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     

噪声中目标距离剖面像识别的修正特征子空间法

以噪声背景下高分辨雷达目标的距离剖面像为测量矢量 ,提出了基于修正特征子空间而进行特征抽取的目标识别方法。对每类目标 ,由训练样本矩阵经奇异值分解 (SVD) ,建立各自的特征子空间 ,并提取相应的降噪算子。对未知目标 ,其距离剖面像在各特征子空间中的投影 ,经相应降噪算子作用后 ,以能量最大为准则进行识别。模拟实验结果表明了所提方法的有效性     

基于最优特征矢量子空间的雷达目标识别

针对雷达特征子空间距离像识别中存在的如何选择特征基的困难,提出了一种基于最优特征矢量子空间的雷达距离像识别方法。该方法首先对原数据样本进行特征提取变换,再采用遗传算法选取最优特征矢量,由此组成最优子空间。通过对三种不同类型飞机实测回波数据进行识别,并与经典特征子空间法的对比实验,表明该方法的有效性。     

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。     

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。     

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.     

一种相干信号源分布式目标波达方向估计方法

针对相干信号源分布式目标,在具体的空间信号分布函数形式未知的情况下,提出了一种基于盲辨识的分布式目标波达方向(DOA)估计方法。它不用进行多维参数搜索,并且适用于非均匀线阵和点目标与分布式目标同时存在或空间信号分布函数形式不同的分布式目标同时存在的情况。理论分析和仿真实验结果表明,这种高分辨的分布式目标DOA估计方法的估计性能对相干分布式目标信号源的分布特性是不敏感的。     

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。     

一种基于常幅约束的波达方向估计方法研究

在文献 [1]的基础上 ,提出了一种新的基于常幅约束的单次快摄迭代波达方向 (Direction -of-Arrival,DOA)估计方法。这种迭代DOA估计方法不需要进行谱峰搜索、多维参数搜索、多项式求根运算或联合对角化过程 ,即可得到窄带信号的DOA估计。仿真实验结果表明 ,这种高分辨的DOA估计方法的估计性能适用于低信噪比环境。     

基于子空间的后验稀疏约束迭代DOA估计方法

子空间波达方向 (DOA)估计方法的一个缺点是在子空间分解过程中难以利用信号的相关信息或有关DOA估计的先验信息改善DOA估计的性能。结合子空间方法和协方差矩阵拟合方法 ,利用信号相关信息和DOA估计的稀疏约束信息 ,研究了一种新的不相关窄带信号DOA估计方法。理论分析和仿真实验结果表明 ,这种迭代DOA估计方法一般经过几次迭代就能获得稳定的高分辨率DOA估计。