基于卷积神经网络的海面目标全极化高分辨距离像识别技术

针对雷达目标全极化高分辨距离像(high resolution range profile, HRRP)提取可分性特征时, 利用全部距离单元作为度量尺度无法保留各距离单元具体特征的问题, 在综合利用4个极化通道的舰船目标HRRP信息时选择单个距离单元作为度量尺度。在此基础上, 提出基于Pauli分解, H、α、A、α₁分解和结构相似性参数的特征提取方法对目标极化散射矩阵进行特征提取, 并将提取得到的特征与基于卷积神经网络(convolutional neural network, CNN)的舰船目标HRRP识别方法结合, 利用改进残差结构CNN从极化特征中进一步提取深层可分性特征进行目标识别。实验结果表明, 所提方法能够保留目标全极化HRRP更多特征, 提高目标识别的准确率。     

雷达舰船目标HRRP成像视角参数估计

针对雷达舰船目标一维距离像敏感于姿态角,分析了成像视角对船长估计精度的影响,提出一种舰船成一维距离像视角参数估计方法,首先建立雷达舰船运动模型,对雷达跟踪数据预处理,并估计出目标的运动状态和航速,通过稳健回归估计方法进行二次曲线拟和,估计出舰船目标成像视角参数,通过本文方法估计的视角参数可用于基于高分辨距离像的舰船目标识别和船长估计中。经实测数据验证表明,估计出的视角平均误差小于5°,本文方法易于实践,具有较高的工程应用价值。     

基于一维堆叠池化融合卷积自编码器的HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别中特征提取及识别问题, 提出了一种基于一维堆叠池化融合卷积自编码器(one-dimensional stacked pooling fusion convolutional autoencoder, 1D SPF-CAE)的识别方法。首先构造一维池化融合卷积自编码器(one-dimensional pooling fusion convolutional auto-encoder, 1D PF-CAE), 在编码阶段, 采用最大池化和平均池化同时提取不同的编码特征并进行融合来提取HRRP的结构特征; 然后堆叠多个1D PF-CAE形成1D SPF-CAE; 最后使用标签数据对网络进行微调, 实现HRRP目标识别。并使用AdaBound算法优化网络训练来提高识别性能。基于弹道中段目标仿真数据的实验结果表明, 该方法具有较强的特征提取能力, 对于HRRP目标识别准确率高、鲁棒性强。     

基于深度学习的HRRP识别姿态敏感性分析

特征提取是基于高分辨距离像(high resolution range profile,HRRP)的雷达目标识别的关键技术之一.传统人工提取特征的算法,仅利用浅层结构特征,无法有效解决姿态敏感性问题,从而限制了目标识别方法的泛化性.对此,提出一种基于深度学习的目标识别方法,并通过详细的姿态角性能测试分析了该方法的应用边...     

基于复数全极化HRRP的雷达目标识别

针对实数单极化高分辨率一维距离像（high resolution range profile, HRRP）缺失了目标的极化信息和相位信息的问题,研究了复数全极化HRRP目标特征提取方法,为合理有效运用所提取的目标信息,提出一种基于Bagging的选择性集成算法,并在此基础上设计了复数全极化HRRP目标识别方法,最后通过实验验证该方法具有良好的稳健性和可分性。     

基于双谱-谱图特征和深度卷积神经网络的HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别中有效表示和特征提取这一关键问题,提出了基于双谱-谱图特征和深度卷积神经网络(deep convolution neural network, DCNN)的识别方法。首先,提取HRRP的双谱-谱图特征表示作为CNN的输入。然后，通过网络训练提取出深层本质特征,实现对雷达目标的识别。最后，对不同特征表示的识别结果进行对比。采用卫星目标实测数据进行实验，结果表明,该方法可以准确有效地识别雷达目标,而且与其他常用特征表示相比,双谱-谱图特征表示具有更好的识别准确率和噪声鲁棒性。     

基于混合概率主成分分析的HRRP特征提取

针对主成分分析(principal component analysis, PCA)等数据压缩方法用于雷达高分辨距离像(high resolution range profile, HRRP)的特征提取,只能反映固定方位帧内HRRP线性结构,而无法准确描述目标,导致识别性能下降的问题,提出了一种基于混合概率PCA的HRRP特征提取方法。该方法利用期望最大值(Expectation maximization, EM)算法求解HRRP的一、二阶统计参数,能够真实反映数据分布,以分布趋同的原则实现不同方位帧的聚类,减少模板数量。最后通过自适应高斯分类器和Kullback-Leibler距离分类器识别获取的统计特征,可进一步改善识别性能。仿真实验验证了该方法能够在降低数据维数的同时,实现HRRP统计特征的提取,能一定程度上削弱方位敏感性的影响。     

