基于多重分形特征的防空雷达目标分类方法

在介绍常规雷达飞机目标回波数学模型的基础上,利用多重分形测度分析手段,分析了常规雷达飞机目标回波的多重分形特性及其多重分形特征的提取方法,并从模式分类的角度,提出了利用多重分形特征对喷气式飞机、螺旋桨飞机和直升机等三类飞机目标进行分类的方法.实验表明,上述三类飞机的目标回波数据具有显著不同的多重分形特征,所定义的多重分形特征参数可以作为飞机目标分类和识别的有效特征,仿真实验验证了所提方法的有效性.     

分数阶小波变换的性质

小波变换是对信号时域-频域(Fourier域)的多分辨率分析,是一种线性时不变伸缩带通滤波.分数阶小波变换将小波变换的多分辨率分析理论推广到时域-广义频域(分数阶Fourier域),对信号分析处理有更大的灵活性.分析了分数阶小波变换的线性时变特性、存在正交分教阶小波的条件、分数阶Fourier域传递函数,以及分数阶小波变换在分数阶Fourier域的伸缩带通滤波.     

基于小波变换的雷达回波信号去噪方法研究

为了准确识别雷达回波信号中的目标信号,木文将小波变换引入到雷达回波信号处理,对回波信号进行分解、重构以及滤波器设计,去除雷达信号中的噪声,采用MATLAB软件进行系统仿真,结果表明,采用小波变换mallat算法对探地雷达回波信号进行目标识别具有较好的时频分辨率,且可抑制杂波,去除噪声,能很好的识别目标信号,具有很好的应用前景。     

低截获概率雷达信号干扰类型分类识别

针对三种常见低截获概率雷达信号的干扰类型识别问题,结合分形和分数阶傅里叶变换算法,提取干扰后混合信号的信息维数、盒维数以及分数阶域信号分最能量之比,构造特征向量,然后通过支持向量机对干扰类型分类识别;仿真结果表明:这种方法可以对于扰类型有效分类识别,判断出干扰类型属于同型同频干扰、非同型同频十扰或是带内非同频干扰,对雷达抗干扰设计和系统设计有重要意义.     

分数阶小波变换

小波变换是对信号时域-频域(Fourier域)的多分辨率分析,也可看作是一种Fourier域伸缩带通滤波.分数阶Fourier变换是对传统Fourier变换的推广,对信号分析处理有更大的灵活性,为了将多分辨率分析理论推广到时域-广义频域(分数阶Fourier域),提出了一种分数阶小波变换,分析了分数阶小波变换在广义频域伸缩带通滤波特性,分析信号时的时域-广义频域平面的多分辨率分析网格划分.分数阶小波变换是传统小波变换的推广,在对原小波变换核作一定改动后增加了小波变换对信号处理的灵活性.可以看到,将分数阶小波变换的变换角度取为π/2,便得到与传统小波变换多分辨率分析理论完全一致的结果.理论分析和计算机仿真表明了所提理论的正确性和有效性.     

分数阶Fourier域多分量LFM信号间的分辨研究

在分数阶Fourier域内,当多分量线性调频(LFM)信号的初始频率和调频率相近时,信号的尖峰会出现无法分辨的现象,导致目标信号漏检.文中分析了LFM信号在分数阶Fourier域的频谱分布特征,以及离散分数阶Fourier变换计算条件下LFM信号的频谱分布特征.推导了两个LFM信号在分数阶Fourier域的临界分辨距离,以及两个LFM信号尖峰之间的距离与量纲归一化因子的变化关系,发现选择合理的量纲归一化因子可以增大两个信号尖峰之间的距离.文中提出一种量纲归一化因子优化选择的方法,该方法可以提高分数阶Fourier变换对多分量LFM信号的分辨能力.最后,仿真结果验证了该方法的有效性.     

一种新型分数阶小波变换及其应用

小波变换和分数Fourier变换是应用非常广泛的信号处理工具.但是,小波变换仅局限于时频域分析信号;分数Fourier变换虽突破了时频域局限能够在分数域分析信号,却无法表征信号局部特征.为此,提出了一种新型分数阶小波变换,该变换不但继承了小波变换多分辨分析的优点,而且具有分数Fourier变换分数域表征功能.与现有分数阶小波变换相比,新型分数阶小波变换可以实现对信号在时间-分数频域的多分辨分析.此外,该变换具有物理意义明确和计算复杂度低的优点,更有利于满足实际应用需求.最后,通过仿真实验验证了所提理论的有效性.     

