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。     

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。     

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。     

基于最优特征矢量子空间的雷达目标识别

针对雷达特征子空间距离像识别中存在的如何选择特征基的困难,提出了一种基于最优特征矢量子空间的雷达距离像识别方法。该方法首先对原数据样本进行特征提取变换,再采用遗传算法选取最优特征矢量,由此组成最优子空间。通过对三种不同类型飞机实测回波数据进行识别,并与经典特征子空间法的对比实验,表明该方法的有效性。     

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。     

自适应相关匹配法在雷达目标距离剖面像识别中的应用

本文针对高距离分辨雷达体制与地面坦克目标识别应用背景,提出了一种基于自适应相关匹配的雷达目标距离剖面像识别的新方法.这种方法根据给定的误判概率与拒判概率的要求,设计和得到目标姿态角的一种区域划分,确定相关匹配分类器的数目,并按最优化准则构造匹配分类器;根据实测距离剖面像的长度来选择相应的分类器进行匹配识别,以适应目标不同的姿态角;具有匹配运算量少,所需匹配滤波器数目少等优点,为解决地面背景中坦克目标的识别提供了一条有效途径.     

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。     

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。     

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。     

基于距离像时频非负稀疏编码的SAR目标识别

提出了一种基于目标高分辨距离像时频域非负稀疏编码的合成孔径雷达(synthetic aperture radar,SAR)目标识别方法。首先,将目标的SAR复图像转换为高分辨距离像。然后,采用自适应高斯基表示方法计算每个距离像的非负时频矩阵。其次,对训练目标所有距离像的时频矩阵采用非负稀疏编码方法学习时频字典。在目标识别中,通过将每个距离像的时频矩阵投影到低维的时频字典上来提取特征矢量。最后,在提取特征矢量的基础上,通过支撑向量机目标识别决策实现目标识别。采用美国“运动和静止目标获取与识别计划”公开发布的SAR图像数据库进行算法验证实验。实验结果说明了提出方法的有效性。     

极化毫米波雷达目标识别方法的研究

本文针对毫米波雷达距离像识别这一应用背景,提出了一种应用极化信息使距离像幅值趋于平稳,用神经学习来提取距离像角不变特征的模式识别新方法;其特点是通过极化处理减弱斑纹可增强对目标的确认,经神经学习获取的子类型特征与常规方法相比载有更多信息因而识别率高;实验结果证明了该方法的有效性.     

高分辨阶梯变频毫米波雷达目标信号仿真研究

首先分析了雷达目标一维距离像形成原理。针对高分辨阶梯变频毫米波雷达 ,将目标看成是由若干个可以单独分辨开的强散射中心组成。并具体分析了目标的散射中心模型、角运动模型及根据这些模型进行目标一维距离像仿真的方法。最后给出了一典型目标的仿真结果。     

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。     

一种鲁棒的被动声目标识别方法

针对噪声环境下一些声目标识别技术性能严重下降的问题,提出了一种基于一阶补偿的径向基函数网络模型,并给出了该网络参数选择方法。实际应用表明,这种神经网络对噪声具有较强的鲁棒性,与传统的径向基函数网络相比,其识别性能等同于信噪比提高大约１０～１５ｄＢ。     

基于距离-方位二维聚类的海上编队目标距离像提取

在观测编队目标时波束内容易出现多个目标,可能引起距离像邻近甚至混叠,难以判断距离像簇与目标之间的对应关系,导致无法准确提取单个目标的距离像信息。本文基于距离像目标识别的需求,在海面编队结构信息的约束下,分析了波束内多目标出现概率,定义了多目标距离像之间的4 种关系,利用目标的距离和方位角信息进行二维聚类来判断距离像簇与多目标之间的对应关系,从而实现波束内多个舰船目标的距离像提取。仿真实验表明该算法能够在不同信噪比和带宽条件下很好地区分编队内不同目标的距离像,为下一步基于距离像信息的目标识别和稳定跟踪提供了重要条件。     

非正侧面阵的近程STAP

空时自适应处理(STAP)作为一种地杂波环境下机载雷达自适应检测小目标的方法已得到广泛研究,非正侧面阵也是其中的一个重要方面。由距离变化引起的地杂波脊的非平稳性是非正侧面阵STAP在近距性能下降的主要原因。利用扩展样本矩阵求逆(ESMI)