压缩感知稀疏表示在雷达目标识别中的应用

高分辨距离像(HRRP)目标识别算法很多,在其利用高分辨距离像蕴含的目标结构信息的同时,也需要面对数据量巨大的难题.事实上,尽管高分辨距离像数据量巨大,但却是稀疏的,然而利用其稀疏特性进行识别的方法却不多.为此,提出了一种基于压缩感知稀疏表示方法实现目标识别的算法.该算法首先采用遗传正交匹配追踪(OMP)算法对一维距离像训练样本进行稀疏分解以获得类别字典,然后根据类别字典分析测试样本的重构误差实现目标识别.仿真实验证明,所提算法简捷、识别率更高,相较于常规算法识别率提高最多可达20％,并且在受到噪声干扰情况下依然能够稳健地识别目标.     

基于一维距离像稀疏表达的无源假目标识别

为了解决敌方释放箔条干扰我方防空反击任务或者敌方舰船设置角反射器阵列干扰我方对海目标打击任务中的雷达抗干扰问题,提出了一种基于雷达一维距离像的稀疏表达的无源假目标识别的方法。首先,分别利用大量关注目标和无源欺骗干扰的雷达一维距离像数据进行稀疏字典学习,分别得到目标和干扰的稀疏字典;然后利用两种稀疏字典分别对未知的雷达一维距离像信号进行稀疏表达;最后分别计算两种稀疏字典对未知信号稀疏表达的重构误差,利用重构误差比值识别目标和干扰类别。仿真结果表明,在目标与无源假目标干扰的回波不混叠、目标与干扰噪声比3 dB条件下,识别无源假目标欺骗干扰的准确率超过90%,证明了该方法抗无源假目标干扰的有效性。     

GA优化的稀疏分解在雷达目标识别中的应用

特征提取是雷达目标识别系统中很关键的环节,获得一种稳健的目标特征尤为重要。可以利用稀疏分解的方法把雷达高分辨距离像(HRRP)表示在一个超完备Gabor时频字典上,进而提取字典原子的特征参数作为特征向量进行识别;针对匹配追踪算法计算量大的问题,利用遗传算法搜索能力强收敛速度快的优点对OMP算法进行改进。通过对雷达高分辨距离像(HRRP)的识别实验表明,采用Gabor原子提取的特征参数作为特征向量对雷达目标的分类效果比较好。同时,基于GA改进的OMP算法大大降低了参数寻优的计算量。     

基于双谱的猫眼目标激光一维距离像特征提取

为了验证一维距离像用于光学目标分类识别的可行性,解决复杂环境和远距离条件下光学目标的探测和识别难题,首次尝试利用激光一维距离像识别具有不同光学参数的猫眼目标,并提出基于双谱的激光一维距离像的稳定特征提取方法。该方法通过信号积累和滤波处理来提升复杂背景下的作用距离和回波信噪比增益,利用双谱计算同时实现远距离目标探测和猫眼目标的稳定特征提取;并通过奇异值分解和主分量计算降低双谱特征提取的运算量;通过处理不同距离、类型及入射角的真实数据样本,验证双谱特征的稳定性和有效性。该方法可以识别具有猫眼效应的光学目标和角反射器,与现有方法比较,具有远距离、低信噪比探测和识别的优点。     

弹道目标宽带极化特征提取分析

针对弹道目标的极化高分辨一维距离像,研究宽带极化特征提取算法,分析所提取特征表征的目标散射特性及其在目标分类识别中的应用。通过弹道目标全极化高分辨一维距离像,构建极化散射矩阵,估计弹道目标的极化相干矩阵,再对其进行Cloude分解,提取H/α/A/P特征,依此对目标各散射中心的散射机理进行判定,同时分析各特征对于弹道目标可分性的强弱,利用SVM算法进行分类识别,同时考虑了信噪比对识别结果的影响,用仿真实验验证了算法的有效性。     

