探地雷达多目标识别方法的研究

与现有的机器学习算法相比,在有限样本的情况下,支撑矢量机具有更强的分类推广能力。该文在提出利用非线性映射进行探地雷达目标识别的基础上,将多目标识别支撑矢量机与探地雷达目标识别相结合,得到了基于一对一(One against one) 支撑矢量机的探地雷达多目标识别方法。所提方法包括基于一对一的探地雷达多目标识别方法、交叉验证的参数选取方法、多通道识别方法;并且和传统的神经网络识别方法进行对比分析。所提识别方法可以与各种目标特征选取方法相结合。对实测数据的对比处理表明所提方法优于传统探地雷达目标识别方法,所得结论对探地雷达目标识别的研究有指导意义。     

基于支持向量机和无源特征的目标识别方法

通过引入机栽雷达辐射这一无源特征.采用多类分类支持向量机进行类型识别,提出了一种更有效的目标识别方法.无源特征是有用信号和噪声的叠加.具有一定程度的不确定性,采用范数熵衡量无源特征,类间距较大,类内聚集性较强,还可以抑制噪声.支持向量机分类器结构简单、可获得全局最优、泛化能力强,多类分类支持向量机解决目标识别问题高效而且实用.实验证明,该方法明显地提高了目标识别的正确率.     

一种基于SVM的雷达目标识别算法

针对目前支持向量机多类分类方法存在的缺点,丈中对支持向量机的高斯核函数进行改进,并提出一种结合留一法和单一验证法的参数选择新方案.基于3种雷达目标的HRRP数据,设计了相应的预处理算法,利用改进的SVM分类法用于高分辨距离像的雷达目标识别.从实验目标姿态稳定性、训练集大小稳定性和抗噪能力三个方面验证改进SVM的稳健性.     

基于微多普勒特征的飞机分类方法研究

针对窄带雷达喷气式飞机和直升飞机的分类问题,本文提出了一种基于微多普勒特征的分类方法。首先分析了飞机旋翼转动的运动模型和微动特性;然后根据两类目标回波的不同,提出了二阶中心矩和波形熵等特征;最后利用支持向量机分类器实现了对直升飞机和喷气式飞机的分类。基于实测数据的实验结果表明,所提方法对这两类目标具有较好的分类效果。     

基于核方法的探地雷达目标特征提取方法

把核方法引入探地雷达目标特征提取中,先对雷达特征数据进行基于核的非线性变换投影到高维空间;然后在高维空间应用传统的探地雷达目标特征提取方法（LDA方法和PCA方法）提取雷达数据特征。对PCA、LDA、基于核方法的PCA和基于核方法的LDA四种探地雷达目标特征提取方法进行对比研究,对实测数据处理的结果表明：无监督的学习方法不适合探地雷达目标特征提取,所提基于核方法的LDA探地雷达目标特征提取方法效果最好。并详细阐述了基于核方法的LDA探地雷达目标特征提取方法。     

基于雷达回波识别的杂波抑制

非均匀非平稳的杂波抑制历来是情报雷达的一个难点.本文从雷达回波分类识别的角度利用支持向量机对剩余杂波做进一步的抑制.实测数据分析表明,杂波图迭代方差和信噪比可以作为区分杂波和目标的两个特征.在用支持向量机对实测数据进行分类的情况下,杂波抑制率达60%,目标损失低于10%.     

基于核方法和主成分分析(PCA)的探地雷达目标特征提取新方法

常用探地雷达目标特征提取方法LDA(又称为FDA)直接在低维的探地雷达数据空间提取探地雷达目标特征, 提取的探地雷达目标特征的区分度小;常用的正则化技术存在正则化参数选取困难的问题。本文提出先通过基于核方法的 非线性变换把低维的探地雷达样本数据投影到高维空间,然后在高维空间中用PCA对奇异的核矩阵降维重建,最后对重 建后的非奇异核矩阵用LDA提取探地雷达目标特征。对实测数据的对比处理分析表明,本文所提探地雷达目标特征提取 方法优于其它方法。     

