利用稳健字典学习的雷达高分辨距离像目标识别算法

基于字典学习算法的信号稀疏表示被广泛应用于信号处理领域。由于字典原子间存在冗余性,求解信号的稀疏表示会受到观测信号中扰动分量的影响,从而带来表示的不确定性,不利于雷达高分辨距离像(HRRP)目标识别任务。针对这一问题,该文提出一种稳健字典学习(SDL)算法,通过边缘化信号丢失,构建稳健损失函数用于学习自适应字典。该算法利用距离像在散射点不发生越距离单元走动的方位帧内具有结构相似性,约束临近训练样本间稀疏表示的非零元素位置相同,并通过结构化稀疏约束选择最优子字典用于测试样本的分类。基于实测HRRP数据的实验结果验证了所提算法的有效性。     

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。     

一种基于多特征提取的雷达目标识别方法研究

直接利用雷达高分辨一维距离像或是提取一维像单一特征进行目标识别难以取得理想效果.为了更好地反映雷达目标本身的物理特性,提高雷达目标识别率,对雷达目标高分辨一维距离像的频谱幅度、能量聚集区长度、散射中心数目和中心矩特征进行提取并构成多特征向量,描述雷达目标高分辨一维距离像频域、能量等物理特性,采用主成分分析方法进行特征维...     

压缩感知稀疏表示在雷达目标识别中的应用

高分辨距离像(HRRP)目标识别算法很多,在其利用高分辨距离像蕴含的目标结构信息的同时,也需要面对数据量巨大的难题.事实上,尽管高分辨距离像数据量巨大,但却是稀疏的,然而利用其稀疏特性进行识别的方法却不多.为此,提出了一种基于压缩感知稀疏表示方法实现目标识别的算法.该算法首先采用遗传正交匹配追踪(OMP)算法对一维距离像训练样本进行稀疏分解以获得类别字典,然后根据类别字典分析测试样本的重构误差实现目标识别.仿真实验证明,所提算法简捷、识别率更高,相较于常规算法识别率提高最多可达20％,并且在受到噪声干扰情况下依然能够稳健地识别目标.     

雷达目标一维距离像的特征分析

针对一维距离像对姿态角敏感和回波时延的问题．对雷达目标一维距离像的特征进行了分析，结合散射点回波功率的特征提取与傅里叶变换．提出了一种雷达目标识别的方法。     

目标一维距离像特征提取和识别方法之研究

目标一维距离像揭示了目标径向结构的分布特性,但它敏感于目标姿态的变化,故直接将一维距离像用于目标识别很难取得好的效果.本文把一维距离像作为随姿态变化的序列,提出了强散射中心维数、目标特征尺寸、散射中心分布熵三个概念,并把这三个特征作为RBF神经网络的输入进行目标识别实验,取得了较好的识别效果.     

基于稳健深层网络的雷达高分辨距离像目标特征提取算法

特征提取是雷达高分辨距离像(HRRP)目标识别的核心技术。传统的特征提取算法多采用浅层的模型结构,容易忽视样本的内在结构,不利于学习有效的分类特征。针对这一问题,该文利用多层非线性网络实现特征学习,构建了基于深层网络的雷达HRRP目标识别框架。利用平均像在散射点不发生越距离单元走动的方位帧内具有稳健物理特性的性质,提出了堆栈联合稳健自编码器。该网络由一系列联合稳健自编码器堆栈化实现,在匹配原始HRRP样本的同时,约束同帧样本趋近于平均像,并将网络的最终输出作为分类器的特征输入。基于实测HRRP数据的实验结果验证了所提算法的有效性。     

基于卷积神经网络的雷达目标HRRP分类识别方法

卷积神经网络通过卷积和池化操作提取图像在各个层次上的特征进而对目标进行有效识别,是深度学习网络中应用最广泛的一种。文中围绕一维距离像雷达导引头自动目标识别,开展基于卷积神经网络的目标高分辨距离像分类识别方法研究。首先,基于空中目标一维距离像姿态敏感性仿真生成近似平行交会条件下不同类型目标的高分辨距离像数据集;其次,构建一种一维卷积神经网络结构对目标高分辨距离像进行分类识别;作为比较,针对同类高分辨距离像数据集,分析了主成分分析-支持向量机方法的目标分类识别效果。结果表明:基于卷积神经网络的目标分类识别算法有更好的识别能力,对高分辨距离像的姿态敏感性具有较强的适应性。     

