一种用于雷达HRRP功率谱的加权特征压缩方法

针对雷达高分辨距离像的平移不变特征——功率谱特征,提出了一种基于Fisher判决率的加权特征压缩方法．该方法利用目标功率谱特征的Fisher判决率迭代搜索最优权向量,并根据最优权值的大小对特征向量降维．与直接使用原始功率谱特征及基于Fisher可分性判据的几种现有的特征压缩方法相比,加权特征压缩方法在降维的同时可提高识别性能,且运算简单,在基于外场实测数据的识别实验中对测试数据具有良好的稳健性．     

采用双向LSTM模型的雷达HRRP目标识别

针对传统雷达高分辨距离像目标识别方法只考虑高分辨距离像样本的包络信息而没有考虑其时序相关特性问题,提出了一种采用双向长短时记忆网络模型的识别算法。该算法首先选取出高分辨距离像样本的目标区域,并根据目标区域提取对于平移敏感性稳健的输入特征;然后采用双向长短时记忆模型对输入特征提取双向时序信息;最后通过投票策略融合双向信息,输出样本类别。采用实测数据的实验结果表明,该算法不仅可以有效地识别雷达目标,而且对于平移敏感性非常稳健。     

基于滑动相关的UWB雷达目标识别

目标识别是现代雷达领域的一个难点问题．本文基于滑动相关理论，结合超宽带（UWB）雷达能获取目标高分辨力距离像的特性，提出了一种基于滑动相关的UWB雷达目标识别方法．该方法避免了对目标极点的提取，仿真结果表明有较好的识别效果，且算法简明，易于实现．     

基于高分辨距离像子带融合的目标识别新算法

针对雷达高分辨距离像(HRRP)目标识别问题,提出一种最大相关系数投票准则子带融合识别算法。对目标回波进行子带划分,分别进行幂变换预处理获得子带距离像,通过实验证明HRRP不同频段的子带距离像均含有目标信息,可以从中提取特征信息用于目标识别。理论分析表明新算法计算复杂度低,可实际应用于雷达自动目标识别。实验仿真显示,新方法不仅能够利用回波信息提高识别率,还具有拒判功能,可提高目标识别的准确度。     

基于小波变换的雷达高分辨距离像识别

基于雷达高分辨距离像,利用Mallat塔式分解算法进行特征分解,并用类内类间最大相关系数和类间类内Kullback-Leibler(K-L)距离比值两个特征评价方法来对得到的小波分解后的信号进行特征选择．最后利用相关匹配法和支持矢量机来作识别．基于实测数据的实验结果表明,利用小波分解后的低频信号作为识别特征,不仅可提高识别性能而且可减小识别运算量．     

采用多特征联合学习的噪声稳健HRRP识别方法

为提高低信噪比条件下雷达目标高分辨一维距离像的识别性能,提出一种采用多特征联合学习的噪声稳健目标识别方法．该方法利用核函数实现对稀疏与低秩的联合表示,用来提取目标高分辨一维距离像的局部特征与全局特征．在训练阶段,利用联合可分性分析多分类器综合结构字典学习方法对特征提取字典进行优化,从而提高特征向量的可分性;在测试阶段,利用对消原理对噪声进行自适应抑制,实现噪声干扰下的稳健识别．利用实测数据进行实验,结果表明该方法可有效地对被噪声污染的目标高分辨一维距离像进行恢复,并提高低信噪比下的目标识别准确率,且满足实际应用中的实时性要求．由此可见,该方法可以有效地提高高分辨一维距离像目标识别系统在低信噪比下的总体性能．     

雷达目标一维距离像的偶数阶中心矩特征的识别

针对雷达目标一维距离像的平移敏感性和姿态敏感性,提出一种提取一维距离像的偶数阶中心矩作为雷达目标特征的方法。用小波变换提高一维距离像的信噪比,在此基础上提取中心矩特征,再选取维数减半的比较稳定的偶数阶中心矩作为目标特征,以适用于支持向量机分类器进行识别分类。对实测雷达目标的数据进行试验,结果显示在减少模板特征向量的存储量和测试样本识别时的计算量的同时,得到了较高的识别率。     

