宽带雷达一维高分辨距离像识别研究

对一维高分辨率距离像（HRRP）进行预处理,解决高分辨距离像姿态、平移和幅度敏感性问题。对HRRP进行了目标子空间提取,基于子空间使用最大相关系数法对目标进行识别。实验结果表明,基于子空间法的目标识别具有较好的识别结果和较快的处理速度。     

双辨别子空间高分辨距离像雷达目标识别

针对飞机目标的分类问题,提出了一种双辨别子空间高分辨距离像雷达目标识别方法.该方法首先依据Fisher准则导出距离像总散布矩阵的零空间中不含有辨别信息的结论,利用这一结论,对类间和类内散布矩阵进行预降维,降低了后续计算的复杂度.从全局的角度出发,基于类内散布矩阵零空间与非零空间所包含的辨别信息分别建立辨别子空间,实现对目标的特征提取.对ISAR实测飞机数据进行了分类,并与经典子空间方法进行比较,结果表明所提算法有效改善了目标识别性能.     

雷达目标高分辨距离像数据预处理方法研究

文中对双极化雷达高分辨距离像进行不同收发极化态非相干积累、邻近方位角数据压缩和背景杂波电平抑制，获得数据量少、信杂比高的目标特征像，利用以上方法建立五种地面目标特征像数据库，然后对此五类目标进行分类，可以获得较高的识别率。     

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。     

雷达高分辨距离像分类器的参数自适应学习算法

雷达高分辨率距离像具有目标姿态敏感性的特点,在识别时的一种解决方法是对目标不同角域建立不同的统计模型。在给定系统参数条件下,选择目标划分角域个数及每个角域覆盖范围是影响识别器运算量及识别性能的关键。该文给出了一种基于数据的自适应学习上述分类器参数的算法,基于联合高斯分布的数据模型通过迭代算法来确定数据划分边界,并自动确定目标角域个数。与等间隔数据划分方法相比,本文方法在降低识别运算量的同时,可以提高识别性能。基于实测数据的实验结果表明该方法是有效的。     

基于SVM的雷达目标高分辨距离像识别研究

本文从模式分类角度讨论基于高分辨距离像(HRRP-high resolution range profile)的雷达目标识别问题,对基于支持向量机(SVM-Support Vector Machine)的高分辨距离像识别方法进行了研究.使用SVM对3类目标的HRRP进行了分类识别,并在同样条件下与基于模板匹配的识别方法进行了比较.结果表明,使用SVM具有更高的分类正确率和更好的泛化性能.     

雷达高分辨距离像的特征提取算法研究

针对高分辨距离单元内目标散射点的复杂特性, 从散射点模型理论出发, 对目标散射点模型进行深入研究, 分析了传统目标特征提取算法的局限性。给出了一种改进的特征提取方法, 该方法首先对距离单元内的散射点进行预处理, 去除噪声、强化有用信息, 然后对有效的距离单元进行特征提取。基于实测数据的仿真实验结果表明: 该方法能够准确反映目标的几何位置信息, 在减小计算量的同时能获得较高的识别率。     

雷达高分辨距离像目标识别研究进展

雷达高分辨距离像(HRRP)包含了目标的结构信息,在雷达目标识别领域有良好的应用前景.该文详细讨论了基于HRRP的雷达自动目标识别的关键技术及研究现状,包括雷达HRRP的特性、预处理方法、特征提取方法及分类器设计方法等.最后讨论了雷达HRRP识别的研究方向.     

对数变换在高分辨距离像目标识别中的应用

在基于高分辨距离像的雷达目标识别中,幂变换是一种常用的非线性预处理方法,对提高识别率有一定的作用。但幂变换对高分辨距离像目标识别的性能提升受信噪比情况影响较大,且幂变换指数的选取对识别结果影响明显,甚至有不利影响。文中针对幂变换存在的问题,提出用对数变换对高分辨距离像进行预处理。比较分析了对数变换与幂变换的作用机理的异同点,并重点分析了对数变换对高分辨距离像类内和类间相关系数的影响。研究表明:对数变换相较于幂变换更适于对高分辨距离像进行预处理,且实测数据的实验结果表明对数变换比幂变换能更有效地提高识别率。     

一种基于高分辨距离像的目标长度特征提取算法

讨论了基于高分辨距离像（HRRP）的目标长度特征提取原理。在分析影响长度特征估计主要因素的基础上,结合距离像降噪、非相干平均、自适应阈值选取、突变误差消除和长度平滑等处理,给出了基于HRRP的长度特征提取实用算法。雷达实测数据的处理结果表明,该算法能实时获得目标的投影长度,具有良好的鲁棒性和估计精度。     

基于非参数化概率密度估计的雷达目标识别

针对雷达目标识别中,参数化方法估计高分辨距离像的概率密度存在的模型失配问题,提出一种非参数化方法基于累计量的随机学习算法,估计距离像的概率密度。该算法运用多层感知器估计训练样本的分布函数,然后求导得到概率密度。该算法不仅能全面、精确地估计概率密度,而且回避了许多其他非参数方法面临的窗宽敏感性问题。基于外场实测数据的实验证明了该文方法的有效性。     

基于半参数化概率密度估计的雷达目标识别

该文针对雷达目标高分辨距离像(High-Resolution Range Profile, HRRP)识别中距离单元回波幅值统计建模所面临的概率密度模型选择问题,提出一种基于半参数化概率密度估计的雷达目标识别方法。半参数化概率密度估计从参数化概率密度估计出发,有效利用了高分辨距离像各距离单元幅值近似服从Gamma分布的经验知识,并且通过非参数化修正因子对Gamma模型进行修正,达到参数化方法和非参数化方法优缺互补的目的。基于5种飞机模型高分辨距离像数据的仿真实验证明了该文方法的有效性。     

