一种优化稀疏分解的雷达目标识别方法

雷达目标识别中雷达回波数据巨大,因此利用稀疏分解的方法对回波数据进行稀疏化处理。但稀疏分解中的匹配追踪算法存在计算复杂、计算量大的问题,所以汲取了粒子群优化算法(PSO)全局搜索能力强、收敛速度快的优点对最优原子的搜索过程进行优化,并且针对粒子群优化易陷入局部最优的问题,提出一种惯性权重自适应改变的改进解决方法。通过对雷达高分辨率距离像(HRRP)信号的稀疏表示实验仿真发现,基于粒子群优化的匹配追踪算法能大大缩短匹配追踪的时间,同时惯性权重自适应改变的方法也有效解决了PSO优化的"早熟"问题。     

基于LVQ网络优化的雷达目标识别算法

目标一维距离像在雷达目标识别领域中具有很高的研究价值,神经网络有很强的自适应能力,被广泛应用于目标识别领域中。通过研究分析,将学习向量量化（Learning Vector Quantization, LVQ）神经网络应用于雷达目标一维距离像识别。针对LVQ神经网络对初始连接权值敏感的问题和如何增强网络的分类识别性能,提出利用粒子群优化（Particle Swarm Optimization, PSO）算法对其进行优化。在此基础上提出了基于PSO-LVQ神经网络的雷达目标一维距离像识别新方法。通过3类飞机实测数据实验,验证了PSO算法优化LVQ神经网络初始连接权值的可行性和PSO-LVQ识别算法的有效性。     

基于半参数化SLC 的雷达目标识别

针对雷达目标高分辨距离像(HRRP)统计识别中SLC(基于累计量的随机学习算法)在小样本情况下概率密度估计准确度下降的问题,该文提出一种基于半参数化SLC 的雷达目标识别方法。该方法利用半参数化概率密度估计思想对SLC 非参数化概率密度估计进行修正,有效利用了HRRP 各距离单元幅值近似服从 Gamma 分布的经验知识,达到参数化方法和非参数化方法优劣互补以提高小样本情况下雷达目标识别率的目的。最后基于5 种飞机模型HRRP 数据的仿真实验证明了该方法的有效性。      

GA优化的稀疏分解在雷达目标识别中的应用

特征提取是雷达目标识别系统中很关键的环节,获得一种稳健的目标特征尤为重要。可以利用稀疏分解的方法把雷达高分辨距离像(HRRP)表示在一个超完备Gabor时频字典上,进而提取字典原子的特征参数作为特征向量进行识别;针对匹配追踪算法计算量大的问题,利用遗传算法搜索能力强收敛速度快的优点对OMP算法进行改进。通过对雷达高分辨距离像(HRRP)的识别实验表明,采用Gabor原子提取的特征参数作为特征向量对雷达目标的分类效果比较好。同时,基于GA改进的OMP算法大大降低了参数寻优的计算量。     

数字调制识别SVM分类器参数优化及仿真

对于基于SVM数字信号调制识别分类器,参数选取过程中如何优化惩罚因子和径向基核函数参数问题,提出了一种改进算法。该算法将自适应惯性权重粒子群算法和k折交叉验证法结合,利用交叉验证法计算粒子适应度值,通过粒子群算法实现最优参数值搜索,最终得到分类器惩罚因子和径向基核函数参数最优值。仿真结果表明,该算法性能明显优于网格搜索法和遗传算法。     

基于人工蜂群算法的支持向量机参数优化及应用

为了解决常用的支持向量机(SVM)参数优化方法在寻优过程不同程度的陷入局部最优解的问题,提出一种基于人工蜂群(ABC)算法的SVM参数优化方法。将SVM的惩罚因子和核函数参数作为食物源位置,分类正确率作为适应度,利用ABC算法寻找适应度最高的食物源位置。利用4个标准数据集,将其与遗传(GA)算法、蚁群(ACO)算法、标准粒子群(PSO)算法优化的SVM进行性能比较,结果表明,本文方法能克服局部最优解,获得更高的分类正确率,并在小数目分类问题上有效降低运行时间。将本文方法运用到计算机笔迹鉴别,对提取的笔迹特征进行分类,与GA算法、ACO算法、PSO算法优化的SVM相比,得到了更高的分类正确率。     

基于PSO-KPCA-LVQ神经网络的雷达一维距离像识别

针对雷达目标一维距离像识别研究,将子空间法中的核主成分分析方法(KPCA)与LVQ神经网络相结合应用到雷达目标一维距离像识别中,提出了KPCA-LVQ算法,并取得了较好的识别效果。研究中发现,在使用核主成分分析时,存在核函数中未知参数难以确定的问题。针对此问题,深入分析核函数矩阵和核函数参数之间的关系发现,主成分的贡献率与核函数的参数之间存在着一定的对应关系。据此,确定了基于主成分贡献率的优化问题,并采用粒子群算法(PSO)进行优化求解,得到最优的核参数。实验分析结果表明,该方法克服了核主成分分析方法中依靠经验来确定未知参数的缺点,降低了计算量,提高了目标识别率。     

基于DWPSO-SVM的sEMG手势动作识别

为了提高表面肌电信号(surface Electromyographic signal, sEMG)手势动作识别的准确率,本文提出基于双权重粒子群算法(Particle Swarm Optimization, PSO)优化支持向量机(Support Vector Machine, SVM)的分类模型(DWPSO-SVM)。针对传统PSO在参数寻优时易陷入“早熟”问题,进一步提高粒子寻优能力,本文在标准PSO的基础上引入约束因子结合同向更新策略用于速度约束,有效的提高了粒子的寻优能力并缓解了“早熟”现象;其次,分析了多种权重更新策略对惯性权重和约束因子的影响;最终,采用非线性更新策略结合DWPSO优化SVM模型构建特征分类模型。实验表明,本文提出的DWPSO-SVM模型能够有效完成sEMG手势动作识别任务。     

非均衡数据目标识别中SVM模型多参数优化选择方法

提出了非均衡数据目标识别中SVM模型多参数优化选择方法.首先从理论上分析了SVM模型多参数选择的内涵和必要性,针对非均衡数据的分类识别,基于F测度提出了能全面反映识别性能的多参数优化选择准则.在多参数选择过程中,利用遗传算法进行模型多参数并行优化选择.提出的方法能够寻找模型多参数的全局最优解,避免陷入梯度法常出现的局部最优解情况,同时能够克服传统方法中根据经验选择SVM单参数模型时计算量太大的不足.采用国际通用的标准数据集和雷达目标HRRP数据集进行了仿真实验,实验结果表明,该方法能够得到模型多参数的全局最优值,由此确定的SVM模型分类器性能有较大提高.     

基于高分辨一维距离像及其特征的空间目标识别效果分析

目标高分辨一维距离像(High Resolution Range Profile, HRRP)中包含了丰富的目标尺寸、结构等目标特征,是进行空间目标身份识别的有效途径。但由于卫星宽带雷达实测数据获取难度大,前期相关研究多集中于基于HRRP的目标识别算法,结论也多是基于仿真数据和少量类别(几类)的前提下得到的,与工程应用实际情况有较大差距,工程指导意义有限。为解决这一问题,基于地基雷达获取的30类卫星目标的大量一维距离像实测数据,从识别正确率的角度对目标HRRP及其特征(组合)的可分性和在空间目标个体识别中的应用效果进行了量化分析,分析结果可为后续基于HRRP的空间目标个体识别技术研究和工程应用提供可靠依据。