基于Cao方法的空间目标RCS混沌性分析

分析空间目标RCS序列产生混沌的机理,将求取嵌入维数的Cao方法引入空间目标RCS序列的分析中,用Cao方法所得的曲线图分析空间目标RCS序列的混沌特性.实测数据计算结果表明,空间目标RCS序列既存在确定性成分,也存在随机成分,而旋转目标RCS序列具有较强的确定性成分,三轴稳定目标的RCS序列具有较多的随机成分,这与实际分析的情况相符合,证明了该方法的有效性.     

基于中心矩特征的空间目标识别方法

目标的雷达散射截面（RCS）包含了丰富的目标类别信息，有效地利用目标RCS特征对空间目标的雷达识别具有重要的意义。该文利用空间目标回波的距离维信号来进行识别。中心矩特征具有平移不变性，是一种简单有效的波形特征提取算法。文中首先提取中心矩作为特征向量，再采用Fisher判据进一步进行特征压缩，最后利。用支撑矢量机（SVM）分类算法实现识别。基于实测数据的仿真实验结果表明，该方法具有较好的识别性能和推广能力。     

基于小波功率谱估计的空间目标RCS特性分析

随着空间技术的研究与发展，对空间目标的监测与识别显得越来越重要。在小波变换的基础上，详细讨论了小波功率谱估计的实现方法，并利用窄带雷达测量获得的空间目标RCS数据，利用Morlet小波对几个空间目标的RCS时间序列进行功率谱分析。并把傅里叶变换同小波变换进行结合，以实现对目标RCS的信号功率谱估计。分析结果反映了目标的某些重要的散射特性。     

基于深度神经网络模型的雷达目标识别

根据雷达测量的目标电磁散射面积(RCS)序列,采用深度神经网络模型识别空间飞行目标。首先,阐述了提取RCS时间序列特征的方法,包括均值、均方差及周期特性等特征;然后,给出了深度神经网络模型识别RCS目标的算法;最后,用仿真数据验证该识别方法,数值实验结果表明该方法能较准确识别雷达跟踪目标。     

基于隐马尔科夫模型的RCS识别方法研究

雷达散射截面(RCS)时间序列由目标电磁散射特性和姿态运动特性共同决定,包含了雷达目标的材质、尺寸和结构等信息,是实现雷达目标识别的重要测量量.隐马尔科夫模型(HMM)是一种用参数表示的用于描述随机过程统计特性的概率模型,是一个无记忆的非平稳随机过程,具有很强的表征时变信号的能力,非常适合作为动态模式分类器,对具有不同变化特性的时变信号进行分类识别.文中利用HMM表征雷达目标RCS序列变化模式(规律),根据不同类别目标RCS序列变化模式的差异对雷达目标进行分类识别.实测数据验证结果表明,该算法具有较高的识别概率.     

一种基于小波域的运动估计方法

提出了一种基于多尺度边缘检测(MED)与连续小波变换(CWT)相结合的运动目标估计方法。首先,利用多尺度边缘检测算法,得到抗噪性好、边缘连续清晰的运动目标边缘图像。然后,利用连续小波变换把目标序列图像映射到运动状态参数空间。该方法同时拥有MED和CWT的优良特性。实验表明,该算法是对旋转、遮挡和有噪等复杂运动目标进行运动估计的有效方法。     

基于距离和差值序列的复杂运动目标微动特征提取

针对由平动和摆动构成的复杂运动目标微动特征提取,提出一种基于距离和差值序列的微动特征提取新方法.该方法首先从复杂运动目标一维距离像估计距离和差值,再利用时间-距离像的距离和差值序列提取目标不同散射点的摆动幅度、摆动周期等微动参数并准确估计出目标平动距离.分析了算法适用条件,开展了仿真实验,仿真结果验证了理论分析的正确性和算法的有效性.该特征提取方法可推广应用于一般平动与旋转等其他周期性运动构成的复杂运动目标微动特征提取.     