基于联合稀疏性的多视全极化HRRP目标识别方法

该文考虑利用连续获取的多视全极化高分辨距离像(High Range Resolution Profile, HRRP)进行目标识别的问题。多视全极化HRRP样本包含了3个层次的先验信息:样本内各分量来自同一目标;单视内4种极化组合方式下的HRRP均对应相同的目标姿态;相同极化方式下的多视观测是相关的。为有效利用上述信息进行目标识别,该文提出一种基于联合稀疏表示的多视全极化HRRP目标识别方法。该方法约束各分量对应的稀疏表示系数共享原子级的稀疏模式。原子级稀疏约束使得从各极化字典中选择来自相同姿态的字典原子对样本中各分量进行稀疏表示,可以有效利用上述3个层次的先验信息进行目标识别。利用目标电磁散射数据对所提方法进行了验证,结果表明,该方法具有较好的识别性能,并且对噪声具有良好的鲁棒性。     

多基地雷达系统一维距离像的三维成像

对多基地雷达系统各接收站获取的目标一维高分辨距离像进行特征提取，可得到目标散射中心在多个方向上的径向分布。根据空间矢量投影的原理，可以求出目标散射中心之间的真实位置关系，形成目标的三维像。仿真结果表明，用三维像描述目标的结构具有较好的稳定性，可作为目标识别的特征量，从而为利用高分辨距离像进行目标识别提供了新的方法。     

基于改进小波降噪的雷达一维距离像识别

针对低信噪比下雷达目标一维距离像质量不高、影响目标识别率的问题,将小波阈值降噪的方法应用到雷达目标一维距离像识别研究中,设计了一种新的小波阈值函数,提出了基于小波阈值降噪的雷达一维距离像识别的方法。利用仿真数据进行实验验证,以LVQ（Learning Vector Quantization）神经网络作为分类识别器,进行目标的分类识别研究。结果表明,将小波阈值降噪用于雷达目标一维距离像识别,在低信噪比时能够有效地降低噪声,提高距离像的质量,从而提高目标一维距离像识别率,同时实验也验证了所提出的新阈值函数相较于原阈值函数能更加有效地降低噪声,提高识别率。     

高分辨距离像的运动参数估计

本文研究了加性高斯色噪声背景中一维高分辨距离成像中的运动估计.导弹和目标的相对运动对一维高分辨距离成像有较大影响,阶跃变频体制回波信号可以表示为多项式相位的形式,速度和加速度的影响分别体现在二次和三次多项式相位上.循环平稳处理方法对高斯色噪声不敏感,对非高斯色噪声也有较强的抑制作用,而且在低信噪比情况下工作良好.应用于低信噪比环境中.为了在复杂的地面环境中得到较好的距离像,本文采用循环平稳处理方法在较强的噪声背景下对速度进行估计,经过处理后得到较理想的距离像.     

稀疏分解在雷达一维距离像中的应用

雷达一维距离像成像本质上是对雷达目标散射特性进行信号表示的过程,它以其获取的简单性及有效性,在雷达成像及目标识别方面得到了广泛的应用。针对雷达目标几何绕射参数化模型,利用稀疏分解方法,研究了高分辨一维距离像的重构及特征提取问题。以此可以避免奈奎斯特采样定理的弊端,以更贴近信号本质特征的方法处理雷达回波信号。通过匹配追踪算法,寻找最佳匹配原子的位置,以此估计雷达目标散射点参数。实验结果表明该方法在信号重构及特征提取方面的有效性。     

基于核协同表示与鉴别投影的辐射源调制识别

针对辐射源识别中的特征稳定性不高和低信噪比环境适应性不足等问题,提出了一种基于二次时频分布、核协同表示与鉴别投影的识别方法.首先,通过时频变换、稀疏域降噪和二次特征提取的预处理算法降低噪声干扰和特征冗余,以获取高稳定性的二次时频分布特征;然后,采用核协同表示和鉴别投影思想进行降维学习和字典学习,以提升数据低维表征和类间鉴别能力;最后,通过离线训练完成系统优化并用于分类验证.仿真结果表明,二次时频分布特征具备较高稳定性,识别方法具备较强鲁棒性、时效性和适应性;当信噪比为-10dB时,该方法对8类辐射源信号的整体平均识别率达到96.88%.     

