过程构成的模式链表征一个飞行目标的飞行姿态变化，从而采用基于隐马尔可夫模型的分类器实现目标类属和方位的自动识别和分类，实测数据的计算机仿真结果表明，这一方法的平均识率为99.80%和81.2%。     

基于小波变换的多普勒雷达目标识别

提出应用小波变换技术,以辨识不同目标回波之间的细微差异,并对连续波多普勒体制雷达的回波信号进行分析的方法。采用本方法在雷达的一个距离波门内得到了地面目标的数量信息。     

基于小波变换的多普勒雷达目标识别

提出应用小波变换技术 ,以辨识不同目标回波之间的细微差异 ,并对连续波多普勒体制雷达的回波信号进行分析的方法 .采用本方法在雷达的一个距离波门内得到了地面目标的数量信息     

自组织神经网络雷达目标识别的研究

提出一种用Kohonen自组织神经网络进行雷达目标识别的新方法。这种方法可以对多个目标组成的多频模式空间向二维神经元阵列作拓扑有序映射.并提出一种输入输出神经元之间的连接权的微调方法——裂化映射算法,从而使自组织分类器的识别性能得到进一步提高。对两种飞机目标的性能进行了实验.结果表明,这种新的目标识别方法具有良好的应用前景。     

一种改进的Zernike矩的雷达图像目标识别方法

针对Zernike不变矩目标识别算法计算复杂,计算复杂度高的不足和雷达图像乘性噪声严重和识别率不高的问题,提出了一种快速计算Zernike矩目标识别算法.该算法通过利用Zernike矩对称性和反对称性对雷达图像进行快速计算求得不变矩,然后通过加权求得新的特征向量,最后通过支持向量机进行目标识别.实验结果表明,提出的算法不仅解决了计算过于复杂的问题,还降低了噪声且提高了目标识别率.     

基于D-S 理论的目标识别

利用目标回波所提供的信息 ,在 D- S理论的基础上 ,综合利用各种目标识别方法进行目标识别 ,在很大程度上提高了目标识别率及识别结果的可信度 ,且有更好的目标分类效果。     

基于局部线形嵌入算法的雷达目标识别

维数约减问题出现在信息处理的许多方面,非线性方法主要有局部线性嵌入LLE (Locally Linear Embedding) 、拉普拉斯特征映射(Laplacian Eigenmap) 、基于Hessian 矩阵的LLE 等,它们通过在高维空间中设计数据集所在流形的拓扑、几何等特性,很好地弥补了线性降维不能发现数据集非线性结构的不足.其中局部线性嵌入这种非监督学习算法应用广泛,在此基础上将其用于作为雷达目标识别的五种飞机数据,取得了很好的效果.     

基于卷积神经网络的低分辨雷达目标一步识别技术

现有低分辨雷达目标识别通常采用先特征提取、再进行目标分类的两步识别算法,存在识别率难以提高和方法泛化性不足的问题,因此提出了一种基于卷积神经网络(CNN)的低分辨雷达目标一步识别算法。该算法直接将采样数据作为输入,利用设计的一维CNN,通过卷积池化等操作自动获取数据深层本质特征,无需特征提取,实现对目标的一步识别。仿真实验结果表明:基于CNN的低分辨雷达目标一步识别方法的识别率较传统基于提取特征的两步识别方法提高了10.31%,识别时间较传统两步识别方法减少了0.142 s,充分证明了一步识别方法的有效性,为低分辨雷达目标识别问题提供了新的解决途径。     

一种基于波系数的雷达目标识别新方法

提出一种基于波系数的目标识别新方法, 此方法把目标响应表达成一系列波模的叠加, 波系数具有目标特异性, 因此可用作目标识别的特征矢量。这些波系数虽然与照射方向有关, 但是选取恰当的频率范围, 则波系数对角度的敏感性会大大降低, 目标模版数据库存储量会大大减少。在识别过程中可以大致预估目标的姿态角, 然后选择部分模版数据库与未知目标系数相比较, 可有效缩短目标识别时间。最后对4个二维目标进行了数值模拟, 取得了理想的识别效果, 证明了此方法的有效性。     

基于贝叶斯网络的一种常规雷达目标识别方法

现役的常规雷达一般不具备径向上和横向上的高分辨率,雷达所揭示的目标信息非常有限。贝叶斯网络基本原理基于概率论的统计知识,作为一种分类器,它使错误的分类概率最小。文中将它引入雷达目标识别,将这些有限的信息利用起来实现对雷达目标的粗分类,取得了不错的效果。     

利用高分辨距离像的雷达目标识别

雷达高分辨距离像和相关滤波器在识别目标中的联合应用中具有研究潜力。其中相关滤波器的作用是使回波相干峰的期望值最大化,本文在实验中利用3种不同地面目标的雷达模拟距离像的相关滤波器数据验证其有效性。结果显示,利用目标的方位信息是可以进行可靠的目标识别的,并且识别是以多个滤波器为基础的。     

SAR图像目标识别特征提取与选择方法研究进展

SAR图像自动目标识别在图像情报获取、目标跟踪、战场监视和打击效能评估等方面有着广泛的应用。简要介绍了合成孔径雷达图像解译特点和SAR图像目标自动识别流程,论述了SAR图像目标识别特征提取与选择方法的研究进展,并对目前目标识别特征提取存在的问题进行了分析。