雷达目标互易性的最小变质修正法

针对雷达目标互易性修正问题,从极化测量误差模型出发,提出了基于最小变质准则的散射矩阵修正方法.经过推导,把一个四维带约束非线性最优化问题转化为一个二维无约束非线性最优化问题,并给出了求解过程.最后通过仿真实验比较了最小变质修正法和Cameron修正法的性能,验证了最小变质修正法的可行性和优越性.     

目标动态极化结构特征提取与识别

本文以宽带极化雷达体制为背景，建立了目标极化结构宽带模型，采用伪本征极化描述宽带下目标极化的结构的动态特性，提出了基于模糊动态特征建模与分类的极化目标识别新方法，对五种飞机目标达到了良好的识别效果。     

基于极化不变量的飞机目标识别

基于宽带毫米波极化雷达体制背影，通过极化不变量之一的去极化系数，研究了飞机目标的极化散射特性，并提取了极化特征，设计了飞机目标的分类或识别器结构，它能对五种飞机目标进行有效的分类或识别。     

基于联合特征和SVM的极化SAR图像分类方法

极化SAR地物分类作为极化SAR数据解译的关键环节,已成为遥感领域研究的一个新热点。在充分研究现有方法的基础上,给出了一种联合特征和SVM相结合的极化SAR图像分类方法。该方法基于目标分解理论提取极化SAR图像的多类散射特征,并结合具有上下文知识的纹理特征,构建联合特征矢量;利用提取样本区域像素的联合特征矢量训练SVM分类器;将未知数据输入训练好的分类器完成最终的分类。实测SAR图像数据的实验结果表明,算法能够充分利用极化SAR图像电磁散射特性及纹理特征的互补性,具有较好的分类性能。     

极化测量误差对人造目标散射解译性能的影响研究北大核心CSCD

极化雷达具有全天时全天候对目标和场景进行观测的优势,在诸多领域得到广泛应用。极化雷达作为一种多通道系统,不同极化通道间的交叉耦合和通道不平衡等非理想因素会使目标极化散射矩阵存在测量误差,进而影响对目标散射的解译性能。文中以人造目标为研究对象,利用极化测量误差模型和相干极化目标分解开展了极化测量误差对散射解译性能的影响研究。以Krogager分解为例,推导了三面角、二面角、偶极子和螺旋体等基本散射体的极化目标分解分量与测量误差源的解析表达式,给出了分解特征参数的变化曲线图,揭示了极化测量误差对散射解译性能的影响机理。在此基础上,基于"开拓者"无人机暗室实测数据开展定量分析。当Krogager分解误差小于10%时,要求极化隔离度小于-23 dB,极化通道幅度不平衡和极化通道相位不平衡分别小于3 dB和8.4°。研究工作为极化雷达系统参数设计等提供了指导。     

人造目标散射结构的零极化辨识与应用

目标最优极化是雷达极化问题研究的重要理论基础. 目标零极化又称共极化零点,是目标最优极化的重要组成部分. 通过目标零极化可以推导出目标的其他最优极化状态,其广泛应用于目标极化匹配接收、目标对比增强等领域. 文中从目标结构辨识角度首次揭示了零极化理论方法在人造目标散射结构辨识方面具有独特优势,并基于人造目标典型散射结构从理论上推导出典型散射结构的零极化矢量. 将复极化比平面的极化表征方法与极化响应特征相结合,提出了零极化三维响应特征图可视化表征方法,揭示了典型散射结构的零极化差异,得到了零极化响应特征矢量. 在此基础上提出了一种人造目标散射结构的零极化辨识方法,通过提取极化雷达图像中人造目标的强散射中心,将散射中心的零极化响应特征矢量与典型散射结构进行匹配,从而确定散射中心的散射结构类型,实现人造目标结构辨识. 结合车辆和无人机等典型人造目标的电磁计算数据,开展了目标结构辨识对比实验. 与Cameron分解方法相比,本文提出的零极化散射结构辨识方法能够准确识别出散射中心的散射结构类型. 特别对结构对称型人造目标,本文方法识别结果呈现的对称性更准确,更符合目标实际的散射特性.     

