瞬态极化Wigner-Ville分布相关法及其性能分析

研究了高分辨极化雷达目标识别问题,给出了瞬态极化Wigner—Ville分布(WVD)的定义,提出了基于瞬态极化WVD相关的目标识别方法,以充分利用目标回波的极化信息,并且揭示了该方法的性能改善与目标回波极化散度之间的关系。最后利用五种飞机缩比模型外场测量数据进行了目标识别实验。实验结果表明,该方法是一种有效的高分辨极化雷达目标识别方法。     

基于瞬态极化WVD相关的高分辨雷达目标识别

研究了毫米波高分辨极化雷达的目标识别问题，提出了瞬态极化Wigner-Ville分布(WVD)的概念，导出了瞬态极化WVD莫耶公式，证明了瞬态极化WVD时频域相关与极化信号时域相关的等价关系．在此基础上，提出了基于高分辨极化雷达目标回波瞬态极化WVD相关的目标识别方法，并利用五种飞机缩比模型外场测量数据进行了目标识别实验，实验结果表明该方法是一种有效的高分辨极化雷达目标识别方法。     

基于逆向云模型的雷达目标识别

提出了一种基于逆向云模型的雷达目标识别方法。首先,基于模-1距离准则建立了云滴确定度,对高分辨距离像(HRRP)距离单元进行正态逆向云模型建模;然后,定义逆云隶属度表征待测样本属于某个训练类别的概率。对目标模板库中5种飞机高分辨距离像数据的仿真结果表明,该方法具有识别率高、对训练样本量的要求较为宽松和方位角划分不敏感等优点,是一种有效的雷达目标识别方法。     

全极化高分辨雷达距离像统计识别方法

在全极化、高分辨雷达体制背景下,提出一种将极化信息与高分辨距离像相结合的雷达目标统计识别方法。采用物理统计非高斯模型对全极化高分辨距离像建模,用模型参数分别表征具有较强散射强度分辨单元的多少和强弱,将全极化下的模型参数直接作为特征矢量,并采用Parzen窗法估计模型参数的概率分布密度,用贝叶斯分类器进行分类识别。对实测的导弹类目标识别结果表明,该方法能有效克服距离像特征依赖于方位信息的缺点,达到令人满意的识别结果。     

基于半参数化概率密度估计的雷达目标识别

该文针对雷达目标高分辨距离像(High-Resolution Range Profile, HRRP)识别中距离单元回波幅值统计建模所面临的概率密度模型选择问题,提出一种基于半参数化概率密度估计的雷达目标识别方法。半参数化概率密度估计从参数化概率密度估计出发,有效利用了高分辨距离像各距离单元幅值近似服从Gamma分布的经验知识,并且通过非参数化修正因子对Gamma模型进行修正,达到参数化方法和非参数化方法优缺互补的目的。基于5种飞机模型高分辨距离像数据的仿真实验证明了该文方法的有效性。     

基于优化核Fisher判别分析的雷达目标识别

针对雷达目标高分辨距离像非线性可分和高特征维数的特点,提出一种基于优化核Fisher判别分析的雷达目标识别方法.该方法利用Fisher判别准则下界作为目标函数对核Fisher判别分析进行核参数优化,再利用支持向量机训练和识别由核Fisher判别分析提取的高分辨距离像特征.基于5种飞机目标的仿真实验表明,优化核Fisher判别分析可以有效优化核参数并降低特征维数,具有稳定优异的识别性能.     

基于HRR的地面雷达目标识别方法研究

高分辨雷达目标识别可以提供目标更多的信息 ,是地面雷达技术发展方向 ,基于高分辨距离像的特征提取和识别是比较现实可行的方法。该文首先分析了一维距离像的产生 ,在此基础上 ,综合了几种一维距离像的特征提取方法和分类识别方法 ,讨论了方位角变化对距离像的影响 ,并分析了识别方法的鲁棒性问题     

基于卷积神经网络的雷达目标HRRP分类识别方法

卷积神经网络通过卷积和池化操作提取图像在各个层次上的特征进而对目标进行有效识别,是深度学习网络中应用最广泛的一种。文中围绕一维距离像雷达导引头自动目标识别,开展基于卷积神经网络的目标高分辨距离像分类识别方法研究。首先,基于空中目标一维距离像姿态敏感性仿真生成近似平行交会条件下不同类型目标的高分辨距离像数据集;其次,构建一种一维卷积神经网络结构对目标高分辨距离像进行分类识别;作为比较,针对同类高分辨距离像数据集,分析了主成分分析-支持向量机方法的目标分类识别效果。结果表明:基于卷积神经网络的目标分类识别算法有更好的识别能力,对高分辨距离像的姿态敏感性具有较强的适应性。     

