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。     

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。     

飞机目标的一维距离像特性

一维距离像已广泛应用于雷达自动目标识别 ,虽然一维距离像已将目标按距离分辨单元分割开 ,但每个分辨单元里还有许多散射点 ,该单元回波的复振幅为众多散射点子回波之和。当视角有微小变化时 ,其相位差的变化相当大 ,从而使各分辨单元的复振幅有大的起伏 ,所以一维距离像的方向敏感性十分强。对一维距离像的特性进行了研究 ,并通过预处理得到相对稳定的一维距离像。     

基于最优投影平面的雷达目标一维距离像识别

基于将多类目标的识别转化为两类目标的识别这一思想,提出一种雷达目标一维距离像识别方法。首先将多类目标组分为多个子组,每一子组包含两类目标;对每一子组中的目标,由其训练一维距离像建立最优投影平面;对输入目标,利用最小距离准则进行分类,以确定输入目标在每一子组中的类别。然后,应用投票机制最终决定输入目标所属类别。仿真实验结果表明了该方法的有效性。     

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。     

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。     

基于方位弯折的高分辨距离像雷达目标识别

针对高分辨雷达距离像的方位敏感性问题,将应用于语音处理的动态时间弯折技术引入高分辨距离像雷达目标识别领域,提出了一种动态方位弯折技术,该技术通过将测试数据与模板特征序列进行非线性伸缩(弯折),获得测试帧与模板之间最小匹配距离对应的最佳匹配路径,实现对测试数据的目标识别。对ISAR实测飞机数据的分类实验及与模板匹配法和RBF识别方法的比较,获得了良好的识别结果,表明了该方法的可行性和有效性。     

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。     

高分辨雷达去斜处理一维距离像速度补偿技术

针对常用高分辨雷达去斜处理方法受到目标速度影响的问题,分析了目标运动对高分辨雷达去斜处理一维距离像的影响。利用包络随散射点分布和分布散度用熵度量的特点,基于最小熵原理提出了对分法搜索目标速度,并介绍了该方法的计算流程及利用其进行速度补偿的实现过程。仿真结果表明,该方法具有很好的速度补偿效果,节省计算量。     

舰船目标雷达回波特征信号的建模与仿真

目标建模与特征信号仿真是雷达对目标进行探测与识别的重要前提和基础。针对宽带条件下大型舰船目标的雷达特征信号难以进行实测和缩比测量的难点，采用面元法对目标的雷达散射截面（RCS）进行了有效的预估，通过多频点RCS成像方法获得目标的一维距离像特征信号。给出了具体建模和仿真计算的实例，并进行了详尽的结果分析。     

高分辨距离像辅助的机动目标跟踪算法

宽带相控阵雷达可以获得高分辨距离像,利用此特征获取目标的姿态角成为了一种可能,基于此提出了一种新的机动目标跟踪算法,充分利用高分辨距离像特征,实时估计目标姿态角,并将姿态角信息融合到雷达的量测方程,本文结合先进的非线性滤波算法,提出了利用姿态角的交互多模型不敏卡尔曼滤波算法。通过计算机仿真表明,利用目标姿态角的机动目标跟踪算法相比传统算法目标跟踪精度(位置精度和速度精度)得到很大提高。同时姿态角误差越小,目标跟踪性能越好。     

雷达目标识别中的双距离像子空间法

研究分析了双距离像子空间的分类机理,并介绍了所采用的最近邻特征线判别规则。将双距离像子空间与最近邻特征线判别规则相结合的分类器应用于雷达目标距离像识别中。用3种不同类型飞机实测回波数据进行识别研究,结果表明了该方法的有效性。指出了最近邻特征线判别规则的不足之处,即最近邻特征线敏感于特征提取方法。     

Simutaneous radar imaging and velocity measuring with step frequency waveforms

The principle and method of both radar target imaging and velocity measurement simultaneously based on step frequency waveforms is presented. Velocity compensation is necessary in order to obtain the good High resolution range profile since this waveform is greatly sensitive to the Doppler shift. The velocity measurement performance of the four styles is analyzed with two pulse trains consisted of positive and negative step frequency waveforms. The velocity of targets can be estimated first coarsely by using the pulse trains with positive-positive step frequency combination, and then fine by positive-negative combination. Simulation results indicate that the method can accomplish the accurate estimation of the velocity with efficient computation and good anti-noise performance and obtain the good HRRP simultaneously.     

双基地雷达系统中的高分辨距离像

采取宽带发射信号,双基地雷达系统获取的目标一维高分辨距离像与单基地雷达下的距离像存在很大差别。首先从回波信号的相位出发,建立了双基地雷达回波信号模型。分析了双基地雷达系统中距离像的特点,并给出了对运动目标双基地距离像的补偿因子。分析了对多散射中心目标的双基地距离像与单基地距离像之间的关系,最后对双基地距离像进行了仿真。所提出的结论为多基地雷达系统利用多站同时获取的双基地距离像构造目标散射点三维结构图奠定了基础。     

基于卷积神经网络的海面目标全极化高分辨距离像识别技术

针对雷达目标全极化高分辨距离像(high resolution range profile, HRRP)提取可分性特征时, 利用全部距离单元作为度量尺度无法保留各距离单元具体特征的问题, 在综合利用4个极化通道的舰船目标HRRP信息时选择单个距离单元作为度量尺度。在此基础上, 提出基于Pauli分解, H、α、A、α₁分解和结构相似性参数的特征提取方法对目标极化散射矩阵进行特征提取, 并将提取得到的特征与基于卷积神经网络(convolutional neural network, CNN)的舰船目标HRRP识别方法结合, 利用改进残差结构CNN从极化特征中进一步提取深层可分性特征进行目标识别。实验结果表明, 所提方法能够保留目标全极化HRRP更多特征, 提高目标识别的准确率。     

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。