雷达目标识别中的双距离像子空间法

研究分析了双距离像子空间的分类机理,并介绍了所采用的最近邻特征线判别规则。将双距离像子空间与最近邻特征线判别规则相结合的分类器应用于雷达目标距离像识别中。用3种不同类型飞机实测回波数据进行识别研究,结果表明了该方法的有效性。指出了最近邻特征线判别规则的不足之处,即最近邻特征线敏感于特征提取方法。     

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。     

基于分形特征矢量的水下目标识别

讨论目标回波的分形特征和基于分形的识别方法,并用实际潜艇的回波数据进行了分形特征识别研究。在分析回波信号时间域波形的基础上,应用随机分形理论,给出基于分形布朗运动的回波信号分维特征矢量提取的理论和方法;提取了回波信号的分形维特征矢量。进而给出了基于BP网络的分类计算方法,计算结果表明,所提的提取水声回波信号目标特征矢量的方法与分类方法切实可行。     

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。     

基于最优投影平面的雷达目标一维距离像识别

基于将多类目标的识别转化为两类目标的识别这一思想,提出一种雷达目标一维距离像识别方法。首先将多类目标组分为多个子组,每一子组包含两类目标;对每一子组中的目标,由其训练一维距离像建立最优投影平面;对输入目标,利用最小距离准则进行分类,以确定输入目标在每一子组中的类别。然后,应用投票机制最终决定输入目标所属类别。仿真实验结果表明了该方法的有效性。     

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。     

基于雷达观测的空间目标识别仿真软件的设计与实现

介绍了基于雷达观测的空间目标识别仿真软件的主要功能组成，仿真模型和实现方法，讨论了计算动态RCS需要考虑的坐标转换问题，在WindowsNT4.0平台下，采用VisualC 6.0集成开发环境实现了该仿真软件，最后给出了该软件的部分仿真结果。     

雷达目标一维距离像识别中的修正正则子空间法

涌现在复杂性理论中占有重要的地位.本文在讨论涌现的基本概念的基础上,介绍了一种用于研究复杂系统涌现行为的模型方法-CGP模型,给出了一个CGP模型的具体例子--采集机器人的仿真模型.通过对这个模型进行仿真实验,观察到机器人简单的状态转换函数和看似杂乱无章的行为产生了具有明显规律性的结果,对这种涌现现象的产生进行了分析,指出了它的现实意义.     

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。     

基于不同准则函数的雷达目标特征空间变换

为解决雷达目标高分辨距离像的识别问题 ,将 4种基于不同准则推导出的线性特征空间变换进行了归纳。分别用这几种变换方法对 6类飞机缩比目标高分辨距离像数据进行特征空间变换 ,然后用同一分类器判决 ,并对其识别结果加以分析与比较 ,得出在该应用条件下的有益结论。     

基于距离像幅度信息和Boosting的目标识别研究

在基于高分辨雷达距离像的目标识别中,有研究者指出散射点的位置信息具有比幅度信息更好的鉴别能力。对此,将距离像各距离单元按照幅度大小进行重排,得到只保留散射点幅度信息而去除散射点位置信息的平移不变特征,它反映了目标的反射特性,并利用Boosting算法和支持矢量机(SVM)进行了分类试验。基于实测数据的仿真结果表明,散射点的幅度同样是一种重要的识别信息。     

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.     

基于改进Dijkstra算法与时频域滤波的雷达目标识别

针对弹道中段雷达目标回波的微多普勒特征提取精准度不高导致目标识别率低的问题, 提出一种基于改进Dijkstra算法与时频域滤波相结合的雷达目标分类识别方法。该方法首先采取改进Dijkstra算法提取多分量回波信号中最强分量的瞬时多普勒特征, 然后利用时频域滤波方法滤除最强分量, 依次提取多分量信号的瞬时多普勒特征, 并将该特征应用于弹道中段雷达目标识别。仿真结果表明, 该方法适用于多种微动形式, 提取回波信号的微多普勒特征的精度更高, 对于弹道中段雷达目标平均识别率较高。     

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。     

基于多分类器融合的SAR图像自动目标识别方法

给出一种内存需求小、计算复杂度低且性能较好的合成孔径雷达自动目标识别(SAR ATR)方法。先对原始图像预处理获得目标及阴影,然后提取目标和阴影的形状描述子以及基于极化映射提取目标及阴影的形状特征、目标的强度分布特征,最后基于平均准则融合分类器对目标进行分类。基于美国运动和静止目标获取与识别(MSTAR)计划录取的数据的实验结果表明,所提融合的分类器可获得比单个分类器好的识别性能,并且利用阴影信息可大大提高识别性能。     

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。     

基于局部围线积分双谱的空间目标识别算法

提出了基于局部围线积分双谱的空间目标识别算法,从空间目标距离像的双谱中提取出局部围线积分双谱特征。应用BP神经网络进行分类识别,为了避免网络权值陷入局部极值点,采用遗传算法来获取网络权值的初值。仿真实验表明,即使在较低的信噪比下,该算法仍然可以取得比较高的识别率。     

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。