基于支持向量机的窄带雷达弹道导弹目标识别技术

窄带雷达由于受到带宽限制,无法获取到目标高分辨精细识别信息,仅能通过目标轨道运动特征和窄带RCS特征对目标属性进行初步分类识别,文中基于支持向量机分类算法,从窄带雷达回波数据中提取弹头群和弹体群目标的特征,实现了弹道导弹群目标初步分类识别。在对弹头群和弹体群分类识别的基础上,窄带雷达可集中更多的时间和能量资源重点对弹头群类目标进行跟踪,并为后续宽带目标识别雷达提供重点目标位置信息。     

基于核函数正则变换的HRRP识别法

雷达高分辨距离像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.应用核函数的分类方法有很强的泛化能力,本文将核函数的思想引入正则变换,提出核函数正则变换,该变换能在考虑各类样本整体和个别特性的同时提取非线性特征,将其与线性支持向量机结合实现目标分类.用实测数据仿真实验,验证了所提方法的有效性.     

基于核函数正则变换的HRRP识别法

雷达高分辨距离像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.应用核函数的分类方法有很强的泛化能力,本文将核函数的思想引入正则变换,提出核函数正则变换,该变换能在考虑各类样本整体和个别特性的同时提取非线性特征,将其与线性支持向量机结合实现目标分类.用实测数据仿真实验,验证了所提方法的有效性.     

数据库样本缺失下的雷达辐射源识别

目前,基于机器学习的雷达辐射源识别技术大多以训练集和测试集同分布为假设,当雷达数据库样本不足导致与信号真实分布存在偏差时,传统的分类方法效果不佳.为此,将迁移学习理论引入识别系统,设计了一种基于结构发现与再平衡的雷达辐射源信号识别方法.通过对数据库和待识别辐射源信号样本进行聚类分析发现数据结构信息,通过重采样处理修正其分布差异.将新采样数据输入支持向量机进行训练并对侦收样本进行识别.仿真实验表明,在新训练样本集上学习的模型对测试集的分类性能有了很大的提升.     

A novel signal processing technique for clutter reduction in GPR measurements of small, shallow land mines

A signal processing technique is developed to reduce clutter due to ground bounce in ground penetrating radar (GPR) measurements. This technique is especially useful when a GPR is used to detect subsurface antipersonnel mines. The GPR clutter is modeled using a simple parametric model. Buried mine and clutter contributions are separated through a pair of coupled iterative procedures. The algorithm outperforms existing clutter reduction approaches and also yields target features that are useful for detection and identification of these mines. The proposed technique effectively reduces clutter resulting in a significant decrease in false alarm rates.     

基于中心矩特征的空间目标识别方法

目标的雷达散射截面（RCS）包含了丰富的目标类别信息,有效地利用目标RCS特征对空间目标的雷达识别具有重要的意义。该文利用空间目标回波的距离维信号来进行识别。中心矩特征具有平移不变性,是一种简单有效的波形特征提取算法。文中首先提取中心矩作为特征向量,再采用Fisher判据进一步进行特征压缩,最后利。用支撑矢量机（SVM）分类算法实现识别。基于实测数据的仿真实验结果表明,该方法具有较好的识别性能和推广能力。     

基于随机滤波的探地雷达成像方法

探地雷达是一种超宽带雷达系统,若按传统的奈奎斯特采样,雷达回波信号需要大量空间存储。压缩感知可以实现利用少量的测量值对稀疏信号进行重构,其中最为关键的是测量矩阵和重构算法的选择。本文将压缩感知应用于探地雷达成像,并利用随机滤波的思想选择测量矩阵,可以有效减少测量矩阵中非零值的个数。利用正交匹配追踪算法对信号进行重构,算法简单,降低了数据的存储量和运算复杂度,该算法同样可以对时间和空间上同时压缩的数据进行成像。最后,本文给出基于时间连续信号的GPR接收机一种CS实现方案。仿真结果表明,本文提出的成像方法可以以少量数据精确地对信号进行重构,并且运算量少。      

