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。     

舰船目标识别的神经网络方法

本文综述了神经网络用于雷达舰船目标识别目前所作的研究。对三种完全不同的神经网络结构进行研究和比较。三种网络情况下都将改进过的傅里叶离散Ｍｅｌｌｉｎ变换形式的预处理用作特征矢量的提取方法，特征矢量不受雷达扫描角影响。并根据模拟和实际数据进行了娄类试验。结果表明分类精度达到９３％。     

一种窄带雷达舰船目标分类的决策方法

目标识别技术在现代雷达中具有重要的应用价值,由于自身体制的限制,窄带雷达无法提供充足的信息以支撑目标分类识别。针对这种问题,提出了一种基于分类器判决、多帧融合和综合判决的综合决策方法:在分类器判决的基础上进行多帧融合以提高判决结果的稳定性,在综合判决中充分考虑各历史判决的信息以获得可靠的判决结果。以某型雷达对不同舰船目标的实测数据为对象,对提出的方法进行了验证。结果表明,所提方法能够有效提升判决结果的准确性与稳定性。     

基于双距离像的雷达目标识别技术

复杂目标的雷达接收回波可视为多个散射中心及其多个散射中心相互作用产生的信号合成，对回波进行双谱估计获得的目标双距离像能有效地区分这两类信号，且能抑制杂波及干扰。基于这一原理，本文对实测雷达回波进行双谱估计得到目标的双距离像，并对其进行二维梅林变换作为目标的特征量完成目标识别，实验结果表明，这种方法的效果很好。     

基于极化SAR图像分类的海上舰船检测

本文针对极化熵类检测方法的不足,在极化特征分解以及Touzi等人工作的基础上,提出了能够更全面的表征舰船和杂波差别的特征矢量,并提出了一种基于特征矢量的非监督分类方法。使用该方法进行海上舰船的检测,不仅取得了很好的舰船和海面的分离效果,而且也得到了较好的舰船与其他人造目标的区分效果。实测数据的检测结果证明该分类方法具有很好的收敛性,是一种有效的舰船检测方法。     

舰船目标识别的神经网络方法

本文综述了神经网络用于雷达舰船目标识别目前所作的研究。对三种完全不同的神经网络结构(反向传播前馈网络、Kohonen监视学习矢量量化网络及Simpson模糊极小-极大神经网络)进行了研究和比较。三种网络情况下都将改进过的傅里叶离散Mellin变换形式的预处理用作特征矢量的提取方法,特征矢量不受雷达扫描角影响。并根据模拟和实际数据进行了分类试验,结果表明分类精度达到93％。     

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.     

基于SVM分类的红外舰船目标识别

针对海天背景下红外舰船目标识别提出了一种基于机器学习的分类算法。该算法首先利用分割算法提取红外图像中的连通区域,并对原图相应的位置进行标记和归一化处理,然后利用HOG特征提取标记区域的高维特征向量,用线下样本库训练得到的SVM分类器对所提取的HOG特征进行高维特征空间的分类,识别目标和干扰。仿真实验表明,该算法具有良好的性能,在复杂海天干扰背景下能够有效地识别红外舰船目标。     

舰船红外图象特征提取及目标识别技术探讨

特征提取是舰船红外图象识别的重要步骤,本文通过对舰船目标形状的分析,提出了长宽比与目标分割区域象素数比值的概念,代替了传统的矩、Fourier描绘子对舰船目标的描述,大大减少了运算量。采用二叉树判决识别方法,提高了识别精度、缩短了识别目标时间。通过上机对舰船红外图象进行处理,取得了较为满意的结果。     

基于支持向量机的窄带雷达弹道导弹目标识别技术

窄带雷达由于受到带宽限制,无法获取到目标高分辨精细识别信息,仅能通过目标轨道运动特征和窄带RCS特征对目标属性进行初步分类识别,文中基于支持向量机分类算法,从窄带雷达回波数据中提取弹头群和弹体群目标的特征,实现了弹道导弹群目标初步分类识别。在对弹头群和弹体群分类识别的基础上,窄带雷达可集中更多的时间和能量资源重点对弹头群类目标进行跟踪,并为后续宽带目标识别雷达提供重点目标位置信息。     

用改进核函数提高SVM的雷达目标识别率

对支持向量机中的高斯核进行了改进,利用改进的高斯核构造了一维高分辨率距离像的雷达目标识别算法,并将幂变换引入预处理过程.该技术提高了识别率,减少了识别时间;同时对所完成的目标识别算法的性能进行了评估,从方位角大小、信噪比和训练数据大小三个方面验证了该算法的稳健性.     

