基于模糊核C-均值聚类分析的HRRP识别

由于雷达目标及其所处环境的复杂性,导致目标之间的关系往往是非线性的,因此,基于核方法的模式识别方法被广泛应用于雷达目标识别中。在对模糊核C-均值聚类算法深入研究的基础上,提出一种基于模糊核C-均值聚类的高分辨距离像识别算法。该算法针对特征提取后一维距离像数据的特点,采用组合核函数以降低由于数据属性数值过大造成的权重过大对识别效果的影响;同时,算法可以在训练过程中通过有效性函数自适应地确定最佳聚类数目。仿真实验结果表明,基于组合核函数的识别算法同基于传统的高斯核的算法都能有效识别雷达目标,但前者具有更高的目标识别率。     

最大间隔核优化的雷达目标高分辨距离像识别新方法

基于目标高分辨率距离像的雷达自动目标识别技术在军事和民用上都有巨大的应用价值。但是由于雷达目标高分辨距离像的姿态敏感性以及高特征维数,造成了其非线性可分性。针对此问题,本文提出了一种基于最大间隔核优化的雷达目标高分辨距离像识别方法。本方法首先采用了最大间隔准则算法来优化数据依赖核函数,然后利用支持向量机分类器实现了雷达目标高分辨距离像识别,最后进行了基于5种战斗机目标高分辨距离像的实验仿真。实验结果表明了基于最大间隔核优化的目标识别算法对于SVM分类器可以有效实现核函数优化,从而能够提高目标识别性能。      

基于高分辨率一维距离像雷达目标识别研究

基于一维距离像的目标识别是雷达目标识别的一种重要方法。本文利用最大相关系数法（MCC）和主分量分析方法（PCA）对目标一维距离像进行目标识别。针对一维距离像的目标姿态敏感性,分析了最大相关系数法和PCA特征提取方法的原理,并通过3种目标的实测数据进行分类实验,表明该算法的有效性。     

基于LVQ网络优化的雷达目标识别算法

目标一维距离像在雷达目标识别领域中具有很高的研究价值,神经网络有很强的自适应能力,被广泛应用于目标识别领域中。通过研究分析,将学习向量量化（Learning Vector Quantization, LVQ）神经网络应用于雷达目标一维距离像识别。针对LVQ神经网络对初始连接权值敏感的问题和如何增强网络的分类识别性能,提出利用粒子群优化（Particle Swarm Optimization, PSO）算法对其进行优化。在此基础上提出了基于PSO-LVQ神经网络的雷达目标一维距离像识别新方法。通过3类飞机实测数据实验,验证了PSO算法优化LVQ神经网络初始连接权值的可行性和PSO-LVQ识别算法的有效性。     

一种基于多特征提取的雷达目标识别方法研究

直接利用雷达高分辨一维距离像或是提取一维像单一特征进行目标识别难以取得理想效果.为了更好地反映雷达目标本身的物理特性,提高雷达目标识别率,对雷达目标高分辨一维距离像的频谱幅度、能量聚集区长度、散射中心数目和中心矩特征进行提取并构成多特征向量,描述雷达目标高分辨一维距离像频域、能量等物理特性,采用主成分分析方法进行特征维...     

基于核函数的雷达一维距离像目标识别

该文分析了基于核函数的三大模式识别方法(支持向量机、非线性主分量分析、非线性判别分析)的分类机理,并将其应用于雷达一维距离像目标识别中。用3种飞机实测雷达距离像数据样本进行识别研究,结果表明对于雷达目标距离像识别,支持向量机方法较其它两种方法更为有效,并对实验结果给出了合理的解释。     

