基于稳健变分自编码模型的雷达高分辨距离像目标识别算法

对于雷达高分辨距离像的识别问题,传统深层网络通常忽略了HRRP自身的目标特性,不利于学习有效的分类特征,导致其识别性能受到限制.针对这一问题,本文提出了一种基于稳健变分自编码模型的目标识别算法.该算法结合HRRP数据特性,利用平均像在散射点不发生越距离单元走动的方位帧内具有稳健物理特性的性质,基于变分自编码器构建了稳健变分自编码模型.该模型不仅能够获取稳健有效的识别特征,而且在一定程度上保存了数据的帧内结构信息,较大地提高了目标的平均识别率.基于实测HRRP数据验证了所提算法的有效性.     

基于稳健深层网络的雷达高分辨距离像目标特征提取算法

特征提取是雷达高分辨距离像(HRRP)目标识别的核心技术。传统的特征提取算法多采用浅层的模型结构,容易忽视样本的内在结构,不利于学习有效的分类特征。针对这一问题,该文利用多层非线性网络实现特征学习,构建了基于深层网络的雷达HRRP目标识别框架。利用平均像在散射点不发生越距离单元走动的方位帧内具有稳健物理特性的性质,提出了堆栈联合稳健自编码器。该网络由一系列联合稳健自编码器堆栈化实现,在匹配原始HRRP样本的同时,约束同帧样本趋近于平均像,并将网络的最终输出作为分类器的特征输入。基于实测HRRP数据的实验结果验证了所提算法的有效性。     

基于Relax散射点特征提取的舰船目标识别方法

针对基于高分辨距离像(HRRP)的舰船目标识别问题,提出了一种基于Relax散射点特征提取和设计了基于散射中心最近邻模糊分类器的目标识别方法.首先对数据进行预处理,然后基于Relax算法提取出散射中心,最后通过最近邻模糊分类器进行识别匹配.通过仿真4类军民船目标的数据进行测试,验证结果表明该方法在舰船目标识别领城具有很...     

基于HRRP极点矢量的特征提取方法研究

针对雷达高分辨距离像(HRRP)的方位敏感性,对一定方位角内的HRRP进行相干平均.利用矩阵束方法对平均HRRP提取极点矢量,并综合利用极点矢量的幅度和位置信息定义特征量--矢量中心矩,最后在对特征矢量进行对数归一化的基础上利用最小距离准则进行识别.实测数据证明了该方法对于目标识别的有效性,具有良好的推广能力.     

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.     

基于小波变换的锥体类弹头目标HRRP特征稳定性研究

在分析锥体类弹头目标的高分辨距离像（HRRP）强散射点越距离单元走动的基础上，通过小波多尺度分解，平滑了HRRP中强峰值的位移和幅度的起伏，使得HRRP的相似性在较大方位角范围内得到稳定和提高。通过仿真和实测数据，使用最大相关匹配法，得到了较高的识别率和相关性。     

基于复图像OMP分解的宽带雷达微动特征提取方法

针对宽带雷达中目标微动散射点发生越距离单元走动和方位欠采样条件下的微动特征提取问题,该文提出了一种基于复图像正交匹配追踪 (OMP)分解的微动特征提取新方法。该方法利用目标距离-慢时间像的幅度和相位信息,构造复图像空间的微多普勒信号原子集,将向量空间的OMP 算法拓展到复图像空间,实现了距离-慢时间平面上目标微动特征的提取。仿真实验表明该方法能够有效提取微动散射点发生越距离单元走动条件下的微动特征,并且可以实现方位欠采样时的微动特征提取。      

基于注意循环神经网络模型的雷达高分辨率距离像目标识别

针对雷达高分辨率距离像(HRRP)数据的识别问题,该文利用HRRP生成的时序特性,提出一种基于循环神经网络的注意模型。该模型利用具有记忆功能的循环神经网络对时域数据进行编码,并根据HRRP中不同距离单元所映射的隐层对目标识别的重要性,自适应地赋予隐层不同的权值系数,并根据隐层特征编码特征进行HRRP目标识别。该模型利用了隐藏在HRRP数据内部的目标结构信息,提高了特征的区分度。实测数据的实验结果表明,该方法可以有效地进行识别,在样本存在一定余度数据和样本偏移的情况下,都能准确地找出目标支撑区域。     

基于一维距离像的飞机目标识别

针对基于多散射中心模型回波的一维距离像(High Resolution Range Profile, HRRP)难以真实反映复杂目标散射特性的问题,研究了基于电磁散射模型回波的生成方法和HRRP 宽带特征提取方法。首先应用等效电磁流法(Method of Equivalent Currents, MEC)棱边修正的物理光学(Physical Optics, PO)算法解算飞机目标动静态电磁散射特性;其次基于目标散射场数据,生成目标回波、仿真HRRP 序列,提取目标宽带特征信息;最后求解了目标在设定航迹下的平均识别率,量化分析了信噪比对目标识别率的影响。理论分析与仿真结果表明:当信噪比(Signal to Noise Ratio, SNR)大于5 dB 时,基于电磁散射建模的平均识别率相对基于传统的多散射中心模型提升了20%。     