在雷达HRRP识别中多特征融合多类分类器设计

在传统线性关联向量机的基础上,设计了一种多特征融合的多类分类器.该分类器基于多类Probit回归模型将传统的两类线性关联向量机推广为多类关联向量机,利用线性关联向量机的特征选择功能,对融合的高维特征向量进行降维和合理的幂次扩展,使线性关联向量机具有构造非线性分类界面的能力,以保证对非线性多类分类问题稳健的融合识别性能.针对雷达高分辨距离像目标识别问题,提取3种平移不变特征,使用提出的多特征融合的多类分类器在基于实测数据的识别实验中得到了稳健的融合识别结果.     

树形级联SOM网络用于雷达目标一维距离像识别

在雷达目标识别中,由于雷达目标一维像特征提取容易,而且具有较好的识别效果,因此近来逐渐得到应用．但由于它是以散射点分布模型为依据的,对姿态变化非常敏感,为了提高对姿态变化范围较大的目标一维距离像的识别能力,在本文中,我们基于子波变换的多分辨分析理论及树形分层理论,提出一种级联SOM网络结构用于高分辨一维距离像的识别,并获得了令人满意的结果．     

一种调频连续波地面侦察雷达目标识别算法

针对线性调频连续波（LFMCw）便携式地面侦察雷达对地面运动目标的识别问题,提出了一种简单有效的行人与车辆目标识别算法．该算法利用行人与车辆目标的微多普勒特征不同,将其多普勒谱进行功率谱转换后,通过功率谱信息来完成对行人与车辆目标的分类识别．仿真实验验证了该算法的正确性．与基于时频分析类方法相比,该算法计算量小,且在动目标检测（MTD）之后进行数据处理时,不需要再对信号进行复杂的时频变换分析,因而具有较大的工程应用价值．     

基于SKO—KPCA和SVM的雷达目标HRRP特征提取与识别

将依赖数据变化的自适应SKO技术和迭代算法引入KPCA算法中,结合SVM分类技术,提出了基于SKO—IKPCA和SVM的雷达目标HRRP特征提取与识别方法。讨论了HRRP预处理、迭代KPCA算法和SKO／FKO技术的实现方法,将SKO／FKO技术应用到KPCA的核优化中,并用人工合成数据对其优化性能进行了测试与比较,应用该方法对su-27、F-16及M2000等三类飞机目标的实测HRRP数据进行了特征提取与识别实验。结果表明,所提方法具有较好的稳定性和可靠性,能有效地优化雷达目标主元特征的提取,提高目标的识别性能。     

提高雷达HRRP目标识别和拒判性能的核学习算法

雷达高分辨距离像(HRRP)数据具有明显的多模分布特性．在雷达HRRP识别和拒判中,采用单个高斯核很难准确地描述HRRP数据的多模分布．针对该问题,将单个高斯核扩展到多个高斯核线性组合的形式,并将该组合形式应用到支持向量域描述(SVDD)中来处理识别和拒判问题．根据对组合系数自由度的不同限制,扩展后的多核支持向量域描述(Multi-kernel SVDD)方法可以分别表述为不同的凸优化形式:二阶锥规划(SOCP)和半正定规划(SDP),它们都可以收敛到全局最优解．新方法采用了更加复杂的核函数形式,能够更加灵活地描述HRRP数据在高维特征空间的多模分布,从而提高雷达HRRP的识别和拒判性能．仿真实验结果显示该方法的损失值仅为单核SVDD的88.6％~93.2％．     

基于核函数的多极化HRRP识别

针对多极化雷达高分辨距离像(HRRP)识别中数据量大、分布复杂和识别算法复杂的问题,提出了基于核函数的识别方法.该方法首先定义了两种基于多极化HRRP的核函数,然后将其分别应用到核主分量分析(KPCA)中降维和提取特征,最后采用最近邻(1NN)分类器和支持矢量机(SVM)分类器对目标进行分类.该方法可以在不丢失极化信息的情况下,将多极化HRRP作为一个整体进行识别,降低了识别算法的复杂度.多极化HRRP数据的仿真实验结果显示,该方法的识别率比单极化HRRP提高7%～10%;与其他多极化HRRP识别方法相比,该方法不仅降低了提取特征的维数,而且还提高了识别性能.     