基于多尺度自适应稀疏字典的小弱目标检测方法

针对单尺度固定函数的滤波器难以有效剔除杂波和提高小弱目标检测性能的不足,文中研究建立多尺度自适应稀疏字典,提出了一种多尺度自适应形态稀疏字典检测小弱目标方法。首先根据图像信号内容建立多尺度自适应形态稀疏字典,并将图像信号在多尺度稀疏字典中进行稀疏分解;然后在分析小原子稀疏表示系数的基础上建立稀疏表示系数直方图,并利用指数函数拟合小尺度原子的稀疏表示系数直方图;最后,根据指数函数拟合参数在杂波、噪声和目标表现出的差异检测小弱目标。该多尺度稀疏字典利用大尺度原子描述图像背景杂波,小尺度原子捕获图像细小特征。实验结果表明,与小波算法和Contourlet 算法相比,文中方法能更为有效地抑制背景杂波,减少背景残留,从而提高小弱目标检测性能。     

基于稀疏域元素位置信息积累的微弱信号检测算法

该文提出一种利用信号稀疏特征实现基于压缩感知的微弱信号检测算法。稀疏信号在某一特定字典基上投影展开,其稀疏向量非0元素位置固定。而高斯白噪声在字典基上投影展开,其权向量中非0元素的位置呈现出是均匀分布的特点。该文所提方法实现了微弱信号在稀疏域中的积累。通过计算当只存在高斯白噪声时,接收信号的稀疏向量的非0元素位置向量与信号的稀疏向量非0元素位置向量的相关性,得到判决门限,完成微弱信号的检测。仿真结果表明本文所提方法在信噪比低至-15dB时仍能对信号正确检测。      

Sparse Representation with Optimized Learned Dictionary for Robust Voice Activity Detection

Traditionally, most of voice activity detection (VAD) methods are based on speech features such as spectrum, temporal energy, and periodicity. The robustness of these features plays a critical role on the performance of VAD. However, since these features are always directly generated from observed signal, the robustness of these features would be significantly degraded in non-stationary noise environments, especially at low level signal-to-noise ratio (SNR) condition. This paper proposes a kind of robust feature for VAD based on sparse representation with an optimized learned dictionary. To do so, a speech dictionary and a noise dictionary are first learned from speech corpus and noise corpus, respectively. Then an optimization algorithm is designed to reduce the mutual coherence between the two learned dictionaries. After that the proposed feature is generated from the optimized dictionary-based sparse representation, and a VAD method is derived from the proposed feature. The proposed method is evaluated over seven types of noise and four types of SNR level, experimental results show that the optimized dictionary is important for enhancing the robustness of the proposed method, and the proposed method performs well under non-stationary noise, especially at low level SNR condition.     

Adaptive subspace detection of extended target in white Gaussian noise using sinc basis

For the high resolution radar (HRR), the problem of detecting the extended target is considered in this paper. Based on a single observation, a new two-step detection based on sparse representation (TSDSR) method is proposed to detect the extended target in the presence of Gaussian noise with unknown covariance. In the new method, the Sinc dictionary is introduced to sparsely represent the high resolution range profile (HRRP). Meanwhile, adaptive subspace pursuit (ASP) is presented to recover the HRRP embedded in the Gaussian noise and estimate the noise covariance matrix. Based on the Sinc dictionary and the estimated noise covariance matrix, one step subspace detector (OSSD) for the first-order Gaussian (FOG) model without secondary data is adopted to realise the extended target detection. Finally, the proposed TSDSR method is applied to raw HRR data. Experimental results demonstrate that HRRPs of different targets can be sparsely represented very well with the Sinc dictionary. Moreover, the new method can estimate the noise power with tiny errors and have a good detection performance.     

结合多决策准则稀疏表示的SAR图像目标识别方法

提出组合多决策准则的稀疏表示分类（Sparse Representation-based Classification,SRC）并在合成孔径雷达（Synthetic Aperture Radar,SAR）目标识别中进行应用。传统SRC通常在全局字典上对测试样本进行重构,分别计算不同训练类别对于测试样本的重构误差,最终根据最小重构误差的原则进行分类决策。然而,由于SAR目标识别问题的复杂性,单一决策准则往往对扩展操作条件的适应性不强,导致整体性能下降。为此,文中基于稀疏表示求解的系数矢量,分别采用最小重构误差原则、最大系数能量原则以及局部最小重构误差原则分别进行分类。最小重构误差准则直接采用传统算法。最大系数能量准则分别计算不同训练类别系数能量,按照能量最大的原则进行判决。局部最小重构误差原则在局部字典上对测试样本进行表征和分析,充分体现SAR图像的视角敏感性。对于三个准则获取的决策变量,通过适当转换统一采用概率分布形式进行表达。最终,基于线性加权融合对三个准则的结果进行分析,判决测试样本所属目标类别。基于MSTAR数据集对方法进行测试,分别验证了提出方法在标准操作条件、俯仰角差异、噪声干扰及目标遮挡等情形的性能。实验结果表明:所提方法通过结合多决策准则能够有效提升SAR目标识别性能。     