基于分数阶傅里叶变换的ISAR横向定标

逆合成孔径雷达的横向定标是确定横向像素代表的真实尺寸、进行目标几何特征提取的前提。本文研究了一种基于分数阶傅里叶变换（Fractional Fourier transform,FrFT）的横向定标方法,利用回波信号在慢时间域为线性调频信号的特性,使用FrFT方法得到信号在不同分数阶傅里叶域的能量聚集性,估计目标回波信号多普勒调频率,求得转动角速度,进而完成横向定标。仿真实验验证了算法的有效性和准确性。     

斜视SAR分数阶距离多普勒成像算法

针对传统距离多普勒(RD)算法在斜视合成孔径雷达(SAR)成像时运算量不足和边缘存在干扰的问题,将传统的RD算法中的匹配滤波用分数阶Fourier变换替代,提出基于分数阶Fourier变换SAR斜视距离多普勒成像(FrRD)算法。理论分析斜视SAR回波信号分数阶Fourier变换域模型,徙动校正在距离分数阶Fourier域方位频域完成,给出FrRD算法仿真流程。仿真结果表明,与传统RD算法相比,FrRD算法成像副瓣更低,成像边界更加清晰,成像时间缩短近一半。     

归一化窗S变换和TT变换联合时频滤波

基于雷达信号特性及归一化窗S变换与TT变换原理,提出一种新的雷达回波信号二维时频滤波方法。通过对雷达信号进行归一化窗S变换时频滤波,滤除高频杂波和随机噪声;再利用TT变换滤除低频杂波。实验结果表明,相较于传统滤波,所提方法的滤波算子随时间及频率同步变化,克服了传统方法受使用条件限制的缺点;有效滤除杂波的同时保留原信号特征,增强了检测及识别能力。     

基于连续小波变换和分形理论的水下回波特征提取

提出了一种水下回波特征提取方法。该方法利用连续小波变换和分形理论从水下回波包络中提取分形维,并作为水下目标分类的特征矢量。对实测的4类不同沉积物回波数据进行特征提取与分类,结果表明:该方法能可靠地区分不同类别的海底底质类型,具有较高的正确识别率。     

基于小波分解和支持向量机的MSTAR SAR目标分类识别研究

对军事目标进行分类是整个SAR ATR过程中最困难的任务。为了进一步提高MSTAR SAR目标的识别效果,在分析了MSTAR SAR图像特点的基础上,提出了一种利用离散小波分解提取目标特征的方法。由于小波分解后的低通近似系数虽然是一种较低分辨率的SAR图像,但是它仍然包含了SAR目标回波的能量,而高通细节系数则包含了目标的细节成份和噪声,因此,可将小波分解后的低通近似系数作为特征,并利用由决策导向循环图扩展的支持向量机来对多类目标进行分类。实验结果表明,即使将3级小波分解后的低通近似系数作为特征,支持向量机的分类精度仍然很高,而且由于特征的数据量较少,因此可使得识别效率得到提高。     

A new method for expert target recognition system: Genetic wavelet extreme learning machine (GAWELM)