数据加长和最近邻特征线分类器用于距离像识别

给出了一种新的距离像预处理技术——数据加长,有效减小了距离像相关对齐的误差;并针对距离像分布的特点,提出在距离像模板的局部方位区域内对模板进行扩充,使得最近邻特征线分类器的运算量大大降低,而识别性能却得到了提高;最后将数据加长与改进的最近邻特征线分类器结合起来对距离像进行识别,基于实测数据和仿真数据的实验结果验证了该方法的有效性．     

Radar HRRP based few-shot target recognition with CNN-SSD

The development of radar high resolution range profile(HRRP)non-cooperative targets recognition technology is mainly limited by two aspects:(1) Due to the low observation frequency of non-cooperative targets,the number of labeled HRRPs is insufficient,making non-cooperative HRRP based target recognition a typical few-shot recognition problem,which is still a hot and difficult issue without definite conclusion in the academia.(2) The existing HRRP based target recognition methods are mostly based on the hypothesis of complete dataset,making them mismatch with non-cooperative target recognition in few-shot setting.In this paper,we put aside the complete hypothesis and propose an HRRP based few-shot target recognition method with CNN-SSD.The proposed method first uses a complete training HRRP containing 45 classes of cooperative targets to learn an initial category-independent feature extractor,on the basis of which we further utilize the model sequential self-distillation mechanism to obtain a more generalized feature extractor.Finally,the generalization ability of the extracted features is evaluated on unseen non-cooperative targets during training.Experimental results on self-simulated HRRP dataset reveal that the proposed method can achieve an average recognition rates of 61.26%,84.69% and 92.52% respectively when only 1,5 and 10 annotated HRRPs of non-cooperative targets are available.     

基于多特征融合和混合核SVM的目标识别方法

针对可见光和红外传感器具有不同感知特性的问题,提出了一种基于多传感器特征信息融合和混合核SVM的图像目标识别方法,方法包含多特征提取、主成分分析和混合核SVM分类三个部分.在特征提取中利用可见光和红外图像的互补性,分别提取同一场景可见光与红外图像的灰度共生矩阵以及灰度直方图统计特征,得到一组目标融合的特征量,进一步进行目标分类与识别;利用主成分分析法降低特征的维度,减少计算量;利用混合核SVM方法对目标特征进行分类识别.结果表明,在室内环境中对不同人群密度等级进行分类时,所提出方法的精度可达88.21%.     

基于核贝叶斯压缩感知的人脸识别

为加快人脸识别速度和提高人脸识别率,将贝叶斯压缩感知算法进行核扩展并运用到人脸识别,改进局部特征统计方法,结合空间金字塔模型,用于人脸图像的特征提取。首先用局部特征统计提取图像特征,在此基础上再进行第二层局部统计,然后根据空间金字塔模型分层提取不同空间尺度的特征,最后运用核贝叶斯压缩感知算法分类。在AR和FERET人脸数据库上的试验结果表明,本研究算法相对于传统方法具有更好的性能。     

基于核方法的二维线性判决分析的人脸识别算法

针对基于二维线性判决分析的人脸识别算法中缺少非线性判决信息的问题,提出了一种改进的基于核方法的二维线性判决分析的人脸识别算法。实验结果表明,改进后的算法相对原算法具有更好的识别效果。在此基础上研究了在使用多项式核函数时本文算法的性能,得出了在选用低次数多项式核函数时识别率较高的结论。