雷达HRRP目标识别系统参数分析

雷达高分辨距离像在实现自动目标识别方面具有较大潜力,其识别性能与雷达系统参数,如雷达工作频率、信号带宽等有关。此外,用于采集识别器训练数据的雷达接收机的特性与实际工作的雷达接收机的特性会有所不同,也会影响到识别性能。文中对上述参数对识别性能的影响进行了分析和评估,所得到的结果对目标识别雷达的系统设计具有参考价值。     

深度学习雷达信号处理应用综述——机遇与挑战

作为人工智能的重要分支,深度学习在近年来飞速发展,已成功应用于多个领域的研究工作中。深度学习算法为解决雷达信号处理领域的瓶颈问题提供了新的突破口,也带来了新的技术难题。文中针对深度学习在低截获与无源雷达波形识别、自动目标识别、干扰杂波信号的识别与抑制以及雷达波形与阵列设计等领域的应用进行了全面梳理总结,重点介绍和分析了近年来提出的基于深度学习的雷达波形识别和合成孔径雷达图像自动目标识别方法,阐明了限制深度学习算法性能的主要因素,旨在为相关领域科研人员开展后续研究提供参考依据。     

雷达高分辨距离像子带融合识别算法

针对雷达高分辨距离像（HRRP）目标识别问题,对目标回波进行子带划分,分别进行幂变换预处理获得子带距离像,通过实验证明HRRP不同频段的子带距离像均含有目标信息,可以从中提取特征信息用于目标识别。提出一种相关系数相加法子带融合识别算法,由于该方法充分利用了回波信息,因而能获得更好的识别性能,实验仿真验证了这一结论,分析表明算法具有计算复杂度低的优点,因此可实际应用于雷达自动目标识别。     

一种用于毫米波雷达目标的成象与识别算法

针对宽带高距离分辨率全极化雷达工作的体制背景,分析和研究了在该体制下,雷达目标散射信号模型、高分辨率谱估计成象算法以及在此基础上相应雷达二维图象的特征提取与目标识别,构造了一种由雷达成象、特征提取以及目标识别组成的先进自动雷达目标图象识别系统,最后,归纳了雷达目标散射特性与识别的关系。     

色高斯噪声条件下自动目标识别的雷达目标二维衰减参数化模型方法

本文通过提取色高斯噪声条件下二维雷达目标具有频率依赖性的散射中心参数,作为自动目标识别的高分辨率目标特征矢量.而且,所导出的提取算法性能不受高信噪比门限和雷达瑞利分辨率极限的约束.并且,通过使用混合算法,给出了一种基于该复杂模型的八步自动目标识别系统.最后,给出了一个例证.     

小样本条件下基于数据增强和WACGAN的雷达目标识别算法

目前小样本条件下高分辨距离像雷达目标识别算法存在识别率较低、识别率稳定度较差等问题,对此,本文提出了基于数据增强和加权辅助分类生成对抗网络（Weighted Auxiliary Classifier Generative Adversarial Networks,WACGAN）的雷达目标识别算法.该算法首先根据雷达目标散射特性,通过时间镜像数据增强方法扩充数据集,然后将扩充数据集输入WACGAN,通过自动选择高质量的生成样本,使判别器在标签样本监督学习的基础上得到进一步优化,最后直接利用判别器实现对雷达目标的有效识别.仿真实验结果表明,本文算法在不增加识别时间的基础上,有效提高了小样本条件下对雷达目标的识别率和识别稳定度.     

基于ROC曲线的目标识别性能评估方法

在自动目标识别（ATR）领域,评估目标识别算法性能的指标常用的有分类准确度、精确度、检测概率、混淆矩阵等,但这些指标都存在固有的局限性,对类别先验概率不具有稳健性。近几年来采用的基于雷达接收机工作特性曲线即ROC曲线的评估方法得到的评估结论不敏感于类别先验概率,从根本上克服了以上指标的缺陷。同时,该评估方法可以在错误分类代价未知的情况下进行,并能对识别算法进行多门限评估,因而在分类器识别算法性能评估中得到了广泛应用。文中首先叙述了ROC曲线和ROC曲线建立的方法,然后详细论述了基于ROC曲线的评估方法中常用的性能评估指标。     

雷达自动目标识别算法的集成与评估

雷达自动目标识别算法的集成与评估对加快其实用化进程具有重要意义.在对目标识别系统进行模块化分解的基础上,以识别所利用目标信息为识别算法分类的依据,设计开发了工具箱式的目标识别算法集成系统,可为识别系统的设计提供常用的算法模块.通过引入效能评估,可方便加入使用者的经验知识,拓展了目标识别算法评估的内容,增强了评估系统辅助决策的功能,最后给出了完整的评估流程.     

