基于动态时间规整算法的一维距离像雷达目标识别方法

针对高分辨率雷达一维距离像(HRRP)的目标识别问题,提出了一种基于动态时间规整(DTW)算法的雷达目标识别方法.该方法利用HRRP具有反映目标结构分布和几何形状的特性,通过角域划分建立各类目标姿态模板数据库,使用DTW算法估计HRRP与目标模板库中不同HRRP的相似度,选择最大相似度对应的目标模板作为目标识别的结果....     

基于核函数的多极化HRRP识别

针对多极化雷达高分辨距离像(HRRP)识别中数据量大、分布复杂和识别算法复杂的问题,提出了基于核函数的识别方法.该方法首先定义了两种基于多极化HRRP的核函数,然后将其分别应用到核主分量分析(KPCA)中降维和提取特征,最后采用最近邻(1NN)分类器和支持矢量机(SVM)分类器对目标进行分类.该方法可以在不丢失极化信息的情况下,将多极化HRRP作为一个整体进行识别,降低了识别算法的复杂度.多极化HRRP数据的仿真实验结果显示,该方法的识别率比单极化HRRP提高7%～10%;与其他多极化HRRP识别方法相比,该方法不仅降低了提取特征的维数,而且还提高了识别性能.     

采用双向LSTM模型的雷达HRRP目标识别

针对传统雷达高分辨距离像目标识别方法只考虑高分辨距离像样本的包络信息而没有考虑其时序相关特性问题,提出了一种采用双向长短时记忆网络模型的识别算法。该算法首先选取出高分辨距离像样本的目标区域,并根据目标区域提取对于平移敏感性稳健的输入特征;然后采用双向长短时记忆模型对输入特征提取双向时序信息;最后通过投票策略融合双向信息,输出样本类别。采用实测数据的实验结果表明,该算法不仅可以有效地识别雷达目标,而且对于平移敏感性非常稳健。     

基于二维稀疏采样的HRRP合成及ISAR成像方法

在分析传统的线性调频(LFM)信号体制ISAR高分辨距离像(HRRP)合成及二维成像原理的基础上,结合压缩感知理论,提出了一种基于二维稀疏采样的高分辨距离像合成及ISAR成像方法。该方法对经过二维稀疏采样后的ISAR回波信号进行二维重构处理,在大幅降低LFM信号采样率、减少子脉冲个数的前提下,获得高质量的HRRP和二维ISAR像;为缓解数字信号处理机的采样负担、降低已方雷达信号的被截获概率奠定了基础。仿真实验证明了该方法的有效性和可行性,同时观察了其鲁棒性。     

基于结构划分字典学习的雷达目标识别

在使用高分辨距离像进行雷达目标识别时,有时必须面对大样本问题,可实际上雷达在某一时刻观测到的物理过程是很少的,传统的方法在识别过程中从未考虑过距离像信号的稀疏性。为此,文中提出了一种基于结构划分冗余字典完成雷达一维距离像稀疏表示,进而实现目标识别的算法。该算法首先依据字典原子的结构特点划分冗余字典,简化字典表述的同时减少原子数据存储量;随后,采用改进的遗传匹配追踪算法(IGAMP)对一维距离像训练样本进行稀疏分解以获得各类目标的类别字典;最后,根据类别字典分析测试样本的重构误差实现目标识别。仿真实验证明,文中算法简捷、识别率高,即便受到噪声干扰依然能稳健地识别目标。     

基于SKO—KPCA和SVM的雷达目标HRRP特征提取与识别

将依赖数据变化的自适应SKO技术和迭代算法引入KPCA算法中,结合SVM分类技术,提出了基于SKO—IKPCA和SVM的雷达目标HRRP特征提取与识别方法。讨论了HRRP预处理、迭代KPCA算法和SKO／FKO技术的实现方法,将SKO／FKO技术应用到KPCA的核优化中,并用人工合成数据对其优化性能进行了测试与比较,应用该方法对su-27、F-16及M2000等三类飞机目标的实测HRRP数据进行了特征提取与识别实验。结果表明,所提方法具有较好的稳定性和可靠性,能有效地优化雷达目标主元特征的提取,提高目标的识别性能。     

一种基于修正围线积分双谱的HRRP特征提取算法

围线积分双谱是一种典型的平移不变特征,其保留了双谱的相位信息,避免了积分过程中的插值处理,因此被广泛用于雷达HRRP(High Resolution Range Profile)目标识别。但现有的围线积分双谱仍不能充分简化计算。文章对其积分路径按照双谱对称性进行改进,并利用改进算法进行HRRP目标识别的仿真实验,结果表明,其不仅具有原算法较高的分类精度,也能够大大减少计算量,缩短特征提取时间。     

