基于双谱对角切片的目标架次识别方法

高阶谱较功率谱含有更多的目标回波信息，如相位．针对常规低分辨警戒雷达对飞机目标的架次识别这一应用背景，利用双谱对角切片作为特征矢量，经K-L变换后，用径向基神经网络进行分类，取得了良好的识别效果．     

雷达目标双谱持征分析与分类方法研究

利用复信号双谱估计技术分析了常规相参雷达实测飞机目标回波信号,研究指出目标回波是典型的非高斯信号,且其双谱分布区域信息较好地反映了目标的部分散射调是特性,可作为目标分类特征,在此基础上,提出一种目标双谱特征抽取和模板构造方法。利用双谱经阈值化处理后的二值特征图,分别定义了“核”和“域”来表征目标双谱分布区域的共性和范围,并用其构造目标模板,实测数据实验结果表明了该方法在分类效果和特征降维方面的有效     

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。     

基于雷达一维距离像序列的微动特征提取

对典型目标的进动和翻滚给出了统一的数学表达式,分析了不同的微动形式对雷达回波调制的散射机理,提出了基于雷达一维距离像的能量起伏特征和径向长度特征的微动识别新方法．使用物理光学和物理绕射理论的高频方法仿真了锥体进动、柱体翻滚和非理想球体翻滚的宽带雷达回波,利用仿真数据,完成了高分辨成像和相关特征提取．研究结果表明,三种不同的微动目标的距离像能量起伏特征和径向长度特征差异明显,可以将两种特征联合使用,用于微动识别．     

多视点空间目标识别方法研究

基于识别空间目标的需要,采用多视点特征法建立了绕双轴旋转的目标二维图像模型库,将常用滤波器和形态学相结合去除噪声并进行图像分割,得到了较好的分割效果.采用组合不变矩对分割后图像提取目标特征向量,并使用BP神经网络对其进行识别.实验结果表明:所提出的空间目标识别(space object identification,SOI)方法有效,可实现噪声干扰条件下运动卫星目标的识别.     

一种基于联合特征矢量的雷达目标识别方法

综合波形特征和小波分解能量特征作为联合特征矢量,利用概率神经网络对目标类型和数量进行一体化识别,从对真实雷达视频数据进行的实验证实了这点。     

雷达目标双谱特征分析与分类方法研究

利用复信号双谱估计技术分析了常规相参雷达实测飞机目标回波信号,研究指出目标回波是典型的非高斯信号,且其双谱分布区域信息较好地反映了目标的部分散射调制特性,可作为目标分类特征．在此基础上,提出一种目标双谱特征抽取和模板构造方法．利用双谱经阈值化处理后的二值特征图,分别定义了“核”和“域”来表征目标双谱分布区域的共性和范围,并用其构造目标模板．实测数据实验结果表明了该方法在分类效果和特征降维方面的有效性．     

基于无线电波纹图的雷达目标识别方法

基于雷达回波调制效应了一种常规低分辨雷达目标识别方法，这种方法是先对回波数据进行预处理，构造出目标的无线电波纺图像，再利用纹理特征撮的方法进行纹量特征抽取，然后采用神经网络对目标进行分类，某型号雷达６类目标实录数据的处理结果表明，该方法是成功的。     

基于小波包数据压缩的雷达目标识别方法

为了节约雷达目标识别系统的存储资源，提出了基于小波包的雷达模板数据压缩及目标相关识别方法。给出了各种信噪比条件下的实验结果，实验证明了小波包压缩数据识别目标的能力以及识别方法的有效性，基于最佳小波包基的方法比用固定小彼基的方法获得了更高的识别率。     

一种进动锥体目标的EM参数估计方法

为分离进动锥体散射点回波、反演锥体的尺寸和进动角等参数,提出了一种EM算法分离散射点微多普勒并进行微动参数估计的方法.该方法由进动锥体回波的类正弦调频模型,经过时频平面检测后,采用EM算法迭代地估计多分量正弦信号的参数和分离散射点的时频观测值,在此基础上再进行锥底散射点多普勒半周期叠加、估计锥体目标尺寸和微动参数.仿真结果表明,在弱散射点信噪比大于2 dB时,可估计出目标的尺寸和进动角等参数,从而验证了该方法的有效性.     