基于雷达RCS序列HMM目标识别分类算法研究

针对隐马尔可夫模型(Hidden markov model,HMM) 识别低频隐身目标参数建模固有问题,本文提出基于雷达散射面积（Radar cross-section,RCS）序列改进HMM目标识别分类算法,构建RCS观测序列的全局概率函数,提取序列变化特征,使模型的状态数能自动适应待建模信号结构的复杂性,并采用隐马尔科夫模型表征雷达目标RCS变化特征,实现雷达目标的识别分类。仿真结果表明该算法可提高低频隐身目标识别的可靠性,信噪比和识别分类效果得到显著提升     

低秩稀疏分解下多尺度积的运动目标检测方法

针对基于矩阵分解的运动目标检测方法易受自然场景中背景的小幅抖动和摄像头抖动等因素影响的问题,提出了一种利用多尺度积的低秩稀疏矩阵分解算法。算法假设,静态背景视频序列中,每帧图像背景可近似视为处于同一低秩子空间中,图像前景则可视为偏离低秩空间的残差部分。首先对图像序列进行滤波、仿射变换等预处理得到视频序列观测数据矩阵;然后对数据矩阵进行低秩稀疏分解得到序列图像的低秩背景部分和每帧图像的稀疏前景部分;最后对稀疏前景部分采用小波变换模极大值与多尺度积方法检测目标边缘,并进行形态学处理,得到准确的运动目标。实验结果表明,算法检测到的运动目标清晰、完整,能有效地处理光照变化、摄像头小幅度抖动、图像背景局部小幅度变化等情况下的运动目标检测。      

弹道导弹助推段RCS序列仿真及尺寸分类估计

从低分辨窄带雷达的助推段RCS序列中能提取出弹道导弹识别的重要信息,但由于信息量有限,只能对导弹尺寸进行大致的分类估计。为了对导弹进行聚类分析,首先采用准静态法结合弹道导弹静态RCS仿真了导弹在助推段的RCS序列,为特征提取提供了依据;之后,在其基础上,提取出与导弹弹径相关的特征信息,采用最大最小距离法进行聚类识别,将不同尺寸弹道导弹分类,构建出数据库;最后,将目标导弹的特征信息与数据库内样本的特征信息进行聚类识别,从而得出目标尺寸的大致范围。最终的实验结果表明:利用助推段RCS序列提取目标特征能够实现目标尺寸的估计。     

基于动态RCS的典型飞机目标识别

工程上常用静态雷达散射截面（RCS）统计特性进行目标识别,但其可分测度小,正确识别率较低。文中在精确获取目标动态RCS序列的基础上,提出了一种基于离散小波能量的特征提取方法,对典型飞机目标进行分类识别。首先,根据空气动力学和运动学方程设定五种典型飞机目标的飞行航迹并解算其实时飞行坐标,从而获取时变的雷达视线姿态角;其次,应用多层快速多极子电磁计算方法仿真各型目标的动态RCS数据;然后,再基于动态RCS序列,计算其位置、分布等统计特征,并进行小波分解和重构,提取各型目标的统计特征和小波能量特征;最后,采用基于距离的类间距离判据,比较两种特征量的分类识别效果。仿真计算结果表明：相对传统的统计特征,离散小波能量特征能完整地体现目标的特征,且可分性测度更大,识别效果更为理想。     

一种基于飞行平台的数字稳像及目标跟踪系统

针对复杂运动条件下的空基目标跟踪器,提出了一种基于飞行器平台的运动目标跟踪系统。首先,提出了一种基于对数-极坐标（log-polar）变换的数字稳像算法。该算法对图像序列间可能存在任意角度的旋转运动、较大的缩放运动和平移运动进行运动估计和运动补偿。其次,采用了基于反向组合算法（ICA,inverse compositional algorithm）的图像对准技术对运动目标进行跟踪。真实数据的实验表明,该系统能够在复杂运动的飞行平台上对移动目标进行精确跟踪。     

基于RCS序列的弹道导弹进动周期提取方法验证研究

针对传统基于雷达散射截面积(RCS)的微动特征提取验证所使用数据源精度不高、未考虑弹头平动等问题,文中搭建了分布式特征提取验证系统,对常用进动周期提取方法进行了验证。首先,分别使用STK和FEKO软件生成了弹头的运动特性及弹头RCS模板;其次,将运动特性同RCS模板进行复合,生成中段弹头的高精度RCS序列;最后,基于生成序列,验证常见算法的提取效果。仿真验证表明:提取方法的正确率不仅受制于噪声强度,并且同平均视界角的取值密切相关,当平均视界角小于35毅时,自相关函数法相对多重自相关方法正确率高出2倍以上。     