一种利用稀疏表示的距离扩展目标检测新方法

针对在高斯白噪声背景下距离扩展目标检测问题,通过构造Sinc基来线性表示距离扩展目标的一维距离像,将稀疏表示理论引入到目标检测中,提出了基于Sinc基的自适应子空间检测器检测新方法．首先由基追踪算法估计噪声功率,再由基追踪去噪算法得到的残余分量估计噪声协方差矩阵,最后通过一阶高斯模型自适应子空间检测器来实现距离扩展目标检测．基于实测宽带雷达回波数据的实验结果表明,所构造的Sinc基可以很好地线性表示距离扩展目标的一维距离像,有效地实现距离扩展目标检测．     

一种距离扩展目标的检测方法

针对宽带雷达中距离扩展目标的回波特性,提出了一种对高分辨距离像数据进行目标检测的新算法.先用窗函数估计目标的位置和噪声强度,并采用模糊门限映射对目标数据进行转换,再假设目标匀速平动对各次回波进行包络对齐,最后在对目标的导向矢量进行估计的基础上得到基于模糊门限映射的广义似然比(FTMD-GLRT)检测算子,并简要分析了该方法的恒虚警率性.实验结果表明,与基于散射点密度的广义似然比检测算法相比,FTMD-GLRT算法检测性能有明显的提高,可有效地解决宽带雷达的目标检测问题.     

基于ConvLSTM的空间进动锥体目标HRRP序列预测

宽带雷达对空间进动锥体目标进行持续探测能够形成高分辨距离像（high resolution range profile,HRRP）序列。HRRP序列携带空间进动锥体目标的空间几何信息和运动规律等信息,是进行目标关联跟踪和分类识别的重要依据,因此研究空间进动锥体目标的HRRP序列预测具有重要意义。卷积长短时记忆（ConvLSTM）网络将CNN和LSTM二者的特点有效结合,能够充分挖掘HRRP序列的空间和时间特性,完成对HRRP的预测。本文基于空间锥体目标的进动模型建立了多种尺寸、运动速度和运动方向等不同参数的HRRP序列数据集,并利用此数据集根据HRRP特性设计实现了适用于空间进动椎体目标HRRP预测的ConvLSTM网络模型。为了测试本文设计的ConvLSTM网络预测效果,将ConvLSTM网络与二维卷积神经网络模型进行预测效果对比分析。仿真实验结果表明,ConvLSTM网络预测结果与物理光学法计算得到的HRRP一致性高,皮尔逊相关系数高达0.973 1,平均绝对误差低至0.033 4,相较于二维卷积神经网络预测结果更加准确。证明本文设计的ConvLSTM网络模型能够有效提取HRRP序列的时间和空间特征,实现对HRRP序列的高精度预测。     

数据加长和最近邻特征线分类器用于距离像识别

给出了一种新的距离像预处理技术——数据加长,有效减小了距离像相关对齐的误差;并针对距离像分布的特点,提出在距离像模板的局部方位区域内对模板进行扩充,使得最近邻特征线分类器的运算量大大降低,而识别性能却得到了提高;最后将数据加长与改进的最近邻特征线分类器结合起来对距离像进行识别,基于实测数据和仿真数据的实验结果验证了该方法的有效性．     

Radar HRRP based few-shot target recognition with CNN-SSD

The development of radar high resolution range profile(HRRP)non-cooperative targets recognition technology is mainly limited by two aspects:(1) Due to the low observation frequency of non-cooperative targets,the number of labeled HRRPs is insufficient,making non-cooperative HRRP based target recognition a typical few-shot recognition problem,which is still a hot and difficult issue without definite conclusion in the academia.(2) The existing HRRP based target recognition methods are mostly based on the hypothesis of complete dataset,making them mismatch with non-cooperative target recognition in few-shot setting.In this paper,we put aside the complete hypothesis and propose an HRRP based few-shot target recognition method with CNN-SSD.The proposed method first uses a complete training HRRP containing 45 classes of cooperative targets to learn an initial category-independent feature extractor,on the basis of which we further utilize the model sequential self-distillation mechanism to obtain a more generalized feature extractor.Finally,the generalization ability of the extracted features is evaluated on unseen non-cooperative targets during training.Experimental results on self-simulated HRRP dataset reveal that the proposed method can achieve an average recognition rates of 61.26%,84.69% and 92.52% respectively when only 1,5 and 10 annotated HRRPs of non-cooperative targets are available.     

