基于中心矩特征的雷达HRRP自动目标识别

针对雷达高分辨距离像(HRRP)的方位敏感性和平移敏感性，对一定角域内的HRRP非相干平均，提取具有平移不变性的中心矩作为特征向量，采用Karhunen-Loeve变换进一步进行特征压缩，建立相应的支撑矢量机（SVM）分类算法，与基于原始距离像特征的最大似然(ML)方法和基于中心矩特征的ML方法识别结果比较，该方法在减少计算量的同时具有较高的识别率，具有良好的推广能力。     

基于中心矩特征的雷达HRRP自动目标识别

针对雷达高分辨距离像(HRRP)的方位敏感性和平移敏感性,对一定角域内的HRRP非相干平均,提取具有平移不变性的中心矩作为特征向量,采用Karhunen-Loeve变换进一步进行特征压缩,建立相应的支撑矢量机(SVM)分类算法.与基于原始距离像特征的最大似然(ML)方法和基于中心矩特征的ML方法识别结果比较,该方法在减少计算量的同时具有较高的识别率,具有良好的推广能力.     

基于平均模板的HRRP自动目标识别

给出了一种结合幂变换的高分辨率距离像（High Resolution Range Profile,简称HRRP）的预处理新方法，根据时域－频域能量等价性，利用功率平均形成一种频域平均模板。基于美国MSTAR（Moving and Stationary Target Acquisition and Recognition)实测数据的实验结果证明了新方法的有效性。     

一种基于SVM分类器的HRRP-ATR方法

给出了一种应用统计学习领域最新的支持矢量机 (SupportVectorMachines ,简称SVM )分类器识别高分辨率距离像 (HighResolutionRangeProfile ,简称HRRP)的方法。应用美国空军研究室 (AirForceResearchLaboratory)的MSTAR (Mov ingandStationaryTargetAcquisitionandRecognition)实测数据 ,该方法获得了较满意的识别率。与模板匹配法相比 ,实验结果证明了支持矢量机分类器的有效性 ,同时证明了支持矢量机分类器与幂变换结合后可以大大提高识别率     

基于核主分量相关判别分析特征提取方法的目标HRRP识别

为有效提高雷达高分辨1维距离像目标识别系统的总体性能,需要对目标高分辨1维距离像进行特征提取,以得到具有最小信息损失、高可分性且低维度的目标特征,为实现该目的提出一种基于核主分量相关判别分析的特征提取算法。该算法基于目标高分辨1维距离像的统计特性,通过对核主分量分析中核函数的选择,实现对不同类型距离单元的特征提取。同时综合线性判别分析与典型相关分析理论构建新的准则函数,以实现特征空间中类内相关性与类间差异性最大化,同时减少目标特征中的冗余信息。利用实测数据进行实验,结果表明该方法提高了特征向量的可分性,降低了特征向量的维度,并且对该算法在不同强度杂波下的识别性能进行了分析,实验结果表明,该方法可以有效的提高目标高分辨1维距离像目标识别系统的总体性能。     

基于匹配度的闪烁HRRP谱特征分析

在未发生散射点越距离单元走动(Moving Through Range Cell,MTRC)的角域内,闪烁现象是导致高分辨距离像(High Resolution Range Profile,HRRP)波动的主要原因。该文基于匹配度准则定量分析闪烁时HRRP常用谱特征(幅度谱、功率谱及高阶谱)的变化规律,比较各种谱特征受闪烁影响的强弱及原因,以获得定量的结论指导谱特征的选择。蒙特卡罗实验和暗室实测数据均表明:闪烁对HRRP谱特征的影响与闪烁散射点在目标能量中所占比重、闪烁区间的远近有关;除此之外,闪烁对高阶谱的影响还与高阶谱的阶数有关;常用谱特征中,功率谱受闪烁的影响最弱。     

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GAN的雷达HRRP数据增强方法

在雷达自动目标识别(RATR)中,数据驱动方法是强有力的工具之一.然而数据驱动方法的性能十分依赖数据集的质量,数据增强方法通过扩充数据集,能够提升数据驱动模型在现有数据集上的识别率.本文提出了用于高分辨距离像(HRRP)数据生成的一维基础生成对抗网络(BGAN)结构和条件生成对抗网络(CGAN)结构,并利用生成的人工样...     

扩展稀疏表示稳健HRRP目标特征提取方法

为提高低信噪比下高分辨一维距离像目标识别性能，提出扩展稀疏表示的噪声稳健目标特征提取方法。本方法通过对稀疏表示的扩展，实现对目标高分辨一维距离像局部特征与全局特征的提取。其中，在训练阶段利用支持向量理论与字典学习原理，对特征提取字典进行优化提高特征向量的可分性。在测试阶段，利用因子分析模型匹配方法对去噪声字典进行优化，从而实现对噪声的有效抑制，保证了目标识别系统的噪声稳健性。利用实测数据对本方法性能进行测试，结果表明本方法可在低信噪比条件下有效地恢复目标高分辨一维距离像，并实现较高的识别正确率。     