稀疏先验引导CNN学习的SAR图像目标识别方法

深度学习技术的应用给SAR图像目标识别带来了大幅度的性能提升,但其对实际应用中车辆目标局部部件的变化适应能力仍有待加强。利用数据内在先验知识,在高维语义特征中学习其内在的低维子空间结构,可以提升分类模型在车辆目标变体条件下的泛化性能。本文基于目标特征的稀疏性,提出了一种稀疏先验引导卷积神经网络（Convolution Neural Network,CNN）学习的SAR目标识别方法（CNN-TDDL）。首先,该方法利用CNN提取SAR图像目标的高维语义特征。其次,通过稀疏先验引导模块,利用特征稀疏性,对目标特征内在的低维子空间结构进行学习。分类任务驱动的字典学习层（Task-Driven Dictionary Learning,TDDL）将目标特征的低维子空间以稀疏编码的形式表示,再利用非负弹性正则网增强了稀疏编码的稳定性,使稀疏编码不仅有效地表征目标的低维子空间结构,并且能够提取更具判别性的类别特征。基于运动和静止目标获取与识别（Moving and Stationary Target Acquisition and Recognition,MSTAR）数据集以及仿真和实测配对和标记实验 （Synthetic and Measured Paired and Labeled Experiment,SAMPLE） 数据集的实验表明,相比于传统字典学习方法和典型深度学习方法,CNN-TDDL在MSTAR标准操作条件（Standard Operating Conditions, SOC）下识别精度提升0.85%~5.28%,型号识别精度提升3.97%以上,表现出更好的泛化性能。特征可视化分析表明稀疏先验引导模块显著提升了异类目标特征表示的可分性。      

多阶次分数阶傅里叶域特征融合的主动声呐目标稀疏表示分类方法

海洋环境噪声和混响干扰严重、目标可分性差是主动声呐目标分类识别中的瓶颈问题。针对这一问题，该文基于主动声呐目标回波信号模型和分数阶傅里叶变换(FRFT)原理，推导了多阶次FRFT域特征表征形式，建立了FRFT域稀疏表示模型，提出了一种多阶次FRFT域特征融合的主动声呐目标稀疏表示分类方法。该方法通过FRFT的能量聚集性和稀疏分解的残差去除过程，达到了抑制噪声和混响干扰的目的；通过多阶次FRFT域特征的融合，增加目标之间的可分性，进而实现海洋环境中低信混比条件下的主动声呐目标分类。实验结果表明，所提方法在信混比达到0 dB的条件下，分类准确率能够达到90%以上。     

基于循环谱和稀疏表示的多信号调制识别*1

针对难以识别时频重叠的多信号问题,提出一种不用分离混合信号即可识别信号类型的新方法。该方法针对各种调制循环谱的不同,用稀疏表示提取各信号的特征,最后根据提取的特征利用支持向量机对信号进行识别分类。经理论推导和仿真实验得出:该方法对噪声具有一定的鲁棒性,在较低信噪比条件下仍能保持较好的识别性能,在信噪比为-4 d B时,对单信号和混合信号的正确识别率分别可达到93.5%和90.67%。     

一种基于自适应核字典学习的SAR目标识别方法

提出一种基于自适应核字典学习的合成孔径雷达（synthetic aperture radar，SAR）目标识别方法.该方法首先将SAR图像的特征信息通过核函数映射到高维度的核空间中并进行字典学习；然后根据更新后的字典动态计算稀疏度；最后依据最小重构误差准则实现SAR目标识别.在公开数据集MSTAR上的仿真实验结果表明，该方法提取到的特征信息可分度高，对SAR目标的识别具有较好的性能.