基于中心矩特征的雷达HRRP自动目标识别

针对雷达高分辨距离像(HRRP)的方位敏感性和平移敏感性,对一定角域内的HRRP非相干平均,提取具有平移不变性的中心矩作为特征向量,采用Karhunen-Loeve变换进一步进行特征压缩,建立相应的支撑矢量机(SVM)分类算法.与基于原始距离像特征的最大似然(ML)方法和基于中心矩特征的ML方法识别结果比较,该方法在减少计算量的同时具有较高的识别率,具有良好的推广能力.     

基于HRRP偶数阶中心矩特征的卫星目标识别

针对高分辨距离像(HRRP)的姿态敏感性和平移变化敏感性,提出用HRRP偶数阶中心矩特征进行目标识别.该方法用小波去噪方法提高HRRP的信噪比,在此基础上提取具有平移不变性的中心矩作为特征向量,为了降低特征矢量的维数,可以只把具有较强稳定性的偶数阶中心矩作为特征向量,以适用于组合特征的最近邻模糊分类算法对中心矩特征进行处理.实测卫星数据的验证结果显示,该方法在减少存储量和计算量的同时取得了非常好的识别效果.     

一种利用强度信息的雷达HRRP自动目标识别方法

 针对雷达高分辨距离像(HRRP)的幅度敏感性,现有HRRP雷达自动目标识别(RATR)方法一般简单地能量归一化.本文借鉴切空间距离的思想,提出一种利用HRRP回波强度信息提高识别精度的方法,实测数据仿真试验证明与传统方法相比,该方法可提高识别率约5个百分点.     

基于平均模板的HRRP自动目标识别

给出了一种结合幂变换的高分辨率距离像（High Resolution Range Profile,简称HRRP）的预处理新方法，根据时域－频域能量等价性，利用功率平均形成一种频域平均模板。基于美国MSTAR（Moving and Stationary Target Acquisition and Recognition)实测数据的实验结果证明了新方法的有效性。     

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。     

MUSIC超分辨距离像在雷达目标识别中的问题

基于Li和Wang提出的提高距离分辨率有利于提高距离像的姿态稳定性这一结论，不少研究者利用超分辨距离像进行目标识别。文中从高分辨雷达目标的简单散射点模型理论出发，分析了距离像的分辨率与目标姿态敏感性的关系，并且结合仿真实验，详细分析了MUSIC超分辨距离像用于目标识别时对目标姿态、散射点个数、信噪比的敏感性等问题。     

基于中心矩特征和GA-BP神经网络的雷达目标识别

在雷达目标识别中,利用核主分量分析（KPCA）方法来进行目标特征提取,忽略了高分辨率距离像（HRRP）的本身特性。提取一种平移不变特征-中心矩作为特征向量,采用KPCA进行特征降维;由于BP神经网络易陷入局部极小,采用遗传算法（GA）对BP网络节点权值和阀值进行优化选择。基于雷达实测数据的实验结果表明:平移不变的KPCA特征提取方法实现了平移不变和降维的结合,同时,利用GA优化BP神经网络提高了分类器稳定性改善易陷入局部最小的缺陷,提高了雷达目标识别的性能。     

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。     

雷达HRRP目标识别系统参数分析

雷达高分辨距离像在实现自动目标识别方面具有较大潜力,其识别性能与雷达系统参数,如雷达工作频率、信号带宽等有关。此外,用于采集识别器训练数据的雷达接收机的特性与实际工作的雷达接收机的特性会有所不同,也会影响到识别性能。文中对上述参数对识别性能的影响进行了分析和评估,所得到的结果对目标识别雷达的系统设计具有参考价值。     

基于灰色关联和不确定推理的HRRP 目标识别

由于HRRP 固有的信息有损压缩,利用单帧HRRP 样本进行目标识别时, 存在经典算法识别率较低而改进后的算法一般复杂度较高的问题。为获得更加稳健、可信的识别效果,文中基于MYCIN 模型,引入灰色关联算子,构造了不确定因子,提出了一种基于HRRP 序列的雷达目标识别方法。基于五种飞机模型高分辨距离像数据的仿真实验表明:与单样本的识别算法相比,所提出的算法具有识别精度高、稳定性好、抗干扰能力强等优点,具有较好的工程应用前景。     

基于特征模板的高距离分辨率雷达像自动目标识别

提出了一种结合功率变换的高距离分辨率雷达像预处理新方法。根据时域——频域能量等价性,利用奇异值分解形成一种频域特征模板。在用这种模板针对MSTAR中的3类雷达目标实测数据进行的识别实验中,获得了较高的正确识别率。     

用改进核函数提高SVM的雷达目标识别率

对支持向量机中的高斯核进行了改进,利用改进的高斯核构造了一维高分辨率距离像的雷达目标识别算法,并将幂变换引入预处理过程.该技术提高了识别率,减少了识别时间;同时对所完成的目标识别算法的性能进行了评估,从方位角大小、信噪比和训练数据大小三个方面验证了该算法的稳健性.     

基于支持向量机的红外成像自动目标识别算法

本文针对实战中红外成像制导导弹面临的自动目标识别问题,提出了一种利用若干二维图像识别三维目标的自动目标识别算法,并引入支持向量机作为分类器．仿真试验结果表明,该算法能够成功地识别三维空间中任意角度的目标,很好地解决了许多二维识别算法难以解决的三维目标识别问题．同时,通过比较,证明该算法比传统识别算法拥有更高的识别率．     

基于一维距离像序列的弹道目标融合识别研究*

一维距离像是宽带雷达目标识别的重要特征之一.本文根据弹道目标的微动特性,推导了微动弹道目标的时间-距离像模型.然后提取具有平移不变性的中心矩和双谱作为待识别特征向量,并分别使用K-L变换和局部双谱法对提取到的中心矩和双谱特征进行降维.将降维后的特征分别输入支持向量机进行分类识别,最后将支持向量机的输出进行决策级融合,得到待识别目标的识别概率.与基于单特征量的识别方法相比,本文提出的方法不仅具有较高的识别率,而且具有良好的抗噪能力.     

基于深度学习的HRRP舰船目标识别性能分析

针对分辨率、信噪比、补零及深度置信网络等对深度学习舰船目标识别性能的影响问题,文中开展了基于实测数据的相关实验分析,整个实验分析处理过程包括回波信号对齐、数据脉冲压缩、信号能量归一化、深度学习模型训练、分类器设计及判决输出。实验分析结论为深刻理解基于深度学习的高分辨距离像舰船目标识别技术原理内涵,开展舰船目标识别工程化应用设计奠定了坚实的基础。