航空雷达目标极化分集特征的实时提取与自动目标识别的ANN技术

本文首先利用Ｈｏｐｆｉｅｌｄ线性规划神经网络实现了一种极化椭圆匹配技术，从极化分集的雷达后向散射测量结果中提取了目标主散射体的全极化信息──极化分集特征；然后将实时获取的极化分集特征进行特征变换，进而直接利用基于欧氏测度的ＡＲＴ２神经网络进行自动目标识别．     

基于极化特征的雷达目标识别技术

极化特性是雷达目标散射回波的重要特性之一,极化特征能够解析目标的粗细、大小、对称性等信息。随着雷达极化测量技术的逐步成熟,基于极化特征的雷达目标识别日益引起国内外学术界的高度重视。以电磁散射计算仿真的飞机模型为研究对象,在极化不变量理论基础上对这些飞机目标的极化特性进行了试验分析研究,以SVM为分类器,通过功率矩阵的迹和去极化系数可以实现对三个目标的区分。结果表明,该方法可以有效地将三个目标进行分类识别。     

基于多维极化特征空间的雷达目标识别

在宽带极化雷达体制背景下，研究了目标的变极化效应，并采用参数作了具体表征，结合多视角观测这一现实，构造了目标的多维极化特征空间，并在此基础上对五种飞机目标进行了识别实验研究，取得了良好的目标分类或识别效果。     

雷达目标识别技术及其新进展

从雷达目标识别技术作为现代雷达的一个重要发展方向出发，对雷达目标识别的几种主要方法即目标运动轨迹特征识别法、回波幅度起伏特性识别法、多频雷达回波识别法、极点识别法、斜升响应识别法和极化识别法等作了阐述，最后对雷达目标识别技术的新进展即波形综合法、雷达成象技术及神经网络在雷达目标识别中的应用作了展望。     

雷达目标识别技术

雷达目标识别作为雷达技术发展的必然，成为现代雷达技术重要的研究方向之一。虽然雷达目标识别技术的有一定的进展，但还没有到完全解决问题的阶段，仅仅是广泛进行研究物一开端。本文对上前几种主要的雷达目标识别技术作了阐述，期望对雷达目标识别技术的研究概貌有一个清晰的认识。     

一个基于神经网络的航空照片自动目标识别算法

针对航空照片中自动目标识别的复杂性,该文提出了一种基于神经网络的自动目标识别算法,算法包括检测和虚警排除两个阶段。检测阶段是在整幅区域中进行快速搜寻,找出所有可能的目标;虚警排除阶段是对检测阶段得到的结果进行进一步的验证,在尽可能保留全部真目标的前提下,将伪目标排除。实验结果证明了算法的可行性。     

雷达目标识别技术综述

针对雷达自动目标识别技术进行了简要回顾。讨论了目前理论研究和应用比较成功的4类目标识别方法：基于目标运动的回波起伏和调制谱特性的目标识别方法、基于极点分布的目标识别方法、基于高分辨雷达成像的目标识别方法和基于极化特征的目标识别方法，同时讨论了应用于雷达目标识别中的4种模式识别技术：统计模式识别方法、模糊模式识别方法、基于模型和基于知识的模式识别方法以及神经网络模式识别方法。最后分析了问题的可能解决思路。     

发展中的雷达目标识别

随着雷达技术的发展,雷达目标识别日益受到广泛重视。本文综述了雷达目标识别的重要进展,并特别指出了高频区目标识别急需解决的一些问题。     

雷达目标识别技术

雷达目标识别作为雷达技术发展的必然,成为现代雷达技术重要的研究方向之一。虽然雷达目标识别技术的研究有一定的进展,但还没有到完全解决问题的阶段,仅仅是广泛进行研究的开端。本文对目前几种主要的雷达目标识别技术作了阐述,期望对雷达目标识别技术的研究概貌有一个清晰的认识。     

目标动态极化结构特征提取与识别

本文以宽带极化雷达体制为背景，建立了目标极化结构宽带模型，采用伪本征极化描述宽带下目标极化的结构的动态特性，提出了基于模糊动态特征建模与分类的极化目标识别新方法，对五种飞机目标达到了良好的识别效果。     