雷达目标互易性的Frobenius范数修正法

针对雷达目标互易性修正问题,研究了目标极化散射矩阵的Frobenius范数修正法.阐述了Frobenius范数修正法的物理涵义和应用背景,利用拉格朗日乘子法研究了Frobenius修正散射矩阵的求解问题,证明了其与Cameron修正散射矩阵相差一个正标量因子,同时证明了Frobenius范数修正法的局部最优性和唯一性,最后通过仿真实验比较了两种修正算法的性能,验证了文中的结论.     

核Fisher判别方法在低分辨雷达目标识别中的应用

将机器学习领域新的研究成果应用到雷达目标识别中，并开发有效、实用的分类器具有重要实际意义。核Fisher判别方法是基于Fisher线性判别方法而提出的一种非线性分类方法，在这种方法中使用了基于核的算法中的“核技巧”。本文研究了核Fisher判别分类方法在低分辨雷达目标识别中的应用，并用从某低分辨雷达录取的实际飞机目标回波数据时该算法进行了测试，实验证明了核Fisher方法在低分辨雷达目标识别中的有效性。     

联合Cameron分解和融合RKELM的全极化HRRP目标识别方法

该文针对传统全极化高分辨一维距离像(HRRP)雷达目标识别问题,提出了结合Cameron分解和融合简化核极限学习机(RKELM)的目标识别方法,旨在提高全极化HRRP目标识别性能。在特征提取阶段,所提方法利用Cameron分解定义了目标在各个标准散射体上的投影分量。通过分析,将目标在三面角、二面角和1/4波长器件这3个散射基上沿距离维的投影分量作为目标特征,实现对目标散射特性更加精细化的描述。在分类阶段,考虑到RKELM算法识别性能的不稳定性,提出了一种基于原型聚类预处理的RKELM方法,并在此基础上设计了特征级融合RKELM网络和决策级融合RKELM网络,以对投影特征进行融合分类。实验部分利用10类民用车辆的全极化HRRP数据将所提识别方法和现有方法进行了对比,结果表明:(1)所采用的Cameron分解投影特征表现出了较高的可分性和噪声稳健性;(2)当训练样本数较多时,特征级融合RKELM算法的泛化性能较好;当训练样本数较少时,决策级融合RKELM的泛化性能较好。      

基于极化分解的舰船和角反射器鉴别方法

使用角反射器是舰船电子对抗中常用的一种无源干扰方式,它在时域、频域和空域上与舰船的雷达回波都没有显著差异,因此传统单极化雷达很难有效鉴别舰船和角反射器。分析了舰船和角反射器在极化回波上的特性差异,并基于Krogager极化分解提取了单频点和多频点情况下的特征矢量,通过支持矢量机对舰船和角反射器进行了鉴别。电磁计算数据表明：该方法可以较好地对二者进行鉴别,且对单角反射器和阵列角反射器都有效,为解决舰船和角反射器的鉴别问题提供了一个可行的思路。     

雷达海上目标双通道卷积神经网络特征融合智能检测方法

受复杂海洋环境影响,基于统计理论的海面目标检测方法由于假设条件不成立,在实际应用中难以实现高性能检测,本文从特征提取分类角度,通过深度学习分类方法对目标和杂波的雷达回波信号进行二元分类,提出了一种基于双通道卷积神经网络(DCCNN)的雷达海上目标智能检测方法。首先,对实测海杂波和目标雷达信号进行预处理,得到信号的时间-多普勒谱和幅度信息;然后,构建DCCNN对预处理得到的数据进行智能特征提取,得到信号的特征向量,并对不同特征提取模型性能进行测试;最后,通过阈值可设的Softmax分类器作为检测器对特征向量进行分类,实现虚警率的控制。测试结果表明:与传统的单通道CNN以及无虚警控制Hog-SVM分类算法相比,基于二维卷积核VGG16和一维卷积核LeNet的DCCNN特征提取模型和softmax分类器可实现更高的检测性能,并可以实现虚警率控制,为复杂海杂波背景下目标智能检测提供了新的技术途径。     