基于核ICA的探地雷达地杂波抑制

地雷及未爆武器给许多国家带来了巨大的经济和社会问题。近年来超宽带探地雷达被广泛用于浅层埋藏的塑性地雷的检测,其中滤除雷达回波信号中的地杂波是完成目标检测、成像与识别的关键。文中通过利用核ICA算法进行研究,给出了一种可以针对多目标数据区域且自动选取独立分量的探地雷达地杂波抑制方法,基于实测数据的实验结果表明了该方法的有效性。     

基于多测量向量模型的极化探地雷达成像算法

针对极化探地雷达( GPR)工作过程中目标成像空间的联合稀疏性,提出了一种基于多测量向量模型的极化探地雷达成像算法。在建立极化探地雷达回波信号模型的基础上,利用各极化通道测量数据的联合稀疏性将各个极化通道的测量数据等效成多测量向量( MMV ),通过多任务贝叶斯压缩感知( MT-BCS)算法对各个极化通道的测量数据进行联合处理从而实现各个极化通道对应的探测场景反射率的重建。基于时域有限差分( FDTD)法的仿真数据处理结果表明所提成像算法在目标位置重建的准确性和背景杂波抑制能力上均优于单测量向量( SMV)模型的极化探地雷达成像算法。     

基于多尺度信息熵的雷达辐射源信号识别

随着雷达信号的日益复杂,从实数序列中提取特征变得越来越困难,但当它们表示成符号序列时,通常能更容易地挖掘出有效的特征参数。因此,该文提出一种基于多尺度信息熵(MSIE)的雷达信号识别方法。首先通过符号聚合近似(SAX)算法在不同字符集尺度下将雷达信号转换为符号化序列;然后联合各符号序列的信息熵值,组成MSIE特征向量;最后,使用k邻近算法(k-NN)作为分类器实现雷达信号的分类识别。通过仿真6种典型的雷达信号进行验证,结果表明该方法在信噪比(SNR)为5 dB时,不同雷达信号的识别正确率大于90%,并且优于传统的基于复杂度特征(盒维数和稀疏性)的识别方法。     

A linear prediction land mine detection algorithm for hand held ground penetrating radar

Land mine detection using ground penetrating radar (GPR) is a difficult task because the background clutter characteristics are nonstationary and the land mine signatures are inconsistent. A particularly difficult scenario is the case for which a GPR is mounted on a hand held device with no position or velocity information available to a signal processing algorithm. This paper proposes the use of linear prediction in the frequency domain for land mine detection in this scenario. A frequency domain clutter vector sample is partitioned into subbands. Each subband is modeled by a linear prediction model; the current vector sample is expressed as a linear combination of the past few vector samples plus random noise. The detector first computes the maximum likelihood estimate of the prediction coefficients, and then uses the generalized likelihood method to determine if a land mine is present. The effect of subband processing on the accuracy of the detector is evaluated. Detection results are presented on data collected from a variety of geographical locations. The data sets contain over 2300 mine encounters of different size, shape and content, and a larger number of measurements from locations with no mines. The proposed detector is compared to the baseline differential energy detector. The proposed algorithm reduces the false alarm rate by 60% for all the targets at 90% probability of detection, and 70% for the deep anti-tank mines at 90% probability of detection.     

基于稀疏约束的SAR目标特征提取方法研究

特征提取是合成孔径雷达目标识别关键技术与核心任务。为了更好地提取目标特征,稀疏约束将被添加在非负矩阵分解法中,并应用于图像目标特征提取,通过利用稀疏约束的非负矩阵分解方法对sAR目标图像进行分解,构建具有稀疏性的目标特征矢量,提高了特征矢量的类内相似性与类间差异性。利用基于支持向量机的分类方法对MSTAR数据进行目标识别试验,试验结果表明,添加稀疏约束的NMF方法与PCA、ICA以及一般NMF特征提取方法相比,能够显著提高目标识别的稳定性和准确率。