基于样本紧密度的雷达高分辨距离像识别方法研究

模板库是基于高分辨距离像(HRRP)进行雷达自动目标识别的关键。由于真实目标复杂的电磁散射特性及背景杂波的存在,基于传统平均HRRP模板库的目标识别方法的实用性能有限。该文分析了雷达目标HRRP样本集在单位超球面上的空间分布特征,构建了类心+紧密度球特征模板库,定义了基于紧密度球的距离度量方法,最后提出基于样本紧密度的HRRP识别方法。基于公共MSTAR数据的实验结果表明该方法具有良好的工程实用性能。     

幅度谱差分子空间雷达自动目标识别

雷达高分辨距离像是目标的重要结构特征,其维数通常很高,造成数据可分性表达差,识别过程计算复杂度高,识别率低。为降低距离像的维数,提出一种新的距离像特征提取方法,即采用直接线性判别分析(dLDA)在距离像幅度谱差分空间进行特征提取,得dLDA幅度谱差分子空间。目标识别即在所得dLDA幅度谱差分子空间中进行。采用外场实测数据,分别训练了最小距离分类器和one-against-all支撑向量机分类器,2种分类器的识别结果均表明,该方法可显著地降低数据维数并提高识别率。     

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。     

雷达目标一维高分辨距离像的特性分析及预处理方法研究

目标高分辨距离像已经广泛应用于雷达目标识别中。但高分辨距离像对目标的运动很敏感,而且易受到杂波的干扰。针对这一问题,为了克服目标高分辨距离像的姿态敏感性和平移敏感性,利用小波去噪、平均距离像等方法得到关于目标更为稳定的高分辨距离像。对高分辨距离像的仿真实验表明,该方法获得的结果比直接结果具有更高的精度和可靠性。     

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.     

基于双向滑动平均的目标长度特征提取方法

基于高分辨距离像的雷达目标识别是该领域的研究热点,而特征提取是其中的关键环节。相对于散射中心强度和位置特征而言,长度特征随目标方位角变化的影响较小,是一种相对稳定的特征,而且长度特征属于目标本身的物理特征,具有实际的物理意义。文中提出一种基于双向滑动平均的目标长度特征提取方法,并将提取的长度特征用于目标粗分类。该方法首先对距离像进行降噪处理,然后从左右两端同时向中间进行滑动平均处理,当滑动均值大于预设的阈值时,即可确定目标区域的起始和终止位置,从而得到目标的长度特征。该方法的核心在于分别估计左右两端各自的阀值,而不是采用一个统一的阀值,并且在阀值估计的过程中同时考虑了距离像均值和噪声的影响。因此,该方法对于距离像突变、非目标区域野值等具有较强的稳健性。通过对五类飞机的实测数据进行实验,验证了该方法的有效性。     

太赫兹雷达目标HRRP特性分析

太赫兹由于其穿透性强、大带宽等优势,在雷达信号处理领域受到了广泛的关注。同时,高分辨率距离像（High Resolution Range Profiles, HRRP）在目标检测、识别以及成像等领域具有很高的应用价值,但是,针对太赫兹频段目标HRRP特性的研究却较少。本文首先从确定信号模型对太赫兹频段目标HRRP的方位角敏感性进行了研究,并利用协方差矩阵的主特征向量提取其平均HRRP,从而达到抑制目标HRRP方位角敏感性的目的。另外,根据距离单元中散射点的不同分布,对太赫兹雷达目标HRRP距离单元进行分类,并分别使用瑞利模型、赖斯模型以及混合分布模型进行统计建模。之后,使用对数积累量方法（Method of Log Cumulants, MoLC）和基于字典的随机最大期望（Dictionary based Stochastic Expectation Maximization, DSEM）算法对上述模型的参数进行估计。最后,利用研制的太赫兹高分辨率雷达系统开展了不同带宽下的复杂目标HRRP特性实验,实验结果表明,太赫兹频段下目标平均HRRP与HRRP帧内其他HRRP的相关系数高于单个HRRP,同时,对于高分辨率下的目标HRRP距离单元统计特性,可以使用混合分布模型对其进行建模。      

雷达高分辨距离像自动目标识别方法的改进

在雷达自动目标识别中,广泛利用基于散射点模型的高分辨距离像(HRRP),并取得较好的识别效果。由于散射点具有一些特点,且距离单元内的散射点的情况有时比较复杂,从而使高分辨距离像出现一些异常,导致识别发生误判。该文针对发生的问题,主要讨论了飞机类目标对偏航、俯仰、侧摆三维姿态角变化的敏感性、飞机类目标在正侧视附近的特点以及测试样本的相干峰现象,并提出了相应的改进措施。仿真数据的识别试验结果表明该文提出的改进措施可以有效地提高识别性能。     

利用稳健字典学习的雷达高分辨距离像目标识别算法

基于字典学习算法的信号稀疏表示被广泛应用于信号处理领域。由于字典原子间存在冗余性,求解信号的稀疏表示会受到观测信号中扰动分量的影响,从而带来表示的不确定性,不利于雷达高分辨距离像(HRRP)目标识别任务。针对这一问题,该文提出一种稳健字典学习(SDL)算法,通过边缘化信号丢失,构建稳健损失函数用于学习自适应字典。该算法利用距离像在散射点不发生越距离单元走动的方位帧内具有结构相似性,约束临近训练样本间稀疏表示的非零元素位置相同,并通过结构化稀疏约束选择最优子字典用于测试样本的分类。基于实测HRRP数据的实验结果验证了所提算法的有效性。     

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。