基于H/A/α分解的全极化HRRP目标识别方法

针对现有基于H/A/α分解提取全极化高分辨率距离像（high range resolution profile, HRRP）特征的方法都没有考虑度量尺度对所提取特征性能影响的问题,提取了平均度量尺度下的特征子集,给出联合动态互信息概念用于选择最优平均度量尺度,并剔除特征子集中的冗余特征;在此基础上,结合Bagging和Boosting算法,提出一种宽带全极化雷达目标识别方法;最后在多类飞机目标HRRP样本集上验证了该方法的有效性。     

基于DCNN的弹道中段目标HRRP图像识别

针对弹道中段目标识别问题,现有的基于高分辨距离像(high resolution range profile, HRRP)的识别方法直接提取一维HRRP(1-dimension HRRP, 1D-HRRP)的整体特征,对局部特征提取能力较弱,且由1D-HRRP数据提取的特征的表达能力有限,为此提出了一种基于深度卷积神经网络(deep convolutional neural network, DCNN)的弹道中段目标HRRP图像识别方法。首先,将1D-HRRP转化为0-1二值图像,从而把数值变化特征转化为图像结构特征;然后,构建DCNN逐层提取图像的局部特征和共性特征并进行识别;最后,结合Dropout和L2正则化双重机制缓解DCNN过拟合问题,利用AdaBound算法提高DCNN训练收敛速度和识别正确率。实验结果表明,所提出的基于HRRP图像的弹道中段目标识别方法比其他12种基于1D-HRRP或二维HRRP(2-dimension HRRP, 2D-HRRP)的识别方法正确率更高,在测试数据集上达到了96.28%,实验结果验证了该方法的有效性。     

基于DCNN的弹道中段目标HRRP图像识别

针对弹道中段目标识别问题,现有的基于高分辨距离像(high resolution range profile, HRRP)的识别方法直接提取一维HRRP(1-dimension HRRP, 1D-HRRP)的整体特征,对局部特征提取能力较弱,且由1D-HRRP数据提取的特征的表达能力有限,为此提出了一种基于深度卷积神经网络(deep convolutional neural network, DCNN)的弹道中段目标HRRP图像识别方法。首先,将1D-HRRP转化为0-1二值图像,从而把数值变化特征转化为图像结构特征;然后,构建DCNN逐层提取图像的局部特征和共性特征并进行识别;最后,结合Dropout和L2正则化双重机制缓解DCNN过拟合问题,利用AdaBound算法提高DCNN训练收敛速度和识别正确率。实验结果表明,所提出的基于HRRP图像的弹道中段目标识别方法比其他12种基于1D-HRRP或二维HRRP(2-dimension HRRP, 2D-HRRP)的识别方法正确率更高,在测试数据集上达到了96.28%,实验结果验证了该方法的有效性。     

雷达目标自动识别系统的拒识新算法

提出了一种基于代价因子的Fisher判别函数拒识门限确定算法.该算法充分考虑了系统识别和误识的代价因子,引入Fisher判决理论,确定了拒识门限.设计了基于独立分量分析(independent component analy-sis,ICA)的雷达目标特征提取方法,将雷达高分辨距离像(high resolution range profile,HRRP)在"基信号"域中分解,提取相应的基系数组成向量,作为目标特征向量.采用基于欧氏距离度量的K最近邻(K nearest neighbor,KNN)分类器作为识别系统的分类规则,并引入拒识门限设计了一种新的分类器.实验结果表明,基于以上算法的雷达目标识别系统在最小代价前提下具有较高的正确识别概率.     

雷达高分辨距离像自适应角域划分方法

雷达高分辨距离像(radar high resolution range profile, HRRP)具有姿态敏感性的特点,一种有效的方法是分别对一组不发生散射点越距离单元走动角域范围内的HRRP样本进行处理。提出基于HRRP回波功率谱的顺序判别自适应分帧算法,通过对全局HRRP样本进行迭代搜索来确定数据划分边界,并自适应划分角域个数。所提方法依据散射点模型理论,考虑功率谱互相关系数变化规律,有效抑制了HRRP存在“距离像起伏剧烈”的样本。与自适应高斯分类器划分角域方法相比,所提方法在样本数据较小的情况下,仍可以有效地对目标进行角域划分。同时,与传统的利用互相关系数分帧方法和等间隔角域划分方法相比,所提方法可以有效降低识别运算量,减少识别算法处理时间,通过对3类舰船目标的仿真和3类民用船只的外场实测数据分析,表明所提方法是有效的。     

基于HRRP的进动锥体目标特征参数求解方法

提出了一种基于雷达高分辨距离像(high resolution range profile, HRRP)求解进动锥体目标微动参数与几何外形参数的新方法。首先通过对目标的电磁散射机理分析,建立了进动锥体HRRP径向长度的精确数学模型,得到了距离像长度与雷达观测角、进动角和目标特征尺寸之间的数学关系;然后在此基础上,推导了在变视角观测条件下利用HRRP长度求解锥体进动角的精确表达式;最后解算出锥体目标的高度、底面半径和推算雷达观测角等参数。仿真结果验证了本方法的正确性和有效性。     