基于改进小波降噪的雷达一维距离像识别

针对低信噪比下雷达目标一维距离像质量不高、影响目标识别率的问题,将小波阈值降噪的方法应用到雷达目标一维距离像识别研究中,设计了一种新的小波阈值函数,提出了基于小波阈值降噪的雷达一维距离像识别的方法。利用仿真数据进行实验验证,以LVQ（Learning Vector Quantization）神经网络作为分类识别器,进行目标的分类识别研究。结果表明,将小波阈值降噪用于雷达目标一维距离像识别,在低信噪比时能够有效地降低噪声,提高距离像的质量,从而提高目标一维距离像识别率,同时实验也验证了所提出的新阈值函数相较于原阈值函数能更加有效地降低噪声,提高识别率。     

一种针对雷达高分辨距离像识别的融合核优化算法

本文提出一种针对雷达一维高分辨距离像(HRRP)的核函数优化算法.该算法基于对模-1距离高斯核和模-2距离高斯核的融合,结合两种核函数的不同特性,不仅优化了核函数,同时抑制了HRRP的闪烁效应.文中,基于雷达实测数据,我们将所提算法应用于核主分量分析(KPCA)的核函数优化中,然后采用支持矢量机(SVM)对提取的特征进行了分类.通过对实验结果比较与分析,我们证明该方法是有效的.     

基于主分量分析的一维距离像雷达目标识别

一维距离像是自动目标识别的一种重要特征,它对目标姿态变化很敏感,只有通过进一步处理提取稳定特征才能够有效用于识别。针对距离像的这种姿态敏感性,首先分析了主分量分析(PCA)的降噪原理与核主分量分析(KPCA)的特征提取能力,然后提出先用PCA滤波对一维距离像降噪再用KPCA提取较大姿态角范围内稳定特征的雷达目标一维距离像识别框架,并用四类目标的实测数据进行分类实验,表明该算法确实能够提高识别性能。     

基于优化核Fisher判别分析的雷达目标识别

针对雷达目标高分辨距离像非线性可分和高特征维数的特点,提出一种基于优化核Fisher判别分析的雷达目标识别方法.该方法利用Fisher判别准则下界作为目标函数对核Fisher判别分析进行核参数优化,再利用支持向量机训练和识别由核Fisher判别分析提取的高分辨距离像特征.基于5种飞机目标的仿真实验表明,优化核Fisher判别分析可以有效优化核参数并降低特征维数,具有稳定优异的识别性能.     

舰船目标一维距离像特性分析

针对舰船一维距离像目标识别中目标位置、海面起伏和雷达信号形式等参数不确定造成识别困难的问题,建立了舰船散射中心模型,对舰船目标的一维距离像进行仿真,研究了距离像对姿态角、海面起伏、雷达带宽以及加窗处理的敏感性,并通过CST微波工作室对仿真结果进行验证。结果显示,一维距离像对方位角具有强敏感性,但在一定角度范围内,一维距离像具有相似性;雷达带宽越窄,一维距离像的方位角敏感度越低;海面起伏越小,海面的多径效应越显著;加窗处理可以抑制距离旁瓣,但同时展宽主瓣,降低了雷达距离分辨力。     

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。     

基于核函数分类的多维时序特征选择方法应用

研究了多维时序的特征选择问题在目标距离像识别中的应用,提出了一种基于核函数分类算法的主分量分析方法。讨论了主分量分析的原理,提出了一种基于核函数的分类算法用于多维时序的特征选择,最后利用该方法对目标距离像多维时序进行了仿真实验,实验结果表明了所应用方法的可行性和有效性。     

基于核主分量分析的高分辨雷达目标特征提取与识别

研究了核主分量分析(KPCA,Kernel Principal Component Analysis)在高分辨雷达目标特征提取与识别中的应用。首先讨论了KPCA算法原理,然后将KPCA应用于雷达目标距离像特征提取,并采用支持向量机进行分类,提出了基于核主分量分析的高分辨雷达目标特征提取与识别方法。在核函数的选取上构造了一个组合核函数,最后用4类目标数据进行了实验,并与采用高斯核函数方法进行了比较,实验结果表明,该方法能够提高目标识别性能。     