最大间隔核优化的雷达目标高分辨距离像识别新方法

基于目标高分辨率距离像的雷达自动目标识别技术在军事和民用上都有巨大的应用价值。但是由于雷达目标高分辨距离像的姿态敏感性以及高特征维数,造成了其非线性可分性。针对此问题,本文提出了一种基于最大间隔核优化的雷达目标高分辨距离像识别方法。本方法首先采用了最大间隔准则算法来优化数据依赖核函数,然后利用支持向量机分类器实现了雷达目标高分辨距离像识别,最后进行了基于5种战斗机目标高分辨距离像的实验仿真。实验结果表明了基于最大间隔核优化的目标识别算法对于SVM分类器可以有效实现核函数优化,从而能够提高目标识别性能。      

基于高分辨距离像的空中目标长度提取方法

雷达采用宽频带信号后,从目标接收到的不再是“点冶回波,而是沿距离分布开的高分辨距离像。目标高分辨距离像包含一定的目标信息,如目标的长度、几何结构等,为雷达目标识别提供了较好的基础。基于长度是代表目标固有的特征信息之一,文中提出一种基于高分辨距离像的飞机目标长度提取方法,并经外场实验验证了该方法的有效性     

基于高分辨率雷达的一种目标识别方法

在小波变换和Mahalanobis距离的基础上,提出了一种雷达目标识别方法.首先,对雷达回波信号进行小波变换,得到目标散射中心在一维距离像中的位置和峰值,从而得到一组由位置和峰值构成的点列.然后计算这些点的Mahalanobis距离,得到目标识别的特征向量,由此进行目标识别.仿真实验结果表明:该方法具有较高目标识别能力和强抗干扰能力.     

基于多重变换的一种雷达目标识别方法

利用多重变换，提出了一种雷达上述识别方法，将雷达回波信号与本振信号混频处理后采样，进行FFT，得到目标的一维距离像，计算其马氏距离，利用小波变换对马氏距离序列进行数据压缩，得到目标的特征向量，由相关识别法进行目标识别，由3类飞机模型测量数据的识别结果表明，该方法具有较高的识别率。     

一种用于毫米波雷达目标的成象与识别算法

针对宽带高距离分辨率全极化雷达工作的体制背景,分析和研究了在该体制下,雷达目标散射信号模型、高分辨率谱估计成象算法以及在此基础上相应雷达二维图象的特征提取与目标识别,构造了一种由雷达成象、特征提取以及目标识别组成的先进自动雷达目标图象识别系统,最后,归纳了雷达目标散射特性与识别的关系。     

宽带毫米波雷达目标时延神经网络识别新方法

基于一维距离像和神经网络研究宽带毫米波雷达目标识别问题,研究了用于雷达距离像序列识别的时延神经网络模型及其学习算法,并提出了基于距离像序列的宽带雷达目标时延神经网络识别方法,还利用三种飞机缩比模型的暗室测量数据,研究了时延神经网络分类器中时延单元数目对分类精度的影响以及分类器的分类性能。实验结果表明：本方法具有良好的应用前景。     

Fuzzy-Fusion Classifier for MMV Full-Polarization Radar Target Recognition Using One-Dimensional Scattering Centers

One-dimensional (1-D) scattering centers on a target can be used for radar target recognition purpose. In this paper, a new classifier based on fuzzy techniques is proposed, which is very much suitable for target recognition using 1-D scattering centers. Furthermore, information fusion techniques for full polarimetric receiver data are utilized at the decision level. The performance of the proposed fuzzy-fusion classifier is evaluated using a dataset of five aircraft models measured by millimeter-wave (MMW) full-polarization stepped-frequency radar in the compact range facility.     

基于雷达距离象序列的循环神经网络飞机目标识别

本文应用雷达目标瞬态高分辨距离象序列来识别目标,提出了一种基于距离象序列的实时循环神经网络分类方法,并进行了三类飞机目标的分类实验研究,结果表明,该方法可以得到高的识别率。     

基于卷积神经网络迁移学习的飞机目标识别

飞机目标识别是地面情报系统的一项重要关键技术。近年来火热的深度学习方法,如卷积神经网络,展现出对于图像识别任务的优越性能。但是,训练卷积神经网络需要大量的带标签样本以估计规模庞大的模型参数,因而限制了其在雷达目标识别领域中的应用。针对飞机目标识别中的小样本问题,文中引入适用于有限数据场景的迁移学习技术,预先在其他大样本高分辨距离像数据上训练一个初始卷积神经网络模型,再结合当前飞机目标识别任务调优模型参数。在实测数据上的实验结果显示,与仅使用卷积神经网络的方法相比,所提方法可显著提升识别准确率,验证了方法的有效性。