基于局部纹理特征的合成孔径雷达变体目标自动识别算法

提出了一种针对变体的识别算法,利用变体与原目标局部纹理之间的相似性进行识别。首先,提出了一种基于清晰边缘的合成孔径雷达(Synthetic aperture radar,SAR)图像配准算法;然后使用结合伽柏(Gabor)变换,局部二值模式(Local binary pattern,LBP)和空间区域直方图的纹理特征来描述SAR图像;最后用基于大特征的直方图序列的匹配做识别。基于MSTAR S2的试验结果证明了本算法的有效性。     

Micro-motion feature analysis and parameter estimation methods for moving ship

Micro-motion parameter estimation is an important way to improve ability of radar to detect the ship target. Focusing on the difficulty and speed problems existing in the current parameter estimation method of a complex moving ship, based on the analytical result of the echo's time-frequency features, a novel method to estimate the micro-motion period by calculating the backward shift cross-correlation coefficients of the echo's sparse time-frequency matrix is proposed in this paper. Firstly, the backward shift cross-correlation coefficients of the echo's sparse time-frequency matrix are calculated using the FFT (fast Fourier transform) algorithm. The peaks positions of the cross-correlation coefficients matrix are then detected. Finally, the period can be figured out quickly. Compared with the general method, the proposed method can estimate the micro-motion period accurately and quickly. A computer simulation is given to illustrate the effectiveness of the proposed method.     

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.     

基于功率谱AMSF的微动特征提取算法

以旋转周期估计为核心的微动特征提取技术是对空间自旋目标、空间碎片和弹头等目标进行成像和识别的基础,转速估计的精度直接影响成像和识别的结果.从旋转目标的窄带雷达散射机理出发,建立了旋转散射点的基频回波模型.针对旋转运动导致窄带回波是多分量SFM信号的特征,对多分量SFM信号的频谱进行了分析,根据其周期特征,提出了基于信号功率谱AMSF的微动特征提取算法.通过仿真验证了该算法在较低的信噪比下有较高的精度和稳定性.该方法有较强的应用前景.     

基于支撑矢量机的智能目标识别方法

支撑矢量机是一种能在训练样本数很少的情况下达到很好分类推广能力的学习算法。文中将支撑矢量机的概念引入雷达的目标一维像识别中,对其机理作了详细地分析,建立了相应的支撑矢量机分类器算法。对雷达目标的回波数据进行目标特征提取与分类的实验结果表明,此方法可使信号特征的可分性得到显著提高。     

雷达一维距离像目标识别方法性能的研究

给出了雷达距离像的数学模型,从平均距离像和距离像的协方差阵出发,用判别距离观点分析了常用的基线法、相关法、双谱法、主本征向量法和二次型法的分类性质. 用判别距离准则将它们分为两类：基于平均距离像的线性分类器,基于平均距离像和协方差阵的二次型分类器. 分析结果表明,二次型分类器利用了多个距离像的协方差信息,比线性分类器具有更好的分类效果.     

组网雷达弹道目标三维进动特征提取

针对单部雷达观测目标存在视角局限性的问题,提出了一种基于组网雷达的弹道目标三维进动特征提取法.首先,雷达网中各雷达分别从弹道目标的时间距离像信号中求得强散射点径向距离变化线性和信号,通过频谱分析估计出目标的自旋、锥旋频率以及进动角;然后,组网雷达通过系数加权法对各雷达得到的上述参数进行融合处理以提高参数精度;最后,根据雷达观测视角与微多普勒信号之间的关系,通过构造多元非线性方程组,进一步精确求解目标的三维进动参数.仿真实验证明,该方法既有效地提高了参数的估计精度,又得到进动目标的三维微动参数.     

箔条干扰下的一种雷达目标小波识别方法

研究了雷达目标受到箔条干扰时，雷达目标信号和箔条干扰信号的特点及其在小波变换不同尺度上的不同表现形态、目前信号的任一小波系数与其周围以及父代的小波系数之间存在着较强的相关性，而箔条干扰信号的小波系数与其周围以及父代小波系数之间的相关性较弱．在灰色理论、小波变换和相关算法的基础上，提出了箔条干扰的一种新的识别方法和在箔条干扰背景下一种新的雷达目标识别方法．利用灰色关联度可以进行箔条回波检测，对雷达回波信号进行Mallat快速分解，计算相邻尺度上小波系数之间的相关系数，根据相关系数大小，对小波系数进行门限处理，然后由Mallat重构算法重构信号，得到目标信号，由此进行雷达目标检测、仿真结果表明，这两种方法能够有效检测箔条干扰和在箔条干扰下的雷达目标。