HRRP自动目标识别方法综述

雷达高分辨距离像自动目标识别是近年来雷达目标识别广受关注的一个研究领域. 基于国内外HRRP自动目标识别方法的研究现状,指出目前研究工作中亟待解决的两个问题:非合作目标的识别与分类超平面的获取;针对待解决问题提出目前研究工作中的3个重点:信噪比失配问题的研究,少量不完备样本的研究以及分类超平面获取方法的研究;对每个研究重点的研究思路进行详细划分,包括移除噪声成分、特征提取以及支持向量等,并归纳每种思路的研究现状;最后,对3个重点的研究现状进行总结评述并指出未来的发展方向.      

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     

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.     

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     

一种提取重叠信号峰位置的新方法

提出了一种用于提取重叠信号中峰位置的新方法-小波分形峰位法，对重叠信号峰位置的提取进行了研究。结果表明：该法是提取含噪重叠信号中峰位置的有效工具，方法简便易行。     

基于自编码神经网络的高分辨率距离像降维法

为了提高支持向量机(SVM)分类效率,大幅减少以高分辨率距离像(HRRP)功率谱为特征的支持向量机目标识别分类器的计算量,采用自编码神经网络深度学习方法,实现高维、非线性HRRP功率谱的数据降维。在此基础上,提出了Autoencoder-SVM模型,综合利用自编码神经网络的特征提取能力和SVM的分类能力。仿真结果显示,在HRRP功率谱降维方面,自编码神经网络的降维效果远好于核主成分分析和等距映射算法,其降维结果对SVM分类结果影响甚微,但大幅缩短了SVM的计算时间;同时,在隐层节点数相同的情况下,随着隐含层数的增加或者深度的增加,自编码神经网络数据降维或特征提取效果更好。     

基于连续小波变化的心音信号时频分析

将连续小波变换应用于心音信号的分析中。连续小波变换因为尺度连续变化 ,可以充分表现小波分析的优越性。为了解决在分析尺度范围大 ,小波函数和信号中心频率较高条件下引起计算量大的问题 ,在基于 Mellin变化的连续小波快速算法的基础上提出了同比展宽法。连续小波变化可以表现心音信号在频域上的动态变化。通过对正常人和心肌病患者的不同样本分析 ,发现他们在变换后的时频分布上表现出明显的差异。结果表明连续小波变化是一种分析心音信号的有效方法。     

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     

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     

基于一维高分辨距离像的相关测速补偿算法

在分析运动目标对频率步进信号成像影响的基础上,阐述和推导了基于一维高分辨距离像的相关测速算法,给出了该算法的测速性能和实现流程.对是否利用IFFT结果的相位信息,提出了距离像实包络相关和复包络相关两种处理模式.针对空间高速运动目标.仿真和分析了各因素对测速精度的影晌.结果表明,该算法测速精度高,计算量小,抗噪性能较好,为宽带雷达实时自测速补偿提供可能.     

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.