一种利用目标雷达高分辨距离像幅度起伏特性的特征提取新方法

为了松弛高分辨距离像(HRRP)的方位敏感性,传统的雷达HRRP目标识别方法大都采用目标在一定方位角域内的平均像作为方位模板.实际上,距离像的幅度起伏特性也包含了一定的目标特征信息.本文基于散射点模型理论,提出了一种利用距离像幅度起伏特性的特征提取新方法.新方法提取的加权距离像特征反映了各个距离单元内目标散射点的分布情况,可以更好地描述目标散射特性.基于外场实测数据的识别实验结果表明,新的特征提取方法可以大幅度地提高识别性能.     

雷达高分辨距离像目标识别研究进展

雷达高分辨距离像(HRRP)包含了目标的结构信息,在雷达目标识别领域有良好的应用前景.该文详细讨论了基于HRRP的雷达自动目标识别的关键技术及研究现状,包括雷达HRRP的特性、预处理方法、特征提取方法及分类器设计方法等.最后讨论了雷达HRRP识别的研究方向.     

基于一维像序列的进动目标尺寸估计研究

利用高分辨距离像估计目标尺寸是弹道导弹中段防御雷达目标特征提取和识别的重要途径.该文提出了一种在目标进动条件下,利用多幅高分辨一维距离像进行中段弹道目标真实长度估计的方法.推导了目标1维高分辨距离像长度与弹道目标真实长度、进动参数之间的函数关系,建立了1维距离像长度的观测模型,采用最大似然估计法实现了目标长度的估计.最后给出了基于仿真数据和某弹头实测数据条件下的尺寸估计仿真结果,验证了所提方法的有效性.     

基于稳健深层网络的雷达高分辨距离像目标特征提取算法

特征提取是雷达高分辨距离像(HRRP)目标识别的核心技术。传统的特征提取算法多采用浅层的模型结构,容易忽视样本的内在结构,不利于学习有效的分类特征。针对这一问题,该文利用多层非线性网络实现特征学习,构建了基于深层网络的雷达HRRP目标识别框架。利用平均像在散射点不发生越距离单元走动的方位帧内具有稳健物理特性的性质,提出了堆栈联合稳健自编码器。该网络由一系列联合稳健自编码器堆栈化实现,在匹配原始HRRP样本的同时,约束同帧样本趋近于平均像,并将网络的最终输出作为分类器的特征输入。基于实测HRRP数据的实验结果验证了所提算法的有效性。     

宽带雷达一维高分辨距离像识别研究

对一维高分辨率距离像（HRRP）进行预处理,解决高分辨距离像姿态、平移和幅度敏感性问题。对HRRP进行了目标子空间提取,基于子空间使用最大相关系数法对目标进行识别。实验结果表明,基于子空间法的目标识别具有较好的识别结果和较快的处理速度。     

基于双向滑动平均的目标长度特征提取方法

基于高分辨距离像的雷达目标识别是该领域的研究热点,而特征提取是其中的关键环节。相对于散射中心强度和位置特征而言,长度特征随目标方位角变化的影响较小,是一种相对稳定的特征,而且长度特征属于目标本身的物理特征,具有实际的物理意义。文中提出一种基于双向滑动平均的目标长度特征提取方法,并将提取的长度特征用于目标粗分类。该方法首先对距离像进行降噪处理,然后从左右两端同时向中间进行滑动平均处理,当滑动均值大于预设的阈值时,即可确定目标区域的起始和终止位置,从而得到目标的长度特征。该方法的核心在于分别估计左右两端各自的阀值,而不是采用一个统一的阀值,并且在阀值估计的过程中同时考虑了距离像均值和噪声的影响。因此,该方法对于距离像突变、非目标区域野值等具有较强的稳健性。通过对五类飞机的实测数据进行实验,验证了该方法的有效性。     

基于半参数化SLC 的雷达目标识别

针对雷达目标高分辨距离像(HRRP)统计识别中SLC(基于累计量的随机学习算法)在小样本情况下概率密度估计准确度下降的问题,该文提出一种基于半参数化SLC 的雷达目标识别方法。该方法利用半参数化概率密度估计思想对SLC 非参数化概率密度估计进行修正,有效利用了HRRP 各距离单元幅值近似服从 Gamma 分布的经验知识,达到参数化方法和非参数化方法优劣互补以提高小样本情况下雷达目标识别率的目的。最后基于5 种飞机模型HRRP 数据的仿真实验证明了该方法的有效性。      

宽带复合双基地雷达舰船目标长度估计方法

舰船目标长度特征对舰船目标识别具有重要作用,该文提出一种基于宽带复合双基地雷达联合观测的舰船目标长度估计方法。该方法综合利用单/双基地雷达高分辨距离像(HRRPs)长度,结合双基地雷达-舰船之间的空间关系求解,实现了单次测量估计舰船目标的实际长度,并分析了各种误差因素和几何构型条件下的估计误差。典型场景动态仿真证明了所提方法的有效性,结果表明在高分辨距离像长度误差小于5%条件下,舰船目标长度估计误差小于5%,为舰船目标特征提取与识别提供了新思路。     

幂变换对雷达目标HRRP识别的性能影响

分析了幂变换对雷达目标高分辨距离像的特性影响.从类别可分性角度研究了高分辨距离像(HRRP)经幂变换后,其类内和类间相关系数变化情况以及对特征提取的性能影响.采用主分量分析法对原始HRRP和经过幂变换的HRRP进行特征提取,用提取后的特征输入支持向量机分类器进行训练和学习.实验结果表明,幂变换减小了HRRP类内和类间相关系数的差别,进而影响特征提取性能.     