基于ICA的雷达目标二维结构提取方法研究

雷达目标一维距离像反映了其散射中心在雷达径向上的分布,对同一目标多角度的一维距离像分别提取其散射中心相对位置,经过散射中心匹配后再利用独立成分分析对其处理,可以得到该目标的二维结构,为进一步的目标识别创造了条件。通过对具有多散射中心的简单雷达目标一维距离像进行仿真实验,结果表明算法有效。     

粒子群优化的SVM在雷达目标识别中的应用

支持向量机(SVM)在雷达目标高分辨距离像(HRRP)识别中可获得较高的正确识别率和更好的泛化性能,然而其性能很大程度上取决于其参数包括核函数参数σ2和惩罚因子C的合理选择。所以利用粒子群优化算法(PSO)全局搜索能力强的优点来搜寻最优参数,并针对粒子群优化易陷入局部最优的问题,提出一种惯性权重自适应改变的改进方法。通过对雷达目标高分辨率距离像(HRRP)的识别实验发现,利用PSO优化SVM参数的方法克服了传统SVM存在的很难精确找到最优参数的缺点,识别准确率也有很大提高;同时惯性权重自适应改变的方法也有效解决了PSO优化的"早熟"问题,大大缩短参数寻优时间。     

基于参数化模型的空间目标一维距离像补偿技术

空间目标往往具有很高的速度,甚至还具有一定的加速度,回波信号经过去斜率处理后仍然是一个多分量的多项式相位信号,高阶相位使得目标的一维距离像产生畸变,脉冲压缩前必须进行运动补偿,否则无法得到正确的一维距离像。本文以平均距离像最小熵准则为基础,提出了一种基于测距元参数化模型的空间目标一维距离像畸变补偿技术。根据空间目标的运动特性,建立了目标测距元的参数化模型。结合雷达的宽窄带测元信息,以平均一维距离像的熵作为目标函数,建立了测距元模型参数估计的优化模型和算法,并利用该参数对一维距离像进行运动补偿。仿真结果验证了本文算法的有效性。      

稀疏分解在雷达一维距离像中的应用

雷达一维距离像成像本质上是对雷达目标散射特性进行信号表示的过程,它以其获取的简单性及有效性,在雷达成像及目标识别方面得到了广泛的应用。针对雷达目标几何绕射参数化模型,利用稀疏分解方法,研究了高分辨一维距离像的重构及特征提取问题。以此可以避免奈奎斯特采样定理的弊端,以更贴近信号本质特征的方法处理雷达回波信号。通过匹配追踪算法,寻找最佳匹配原子的位置,以此估计雷达目标散射点参数。实验结果表明该方法在信号重构及特征提取方面的有效性。     

基于神经网络的雷达目标识别

本文讨论了基于径向基函数网络(RBFN)的雷达目标识別问题。在分析了一维距离象特点的基础上,提出了采用非相关幅度平均一维距离象以获取稳定模式这一有效方法。在指出传统经验公式局限性后,给出了一种基于训练样本空间分布来估计高斯核函数形状参数的方法。用微波暗室试验数据进行转台成象并对一维距离象三种模式进行识别分类的结果表明,本文所提出的方法用于研究雷达目标识别是有效的。     

基于一维距离像识别的反导雷达配置模型研究

为更好地发挥反导目标识别雷达的作战效能,针对目标识别雷达的实际配置问题,建立一种基于一维距离像识别的雷达配置模型。首先,根据目标识别雷达的反导作战任务,确定目标识别雷达的探测结束点,再利用雷达探测性能参数计算出目标识别雷达的可配置区域;其次,指出雷达视线与目标间夹角的稳定性是影响一维距离像识别的重要因素,并给出衡量其稳定性的指标,以覆盖率和雷达视线与目标夹角稳定性的最大化为目标建立雷达配置模型,给出求解方法;最后,通过实例仿真发现,在靠近弹道地面投影的区域雷达覆盖率较小,在弹道地面投影正向延长线附近区域,雷达视线与目标间夹角能保持较高的稳定性,有利于目标识别。以上结论可为反导体系建设中武器系统的实际配置提供参考。