基于灰色关联和不确定推理的HRRP 目标识别

由于HRRP 固有的信息有损压缩,利用单帧HRRP 样本进行目标识别时, 存在经典算法识别率较低而改进后的算法一般复杂度较高的问题。为获得更加稳健、可信的识别效果,文中基于MYCIN 模型,引入灰色关联算子,构造了不确定因子,提出了一种基于HRRP 序列的雷达目标识别方法。基于五种飞机模型高分辨距离像数据的仿真实验表明:与单样本的识别算法相比,所提出的算法具有识别精度高、稳定性好、抗干扰能力强等优点,具有较好的工程应用前景。     

基于一维像序列的中段雷达目标进动特征提取

弹头和诱饵在外形和散射特性上有很多的相似处,但是进动特征有很大差别,反演进动周期、进动角等特征将有助于解决弹头、诱饵的识别问题,本文以中段旋转对称体目标为研究对象,分析了该类目标的散射特性,提出了移动散射点模型,分析了自旋、进动对目标一维像的影响,提出了基于相关图估计进动周期的方法,并从理论上推导了进动周期内一维像长度的变化,得到了一维像长度极小极大比与进动角等参数的关系,提出了迭代寻优求解三参量非线性方程的方法,并通过实验进行了验证,结果表明,算法稳定、可靠,估计精度较高.     

一种新的雷达目标HRRP识别方法

针对雷达目标回波的非平稳特性,推导了S变换及其快速实现算法,利用电磁场时域有限差分算法仿真了3种军用飞机的宽带散射信号,采用S变换对飞机目标的雷达回波进行时频分析,提取时频分布图的矩特征作为目标特征矢量,利用改进径向基函数神经网络对特征矢量进行训练和学习,最后对3种飞机作了分类识别,取得了很好的识别效果。     

雷达高分辨距离像的特征提取算法研究

针对高分辨距离单元内目标散射点的复杂特性, 从散射点模型理论出发, 对目标散射点模型进行深入研究, 分析了传统目标特征提取算法的局限性。给出了一种改进的特征提取方法, 该方法首先对距离单元内的散射点进行预处理, 去除噪声、强化有用信息, 然后对有效的距离单元进行特征提取。基于实测数据的仿真实验结果表明: 该方法能够准确反映目标的几何位置信息, 在减小计算量的同时能获得较高的识别率。     

基于参数化统计模型的雷达HRRP目标识别方法综述

现代战争日趋信息化和智能化,雷达自动目标识别技术(RATR)在国家安全防卫和战略预警等军事应用方面发挥着更加重要的作用。高分辨距离像(HRRP)反映了目标散射点沿雷达视线方向的分布情况,包含了目标丰富的结构信息,对目标识别十分有价值,已成为RATR领域的研究热点。参数化统计建模旨在构建参数化数学模型表征观测数据的分布特性,是估计数据概率分布和挖掘数据隐含信息的重要手段。基于参数化统计模型的雷达HRRP目标识别就是在对HRRP参数化统计建模的基础上,直接利用估计的概率分布进行统计识别或将获取的隐含信息输入分类器进行识别。由于模型具有可融入一定的先验知识、扩展灵活、提供待求参数的不确定性评价以及能结合贝叶斯理论实现自动定阶等优势,基于参数化统计模型的HRRP识别方法整体识别性能优于其他方法,是目前HRRP识别的重点研究方向。该文从浅层和深层参数化统计建模两方面,对近15年的雷达HRRP目标识别方法进行了归纳总结,并分析了各类方法的特点和存在的问题,最后对基于HRRP参数化统计建模的雷达目标识别发展方向进行了展望。      

雷达HRRP目标识别系统参数分析

雷达高分辨距离像在实现自动目标识别方面具有较大潜力,其识别性能与雷达系统参数,如雷达工作频率、信号带宽等有关。此外,用于采集识别器训练数据的雷达接收机的特性与实际工作的雷达接收机的特性会有所不同,也会影响到识别性能。文中对上述参数对识别性能的影响进行了分析和评估,所得到的结果对目标识别雷达的系统设计具有参考价值。     

基于TSB-HMM模型的雷达高分辨距离像目标识别方法

针对雷达高分辨距离像(HRRP)的识别问题,该文提出了一种基于时域特征的截断Stick-Breaking过程隐马尔可夫模型(TSB-HMM),并建立了基于TSB-HMM模型的分层识别算法,利用TSB-HMM模型结合时域特征和功率谱特征对HRRP进行分层识别。实测数据的实验结果表明,该方法是一种有效的雷达HRRP识别方法,分层识别的算法可极大提高目标的平均识别率。特别是在训练样本数极少的情况下,TSB-HMM模型仍能获得较好的识别性能。     

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.     

基于高分辨一维距离像及其特征的空间目标识别效果分析

目标高分辨一维距离像(High Resolution Range Profile, HRRP)中包含了丰富的目标尺寸、结构等目标特征,是进行空间目标身份识别的有效途径。但由于卫星宽带雷达实测数据获取难度大,前期相关研究多集中于基于HRRP的目标识别算法,结论也多是基于仿真数据和少量类别(几类)的前提下得到的,与工程应用实际情况有较大差距,工程指导意义有限。为解决这一问题,基于地基雷达获取的30类卫星目标的大量一维距离像实测数据,从识别正确率的角度对目标HRRP及其特征(组合)的可分性和在空间目标个体识别中的应用效果进行了量化分析,分析结果可为后续基于HRRP的空间目标个体识别技术研究和工程应用提供可靠依据。