基于深度卷积神经网络的极化雷达目标识别

针对宽带多极化雷达,提出将高分辨一维距离像(high resolution range profile,HRRP)与极化信息相结合的算法,获得目标在4种极化组态下的一维距离像并将其组成极化距离矩阵.该算法对目标进行全方位的特征抽取与建模,以适应不同的姿态,有助于减少高分辨一维距离像方位敏感性带来的影响.然后提出了直接基于极化距离矩阵、Pauli分解和Freeman分解三种特征提取方式对极化距离矩阵进行目标特征的提取,并将获得的目标特征向量结合起来送入搭建的深度卷积神经网络进行训练学习.该方法不仅结合了不同的特征提取方式以对极化距离矩阵进行更全面的特征提取,而且深度卷积神经网络的运用又对目标特征向量进行了深层学习,仿真结果验证了该方法的有效性.     

一种基于多约束条件的目标一维像尺寸提取方法

雷达高分辨一维像反映了目标的精细结构信息在雷达视线上的投影,正确提取目标一维像尺寸是计算宽带RCS,反演目标真实长度,实现目标分类识别的基础。文中针对在目标一维像尺寸提取时存在的目标分裂、多目标情况等情况,提出一种基于多约束条件计数的目标一维像尺寸提取算法,可以实现宽带距离窗内多个目标一维像尺寸的同时提取,经过实测数据验证,文中提出的一维像尺寸提取算法平均提取误差小于2个距离门,具有优良的性能和提取稳定性,可有效避免海杂波,目标分裂多目标等情况的影响。     

基于多视角一维距离像序列的进动目标特征提取

该文研究了利用多视角观测1维距离像序列联合提取弹道目标进动角和真实长度的方法。以锥形弹头为例,详细分析了目标进动条件下1维距离像长度随视角的变化规律,指出该规律通常情况下可近似为正弦曲线;基于此建立了多视角雷达目标观测模型,提出了基于多视角1维距离像序列目标进动角和真实长度的联合提取新方法,并分析了雷达布站对特征提取精度的影响。最后通过计算机仿真证明了算法的有效性和适应性。     

多视角距离像序列弹道目标的进动参数估计

进动参数是中段目标识别的重要特征来源,该文以锥形弹头为研究对象,分析了进动参数、目标结构参数对一维距离像上目标长度的影响,建立了高分辨雷达多视角观测模型。在此基础上,提出了一种基于多视角时间-距离像对进动特征及结构特征进行联合估计的算法,并对其CRB进行了推导。该算法利用多部高分辨雷达所观测的目标投影长度变化信息实现了无先验信息下进动参数与目标结构参数的高精度估计。仿真结果验证了所提算法的有效性。      

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。     

弹道目标宽带极化特征提取分析

针对弹道目标的极化高分辨一维距离像,研究宽带极化特征提取算法,分析所提取特征表征的目标散射特性及其在目标分类识别中的应用。通过弹道目标全极化高分辨一维距离像,构建极化散射矩阵,估计弹道目标的极化相干矩阵,再对其进行Cloude分解,提取H/α/A/P特征,依此对目标各散射中心的散射机理进行判定,同时分析各特征对于弹道目标可分性的强弱,利用SVM算法进行分类识别,同时考虑了信噪比对识别结果的影响,用仿真实验验证了算法的有效性。     

一种HRRP特征辅助的多目标JPDA算法

针对强杂波环境下,联合概率数据关联（Joint Probabilistic Data Association, JPDA）算法的计算复杂度不能满足复杂电磁环境下数据关联的实时性要求,本文提出了一种基于高分辨一维距离像（High Resolution one-dimensional Range Profile, HRRP）特征辅助的JPDA算法。首先,计算量测与目标的HRRP特征相似度;然后利用特征相似度辅助JPDA算法完成波门搜索,减少可行事件的数量;最后使用特征相似度对可行事件的发生概率进行修正,进而修正量测与目标的关联概率。实验结果表明,本文算法提高了关联性能,同时还极大地提高了算法的实时性。      

幅度谱差分子空间雷达自动目标识别

雷达高分辨距离像是目标的重要结构特征,其维数通常很高,造成数据可分性表达差,识别过程计算复杂度高,识别率低。为降低距离像的维数,提出一种新的距离像特征提取方法,即采用直接线性判别分析(dLDA)在距离像幅度谱差分空间进行特征提取,得dLDA幅度谱差分子空间。目标识别即在所得dLDA幅度谱差分子空间中进行。采用外场实测数据,分别训练了最小距离分类器和one-against-all支撑向量机分类器,2种分类器的识别结果均表明,该方法可显著地降低数据维数并提高识别率。