基于局部双谱的高分辨距离像雷达目标识别

针对飞机目标的分类问题 ,介绍了一种基于局部双谱的高分辨雷达目标距离像识别方法 ,利用 Fisher类别可分性鉴别测度在距离像的双谱平面选择用于分类的局部双谱。将局部双谱方法与现有的几种基于双谱的方法进行比较 ,分析出局部双谱既利用了双谱的平移不变性 ,实现了一维匹配 ,又避免了在识别过程中计算整个双谱 ,减少了计算量 ,而且不需考虑极坐标双谱的插值与积分步长问题。利用三种缩比模型飞机的微波暗室转台数据对局部双谱的分类性能进行了测试 ,结果表明局部双谱是一种很有价值的平移不变特征 ,对于高分辨雷达目标距离像具有较高的识别率     

基于小波变换的多普勒雷达目标识别

提出应用小波变换技术 ,以辨识不同目标回波之间的细微差异 ,并对连续波多普勒体制雷达的回波信号进行分析的方法 .采用本方法在雷达的一个距离波门内得到了地面目标的数量信息     

自组织神经网络雷达目标识别的研究

提出一种用Kohonen自组织神经网络进行雷达目标识别的新方法。这种方法可以对多个目标组成的多频模式空间向二维神经元阵列作拓扑有序映射.并提出一种输入输出神经元之间的连接权的微调方法——裂化映射算法,从而使自组织分类器的识别性能得到进一步提高。对两种飞机目标的性能进行了实验.结果表明,这种新的目标识别方法具有良好的应用前景。     

基于小波变换的多普勒雷达目标识别

提出应用小波变换技术,以辨识不同目标回波之间的细微差异,并对连续波多普勒体制雷达的回波信号进行分析的方法。采用本方法在雷达的一个距离波门内得到了地面目标的数量信息。     

基于目标分解的极化雷达飞机识别法

尝试将目标分解算法用于高分辨率极化目标的识别。基于 Krogager目标分解法 ,将各距离分辨单元的极化散射矩阵分解为 3个简单散射体的散射矩阵 ,分别代表球形散射体、二面角散射体和螺旋体散射体的散射机理。并利用求得的 3个幅度参量随径向距离的变化波形 ,提取反映目标散射中心位置和物理结构特性的特征。进一步采用 Fisher可分性准则作判据 ,从原始特征集中选取最佳特征组。对 5种飞机模型的识别结果表明 ,此基于矩阵分解的识别法具有较高的识别率     

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。     

基于去冲激响应的UWB雷达目标识别

提出了基于去冲激响应的UWB雷达目标识别方法,在理论上对该识别方法进行了详细地推导,并给出了该方法中所用到的窄脉冲的选取准则;最后,通过计算机模拟,给出了两种飞机模型不同姿态下的近似冲激响应数学模型,在此基础上对这两种飞机模型进行了识别仿真。从仿真结果来看,此识别方法效果良好。     

基于隐Markov模型的雷达目标识别技术研究

该文首先提出了非相干平均、多分辨率分解、富氏变换的特征提取方法；然后用隐Ｍａｒｋｏｖ模型来描述、识别基于一维像的特征序列。３类ＩＳＡＲ飞机目标的实测数据用验证上述方法的效性，取得了９９．３３％的识别率。     

雷达海面目标识别技术研究进展

 针对雷达海面目标识别特征数据缺乏和识别算法推广能力差等问题,从雷达目标电磁散射特性和目标分类识别两方面总结了雷达海面目标识别技术的研究热点和发展趋势。围绕海面目标雷达特性,从电磁散射测量和建模两个方面综述了国内外研究现状;从低分辨雷达回波、高分辨距离像、高分辨雷达图像3方面综述了海面目标识别技术发展现状;介绍了雷达海面目标识别工程应用情况;最后展望了海面目标识别技术的发展趋势。     

基于流形的分类算法及其在毫米波雷达目标识别中的应用

针对毫米波高分辨率雷达一维距离像目标识别的多类分类问题．基于局部线性嵌入（Locally Linear Embedding,LLE）算法思想,考虑样本与其所在低维流形之间的关系,提出一种多类分类算法．该算法先确定样本所在低维流形的结构,然后通过比较未知样本与各类已知样本流形间的关系来分类．将其应用于毫米波高分辨率雷达一维距离像目标识别,实验结果表明,该算法能够有效地进行分类。性能优于其他常用多类分类算法．且对输入参数不敏感．     

基于D-S 理论的目标识别

利用目标回波所提供的信息 ,在 D- S理论的基础上 ,综合利用各种目标识别方法进行目标识别 ,在很大程度上提高了目标识别率及识别结果的可信度 ,且有更好的目标分类效果。     

基于卷积神经网络的低分辨雷达目标一步识别技术

现有低分辨雷达目标识别通常采用先特征提取、再进行目标分类的两步识别算法,存在识别率难以提高和方法泛化性不足的问题,因此提出了一种基于卷积神经网络(CNN)的低分辨雷达目标一步识别算法。该算法直接将采样数据作为输入,利用设计的一维CNN,通过卷积池化等操作自动获取数据深层本质特征,无需特征提取,实现对目标的一步识别。仿真实验结果表明:基于CNN的低分辨雷达目标一步识别方法的识别率较传统基于提取特征的两步识别方法提高了10.31%,识别时间较传统两步识别方法减少了0.142 s,充分证明了一步识别方法的有效性,为低分辨雷达目标识别问题提供了新的解决途径。     

一种基于波系数的雷达目标识别新方法

提出一种基于波系数的目标识别新方法, 此方法把目标响应表达成一系列波模的叠加, 波系数具有目标特异性, 因此可用作目标识别的特征矢量。这些波系数虽然与照射方向有关, 但是选取恰当的频率范围, 则波系数对角度的敏感性会大大降低, 目标模版数据库存储量会大大减少。在识别过程中可以大致预估目标的姿态角, 然后选择部分模版数据库与未知目标系数相比较, 可有效缩短目标识别时间。最后对4个二维目标进行了数值模拟, 取得了理想的识别效果, 证明了此方法的有效性。     

利用高分辨距离像的雷达目标识别

雷达高分辨距离像和相关滤波器在识别目标中的联合应用中具有研究潜力。其中相关滤波器的作用是使回波相干峰的期望值最大化,本文在实验中利用3种不同地面目标的雷达模拟距离像的相关滤波器数据验证其有效性。结果显示,利用目标的方位信息是可以进行可靠的目标识别的,并且识别是以多个滤波器为基础的。     

基于贝叶斯网络的一种常规雷达目标识别方法

现役的常规雷达一般不具备径向上和横向上的高分辨率,雷达所揭示的目标信息非常有限。贝叶斯网络基本原理基于概率论的统计知识,作为一种分类器,它使错误的分类概率最小。文中将它引入雷达目标识别,将这些有限的信息利用起来实现对雷达目标的粗分类,取得了不错的效果。     

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。     

基于FLAKNN的雷达一维距离像目标识别

由于传统KNN算法在应用于高分辨一维距离像进行目标识别时,存在全局使用固定k值和未考虑各特征分量对分类的影响等不足,使得目标识别性能较差.提出一种改进的KNN算法:FLAKNN.通过提取目标高分辨率一维距离像的尺寸、熵、中心距、不规则度、去尺度特征、对称度等稳定特征,使用Fisher判别分析将所有特征分量投影至低维空间,使不同类别间具备最大可分性;结合相邻样本局部的分布情况和k取值的调整,最终使用少数服从多数的投票原则决定测试样本的类别.结果表明,相对传统KNN算法,该算法进一步提升了识别性能.