雷达目标-维散射中心识别特征提取研究

针对雷达目标高分辨一维距离像在目标识别中存在计算量和存储量过大的问题,研究了基于一维散射中心的目标识别特征。在使用矩阵束法提取散射中心的基础上,定义了散射中心阶数、散射中心相对位置和中心矩三个平移不变特征用于目标识别,较好地描述了目标散射特性。三类目标外场实测数据的识别试验结果显示,相对于单一特征的目标识别,综合上述三个特征的识别不但能获得更好的目标识别率,而且识别结果对高斯白噪声不敏感。     

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。     

雷达高距离分辨率一维像目标识别

随着雷达技术的快速发展和军事应用的迫切需求,目标识别问题日益受到重视,利用高分辨率雷达一维距离像进行目标识别成为雷达和信号处理领域的一个研究热点。雷达目标一维距离像能够反映目标形状及结构特征,而且易于获取,迄今为止采用一维距离像进行非合作目标识别已经取得了丰富的研究成果。总结了近年来研究的基于目标一维距离像的特征提取方法、分类方法和联合跟踪与识别方法,分析了当前研究中亟需解决的关键问题,探讨了这些问题的可能解决思路和发展方向。     

地面目标HRRP识别的稳健性特征选择方法

特征选择是雷达高分辨一维距离像目标识别的关键步骤,可降低特征维度,提高特征稳健性。提出一种基于散度的特征选择方法,采用该方法对适用于距离像地面目标识别的特征集合进行特征选择,得到优选的特征子集后再进入分类器网络进行识别。采用地面目标仿真数据和实测数据进行神经网络分类器识别实验。实验结果表明：在距离像信噪比、俯仰角和距离分辨力参数变化的情况下,基于散度的特征选择方法在基本保持或提升特征集的识别性能的前提下,能保持甚至提升识别的稳健性,具有较好的应用价值。     

雷达HRRP双门限在线统计识别方法

"边录取、边学习、边建模"是雷达高分辨距离像(high resolution range profile,HRRP)统计识别工程化的方法之一.在独立高斯模型假设下,推导了参数在线学习的公式,根据概率密度值提出一种双门限在线统计识别方法,首先设置门限S_A剔除HRRP中的"环值",然后设置门限S_B将数据分成几段,从而缓减模型与实时HRRP数据多模特性的失配.基于实测数据的仿真实验证明了本方法的有效性.     

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。     

目标一维距离像特征提取方法研究

针对雷达目标一维距离像的姿态敏感性和平移敏感性,直接将一维距离像用于目标识别很难取得好的识别效果,用目前的普遍做法进行目标识别存在计算量和存储量大的问题,提出把一维距离像作为随姿态变化的序列及强散射中心维数、目标特征尺寸、散射中心分布熵三个特征,并以这三个特征采用外场实测数据进行目标识别实验,取得了较好的识别效果。     

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keystone变换的宽带目标识别雷达杂波抑制

对宽带雷达,相邻回波间会出现越距离单元走动现象,传统杂波抑制方法不适用。keystone变换在校正越距离单元走动时,无法同时校正模糊次数不等的多个目标。基于上述思想,提出了一种结合keystone变换在频率域-多普勒域联合提取目标信号和抑制杂波的适合于宽带目标识别雷达的杂波抑制新方法。该方法较好地解决了当keystone变换过程中目标和杂波出现不同的模糊因子时,如何校正越距离单元走动的这一难题。计算机仿真结果表明,该方法在低信杂比情况下仍可保持较好的识别性能。     

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。     

利用目标方位信息改善雷达距离像识别性能

由于雷达的高分辨距离像对方位变化非常敏感,模板库中对每个目标都必须按较小的方位范围建立所有有关方位的模板。如果能够得知目标的大致方位角,可以缩小搜索范围,减小运算量。具体研究利用目标方位信息对识别率的影响,发现测试样本在类内匹配时,总是与附近方位的模板距离最小,而在类间匹配时,"最佳匹配"的经常是不同方位的模板,因此,利用目标方位信息基本不改变类内距离,但可以增大类间距离,从而提高识别率。仿真结果表明,利用方位信息是雷达目标识别的有效措施。     

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。     

雷达目标散射中心模型反演及其在识别中的应用

提出了一种基于散射中心模型的距离像识别方法。首先采用稀疏空间网格上的宽带测量数据离线反演目标散射中心模型,再将从距离像中实时提取的一维散射中心特征与该散射中心模型的一维投影进行匹配完成在线识别。在散射中心模型反演中,提出了稳定散射中心的概念并基于此完成稀疏空间网格下的一维散射中心投影关联。在识别过程中,通过设计合适的匹配函数解决散射中心参数估计误差和模型误差造成的散射中心数目、幅度和位置不完全匹配问题。仿真实验表明,对于精度较高的模型,基于模型的识别方法与基于距离像模板的方法识别率相当,而在存储量和灵活性方面优势突出。     

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。     

New statistical model for radar HRRP target recognition

The mixture of factor analyzers (MFA) can accurately describe high resolution range profile (HRRP) statistical characteristics.But how to determine the proper number of the models is a problem.This paper develops a variational Bayesian mixture of factor analyzers (VBMFA) model.This procedure can obtain a lower bound on the Bayesian integral using the Jensen's inequality. An analytical solution of the Bayesian integral could be obtained by a hypothesis that latent variables in the model are independent.During computing the parameters of the model,birth-death moves are utilized to determine the optimal number of model automatically.Experimental results for measured data show that the VBMFA method has better recognition performance than FA and MFA method.