双辨别子空间高分辨距离像雷达目标识别

针对飞机目标的分类问题,提出了一种双辨别子空间高分辨距离像雷达目标识别方法.该方法首先依据Fisher准则导出距离像总散布矩阵的零空间中不含有辨别信息的结论,利用这一结论,对类间和类内散布矩阵进行预降维,降低了后续计算的复杂度.从全局的角度出发,基于类内散布矩阵零空间与非零空间所包含的辨别信息分别建立辨别子空间,实现对目标的特征提取.对ISAR实测飞机数据进行了分类,并与经典子空间方法进行比较,结果表明所提算法有效改善了目标识别性能.     

雷达目标一维距离像识别中的最优子空间法

提出一种基于最优子空间进行特征提取的雷达目标识别方法.最优子空间中各座标轴在目标分离意义上是最佳的,它同时能满足最小错误分类率原则;利用最优子空间能够提取到更优的特征,改善目标识别性能.对四类目标的仿真实验结果表明了方法的有效性.     

雷达目标一维高分辨距离像的特性分析及预处理方法研究

目标高分辨距离像已经广泛应用于雷达目标识别中。但高分辨距离像对目标的运动很敏感,而且易受到杂波的干扰。针对这一问题,为了克服目标高分辨距离像的姿态敏感性和平移敏感性,利用小波去噪、平均距离像等方法得到关于目标更为稳定的高分辨距离像。对高分辨距离像的仿真实验表明,该方法获得的结果比直接结果具有更高的精度和可靠性。     

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。     

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.     

MUSIC超分辨距离像在雷达目标识别中的问题

基于Li和Wang提出的提高距离分辨率有利于提高距离像的姿态稳定性这一结论，不少研究者利用超分辨距离像进行目标识别。文中从高分辨雷达目标的简单散射点模型理论出发，分析了距离像的分辨率与目标姿态敏感性的关系，并且结合仿真实验，详细分析了MUSIC超分辨距离像用于目标识别时对目标姿态、散射点个数、信噪比的敏感性等问题。     

对数变换在高分辨距离像目标识别中的应用

在基于高分辨距离像的雷达目标识别中,幂变换是一种常用的非线性预处理方法,对提高识别率有一定的作用。但幂变换对高分辨距离像目标识别的性能提升受信噪比情况影响较大,且幂变换指数的选取对识别结果影响明显,甚至有不利影响。文中针对幂变换存在的问题,提出用对数变换对高分辨距离像进行预处理。比较分析了对数变换与幂变换的作用机理的异同点,并重点分析了对数变换对高分辨距离像类内和类间相关系数的影响。研究表明:对数变换相较于幂变换更适于对高分辨距离像进行预处理,且实测数据的实验结果表明对数变换比幂变换能更有效地提高识别率。     

雷达目标高分辨距离像数据预处理方法研究

文中对双极化雷达高分辨距离像进行不同收发极化态非相干积累、邻近方位角数据压缩和背景杂波电平抑制，获得数据量少、信杂比高的目标特征像，利用以上方法建立五种地面目标特征像数据库，然后对此五类目标进行分类，可以获得较高的识别率。     

雷达目标一维距离像识别中的最优因式分析子空间法

该文提出一种基于因式分析子空间进行特征提取的雷达目标识别方法。通过对目标训练样本集进行因式分析,在最大似然估计准则和最小错误分类率准则下建立最优因式分析子空间,利用因式分析子空间能够增强同类目标特征之间的相关性,提高同类目标特征的聚集度,从而改善目标识别性能。对三类飞机目标的仿真实验结果表明了方法的有效性。     

基于一维距离像的雷达目标识别方法研究

通过对光学区雷达目标一维距离像的介绍和分析,指出利用一维距离像进行雷达目标分类和识别的可行性,并针对一维距离像对姿态角度化敏感这一难点问题,提出两种比较实用的解决方案。     

一维卷积神经网络用于雷达高分辨率距离像识别

针对人工提取高分辨率距离像（HRRP）优良特征比较困难的问题,研究了基于一维卷积神经网络（CNN）的HRRP识别方法。利用CNN具有分层学习特征的能力,训练CNN自动地从HRRP中学习有用的特征并分类。在仿真实验中描述了网络的相关配置,分析了不同激活函数、不同参数、不同网络结构的识别性能,对比了CNN与其他分类器的识别结果,用可视化特征图直观地说明了CNN通过卷积层能够学习到易于分辨的特征。实验结果表明CNN具有很好的识别性能。     

基于判别矢量子空间的雷达目标距离剖面像识别

提出了一种基于判别矢量子空间的雷达目标距离剖面像识别方法。判别矢量子空间一方面在分析意义上是较优的,同时该子空间的维数不受目标类别数限制,从而能够提取更有效的目标分类特征,改善目标正确识别率。仿真实验结果表明：该方法识别率高于特征图像方法和正则子空间法。     

基于字典学习的雷达高分辨距离像目标识别

提出一种基于字典学习的雷达高分辨距离像(HRRP)目标识别算法。该算法依据对测试样本的信噪比估计,可以自适应地确定测试阶段稀疏分解的稀疏度系数。相比于传统识别算法,文中算法对目标的识别性能更好,且对噪声的鲁棒性更强。另外,文中算法可以在只训练部分角域数据(不完备训练集)的条件下较好地识别全角域数据,可应用于HRRP数据库的扩展。基于实测数据的识别试验验证了该算法的有效性。     

一种利用强度信息的雷达HRRP自动目标识别方法

 针对雷达高分辨距离像(HRRP)的幅度敏感性,现有HRRP雷达自动目标识别(RATR)方法一般简单地能量归一化.本文借鉴切空间距离的思想,提出一种利用HRRP回波强度信息提高识别精度的方法,实测数据仿真试验证明与传统方法相比,该方法可提高识别率约5个百分点.     

基于深度学习的HRRP舰船目标识别性能分析

针对分辨率、信噪比、补零及深度置信网络等对深度学习舰船目标识别性能的影响问题,文中开展了基于实测数据的相关实验分析,整个实验分析处理过程包括回波信号对齐、数据脉冲压缩、信号能量归一化、深度学习模型训练、分类器设计及判决输出。实验分析结论为深刻理解基于深度学习的高分辨距离像舰船目标识别技术原理内涵,开展舰船目标识别工程化应用设计奠定了坚实的基础。     

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。     

基于一维距离像序列的弹道目标融合识别研究*

一维距离像是宽带雷达目标识别的重要特征之一.本文根据弹道目标的微动特性,推导了微动弹道目标的时间-距离像模型.然后提取具有平移不变性的中心矩和双谱作为待识别特征向量,并分别使用K-L变换和局部双谱法对提取到的中心矩和双谱特征进行降维.将降维后的特征分别输入支持向量机进行分类识别,最后将支持向量机的输出进行决策级融合,得到待识别目标的识别概率.与基于单特征量的识别方法相比,本文提出的方法不仅具有较高的识别率,而且具有良好的抗噪能力.     

基于最优变换和聚类中心的雷达目标成像识别

提出了一种基于最优变换和聚类中心的雷达目标成像识别方法。该方法利用一种最优变换减少同类之间差异以及通过在子像空间选定一组最优聚类中心来增大异类之间差异，提高雷达目标识别率。仿真实验结果表明了该方法的有效性。