雷达高分辨距离像分类器的参数自适应学习算法

雷达高分辨率距离像具有目标姿态敏感性的特点,在识别时的一种解决方法是对目标不同角域建立不同的统计模型。在给定系统参数条件下,选择目标划分角域个数及每个角域覆盖范围是影响识别器运算量及识别性能的关键。该文给出了一种基于数据的自适应学习上述分类器参数的算法,基于联合高斯分布的数据模型通过迭代算法来确定数据划分边界,并自动确定目标角域个数。与等间隔数据划分方法相比,本文方法在降低识别运算量的同时,可以提高识别性能。基于实测数据的实验结果表明该方法是有效的。     

基于时频谱图和CNN的雷达空中目标识别方法

传统雷达空中目标识别方法容易受到杂波和有效特征难挖掘等因素影响,其识别准确率难以满足实际雷达系统的目标识别需求。为了改善雷达对空中目标的识别性能,提出一种基于时频谱图和卷积神经网络(convolutional neural network, CNN)的空中目标识别方法。该方法首先提取雷达目标检测点迹所在距离单元的多脉冲回波数据,然后通过杂波抑制和基于CLEAN算法的雷达目标机身分量消除,得到以目标微多普勒分量为主的时域回波数据,接着通过短时傅里叶变换得到目标微多普勒时频谱图,最后利用时频谱图对设计的卷积神经网络进行训练和测试,实现喷气式飞机、直升机、螺旋桨飞机三类典型空中目标的识别。实测雷达数据测试结果表明,所提方法对三类飞机目标的识别准确率高于传统方法。所提方法避免了传统人工提取微动统计特征,消除了杂波与机身分量的影响,提高了雷达对空中目标识别的性能。     

宽带目标识别雷达的杂波抑制

飞机自动目标识别通常假定在高信杂比情况下,不考虑杂波对识别性能的影响,而实际中可能包含比较强的杂波。对宽带雷达,相邻回波间会出现越距离单元走动现象,传统杂波抑制方法不适用。针对这一情况,提出了一种适合于宽带目标识别雷达的杂波抑制方法。仿真结果表明,该方法在低信杂比情况下仍可保持较好的识别性能。     

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。      

混合因子模型在雷达目标识别中的应用

高分辨一维距离像是雷达自动目标识别的重要特征之一,它对目标姿态变化很敏感,只有通过进一步处理才能够实现有效的目标识别。针对距离像的这种姿态敏感性,本文提出了一种基于混合因子建模的雷达目标识别框架,它通过对从各个姿态角下获得的目标一维距离像出发构建目标的距离像概率生成模型,然后利用该模型通过比较条件概率大小的方法判别目标类属。对5类飞机数据的实验结果表明该框架对任意姿态角距离像的目标识别有很好性能。     

基于相似度的雷达目标识别灰关联分析算法

针对参数重叠的雷达目标识别算法准确率较低、对复杂体制雷达目标识别效果较差的问题,提出了基于相似度的灰关联分析算法,实现对复杂体制雷达目标的融合识别.该算法首先提取各参数间的相似度矩阵,然后运用灰关联分析得出相应的灰关联系数,同时根据各参数匹配程度确定其权重值,与灰关联系数组合获得待识别信号与库信号的灰关联度,根据灰关联度完成目标识别.仿真实验结果表明,该算法能很好地降低参数重叠给识别带来的影响,提高识别正确率,快速实现复杂体制雷达目标的识别.     

卷积神经网络在雷达自动目标识别中的研究进展

自动目标识别(ATR)是雷达信息处理领域的重要研究方向。由于卷积神经网络(CNN)无需进行特征工程,图像分类性能优越,因此在雷达自动目标识别领域研究中受到越来越多的关注。该文综合论述了CNN在雷达图像处理中的应用进展。首先介绍了雷达自动目标识别相关知识,包括雷达图像的特性,并指出了传统的雷达自动目标识别方法局限性。给出了CNN卷积神经网络原理、组成和在计算机视觉领域的发展历程。然后着重介绍了CNN在雷达自动目标识别中的研究现状,其中详细介绍了合成孔径雷达(SAR)图像目标的检测与识别方法。接下来对雷达自动目标识别面临的挑战进行了深入分析。最后对CNN新理论、新模型,以及雷达新成像技术和未来复杂环境下的应用进行了展望。     

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。     

信息战条件下敌我识别技术研究

敌我识别是高技术条件下现代战场中自动目标识别技术的重要应用之一.高科技条件下现代战场中的敌我目标识别问题,一直是国际雷达领域和信息处理技术的主攻方向.系统地介绍了敌我识别系统的工作原理,分析了敌我识别系统的工作模式,给出了基于贝叶斯原理的目标综合识别方法,并将贝叶斯目标属性识别算法应用于敌我目标综合识别系统中,实现了信息战条件下对敌我目标的属性判别.     

一种低分辨雷达自动目标识别系统

低分辨雷达自动目标识别一直是雷达目标识别研究领域的难点。与高分辨雷达目标识别不同，低分辨雷达分类识别主要指对机群目标的大小、架次以及调制方式等进行粗略分类。给出了一个基于飞机目标回波波形对机群目标进行分类识别的低分辨雷达目标识别系统例子。     

基于组合矩的激光成像雷达目标识别算法

随着激光技术的发展,激光成像雷达在现代战争复杂战场环境中逐渐获得了广泛的应用,目前激光成像雷达自动目标识别技术已成为国内外研究的热点问题。提出了基于组合矩的激光成像雷达目标识别算法,从激光成像雷达目标的距离像中提取低阶的Zernike矩、Hu矩和中心矩构成组合矩特征,该特征对距离像噪声不敏感,应用径向基函数(RBF)神经网络对三种地面目标进行分类识别。实验结果表明,该算法与应用Zernike矩和Hu矩特征进行分类识别相比,对三种激光成像雷达地面目标的平均识别率在高载噪比(20dB)下分别提高了1.0%和3.7%;在低载噪比(10dB)下分别提高了11.8%和42.5%;当载噪比高于17dB时,该算法的平均识别率达到100%。因此该算法取得了比较好的识别效果。     

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。