宽带毫米波雷达目标时延神经网络识别新方法

基于一维距离像和神经网络研究宽带毫米波雷达目标识别问题,研究了用于雷达距离像序列识别的时延神经网络模型及其学习算法,并提出了基于距离像序列的宽带雷达目标时延神经网络识别方法.还利用三种飞机缩比模型的暗室测量数据,研究了时延神经网络分类器中时延单元数目对分类精度的影响以及分类器的分类性能.实验结果表明 本方法具有良好的应用前景.     

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）的雷达目标识别问题，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。     

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。     

基于注意循环神经网络模型的雷达高分辨率距离像目标识别

针对雷达高分辨率距离像(HRRP)数据的识别问题,该文利用HRRP生成的时序特性,提出一种基于循环神经网络的注意模型。该模型利用具有记忆功能的循环神经网络对时域数据进行编码,并根据HRRP中不同距离单元所映射的隐层对目标识别的重要性,自适应地赋予隐层不同的权值系数,并根据隐层特征编码特征进行HRRP目标识别。该模型利用了隐藏在HRRP数据内部的目标结构信息,提高了特征的区分度。实测数据的实验结果表明,该方法可以有效地进行识别,在样本存在一定余度数据和样本偏移的情况下,都能准确地找出目标支撑区域。     

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。     

时延神经网络目标识别实时算法软件开发研究

文章对时延神经网络目标识别算法的实时软件开发进行了研究，在TMS320C6201和TMS320C80上分别实现了该算法，取得了比较好的处理效果。     

高分辨率雷达信号参数对目标识别的影响

采用模板匹配分类器,对具有大、中、小3个尺寸级别的9类目标进行基于高分辨率雷达距离像(HRRP)的识别仿真试验,系统地研究了识别概率-信噪比-雷达带宽/载频之间的三维变化关系,分析了雷达信号参数对目标识别的影响,得到了有价值的研究结论。     

基于线性内插神经网络的雷达目标一维距离像识别

本文提出一种新颖的神经网络模型－－线性内插神经网络用于雷达目标一维距离像识别,它可避开提取不变特征的难点,利用目标一维距离像特征随姿态变化的信息来提高目标识别性能,实验结果表明,采用ＬＩＮＮ很好地解决了在大的廨范围内识别目标时所存在的计算量与识别率的矛盾,提高了雷达对任决任意姿态目标的识别性能。     

基于非参数化概率密度估计的雷达目标识别

针对雷达目标识别中,参数化方法估计高分辨距离像的概率密度存在的模型失配问题,提出一种非参数化方法基于累计量的随机学习算法,估计距离像的概率密度。该算法运用多层感知器估计训练样本的分布函数,然后求导得到概率密度。该算法不仅能全面、精确地估计概率密度,而且回避了许多其他非参数方法面临的窗宽敏感性问题。基于外场实测数据的实验证明了该文方法的有效性。     

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。     

基于宽带毫米波工作体制的雷达目标识别方法探讨

对基于宽带毫米波工作体制的雷达目标特征获取和识别方法进行了综合分析和探讨.表明:在毫米波照射下,雷达目标可模型化为由多个散射中心组成的扩展目标;只要发射信号有足够的带宽,就可以从回波信号中获得各散射中心的空间分布、类型等特征;仿真结果说明,这种方法对高频区复杂目标的识别是有效的.     

小波变换在毫米波雷达目标识别中的应用

将小波分析引入了毫米波这目标识别中，提出了基于小波分析的能量特征矢量法。该方法结合小波分析和毫米波信号的特点，克服了传统方法的局限，提高了毫米波雷达的目标识别性能，获得了仿真试验良好的识别结果，并具有简便高效的优点。     

基于雷达距离象序列的循环神经网络飞机目标识别

本文应用雷达目标瞬态高分辨距离象序列来识别目标,提出了一种基于距离象序列的实时循环神经网络分类方法,并进行了三类飞机目标的分类实验研究,结果表明,该方法可以得到高的识别率。     

一种利用相位信息的雷达目标成像识别方法

高距离分辨雷达(HRR)的回波中蕴含丰富的目标信息,充分利用目标回波并采用恰当的特征抽取方法,可以有效地识别目标。本文提出一种利用相位信息和正则变换的目标识别方法。该方法基于雷达目标距离剖面像的幅度和相位矢量(幅相矢量),首先由各训练目标在不同方位姿态角时的幅相矢量构成综合矩阵并对之作正则变换建立正则子空间,然后将每类训练目标各方位姿态的幅相矢量向该子空间投影形成子像,取其平均结果作为该目标的库特征矢量。对未知目标,以其子像对库矢量的欧氏距离最小为分类准则,进行了识别模拟实验。     

用HM框架下的神经网络分类器识别雷达目标

提出了一种HMM框架下的神经网络分类器,它既克服了普通神经网络不能有效地识别时变信号的缺点,又解决了HMM识别时变信号时不能突出不同信号的差异性问题。用网络权的遗传算法进化学习解决了Baum-Welch及BP网络学习中易陷入局部极小点的问题,还给出了用该网络成功识别实测雷达回波信号的实例。     

基于多重变换的一种雷达目标识别方法

利用多重变换,提出了一种雷达上述识别方法,将雷达回波信号与本振信号混频处理后采样,进行FFT,得到目标的一维距离像,计算其马氏距离,利用小波变换对马氏距离序列进行数据压缩,得到目标的特征向量,由相关识别法进行目标识别,由3类飞机模型测量数据的识别结果表明,该方法具有较高的识别率。     

基于小波神经网络的毫米波雷达目标距离像识别

给出一种隐层由小波基组成的神经网络用于实现频率步进毫米波雷达目标一维距离像的识别。利用小波变换所具有的良好的时频分析特性,实现了输入输出之间映射关系的多分辨学习。介绍了小波神经网络的数学框架及其误差反向学习算法。详细描述了用小波神经网络进行识别的步骤。将所提出的小波神经网络用于频率步进毫米波雷达目标一维距离像的识别。实验结果表明该方法对目标距离像的识别是有效的。     

小波变换和神经网络在毫米波辐射计目标识别中的应用

本文采用小波变换把毫米波辐射计的目标信号分解为一系列正交子空间上的投影,利用重构矩法分析信号特征在各子空间的分布,依次提取各子空间上的特征,然后融合这些特征,组成特征矢量,采用神经网络对目标信号特征矢量进行建模．用此方法对低信噪比的毫米波辐射计的信号进行仿真试验,结果表明该方法克服了传统方法对噪声和目标信号散布的敏感,取消了对目标和辐射计天线之间距离的限制,与最近邻法相比,该方法大大提高了识别率．     

基于QR分解的广义辨别分析用于雷达目标识别

提出了一种基于QR分解的广义辨别分析算法,并将其用于雷达目标一维距离像识别.与传统用奇异值分解获取目标特征子空间的方式不同,新算法运用核修正格兰-施密特正交化过程直接提取最优投影变换矩阵,不仅有效地地保留了类内散度矩阵最具辨别力的零空间信息,同时使所求解在数值上更稳定.对3种实测飞机数据的分类结果表明,所提方法不仅在识别性能上优于传统方法,而且在一定程度上降低了算法的计算复杂度,提高了系统的实时性能.