粗神经元网络在辐射计目标识别中的应用

将粗糙神经元和传统神经元混合构造的粗糙神经网络,用于对毫米波辐射计回波信号的目标识别.其中粗糙神经元包含一对重叠的普通神经元,使用一对上下值作为输入和输出.对于实际应用中变量值是范围值的情况,用粗糙神经网络来开发模型,结果优于传统神经网络.仿真实验表明,该模型提高了目标的识别率和网络的收敛速度.     

基于提升小波的毫米波信号实时去噪

针对3mm波段毫米波探测器回波信号去噪处理的实时性要求,比较了几种提升格式下基于整数的小波变换的去噪效果和算法复杂度,具体分析了实现5/3小波实时去噪时算法对硬件系统运算速度的要求,构建了基于DSP的信号处理硬件平台,实现了信号实时去噪.     

基于提升9-7小波的毫米波探测器信号实时去噪

针对3 mm波段毫米波探测器信号处理系统的实时性要求,鉴于传统小波算法在硬件平台上的运算速度慢不能满足要求,对几种简化系数提升格式9-7小波的部分系数作了近似处理,使所有系数的分母都为2的整数次幂,算法只涉及整数的加法、乘法和移位运算。利用Matlab仿真,分析比较了它们对探测器回波信号的去噪效果及算法复杂度,并应用到基于DSP构建的探测器信号处理平台上。实验表明,能够满足信号去噪的实时性要求。     

基于稀疏分解的高分辨雷达信号特征提取

从含噪的目标波形中提取稳健的目标特征,是准确识别目标的关键.通过稀疏分解将高分辨雷达回波信号展开于一个超完备Gabor时频字典上,从具有局部化时频结构的信号中提取相关特征量,并采用改进的混合粒子群算法降低匹配追踪过大计算量的问题.实验表明,使用少数原子就可以表示原信号的主要特征信息,可作为目标识别的依据.     

基于稀疏分解的毫米波辐射计信号去噪

信号的稀疏逼近可以取代原始数据,从而降低信号处理的成本。根据稀疏分解不断地跟踪并提取最能匹配于原始信号及其残差信号的原子向量作为信号的特点,提出3σ准则选取阈值,将其应用于毫米波辐射计信号的去噪,并用粒子群算法克服计算量过大难以实现的问题。实验表明:选取适当的迭代停止条件,即可获得最优的去噪效果,并且在普通计算机上就可以快速地完成计算。     

高精度3mm波段探测器信号处理系统

详细阐述了3 mm波段毫米波主被动复合探测器的工作原理,针对其高速小型化应用的要求,基于TMS320F2812设计了探测器的信号处理系统。鉴于传统ADC采样方法测距的缺点,采用DSP定时器捕获方法,实现了精度为±2 m的主动测距功能。基于模糊综合评判方法进行目标识别,并综合单个特征分量识别效果及专家评分权重两个因素,改进了确定特征分量模糊综合评判权重的方法,使系统对金属目标的识别率达到了81%。     

基于椭球聚类的毫米波主被动复合探测信息融合

在毫米波主被动复合探测数据融合中,考虑信号在特征空间中各向异性的分布情况,将描述模式不确定性的隶属度函数引入到证据理论中,提出椭球聚类的方法来确定隶属度及基本概率赋值函数,再根据组合规则进行融合。实验表明该方法是一种有效的数据融合方法,能获得较高的目标识别率。     

基于改进权重模糊综合评判的目标识别方法

传统毫米波探测器目标识别方法都是基于模板匹配,虚警率高.采用模糊统计法确定特征分量对金属目标的隶属函数,建立模糊综合评判的评价矩阵.综合单个特征分量识别效果及专家评分权重两个因素,提出一种确定特征分量模糊综合评判权重的方法.根据模糊综合评判结果及最大隶属度原则,考虑工程应用中决策时的风险损失,利用训练样本集构造分类器,对于三组不同条件下的测试样本集,金属目标的识别率分别为80%、83%、81%.将分类器应用到实际系统中,经高塔及缩比实验,对金属目标总识别率为81%.     

一维距离像识别的相关向量机法

针对雷达目标样本缺乏以及高输入模式维数的分类问题,提出利用一种稀疏概率模型--相关向量机(RVM)对雷达目标的一维距离像进行识别.与支持向量机(SVM)相比,其训练是在贝叶斯框架下进行的,不仅解更稀疏,而且无需调整模型参数.使用RVM与SVM识别同样的雷达目标一维距离像,结果表明:RVM模型更为简单,减少了运算量,但能获得更精确的分类结果.     

高分辨率毫米波雷达目标识别研究

利用分数傅里叶变换(FrFT)在时频域对信号的混合表示的特点,将离散分数傅里叶变换(DFrFT)和相关向量机(RVM)应用于毫米波(MMV)高分辨雷达一维距离像识别。使用Fisher准则确定DFrFT的阶数α,将一维距离像进行α阶DFrFT变换,获得信号的特征量,然后利用RVM网络进行分类识别。实验结果表明,该方法是一种可行有效的特征选择方法,具有较高的识别率。