基于字典学习的雷达高分辨距离像目标识别

提出一种基于字典学习的雷达高分辨距离像(HRRP)目标识别算法。该算法依据对测试样本的信噪比估计,可以自适应地确定测试阶段稀疏分解的稀疏度系数。相比于传统识别算法,文中算法对目标的识别性能更好,且对噪声的鲁棒性更强。另外,文中算法可以在只训练部分角域数据(不完备训练集)的条件下较好地识别全角域数据,可应用于HRRP数据库的扩展。基于实测数据的识别试验验证了该算法的有效性。     

基于联合稀疏性的多视全极化HRRP目标识别方法

该文考虑利用连续获取的多视全极化高分辨距离像(High Range Resolution Profile, HRRP)进行目标识别的问题。多视全极化HRRP样本包含了3个层次的先验信息：样本内各分量来自同一目标;单视内4种极化组合方式下的HRRP均对应相同的目标姿态;相同极化方式下的多视观测是相关的。为有效利用上述信息进行目标识别,该文提出一种基于联合稀疏表示的多视全极化HRRP目标识别方法。该方法约束各分量对应的稀疏表示系数共享原子级的稀疏模式。原子级稀疏约束使得从各极化字典中选择来自相同姿态的字典原子对样本中各分量进行稀疏表示,可以有效利用上述3个层次的先验信息进行目标识别。利用目标电磁散射数据对所提方法进行了验证,结果表明,该方法具有较好的识别性能,并且对噪声具有良好的鲁棒性。     

Radar HRRP recognition based on the minimum Kullback-Leibler Distance criterion

To relax the target aspect sensitivity and use more statistical information of the High Range Resolution Profiles （HRRPs）, in this paper, the average range profile and the variance range profile are extracted together as the feature vectors for both training data and test data representation. And a decision rule is established for Automatic Target Recognition （ATR） based on the minimum Kullback-Leibler Distance （KLD） criterion. The recognition performance of the proposed method is comparable with that of Adaptive Gaussian Classifier （AGC） with multiple test HRRPs, but the proposed method is much more computational efficient. Experimental results based on the measured data show that the minimum KLD classifier is effective.     

基于联合动态稀疏表示的开集距离像目标识别方法

针对开集条件下多视高分辨距离像(HRRP)目标识别问题,提出了一种基于联合动态稀疏表示(JDSR)的开集识别方法。该方法利用JDSR求解多视HRRP在过完备字典上的重构误差,采用极值理论(EVT)对匹配和非匹配类别的重构误差拖尾进行建模,将开集识别问题转化为假设检验问题求解。识别时利用重构误差确定候选类,根据尾部分布的置信度获得匹配类与非匹配类得分,并将两者的加权和作为类别判据最终确定库外目标或候选类。该方法能够有效利用多视观测来自相同目标的先验信息提高开集条件下的HRRP识别性能,并且对多视数据不同的获取场景具有良好的适应性。利用从MSTAR反演生成的HRRP数据对算法进行了测试,结果表明所提方法的性能优于主流开集识别方法。     

基于TSB-HMM模型的雷达高分辨距离像目标识别方法

针对雷达高分辨距离像(HRRP)的识别问题,该文提出了一种基于时域特征的截断Stick-Breaking过程隐马尔可夫模型(TSB-HMM),并建立了基于TSB-HMM模型的分层识别算法,利用TSB-HMM模型结合时域特征和功率谱特征对HRRP进行分层识别。实测数据的实验结果表明,该方法是一种有效的雷达HRRP识别方法,分层识别的算法可极大提高目标的平均识别率。特别是在训练样本数极少的情况下,TSB-HMM模型仍能获得较好的识别性能。     

基于深度多尺度一维卷积神经网络的雷达舰船目标识别

为满足雷达舰船目标识别的高实时性和高泛化性的需求,该文提出了一种基于深度多尺度1维卷积神经网络的目标高分辨1维距离像(HRRP)识别方法。针对高分辨1维距离像特征提取难的问题,所提方法通过共享卷积核的权值,使用多尺度的卷积核提取不同精细度的特征,并构造中心损失函数来提高特征的分辨能力。实验结果表明,该模型可以显著提高目标在非理想条件下的识别正确率,克服目标姿态角敏感性问题,具有良好的鲁棒性和泛化性。     

基于匹配度的闪烁HRRP谱特征分析

在未发生散射点越距离单元走动(Moving Through Range Cell,MTRC)的角域内,闪烁现象是导致高分辨距离像(High Resolution Range Profile,HRRP)波动的主要原因。该文基于匹配度准则定量分析闪烁时HRRP常用谱特征(幅度谱、功率谱及高阶谱)的变化规律,比较各种谱特征受闪烁影响的强弱及原因,以获得定量的结论指导谱特征的选择。蒙特卡罗实验和暗室实测数据均表明:闪烁对HRRP谱特征的影响与闪烁散射点在目标能量中所占比重、闪烁区间的远近有关;除此之外,闪烁对高阶谱的影响还与高阶谱的阶数有关;常用谱特征中,功率谱受闪烁的影响最弱。     

基于多视角一维距离像序列的进动目标特征提取

该文研究了利用多视角观测1维距离像序列联合提取弹道目标进动角和真实长度的方法。以锥形弹头为例,详细分析了目标进动条件下1维距离像长度随视角的变化规律,指出该规律通常情况下可近似为正弦曲线;基于此建立了多视角雷达目标观测模型,提出了基于多视角1维距离像序列目标进动角和真实长度的联合提取新方法,并分析了雷达布站对特征提取精度的影响。最后通过计算机仿真证明了算法的有效性和适应性。