雷达目标三维特征的提取与识别研究

以逆合成孔径雷达(ISAR)成像技术和计算机视觉理论为基础，提出了一套新的从动态目标ISAR成像序列中提取目标散射点三维结构信息，以此作为目标特征的识别方法。这一研究方法包含了4个重要环节：动态目标的ISAR像序列的获得；“散射点像元”质心的检测、跟踪和匹配；基于光流分析的目标散射点三维结构特征的提取；目标三维特征的识别。由于经过了时间和空间上信息的积累，目标的散射点的三维结构特征具有稳定和直观的特点。作为一种新的目标识别的依据是很有效的，且只需要较少的训练样本就可以获得较高的识别率。     

雷达目标识别技术述评

首先对雷达目标识别研究领域已经取得的成果和存在的问题进行简单的回顾。然后结合对空警戒雷达,阐明低分辨雷达目标识别研究的具体思路。     

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Kohonen神经网络的飞机目标识别

首先分析了Ｋｏｈｏｎｅｎ神经网络算法及其识别机理，结合飞机目标识别实现情况，借鉴人及从粗分到细分的思想，提出了基于ＫＮＮ－ＭＬＦＮＮ网络组分类器的飞机目标分类方法，应用于五种飞机目标的识别结果表明，自组织神经网络的学习速度快，自学习能力强；ＫＮＮ－ＭＬＦＮＮ网络组分类器有高的分类精度。     

雷达目标识别技术综述

雷达目标识别技术是集传感器、目标、环境为一体的一项复杂的系统工程,是现代雷达技术的重要发展方向之一。文中总结了目标特性的研究现状,针对不同的识别对象,如弹道导弹、空中目标、海上目标和地面等目标,对现有的识别方法进行了梳理,并分析了雷达目标识别技术的发展方向。     

雷达目标分类/识别技术

分析了雷达目标识别的特点、分类及方法,介绍了雷达目标识别的发展及国外现状,着重研究雷达目标的特征及特征的提取,提出了未来雷达目标识别需要研究的的课题。     

目标特征与雷达识别需求关系原理

根据实际涡喷JEM特殊的多压气级的特点,推导出多压气级JEM的理论参数模型,并由实际分析得出JEM的周期调制特征,提出利用JEM的周期调制特征对空目标进行分类的设想。提出了基于微多普勒特征进行目标识别所需要的雷达参数原理,并举例分析了利用微多普勒周期特征进行目标分类所需的参数。     

用于雷达目标识别的理想极化参数模型

利用目标散射矩阵理论和多散射中心理论建立一种用于雷达目标识别的极化参数模型。应用这一参数模型，雷达目标可由一个或多个散射中心的特性加以描述。通过对散射中心特性的分析，可以对雷达目标作出较精确的估算。     

基于灰度图特征的低分辨雷达目标识别

低分辨雷达目标识别一直是目标识别领域的研究难点.由于我国现役雷达基本上都是低分辨雷达,开展低分辨雷达目标识别研究有着极为现实的意义和迫切的需求.文中基于现役低分辨雷达,研究了目标识别的关键技术,提出了基于灰度图的特征提取方法,并采用径向基函数神经网络对所提取的特征进行了识别实验,达到了较高的识别率.     

干扰背景下瞬时极化测量雷达的目标识别预处理技术

该文以瞬时极化测量雷达的攻防对抗为背景,分析了单极化有源干扰机形成的假目标的极化散射特性。分析结果表明,在同样的干扰样式下,干扰机在分时极化测量雷达和瞬时极化测量雷达下生成的假目标具有不同的散射特性。在单极化有源假目标极化散射特性分析基础上,针对对抗条件下极化雷达无法准确测量目标散射矩阵的情况,提出了一种基于不完整极化测量的目标识别预处理方法。该方法能够有效获取目标三个极化散射矩阵序列,它们可以用作目标识别的稳健特征量。