核不相关辨别子空间雷达目标一维像识别

针对不相关辨别分析方法在目标类别数较多时计算量大,且可能面临散度矩阵奇异的问题,提出了一种核不相关辨别子空间算法,并将其用于雷达目标一维距离像识别。新算法继承了原方法提取目标统计不相关辨别特征的优点,同时利用核机器学习理论与广义奇异值分解,有效解决了计算量与矩阵奇异的问题,并进一步改善了目标的类可分性。对ISAR实测飞机数据进行了分类,并与几种经典核非线性方法进行了比较,结果表明所提方法的识别性能得到了明显改善。     

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.     

基于正交判别分析子空间的雷达目标识别

本文提出了一种基于正交判别子空间的雷达目标距离像识别方法.该方法采用一种新的准则函数,得到由一组正交基组成子空间,与修正正则子空间相比其使用正交基数量少、计算简单.用四种不同类型飞机回波数据进行识别研究,结果表明了该方法的有效性.     

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。     

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.     

基于优化核Fisher判别分析的雷达目标识别

针对雷达目标高分辨距离像非线性可分和高特征维数的特点,提出一种基于优化核Fisher判别分析的雷达目标识别方法.该方法利用Fisher判别准则下界作为目标函数对核Fisher判别分析进行核参数优化,再利用支持向量机训练和识别由核Fisher判别分析提取的高分辨距离像特征.基于5种飞机目标的仿真实验表明,优化核Fisher判别分析可以有效优化核参数并降低特征维数,具有稳定优异的识别性能.     

基于直接辨别分析的雷达目标一维距离像识别

提出了基于零空间的线性直接辨别分析与非线性推广直接辨别分析方法,并将其用于雷达目标一维距离像识别.与传统子空间方法相比,上述两种方法保留并充分利用了类内散度矩阵最具分辨力的零空间信息,因而大大提高了目标的识别性能.对三种实测飞机数据的识别结果表明了所提方法的有效性.     

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.     

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。     

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。     

基于半参数化概率密度估计的雷达目标识别

该文针对雷达目标高分辨距离像(High-Resolution Range Profile, HRRP)识别中距离单元回波幅值统计建模所面临的概率密度模型选择问题,提出一种基于半参数化概率密度估计的雷达目标识别方法。半参数化概率密度估计从参数化概率密度估计出发,有效利用了高分辨距离像各距离单元幅值近似服从Gamma分布的经验知识,并且通过非参数化修正因子对Gamma模型进行修正,达到参数化方法和非参数化方法优缺互补的目的。基于5种飞机模型高分辨距离像数据的仿真实验证明了该文方法的有效性。     

基于深度多尺度一维卷积神经网络的雷达舰船目标识别

为满足雷达舰船目标识别的高实时性和高泛化性的需求,该文提出了一种基于深度多尺度1维卷积神经网络的目标高分辨1维距离像(HRRP)识别方法。针对高分辨1维距离像特征提取难的问题,所提方法通过共享卷积核的权值,使用多尺度的卷积核提取不同精细度的特征,并构造中心损失函数来提高特征的分辨能力。实验结果表明,该模型可以显著提高目标在非理想条件下的识别正确率,克服目标姿态角敏感性问题,具有良好的鲁棒性和泛化性。     

基于联合稀疏性的多视全极化HRRP目标识别方法

该文考虑利用连续获取的多视全极化高分辨距离像(High Range Resolution Profile, HRRP)进行目标识别的问题。多视全极化HRRP样本包含了3个层次的先验信息：样本内各分量来自同一目标;单视内4种极化组合方式下的HRRP均对应相同的目标姿态;相同极化方式下的多视观测是相关的。为有效利用上述信息进行目标识别,该文提出一种基于联合稀疏表示的多视全极化HRRP目标识别方法。该方法约束各分量对应的稀疏表示系数共享原子级的稀疏模式。原子级稀疏约束使得从各极化字典中选择来自相同姿态的字典原子对样本中各分量进行稀疏表示,可以有效利用上述3个层次的先验信息进行目标识别。利用目标电磁散射数据对所提方法进行了验证,结果表明,该方法具有较好的识别性能,并且对噪声具有良好的鲁棒性。     

基于线性动态模型的雷达高分辨距离像小样本目标识别方法

为了解决雷达高分辨距离像识别系统对训练样本需求量过大的问题,该文提出一种基于线性动态模型的小样本目标识别方法。首先分析了距离像频谱的统计特性,然后从其广义平稳性出发,使用线性动态模型对距离像频谱幅度建模,并用期望最大化算法估计模型参数。实测数据的实验结果表明：即使在很少的训练样本条件下,该方法仍能获得较高的正确识别率和良好的拒判性能。     

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.     

基于样本紧密度的雷达高分辨距离像识别方法研究

模板库是基于高分辨距离像(HRRP)进行雷达自动目标识别的关键。由于真实目标复杂的电磁散射特性及背景杂波的存在,基于传统平均HRRP模板库的目标识别方法的实用性能有限。该文分析了雷达目标HRRP样本集在单位超球面上的空间分布特征,构建了类心+紧密度球特征模板库,定义了基于紧密度球的距离度量方法,最后提出基于样本紧密度的HRRP识别方法。基于公共MSTAR数据的实验结果表明该方法具有良好的工程实用性能。     

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。     

基于多任务复数因子分析模型的雷达高分辨距离像识别方法

传统的高分辨距离像(HRRP)统计识别方法大部分只使用雷达目标高分辨回波的幅值信息且需要大量的训练样本保证统计模型参数学习的精度。为了充分利用高分辨回波的相位信息,在雷达采样率有限、训练样本数不足的条件下保证统计识别的性能,该文提出一种多任务学习(MTL)复数因子分析(CFA)模型,将数据描述推广到复数域,将每个方位帧训练样本的统计建模视为单一的学习任务,各学习任务共享加载矩阵,利用贝塔伯努利(Beta-Bernoulli)稀疏先验自适应地选择各任务需要的因子,完成多任务的共同学习。基于实测数据的识别实验显示,与传统的单任务学习(STL)因子分析模型相比,该文提出的多任务因子分析模型具有更低的模型复杂度且在小样本条件下可以显著提高识别性能。     

基于空时融合隐马尔科夫模型的舰艇编队目标识别方法

基于末制导雷达搜索舰艇编队目标时获得的目标大角域高分辨距离像(HRRP)信息,该文建立了描述单个HRRP样本内向量之间统计关系的各态历经空间隐马尔可夫模型(SHMM)和描述HRRP样本之间统计关系的从左到右时间隐马尔可夫模型(THMM)。与对一类目标全方位角训练数据只建立一个THMM模型的方法相比,该方法充分利用目标的大角域HRRP信息,提高了识别性能。通过对5类舰船目标的仿真和3类民用船只的外场实测数据分析表明该方法的有效性。