基于数字信号处理器的激光成像雷达目标识别算法实现

激光成像雷达的空间分辨率较高,能成四维像(强度像 三维距离像),适合作目标识别探测器.支持向量机(SVM)是一种能在小样本学习的情况下,仍有较高识别正确率的目标识别方法.通过优化支持向量机算法,将它嵌入到激光成像雷达系统的数字信号处理器(DSP)芯片内,实现目标识别的功能,有很高的现实意义.首先用真实激光成像雷达强度像做实验,测试56个样本,共耗时31.97μs,证明嵌入到数字信号处理器的支持向量机算法能满足实时性要求,识别正确率为98.2%;再用仿真激光成像雷达距离像验证支持向量机的推广能力,证明支持向量机在实时性和识别性能两方面都能满足激光成像雷达的识别要求.     

基于SVM的骨质疏松识别算法

文中讨论了基于模式分类的算法,通过常规的体检参数对骨质疏松情况进行预测和识别.由于常规体检参数和骨质疏松诊断结果之间的线性相关度小、参数方差大等问题,基于线性分类边界模型得到的分类器误差大,文中利用数据和骨质疏松之间的非线性关联特性,使用高斯核函数将原始训练数据映射到核空间进行分类,较好地实现了用体检参数预测骨质疏松.此外文中给出了利用多个分类器的分类结果进行组合方法,使得不同分类器分类结果相互矛盾时能够输出唯一的诊断结论.     

基于轻量化网络的车载雷达目标分类方法

针对现有车载毫米波雷达目标分类方法存在静止杂波干扰和网络模型复杂度高的问题,本文将Ghost模块和MobileNet相结合设计了G?MobileNet轻量化神经网络,并提出了一套完整的车载毫米波雷达目标分类流程。首先对雷达原始AD采样信号进行向量均值相消处理,滤除静止杂波,再进行二维快速傅里叶变换（FFT）得到目标的距离?多普勒（RD）图像,最后使用G?MobileNet对RD图像特征进行提取及分类得到分类结果。实测数据处理结果表明,所提方法能够消除静止杂波对多普勒特征产生的干扰,且分类网络模型复杂度低,在具有较高的分类准确率的同时节省了网络模型储存空间和运行网络所需内存。     

基于支持向量机的红外成像自动目标识别算法

本文针对实战中红外成像制导导弹面临的自动目标识别问题,提出了一种利用若干二维图像识别三维目标的自动目标识别算法,并引入支持向量机作为分类器．仿真试验结果表明,该算法能够成功地识别三维空间中任意角度的目标,很好地解决了许多二维识别算法难以解决的三维目标识别问题．同时,通过比较,证明该算法比传统识别算法拥有更高的识别率．     

基于支持向量机的实际调制信号识别

提出一种基于支持向量机的实际调制信号自动识别新方法。利用支持向量机把分类特征向量映射到一个高维空间，并在高维空间中构造最优分类超平面以实现信号分类。计算机仿真结果表明，该方法对实际采集的信号具有很好的分类性能。     

低分辨率雷达目标回波波形的特征提取与分类方法研究

分析了常规雷达实测飞机目标回波信号,研究指出目标回波波形携带与目标密切相关的信息,利用参数方法对目标波形进行分析并选取某些参数作为特征(或特征的一种表征)作为目标分类特征,可以对目标进行粗略的分类。在对目标回波进行特征分析的基础上,用抽取的特征量构造了几种目标模板。采用实测数据的实验结果表明该方法在分类效果方面的有效性:既可区分不同机型的飞机,又可把单架和多架飞机区分开来。     

基于动态SVM的HRRP目标识别算法研究

从目标识别实际问题出发,研究了将动态支持向量机应用于高分辨距离像目标识别算法.根据目标特征与待识别目标之间的距离定义惩罚函数,给每一训练样本赋一惩罚参数,体现出不同样本对待识别目标的不同贡献,并根据惩罚参数大小重新构建训练样本集.由于以某一个具体目标的识别为核心,不寻求全局性的分类面,因此具有较好的针对性和动态性.