基于模糊超球面SVM的雷达高分辨距离像识别

高分辨距离像(HRRP)分类是对雷达复杂目标分类的一种重要方法.标准的一对一超球面SVM多值分类方法需要训练k(k-1)个子分类器,计算量大、训练时间长,并且存在决策盲区,不适宜用来进行HRRP目标识别.为了减少分类器数量,提高训练速度,文中根据超球面的几何特征引入了一种“倒数对称”的一维隶属度,构造了模糊超球面SVM分类器,该方法仅需训练k(k-1)/2个子分类器,既提高了训练速度又解决了决策盲区,HRRP实测数据识别实验表明了该方法的有效性.     

AdaBoost-SVMDT及其在HRRP识别中的应用

HRRP所具有的易于获得和处理的独特优势,使得基于HRRP的识别方法成为现代战争环境感知和目标识别的主要方法之一。AdaBoost是一种能够提高任意分类器的分类精度的学习框架,将其引入SVM—DT,并应用于HRRP识别,可提高HRRP的识别精度。实验表明,AdaBoost—SVMDT相比于SVMDT有效提高了HRRP的分类精度。     

基于FEKO软件的全极化一维距离像仿真

近年来随着雷达技术的不断发展,雷达极化特性在目标特征提取和识别中应用越来越广泛,尤其在与高分辨技术的结合,成为现代雷达发展的重要方向之一。文中以步进频率宽带雷达体制下的弹道导弹中段目标为例,提出了一种基于FEKO仿真软件获取目标全极化回波数据,进而生成目标全极化HRRP的方法。结果显示,该方法实现简单、效率高、成本低,可以成功实现目标全极化HRRP的生成。     

一种线性调频连续波探测抗欺骗式干扰方法

针对用于亚音速弹载探测的毫米波线性调频连续波(LFMCW)探测体制,采用射频存储转发技术,提出一种基于高分辨率一维距离像（HRRP）并结合线性调频Z变换（CZT）频谱细化算法以及动态时间弯曲（DTW）匹配算法的抗欺骗式干扰方法。分析了LFMCW探测体制下多散射中心目标回波模型以及基于数字射频存储技术（DRFM）的干扰信号模型;在常规恒虚警（CFAR）检测基础上,利用CZT获取目标信号细化频谱,提取出目标HRRP特征,并采用DTW进行特征匹配,对真实目标与干扰目标进行区分。仿真及实验结果表明,对采用毫米波LFMCW体制探测的亚音速弹载探测器,所提的CZT-DTW联合检测方法能够有效区分真实目标与采用DRFM的干扰目标。     

一种核主分量分析重构的雷达目标识别方法

针对雷达目标高分辨距离像(High-Resolution Range Profile,HRRP)识别中等角域划分造成的目标散射特性失配问题,提出一种基于核主分量分析重构的雷达目标识别方法。该方法在等角域划分下利用核主分量分析提取每个角域内HRRP的特征子空间,再将测试样本投影到各角域特征子空间中进行重构,最后通过计算最小重构误差来判别测试样本的类别。基于5种飞机目标的仿真实验表明,核主分量分析重构方法可以松弛角域划分范围,降低角域划分的精度要求,相比主分量分析重构方法和最大相关系数模板匹配法有效提高了识别性能。     

一种双基地MIMO雷达的相关目标定位方法

多输入多输入（MIMO）雷达是最近几年提出来的一种新体制雷达,在探测目标空间位置时,若空间目标相关,很多算法将会失效。针对该问题,提出一种双基地MIMO雷达的相关目标定位方法,通过在MIMO雷达的发射端和接收端构造虚拟阵列,从而实现空间相关目标信号的解相关,得到空间目标正确的位置,且估计参数自动配对。该方法避免了阵列孔径损失,估计精度高。理论分析和计算机仿真结果验证了该算法的有效性。     

基于Gabor原子变换和支持向量机的毫米波雷达目标识别方法

为提高毫米波雷达目标识别能力,提出一种基于Gabor原子变换和支持向量机(SVM)的雷达目标识别方法。该方法充分利用了Gabor原子变换在信号表示方面的有效性以及SVM在分类方面的优越性,首先将雷达回波信号进行Gabor原子变换,获得信号的特征量,然后利用SVM网络进行分类识别。实验结果表明：该方法可行且具有较高的识别率。     

