基于小波变换和多神经网络融合的雷达一维距离像目标识别

针对低信噪比情况下目标的雷达一维距离像性能较差的问题,提出利用小波去噪以增强目标一维距离像的方法.对去噪后的目标一维距离像提取归一化中心矩,分别采用径向基函数网络和BP网络进行分类识别;在分析了两类网络用于分类识别特点基础上,指出具有不同拓扑结构和传递函数的神经网络对于各类训练样本分布状况的学习和描述能力不同,提出了一种综合利用两种网络做融合识别的新方法.通过对5类飞机暗室测量数据的实验,验证了上述方法的有效性.     

小波谱估计用于雷达目标成像和识别

研究了小波变换谱估计用于频率步进毫米波高分辨力雷达目标一维距离像的成像方法．选用已调高斯函数作为小波基函数,进行小波变换的信号功率谱估计,获得高质量的频率步进毫米波雷达目标的一维距离像．实验结果表明这种方法对于提高目标识别率是有效的     

基于DnCNN的海面目标一维距离像识别方法

针对低信噪比条件下海面目标分类识别精度差的问题,该文提出了一种基于去噪卷积神经网络(Denoising convolutional neural network,DnCNN)的海面目标高分辨一维距离像(High Resolution Range Profile,HRRP)识别方法。所提方法设计了一个海面目标分类识别模型,该模型通过其中的降噪模块提高信噪比。首先,分析了HRRP和二维图像的相似特性,将HRRP降噪转变为二维图像降噪。其次,利用深层次卷积层与批归一化层相结合的结构,提取图像深层次的噪声特征,最后采用残差学习技术,减轻深层次网络的学习负担的同时重构图像进行分类识别。实验结果表明,该模型可以有效提升低信噪比条件下的海面目标分类识别正确率,在不同信噪比条件下其识别性能均优于对比模型,具有良好的识别性能和鲁棒性。      

心电信号降噪小波函数选取的定量研究

为了定量地评估不同小波函数对心电（ECG）信号的降噪效果,建立了含噪声的ECG模型作为实验标准信号,采用正交小波变换和不同阈值方法来对该标准信号进行高频噪声消除实验,通过信噪比参数结合波形形态来衡量降噪效果。实验表明,当降噪后信噪比接近标准信号信噪比时,降噪效果最佳,得到既能保证信号失真度小又具有较高信噪比的降噪方案和适用于ECG信号小波分解和重构的小波函数,最后通过MIT-BIH数据库数据验证了利用该研究结果能够有效地消除ECG信号中的高频噪声。     

基于主分量分析的一维距离像雷达目标识别

一维距离像是自动目标识别的一种重要特征,它对目标姿态变化很敏感,只有通过进一步处理提取稳定特征才能够有效用于识别。针对距离像的这种姿态敏感性,首先分析了主分量分析(PCA)的降噪原理与核主分量分析(KPCA)的特征提取能力,然后提出先用PCA滤波对一维距离像降噪再用KPCA提取较大姿态角范围内稳定特征的雷达目标一维距离像识别框架,并用四类目标的实测数据进行分类实验,表明该算法确实能够提高识别性能。     

扩展稀疏表示稳健HRRP目标特征提取方法

为提高低信噪比下高分辨一维距离像目标识别性能，提出扩展稀疏表示的噪声稳健目标特征提取方法。本方法通过对稀疏表示的扩展，实现对目标高分辨一维距离像局部特征与全局特征的提取。其中，在训练阶段利用支持向量理论与字典学习原理，对特征提取字典进行优化提高特征向量的可分性。在测试阶段，利用因子分析模型匹配方法对去噪声字典进行优化，从而实现对噪声的有效抑制，保证了目标识别系统的噪声稳健性。利用实测数据对本方法性能进行测试，结果表明本方法可在低信噪比条件下有效地恢复目标高分辨一维距离像，并实现较高的识别正确率。     

一种噪声环境下的雷达目标高分辨率距离像鲁棒识别方法

随着深度学习技术被应用于雷达目标识别领域,其自动提取目标特征的特性大大提高了识别的准确率和鲁棒性,但噪声环境下的鲁棒性有待进一步研究。该文提出了一种在噪声环境下基于卷积神经网络(CNN)的雷达高分辨率距离像(HRRP)数据识别方法,通过增强训练集和使用残差块、inception结构和降噪自编码层增强网络结构,实现了在较宽信噪比范围下的较高识别率,其中在信噪比为0 dB的瑞利噪声条件下,识别率达到96.14%,并分析了网络结构和噪声类型对结果的影响。      

基于小波神经网络的毫米波雷达目标距离像识别

给出一种隐层由小波基组成的神经网络用于实现频率步进毫米波雷达目标一维距离像的识别。利用小波变换所具有的良好的时频分析特性，实现了输入输出之间映射关系的多分辨学习。介绍了小波神经网络的数学框架及其误差反向学习算法。详细描述了用小波神经网络进行识别的步骤。将所提出的小波神经网络用于频率步进毫米波雷达目标一维距离像的识别。实验结果表明该方法对目标距离像的识别是有效的。     

基于组合矩的激光成像雷达目标识别算法

随着激光技术的发展,激光成像雷达在现代战争复杂战场环境中逐渐获得了广泛的应用,目前激光成像雷达自动目标识别技术已成为国内外研究的热点问题。提出了基于组合矩的激光成像雷达目标识别算法,从激光成像雷达目标的距离像中提取低阶的Zernike矩、Hu矩和中心矩构成组合矩特征,该特征对距离像噪声不敏感,应用径向基函数(RBF)神经网络对三种地面目标进行分类识别。实验结果表明,该算法与应用Zernike矩和Hu矩特征进行分类识别相比,对三种激光成像雷达地面目标的平均识别率在高载噪比(20dB)下分别提高了1.0%和3.7%;在低载噪比(10dB)下分别提高了11.8%和42.5%;当载噪比高于17dB时,该算法的平均识别率达到100%。因此该算法取得了比较好的识别效果。     

基于线性内插神经网络的雷达目标一维距离像识别

本文提出一种新颖的神经网络模型－－线性内插神经网络用于雷达目标一维距离像识别,它可避开提取不变特征的难点,利用目标一维距离像特征随姿态变化的信息来提高目标识别性能,实验结果表明,采用ＬＩＮＮ很好地解决了在大的廨范围内识别目标时所存在的计算量与识别率的矛盾,提高了雷达对任决任意姿态目标的识别性能。