Characterization of target symmetric scattering using polarimetric SARs

Cameron's coherent target decomposition (CTD) theory and the classification method that Cameron developed for operational use of his CTD are reconsidered. It is shown that Cameron's classification leads to a coarse scattering segmentation because of the large class dispersion that corresponds to a synthetic aperture radar (SAR) system with about /spl plusmn/8-dB channel imbalance. The application of Cameron's method within known SAR radiometric calibration requirements limits the utility of the classification. In addition, Cameron's classification is applied under the implicit assumption on the coherence nature of target scattering, and this might yield erroneous results within areas of noncoherent scattering. A new method, named the symmetric scattering characterization method (SSCM), is introduced to better exploit the information provided by the largest target symmetric scattering component in the context of coherent scattering. The Poincare/spl acute/ sphere is used as the basis for a more complete representation of symmetric scattering than Cameron's unit disk, thus enabling the SSCM to generate better segmentation of target symmetric scattering with much higher resolution. In order to limit the application of the SSCM to targets of coherent scattering, new methods are developed for assessment and validation of the coherent nature of point and extended target scattering.     

色高斯噪声条件下自动目标识别的雷达目标二维衰减参数化模型方法

本文通过提取色高斯噪声条件下二维雷达目标具有频率依赖性的散射中心参数,作为自动目标识别的高分辨率目标特征矢量.而且,所导出的提取算法性能不受高信噪比门限和雷达瑞利分辨率极限的约束.并且,通过使用混合算法,给出了一种基于该复杂模型的八步自动目标识别系统.最后,给出了一个例证.     

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。     

基于多幅同目标图像和HMM的SAR图像目标识别

该文提出了一种基于多幅同目标图像和隐马尔可夫模型的合成孔径雷达图像目标识别方法。该方法通过小波域主成分分析提取目标图像特征向量,结合多幅不同方位角下的同目标图像的特征向量生成单幅图像的特征序列,用隐马尔可夫模型对特征序列进行识别。实验结果表明,该方法可明显提高目标的正确识别率,是一种有效的合成孔径雷达图像目标识别方法。     

听觉外周计算模型在水中目标分类识别中的应用

 听觉外周的理论和建模已取得长足的发展,并已广泛应用于语音信号处理.本文集成Gammatone听觉滤波器和Meddis内毛细胞模型来模拟耳蜗的处理机制,并根据水中目标辐射噪声信号的特点对Meddis模型的参数进行了修正.提出基于Gammatone-Meddis听觉外周计算模型的水中目标特征提取方法,得到一个23维的特征向量.对大量海上实测数据的分析表明该特征具有以下优点:(1)分类识别效果好,对测试集识别率达到94%以上;(2)抗卷积噪声能力强,对原始信号加入卷积噪声,识别能力没有下降.最后通过实验证明基底膜对频率的非线性选取和内毛细胞都能够很好地抑制噪声.     

一种基于多尺度距离像的红外小目标检测方法

本文提出了一种基于背景纹理分析和多尺度距离像分析的目标检测方法.通过小波多尺度分解来提取不同分辨率下背景纹理的能量特征,并计算这些特征向量与中心向量的距离,从而得到相关的距离像,目标检测在所得的距离像上完成.在检测过程中利用红外小目标的特性,根据分析距离像统计直方图来实现检测门限的自适应选取.实验证明该方法取得了较好的效果.     

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。     

基于小波域NMF特征提取的SAR图像目标识别方法

该文提出了一种基于小波域非负矩阵分解特征提取的合成孔径雷达图像目标识别方法。该方法对图像二维离散小波分解后提取低频子带图像,用非负矩阵分解对低频子带图像提取特征向量作为目标的特征,利用支持向量机进行分类完成目标识别。将该方法用于对MSTAR数据中三类目标识别,识别率最高可达97.51%,明显提高了目标的正确识别率。实验结果表明,该方法是一种有效的合成孔径雷达图像特征提取与目标识别方法。     

步进频信号散射中心的提取及目标识别

针对宽带步进频测量雷达体制，用几何绕射理论（GTD）模型来描述目标宽带RCS测量数据，利用多重信号特征（MUSIC）算法估计目标散射中心的数目和位置，并将目标的散射中心作为特征进行目标识别。利用暗室测量的缩比目标模型数据进行目标识别实验，结果表明，用该方法提取的散射中心特征稳当有效，识别效果较好。