基于时间谱信息的低分辨雷达飞机目标分类

雷达目标空间状态随时间的变化特性从侧面揭示了的目标的本质,这种目标空间状态随时间呈现的分布特性称之为目标的时间谱,而利用目标的时谱信息(目标的航迹、速度、机动性、空间坐标信息)可以简化(或缩小)待识别目标的范围。用低分辨雷达测量得到的时间谱信息作为特征,采用模糊逻辑规则对五类飞机目标进行分类判决。结果表明:基于时间谱信息的飞机目标分类为低分辨雷达飞机目标识别提供了一个有效的辅助手段。     

小样本条件下SCGAN+CNN低分辨雷达目标一步识别算法

现有低分辨雷达目标识别方法,通常采用先特征提取、再进行目标分类的两步识别算法,这种算法存在识别率难以提高和方法泛化性不足的问题,对此,提出一种增强条件生成对抗网络（strengthening condition generative adversarial network,SCGAN）+卷积神经网络（convolutional neural network,CNN）的低分辨雷达目标一步识别算法。该算法利用CNN自动获取采样数据深层本质特征,无需特征提取,实现对目标的一步识别。为进一步提高小样本条件下的识别效果,基于CGAN理论来提高样本在特征空间的覆盖程度,并对CGAN的判别器进行改进,在损失函数中增加混叠惩戒项,通过SCGAN生成不混叠的生成样本来更好地训练CNN,提高其在小样本条件下的识别能力。仿真对比实验校验了一步识别算法较传统两步识别算法的优越性,以及SCGAN+CNN的低分辨雷达目标一步识别算法在小样本条件下的有效性。     

雷达目标微动分辨

研究了基于微多普勒的目标微动分辨,以Wigner-Ville分布为工具,给出了提取微多普勒的方法,然后由微多普勒和微多普勒率的傅里叶变换实现目标的微转动和微平动分辨,提出了基于微多普勒滤波的目标微动分辨技术,使用仿真数据和蒙特.卡洛实验演示了目标微动分辨技术的性能,仿真结果证明了基于微多普勒滤波的目标微动分辨技术的有效性。     

基于目标一维距离像的雷达目标识别方法

讨论了马氏距离的性质,利用目标的一维距离像,提出了一种雷达目标识别方法.对雷达回波进行快速傅立叶变换,得到目标的一维距离像,计算其马氏距离,得到目标的稳定特征向量,根据相关算法进行目标识别.3种不同类型飞机回波的实测数据的识别结果,表明该方法是切实可行的.     

基于多散射中心模型的雷达目标识别方法

针对宽带毫米波雷达目标识别要求 ,提出了一种基于目标光学区多散射中心模型进行目标匹配识别的新方法。该方法首先基于多散射中心理论建立待识别目标的模型、利用遗传算法的全局优化能力进行目标识别。与常规的全姿态角匹配识别方法比较 ,具有需要的存储量、计算量较少的特点。仿真试验验证了该算法的有效性。     

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.     

正交FDWT与雷达数据压缩及目标识别方法

本文由共轭镜像滤波器构造有限维内积空间的正交多分辨分析与快速离散小波变换(FDWT),并将其用于降低雷达数据存储量,提出基于压缩数据的小波域相关与最小距离分类方法.变换域识别法计算速度快.实验结果表明,本文的变换、压缩和识别方法是有效的,小波变换域数据降维描述目标的能力强.     

一种噪声背景下的雷达目标识别方法

雷达高分辨距离像(high resolution range profile, HRRP)包含了丰富的目标结构信息,在雷达目标识别领域有良好的应用前景。针对传统的HRRP识别方法对噪声环境适应性差的问题,选用具有时移不变性的紧支撑小波自相关作为支持向量机(support vector machine, SVM)分类器的核函数,研究了幂次变换(power transform, PT)参数的选取对识别效果的影响,给出了参数选取经验公式,结合信噪比实时估算自适应地进行数据预处理以增强算法的抗噪性能。仿真表明,所提出的方法与传统的高斯径向基核SVM相比,提高了目标识别率,并且具有较好的噪声稳健性。     

基于波形综合法的雷达目标识别的探讨

本文论述了用波形综合法进行雷达目标识别的原理及其实现方法,提出了几种识别参量,最后给出了仿真试验结果.     

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。     

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。     

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。