一种雷达HRRP在线自适应目标识别方法

“边录取、边学习、边建模”是一维高分辨距离像（HRRP）雷达自动目标识别（RATR）工程化的一条路径,宽带雷达对飞行中的机动目标录取的HRRP随着目标相对于雷达的姿态而变化,完备（全姿态）的HRRP数据库可以看做是关于姿态（主要是方位）的非平稳过程,常用的平稳环境下的在线算法对非平稳的环境适应能力有限．文中通过一种在线混合专家（OME）将HRRP数据在线地分割成若干个近似平稳的区域,在各个区域内使用平稳协方差函数的在线Gauss过程分类器（0GPC）．针对迭代在线GaHSS过程分类（IOGPC）的参数学习算法EP和EM,提出了一种双链Gauss过程（Bi—OGP）来使OGPC的参数得以在单次数据扫掠的情况下实现在线更新．针对迭代在线混合专家门网络参数的学习算法EM,提出了基于初值选择的单次数据扫掠学习方法．基于HRRP实测数据的仿真试验证明,文中方法在单次扫描数据时就获得了高于或接近最近邻、迭代在线线性最小均方（LMS）混合专家和0GPC的识别率．     

基于CWT自相似特性的飞机目标HRRP分类法

为了解决高分辨率距离像 (HRRP)分类的姿态敏感和距离像对齐问题 ,基于连续小波变换 (CWT)的自相似特性 ,构造了能量尺度分形维数。分别在 3个极化测量通道和两个尺度区间上 ,从 HRRP的 CWT能量随尺度的演化过程中提取了原始特征集。采用 Fisher可分性准则作判据 ,进一步确定了 3维最佳特征向量。并从理论和实验上证明了 ,能量尺度分形维数特征较不敏感于噪声和目标方位角的变化 ,同时不受目标径向位移和距离像平移的影响 ,是性能良好的飞机目标分类特征     

用于HRRP多类目标识别的D距离分类器

在雷达自动目标识别（radar automatic target recognition,RATR）领域,为了保证基于高分辨距离像（high-resolution range profile,HRRP）的目标识别算法在进行小样本多类目标识别时仍然具有优异的识别性能,需要提出一种同时具备优异泛化性能与低运算复杂度的识别算法。利用比值计算两个向量之间的比值距离,并将比值距离应用于距离分类器中,称之为D距离分类器。然后利用八类地面目标实测数据将D距离分类器与其他一些RATR统计模型进行比较,分别分析其在小样本与多类目标时的识别精度。最终结果验证出D距离分类器在训练样本有限且多类目标识别时仍然具有优异的泛化性能与很低的运算复杂度。     

基于小波和神经网络的目标识别方法

基于高分辨一维距离像，对雷达信号目标识别的小波分析和神经网络方法进行了理论研究和实验分析。小波变换起到了数据压缩作用，并且用不同的小波得到不同的结果。ISAR获得的三种飞机目标真实回波数据所形成的一维距离像作为实验数据，并且用神经网络对目标分类器进行了设计。     

基于卷积神经网络的高分辨率雷达目标识别

提出一种基于卷积神经网络(Convolution Neural Network,CNN)的高分辨率雷达目标识别方法.首先针对小样本应用于深度CNN时训练过程中损失函数值收敛速度慢的问题,利用结合批归一化算法的改进CNN网络对高分辨距离像(High Resolution Range Profile,HRRP)进行自动特征提取;再利用支持向量机(Support Vector Machine,SVM)对距离像特征进行分类.使用军事车辆高保真电磁仿真数据对提出的方法进行验证,识别结果证明了该方法的有效性.     

基于目标子空间的雷达自动识别系统

分析了HRRP空间RATR方法的冗余噪声匹配问题.探讨基于目标子空间的RATR方法.与HRRP空间相比,目标子空间理论上不存在冗余噪声,能够更加准确地反映目标的结构特征.对外场ISAR实测数据的处理表明,此目标子空间算法的识别结果比传统的HRRP空间算法的效率更高,比常规方法具有明显的优越性.     