基于多重交叉残差方法的空间目标旋转特性分析

针对传统的频谱分析和自相关函数反演周期时常出现虚假周期的问题,提出了多重交叉残差法处理空间旋转目标雷达散射截面(Radar Cross Section,RCS)的时间序列。以空间跟踪和监视系统(Space Tracking and Surveillance System,STSS)卫星为例,仿真了空间目标失稳旋转状态,对比了频谱分析、自相关函数和多重交叉残差3种方法的处理结果,发现当目标存在进动运动时多重交叉残差法抗干扰能力更强。在此基础上,进一步研究了不同章动角时多重交叉残差法对旋转周期的反演效果,结果表明章动角大小会影响旋转周期的反演准确度,且章动角达到一定数值后,卫星进动幅度过大导致RCS序列周期性模糊,无法用多重交叉残差法反演出旋转周期。     

一种基于自组织竞争网络的车辆识别方法

为了对车辆目标进行识别,采用了一种基于自组织竞争网络的方法。该算法提取16个离散余弦变换描述子,6个独立的不变矩和3个区域描述子等25个平移、旋转、尺度放缩等变换下都不变的目标形状特征,把这些混合特征输入到设计的自组织竞争网络进行学习、聚类和分类,获得的分类精度高达96.15%,从而得出用自组织竞争网络进行混合特征识别,性能稳定,较单一特征提取识别精度更高。     

红外图像中人体目标检测技术研究

针对红外序列图像中人体目标检测问题,采用了基于特征点的特征区域提取方法,先用FAST算法快速提取特征点,然后基于提取出的特征点,使用LBP算法提取特征区域,在得到感兴趣的特征区域（ROI区域）后,用对ROI区域进行基于离散小波变换的小波熵特征提取,并采用复合分类方法对ROI区域进行分类,利用此方法有效地将人体目标从红外序列图像中检测出来。     

基于运动目标的De-Interlace算法

本文提出一种新颖的基于运动目标的De-interlace算法.该算法以实际的运动目标作为操作对象,引入一种较精确的运动目标提取方法,并采用免疫克隆选择算法加速匹配目标的搜索过程.新算法融合了运动补偿、中值滤波、Weave、Bob等De-interlace方法.与流行的基于运动块补偿的De-interlace算法相比,新算法更适应复杂的视频序列,不仅可以处理平移运动,还适用于旋转、尺度变换等复杂运动情况.实验结果表明新算法的整体性能优于基于块匹配的方法.     

利用RCS序列估计空间目标尺寸的方法研究

目标RCS包含了丰富的目标信息,由目标RCS推求目标结构和尺寸信息却非常困难。针对这一问题,本文 先将空间目标简化为一椭球体,在此基础上提出了一种利用目标RCS序列估计目标长轴和短轴尺寸的方法。实测数据处 理结果表明,该方法能有效估计出目标的长轴和短轴尺寸,而且估计尺寸稳定性好,有利于空间目标的分类和识别。     

基于三角函数拟合的RCS序列进动周期估计

利用雷达反射截面(RCS)序列估计进动周期为弹道目标特征提取和识别的重要途径。弹道目标在进动时,回波RCS序列为非平稳的周期序列,常规Fourier变换方法和周期间相关类方法需要较长观测时间和较高数据率才能有效地估计RCS的周期,这对于有限的雷达资源来说是不可接受的。该文提出一种新的估计弹道目标RCS序列周期的方法,该方法先利用特定频率附近的三角函数来拟合RCS序列,再求得使拟合误差最小的频率,即为RCS序列的进动频率。相比于常规方法,该文方法具有所需资源少,估计精度高的特点。RCS计算数据的仿真结果证明了该文方法的有效性。     

基于trace特征的ISAR像空间目标识别

论文提出了一种基于trace特征的逆合成孔径雷达（Inverse Synthetic Aperture Radar,ISAR）像空间目标识别算法.首先将ISAR像进行分割与归一化处理,利用Canny边缘检测、Hough变换方法提取空间目标ISAR像最长轴,确保所提特征具有旋转不变性;然后仅对最长轴所在局部区域进行Trace变换生成空间目标ISAR像的局部trace矩阵,使得所提trace特征满足低维要求;再将trace矩阵每一列向量进行移位对准操作以消除ISAR像平移对识别带来的影响并将其作为空间目标识别的特征向量;最后在特征空间内以最小欧氏距离作为不相似度,采用集成分类器AdaBoost.M2-KNN完成了5类空间目标的分类识别.通过5类空间目标的ISAR数据对该方法进行目标识别验证,并与现有的几种ISAR像特征提取方法进行了对比.结果表明论文所提算法可行有效,可以明显地提高识别率.