基于非合作博弈的分布式正交频分复用雷达网络功率分配算法

针对分布式正效频分复用（Orthogonal Frequency Division Multiplexing,OFDM）雷达网络的功率分配问题,研究了基于非合作博弈的分布式OFDM雷达网络功率分配算法。以射频隐身性能为导向,设计了一种综合考虑目标检测性能和雷达辐射功率的效用函数。以一定的目标检测性能为约束条件,以最小化OFDM雷达网络中各雷达的辐射功率为优化目标,建立了基于非合作博弈的分布式OFDM雷达网络功率分配数学模型,同时实现雷达网络中各雷达之间的公平性。在此基础上,提出了一种低复杂度和快速收敛的迭代功率分配算法,求解该优化模型,并证明了纳什均衡解的存在性和唯一性。仿真结果表明,该算法不仅满足了预先设定的各雷达目标检测信干噪比性能的要求,而且与其他现有算法相比,有效提高了分布式OFDM雷达网络的射频隐身性能。     

面向目标搜索与跟踪的组网雷达功率时间联合优化分配算法

针对组网雷达同时执行目标搜索与多目标跟踪任务的场景,提出了一种面向目标搜索与跟踪的组网雷达功率时间联合优化分配算法。推导了对重点观测区域内目标的检测概率作为目标搜索性能,并推导预测贝叶斯克拉美-罗下界（Bayesian Cramér-Rao Lower Bound,BCRLB）作为多目标跟踪性能的衡量指标。以同时满足给定的目标搜索和多目标跟踪性能要求及有限的射频资源为约束条件,建立了面向目标搜索与跟踪的组网雷达功率时间联合优化分配数学模型,通过联合优化雷达节点选择方式、辐射功率和驻留时间分配,最小化组网雷达的总射频辐射消耗。在此基础上,提出了一种基于内点法和循环最小法的两步求解算法对以上优化问题进行求解。仿真结果表明,与现有算法相比,所提算法能够在满足预先设定的目标搜索和多目标跟踪性能要求的条件下,消耗最少的射频辐射资源,有效提升组网雷达的射频隐身性能。     

基于网络雷达的一种数据关联算法

数据关联是多目标跟踪的核心内容．根据网络雷达的特点,提出了一种基于目标状态和属性联合最近邻的数据关联算法,该算法合理地利用了目标的电子属性信息（如载频、重频、脉宽和脉内特征等）．通过对近距离目标的跟踪仿真试验,该算法得到了很好的关联跟踪效果．     

基于SVM决策树的数据链识别分类

摘要：为解决数据链信号识别分类的问题,提出一种基于支持向量机(support vector machine,SVM)决策树的数 据链识别分类方法。通过分析美军常用的数据链通信信号特征,采用小波变换法分析数据链的特征信息,得出小波 系数与信号能量分布的关系,根据SVM 算法原理,构建目标特征模型,对信号特征量进行识别分类,对SVM 分类 器的关键参数进行优化设计,并与BP 神经网络算法进行对比实验仿真。结果表明：SVM 决策树网络分类器在进行 收敛速度和准确率表现优异,能改善分类识别效能。     

融合SVM 的多特征DSST 目标跟踪算法

为解决DSST算法多尺度搜索策略跟踪时目标出现严重遮挡、非刚性形变、目标脱离视场导致的目标外观变化的问题,提出一种将支持向量机(support vector machine,SVM)目标重检测模块融合的算法.提取目标的多种特征然后将这些特征矢量融合以增强目标的特征表达.在DSST算法的位置和尺度滤波器的基础上,新增目标外观滤波器,利用训练好的SVM全局搜索目标.采用不同大小的窗口采样来训练相关模型并建立一个SVM的最优分类面,通过SVM对丢失后的目标进行重检测.实验结果表明,改进算法比DSST算法在对目标受到遮挡、目标非刚性形变等问题上的鲁棒性能均有提高.     