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%。     

一种新的基于HRRP的雷达目标识别算法

雷达目标高分辨距离像(HRRP)包含目标结构信息,是目标重要的分类特征.提出基于独立分量分析(ICA)的雷达目标特征提取方法,将雷达目标高分辨距离像(HRRP)在"基信号"域中分解,提取相应的基系数组成向量,作为目标特征向量.采用反向传播(BP)神经网络作为识别系统的分类器,对神经网络的输出进行编码,为了克服分类器对非库属目标的误判问题,引入拒识门限设计一种新的分类器.采用电磁场时域有限差分(FDTD)算法仿真了飞机的宽带回波,并用所提的方法进行实验.结果表明,基于以上算法的雷达目标识别系统在最大拒识率前提下具有较高的正确识别概率.     

基于SKO—KPCA和SVM的雷达目标HRRP特征提取与识别

将依赖数据变化的自适应SKO技术和迭代算法引入KPCA算法中,结合SVM分类技术,提出了基于SKO-IKPCA和SVM的雷达目标HRRP特征提取与识别方法.讨论了HRRP预处理、迭代KPCA算法和SKO/FKO技术的实现方法,将SKO/FKO技术应用到KPCA的核优化中,并用人工合成数据对其优化性能进行了测试与比较,应用该方法对Su-27、F-16及M2000等三类飞机目标的实测HRRP数据进行了特征提取与识别实验.结果表明,所提方法具有较好的稳定性和可靠性,能有效地优化雷达目标主元特征的提取,提高目标的识别性能.     

基于压缩感知的高分辨距离像散射中心参数估计

提出利用压缩感知理论实现高分辨距离像散射中心参数估计。该方法首先将散射中心参数估计转化为信号的稀疏表示,然后重点研究测量矩阵的设计和稀疏参数的选取。为了提高解的鲁棒性,在构造字典矩阵时将采用位置错开以降低测量矩阵原子之间的互相关性。在算法求解过程中,采用贝叶斯信息准则确定模型阶次和稀疏参数。数据实验表明,算法能够稳定精确地估计散射中心参数。     

高频区雷达目标识别模板构造方法研究

提出了将最大最小相关模板应用于高频区雷达目标模板构造的思想，这种方法的操作对象为多个距离像，即将一定姿态范围内的距离像用一个组合模板来表示，从而使得数据库中目标模板数量减少。最大最小模板具有与其所代表的距离像之间的最小相关最大的特点。     

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。     

以相关系数为特征量的飞机目标识别法

利用各目标距离像之间的相关系数 ,可提高基于距离像建库的目标识别方法的性能。该文提出了利用相关系数构造特征矢量和用神经网络进行分类的雷达目标识别方法。研究了特征矢量的分类性能、最终判决量的确定、相关系数特征矢量法与最大相关系数法各自的特点等问题。对 6类飞机目标全方位角范围的识别结果表明 :最大相关系数法在高信噪比时的识别率较高 ,相关系数特征矢量法的抗噪性较强 ,两种识别方法有较强的互补性。若按某种方式将两者结合起来 ,将得到识别率和抗噪性俱佳的识别方法     

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。     

一种雷达高分辨距离像模板库建立方法

对于非合作目标而言,预警雷达单航路数据的数据率低,能够提供的信息有限,无法达到建立完备模板库要求。针对这一问题,提出了一种将多条航路数据融合的模板库建立方法。首先对雷达高分辨距离像(HRRP)进行预处理,然后对单航路数据分帧建模,最后给出一种改进Jensen-Shannon divergence(JSD)计算子帧统计分布的相似性,将多条航路数据的分帧结果合并获得模板库。实验结果表明,提出的方法能够建立冗余度较低且包含全角域信息的模板库,并且具有较强的在线学习能力。     

基于波形匹配的超宽带雷达目标识别

在理论上对波形匹配算法进行了详细地推导,对超宽带雷达目标回波进行了特征提取和分类判决,并在计算机上完成了数值仿真。从仿真结果来看,此识别方法效果良好,易于实现。     

基于径向基函数神经网络的飞机目标识别法

通过将自适应小波神经网络 (AWNN)中的小波基函数直接替换为 Gauss径向基函数 ,提出了一种适于对目标一维距离像信号直接进行分类的径向基函数神经网络(RBFNN)。对用于信号分类的 RBFNN网络结构的确定、RBFNN的训练以及最终判决规则的确定等问题 ,进行了深入的讨论。对 6个目标不同信噪比下的分类结果表明 ,提出的 RBFNN对距离像信号具有很强的分类能力 ,对于开发更加实用化的目标识别算法显示了很大的潜力