In last year’s, the expert target recognition has been become very important topic in radar literature. In this study, a target recognition system is introduced for expert target recognition (ATR) using radar target echo signals of High Range Resolution (HRR) radars. This study includes a combination of an adaptive feature extraction and classification using optimum wavelet entropy parameter values. The features used in this study are extracted from radar target echo signals. Herein, a genetic wavelet extreme learning machine classifier model (GAWELM) is developed for expert target recognition. The GAWELM composes of three stages. These stages of GAWELM are genetic algorithm, wavelet analysis and extreme learning machine (ELM) classifier. In previous studies of radar target recognition have shown that the learning speed of feedforward networks is in general much slower than required and it has been a major disadvantage. There are two important causes. These are: (1) the slow gradient-based learning algorithms are commonly used to train neural networks, and (2) all the parameters of the networks are fixed iteratively by using such learning algorithms. In this paper, a new learning algorithm named extreme learning machine (ELM) for single-hidden layer feedforward networks (SLFNs) Ahern et al., 1989, Al-Otum and Al-Sowayan, 2011, Avci et al., 2005a, Avci et al., 2005b, Biswal et al., 2009, Frigui et al., in press, Cao et al., 2010, Guo et al., 2011, Famili et al., 1997, Han and Huang, 2006, Huang et al., 2011, Huang et al., 2006, Huang and Siew, 2005, Huang et al., 2009, Jiang et al., 2011, Kubrusly and Levan, 2009, Le et al., 2011, Lhermitte et al., in press, Martínez-Martínez et al., 2011, Matlab, 2011, Nelson et al., 2002, Nejad and Zakeri, 2011, Tabib et al., 2009, Tang et al., 2011, which randomly choose hidden nodes and analytically determines the output weights of SLFNs, to eliminate the these disadvantages of feedforward networks for expert target recognition area. Then, the genetic algorithm (GA) stage is used for obtaining the feature extraction method and finding the optimum wavelet entropy parameter values. Herein, the optimal one of four variant feature extraction methods is obtained by using a genetic algorithm (GA). The four feature extraction methods proposed GAWELM model are discrete wavelet transform (DWT), discrete wavelet transform–short-time Fourier transform (DWT–STFT), discrete wavelet transform–Born–Jordan time–frequency transform (DWT–BJTFT), and discrete wavelet transform–Choi–Williams time–frequency transform (DWT–CWTFT). The discrete wavelet transform stage is performed for optimum feature extraction in the time–frequency domain. The discrete wavelet transform stage includes discrete wavelet transform and calculating of discrete wavelet entropies. The extreme learning machine (ELM) classifier is performed for evaluating the fitness function of the genetic algorithm and classification of radar targets. The performance of the developed GAWELM expert radar target recognition system is examined by using noisy real radar target echo signals. The applications results of the developed GAWELM expert radar target recognition system show that this GAWELM system is effective in rating real radar target echo signals. The correct classification rate of this GAWELM system is about 90% for radar target types used in this study.     

面向识别的雷达舰船目标低分辨回波仿真技术

雷达目标回波的高精度仿真是目标识别系统训练和测试的重要手段.针对低分辨雷达舰船目标自动识别的应用背景,提出了基于模板和模型的低分辨回波仿真技术.根据舰船目标的CAD三维模型,利用电磁计算方法得到全姿态的一维距离像模板.在凝视状态下,利用目标距离像模板和雷达发射信号模拟目标低分辨回波;在扫描状态下,利用全姿态一维距离像重构不同角区中目标的散射中心模型,并结合雷达波束的扫描方式获得了目标的仿真回波.结果表明,所提出的基于模板和模型的回波仿真技术对雷达舰船目标具有良好的低分辨回波仿真能力.     

基于堆叠双向LSTM的雷达目标识别方法

现阶段雷达目标检测识别主要依赖人工算法提取目标的特征,难点在于环境自适应能力弱,高强度杂波背景下难以有效检测到目标;针对上述问题,结合深度学习在图像识别等领域表现出的强大的学习表示能力,提出基于堆叠双向长短期记忆网络的雷达目标识别方法;网络模型以雷达多普勒维的回波数据构建数据集,采用双向LSTM提取雷达回波数据在时间序列上的正向和逆向信息,通过RMSProp优化算法对神经网络参数迭代训练,实现了对无人机这种低空慢速小目标的有效识别;实验结果表明,基于堆叠双向LSTM的雷达目标识别方法优于传统的SVM分类算法和卷积神经网络分类算法.     

地基与机载气象雷达探测数据转换算法研究

利用地基多普勒气象雷达探测数据恢复出真实气象目标的位置、移动速度、范围大小,通过对地基气象雷达数据进行空间插值处理,设计仿真算法,在机载雷达扫描方向上进行空间分层投影和插值,在不考虑旁瓣回波和载机实际飞行状态等因素的影响时,得到理想的扫描模型,完成机载多普勒气象雷达对相应区域的扫描产品的仿真.实验表明仿真回波适用于分析机载雷达探测云雨的回波特性.