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。     

基于联合动态稀疏表示的开集距离像目标识别方法

针对开集条件下多视高分辨距离像(HRRP)目标识别问题,提出了一种基于联合动态稀疏表示(JDSR)的开集识别方法。该方法利用JDSR求解多视HRRP在过完备字典上的重构误差,采用极值理论(EVT)对匹配和非匹配类别的重构误差拖尾进行建模,将开集识别问题转化为假设检验问题求解。识别时利用重构误差确定候选类,根据尾部分布的置信度获得匹配类与非匹配类得分,并将两者的加权和作为类别判据最终确定库外目标或候选类。该方法能够有效利用多视观测来自相同目标的先验信息提高开集条件下的HRRP识别性能,并且对多视数据不同的获取场景具有良好的适应性。利用从MSTAR反演生成的HRRP数据对算法进行了测试,结果表明所提方法的性能优于主流开集识别方法。     

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。     

稀疏特征重用的人脸特征提取网络

为了提高人脸特征提取网络的性能,进而提高人脸识别算法的准确率,本文对基于卷积神经网络的人脸特征提取网络进行研究,提出了 SFRNet(Sparse Feature Reuse Network).首先,基于稀疏特征重用、混合特征融合、中心-高斯池化三个创新点,给出了 SFRNet的网络结构.然后,在图像分类数据集Imag...     

利用一维距离像序列提取导弹目标微动特征

弹道导弹目标的微动特征是中段真假弹头识别的重要依据之一。文中研究了基于宽带雷达目标一维距离像序列的微动特征提取方法。首先分析了弹头微动过程中目标相对雷达视线的姿态角呈周期性变化,进而引起一维距离像变化的周期性。在此基础上,提出了通过计算距离像序列最大滑动相关系数变化的周期提取目标微动周期的方法。仿真试验验证了所提算法的有效性。     

稀疏表示下的非监督显著对象提取

针对现有显著对象提取算法时间复杂度高和未考虑显著对象的完整性等问题,提出了一种能适应资源有限环境的显著对象提取算法.首先建立了稀疏表示的数学模型,归纳出了显著对象与稀疏表示的对应关系、区域间的边能近似模式和邻接区域间的渐变模式.然后依据对应关系确定候选区域,依据渐变模式和边能近似模式实现显著对象的局部提取.对比实验证实:本文算法高速、精确地捕捉到了显著对象,并能在一定条件下保持显著对象的完整性.     

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.     

基于稀疏分解的高分辨雷达信号特征提取

从含噪的目标波形中提取稳健的目标特征,是准确识别目标的关键.通过稀疏分解将高分辨雷达回波信号展开于一个超完备Gabor时频字典上,从具有局部化时频结构的信号中提取相关特征量,并采用改进的混合粒子群算法降低匹配追踪过大计算量的问题.实验表明,使用少数原子就可以表示原信号的主要特征信息,可作为目标识别的依据.     

累积量稀疏表示的扩展阵列的DOA估计方法

针对现有稀疏重构DOA估计算法不能抑制噪声项、在高斯色噪声背景下不适用以及能够分辨的最大信源数小于阵元数的问题,首先利用阵列输出数据的四阶累积量矩阵构建稀疏表示模型,该模型抑制了噪声项,并通过产生虚拟阵元实现了阵列扩展;然后对累积量矩阵进行奇异值分解来化简模型,化简后的模型不仅减小了数据规模而且进一步抑制了噪声。在利用加权l1范数法对稀疏表示模型求解时,不需要选取平衡重构残差与解的稀疏性的正则化参数。理论分析与仿真实验表明所提算法在高斯白噪声以及色噪声背景下均适用,能够分辨的最大信源数大于阵元数且具有较高的角度分辨力。     

多层融合深度局部PCA子空间稀疏优化特征提取模型

子空间方法是主要利用全局信息的经典模式识别方法,随着深度学习思想的引入,局部自学习结构特征模型得到大家的关注.利用深度学习原理,本文提出一种多层融合的深度局部子空间稀疏优化特征自学习抽取模型解决目标识别问题.首先,对训练样本集通过最小化重构误差得到第一层的主成分（Principal Component Analysis,PCA）特征映射矩阵;然后,通过L₁范数约束对特征映射结果进行稀疏优化,提高算法鲁棒性.接着,在第二层映射层以第一层的特征输出为输入,进行同样的特征矩阵学习操作,最终将图像映射至深层PCA子空间;然后,对各个映射层的特征提取结果进行加权融合,进行二值化哈希编码和直方图分块编码,提取图像的深度子空间稀疏特征.在FERET、AR、Yale等经典人脸数据库以及MNIST、CIFAR-10等目标数据库上的实验结果表明,该算法可以取得较高的识别率以及较好的光照、表情、人脸朝向鲁棒性,并且相对于卷积神经网络等深度学习框架具有结构简洁、收敛速度快等优点.     

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。