基于声信号多重分形和支持向量机的目标识别研究

为提高智能地雷对地面装甲目标的识别率,针对地面装甲目标辐射的噪声信号具有非线性的特性,建立了一种基于多重分形和支持向量机(SVM)相结合的分类识别模型。通过野外场地实验,采集到两种装甲目标在不同工况（运行速度）下的各40组样本信号;利用多重分形分析计算得到两种目标信号的广义分形维数谱(GFDS),分析了两种目标信号在不同工况下多重分形谱的特征;将GFDS值作为目标特征向量输入SVM分类模型,经训练得到最优分类结果,并与小波包能量(WPE)法提取样本特征后输入SVM的识别效果进行了对比,结果表明前者的识别率达到92.5%,高于后者的85%的识别率。     

基于雷达高分辨距离像序列识别的研究综述

为了解雷达目标更多的详细信息,对基于高分辨距离像(high resolution range profile,HRRP)序列的目标 识别方法进行分析。对隐马尔可夫模型(hidden Markov model,HMM)、卷积神经网络(convolutional neural network, CNN)、循环神经网络(recurrent neural network,RNN)和长短期记忆网络(long short-term memory,LSTM)等面向序 列识别的分类器进行阐述和讨论,分析不同分类器用于HRRP 目标识别的发展历程,指出不同识别方法的优缺点及 适用性条件。结果表明,该研究可为不同识别场景下应用合适的分类器提供一些思路。     

隐马尔可夫模型和支持向量机混合模型声识别

为弥补单一模型在识别低空飞行目标时的不足,进一步提高低空飞行目标的识别率,提出一种基于HMM和SVM混合结构的低空飞行目标声识别算法.针对战场环境下声信号的特点,算法综合考虑HMM适合处理连续动态信号及SVM小样本情况下的强分类能力,利用HMM处理待辨识的连续动态信号,将HMM易混淆的信号作为与待辨识信号较为相似的模式类,形成候选模式集,再由SVM在候选模式中对待辨识信号作最后决策.实际数据的识别结果表明相对于单一的HMM和SVM,混合模型的识别率有一定的提高.     

基于自适应助推算法的集成支持向量机在柴油机故障诊断中的应用

利用支持向量机( SVM)进行机械故障诊断时,分类效果与核函数紧密相关。但核函数的选取一直缺少明确的理论指导,而且由于学习过程中常采取近似计算,致使分类结果远非期望水平。本研究首先利用匀幅、互信息指标构造特征向量;而后基于自适应助推法得到一系列基本SVM;并基于多样性准则对这些基本SVM进行筛选,最后对满足条件的基本SVM加权得到集成SVM。将集成SVM应用到某型坦克柴油机的故障诊断中,性能评价及分类结果表明,集成SVM比单- SVM具有更好的分类性能,故障诊断准确率更高。     

基于支持向量机的弹道识别及其在雷达弹道外推中的应用

支持向量机( SVM)是一种基于结构风险最小化原理的分类技术,也是一种具有很好泛化性能的回归分析方法。本文用SVM分类方法对弹道类型进行识别,用SVM回归方法对不同类型的弹道数据分别建模,进而对弹道起点进行有效预测。仿真结果表明,该方法识别精度高,在SVM弹道识别的基础上,还可以有效提高弹道外推精度。     

一种基于SVM 的航舵故障诊断方法

针对舵机故障样本数量不足、诊断知识不完备的实际情况,提出一种基于支持向量机(support vectormachine,SVM)的故障诊断方法。根据航舵故障输入输出映射非线性的特点,分析SVM的分类机理,对基于SVM的故障诊断步骤进行介绍,解决了小样本模式的分类问题,并通过仿真对该方法的有效性进行验证。仿真结果表明:该方法对舵机故障分类准确性可达92%。     

支持向量机在模式分类中的应用

通过支持向量分类算法包括4类：线性分界面硬间隔、线性分界面软间隔、非线性分界面硬间隔和非线性分界面软间隔,区分线性和非线性支持向量机是否引入核函数和具有惩罚因子。以RBF为核函数的非线性支持向量机对2类2维样本进行仿真分析。结果表明,支持向量机分类能力受核函数参数影响较大,当选取适当参数时,其分类性能与最近邻法相当。     

装备中碳纤维复合材料湿热老化的SVM研究方法

针对长期存储过程中复合材料老化会对武器性能产生影响的问题,以某型导弹所采用的碳纤维复合导电芯为研究对象,采用支持向量机对其湿热老化特性数据进行了处理。实验结果表明：该方法可为武器性能与寿命的评估提供决策参考。