一种基于零相位表示法的雷达高分辨距离像识别方法

针对一种距离像零相位表示法,提出采用子带处理来降低对对齐精度的要求,并给出了相应的识别方法．与最大相关系数分类器相比,子带处理的方法在降低运算量的同时获得了较好的识别性能,优于基于频谱幅度特征的分类器的性能．     

一种深度神经网络SAR遮挡目标识别方法

提出了一种利用深度神经网络的合成孔径雷达图像部分遮挡目标的特征提取和目标识别新方法.该方法首先对合成孔径雷达图像进行预处理,然后提取预处理后合成孔径雷达目标的小波域低频子带图像作为训练数据,最后利用深层稀疏编码模型进一步提取合成孔径雷达遮挡目标的有效特征向量作为目标的特征以完成目标识别.采用MSTAR数据库中的3类目标进行目标遮挡模拟及识别实验.结果表明,新方法可以综合利用遮挡目标的局部和整体结构信息以提高目标的正确识别率,是一种有效的合成孔径雷达遮挡目标特征提取和目标识别方法.     

一种新的雷达HRRP自适应划分角域建模方法

基于雷达方位渐变高分辨距离像(HRRP)的连续性,提出了一种自适应递归划分角域的建模方法,利用自适应高斯分类器和高斯过程分类器,从雷达数据中提取连续HRRP序列中包含的非线性结构信息;提出了一种判定角域边界的准则,递归地对雷达数据自适应划分角域．实测数据仿真试验证明了该方法优于传统的等间隔划分角域建模法．     

采用多特征联合学习的噪声稳健HRRP识别方法

为提高低信噪比条件下雷达目标高分辨一维距离像的识别性能,提出一种采用多特征联合学习的噪声稳健目标识别方法．该方法利用核函数实现对稀疏与低秩的联合表示,用来提取目标高分辨一维距离像的局部特征与全局特征．在训练阶段,利用联合可分性分析多分类器综合结构字典学习方法对特征提取字典进行优化,从而提高特征向量的可分性;在测试阶段,利用对消原理对噪声进行自适应抑制,实现噪声干扰下的稳健识别．利用实测数据进行实验,结果表明该方法可有效地对被噪声污染的目标高分辨一维距离像进行恢复,并提高低信噪比下的目标识别准确率,且满足实际应用中的实时性要求．由此可见,该方法可以有效地提高高分辨一维距离像目标识别系统在低信噪比下的总体性能．     

基于目标子空间的雷达自动识别系统

分析了HRRP空间RATR方法的冗余噪声匹配问题．探讨基于目标子空间的RATR方法．与HRRP空间相比,目标子空间理论上不存在冗余噪声,能够更加准确地反映目标的结构特征．对外场ISAR实测数据的处理表明,此目标子空间算法的识别结果比传统的HRRP空间算法的效率更高,比常规方法具有明显的优越性．     

提高雷达HRRP目标识别和拒判性能的核学习算法

雷达高分辨距离像(HRRP)数据具有明显的多模分布特性．在雷达HRRP识别和拒判中,采用单个高斯核很难准确地描述HRRP数据的多模分布．针对该问题,将单个高斯核扩展到多个高斯核线性组合的形式,并将该组合形式应用到支持向量域描述(SVDD)中来处理识别和拒判问题．根据对组合系数自由度的不同限制,扩展后的多核支持向量域描述(Multi-kernel SVDD)方法可以分别表述为不同的凸优化形式:二阶锥规划(SOCP)和半正定规划(SDP),它们都可以收敛到全局最优解．新方法采用了更加复杂的核函数形式,能够更加灵活地描述HRRP数据在高维特征空间的多模分布,从而提高雷达HRRP的识别和拒判性能．仿真实验结果显示该方法的损失值仅为单核SVDD的88.6％~93.2％．     

利用核匹配追踪算法进行雷达高分辨距离像识别

雷达高分辨距离像识别是目前雷达自动目标识别研究领域的一个重点．采用核匹配追踪算法来设计分类器,提取一种非常简单的高分辨距离像平移不变特征——功率谱特征为识别特征,通过把高分辨距离像从像域变换到功率谱域来提取目标的平移不变特征,稳健性较好．基于实测数据的识别结果表明该算法具有较好的识别性能,同时其识别运算量较小．