基于卷积稀疏编码与多分类器融合的雷达HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别问题,提出基于卷积稀疏编码与多分类融合(convolutional sparse coding and multi-classifier fusion,CSCMF)的识别方法。首先,该方法利用CSC方法对目标HRRP进行特征提取,同时实现数据压缩;然后,将测试样本的特征分别输入随机森林分类器、朴素贝叶斯分类器和最小值分类器进行预分类,得到3个预测标签。采用多数投票法对3个预测标签进行分类器融合,得到最终的识别决策。实验中研究了分类器融合方法。基于5种飞机目标的HRRP仿真数据进行了实验验证,实验结果表明该方法的分类准确率较高,而且对噪声有较强的鲁棒性。     

基于direct LDA的幅度谱子空间雷达目标识别

针对高分辨距离像(HRRP)可分性低和维数高的问题,提出一种新的雷达自动目标识别(RATR)方法:dLDA& SVM.先采用直接线性判别分析在HRRP的幅度谱空间进行特征提取,然后在子空间中采用角域均值模板库训练one-against-a11支撑向量机(SVM)多类分类器进行目标识别.并设计了最短距离分类器与SVM分类器比较.基于外场实测数据的实验结果表明,与LDA幅度谱子空间法,幅度谱原空间法相比,dLDA & SVM可显著降低数据维数并提高识别性能.     

海上舰船目标HRRP特性仿真

系统地介绍了海上舰船目标高频仿真及雷达成像的完整解决方案。对海上舰船进行高精度三维几何建模,采用步进频率信号雷达波照射,基于物理光学(physical optics, PO)双次反弹的高频方法结合增量长度绕射系数(incremental length diffraction coefficients, ILDC)理论计算了复合目标的宽带后向散射场。在频域对回波数据作离散傅里叶逆变换,得到宽带信号的时域响应,从而得到高分辨率距离像(high resolution range profiles, HRRP)和二维聚束合成孔径雷达(synthetic aperture radar, SAR)成像。在给出的算例中,借助射线理论分析了海上舰船目标的距离像特性及其成像机理,验证了仿真结果的准确性和有效性。     

基于极化分集接收的HRRP欺骗干扰鉴别

有源宽带欺骗干扰能够生成虚假高分辨距离像(high resolution range profile, HRRP),严重影响成像雷达的目标特征提取与识别。为此,研究了基于极化分集接收的HRRP欺骗干扰鉴别方法。首先,建立了目标回波和欺骗干扰的正交极化宽带响应模型,分析了两者的极化相关特性差异;然后,利用正交极化HRRP之间的互相关系数作为鉴别量,提出了相应的鉴别算法;最后,利用飞机缩比模型及干扰机天线的暗室测量数据进行仿真实验。实验结果表明：在一定信噪比(signal-to-noise ratio, SNR)及鉴别门限条件下,正确鉴别概率将大于90%,验证了算法的有效性。     

基于复值HRRP CICA特征的多方位SAR目标识别

提出了一种基于雷达目标复距离像复值独立分量分析（complex independent component analysis, CICA）的合成孔径雷达（synthetic aperture radar, SAR）目标多方位散射特征提取和识别方法。根据雷达目标散射机理,将目标高分辨率复距离像建模为多个散射中心的复相干叠加。在分析复距离像的基础上,采用CICA方法实现了距离像中每个散射中心响应的分离。针对每个散射中心响应,利用高阶矩方法提取特征矢量。分类器基于隐马尔可夫模型（hidden Markov model, HMM）设计。采用美国运动和静止目标获取与识别（moving and stationary target acquistion and recognition, MSTAR）计划公开发布的目标实测数据进行算法实验,实验结果说明了提出方法具有较好的识别率。     

低重频宽带雷达中小幅微动目标的周期估计

当空间微动目标仅发生小视角变化且雷达脉冲重复频率较低时,基于雷达散射截面序列、高分辨距离像(high-resolution range profile, HRRP)序列和微多普勒等特征提取算法的有效性面临了挑战。为此,基于宽带逆合成孔径雷达(inverse synthetic aperture radar,ISAR)像序列提出一种目标微动周期估计方法。基于微动目标ISAR成像的分析,利用ISAR图像序列之间的相似度进行微动周期估计。采用最小图像熵准则选取视线角线性变化区间的ISAR图像作为参考基准,利用图像动态范围压缩、基于全图像匹配的相似度估计等方法,强化算法稳定性并减小计算量。该方法对HRRP数据率要求低,对ISAR成像质量约束小,有利于工程实现。仿真实例从摆动和进动两种情况,分析了基准图像的选取和信噪比对算法性能的影响,证明了算法的有效性和高稳定性。     

基于注意力机制的堆叠LSTM网络雷达HRRP序列目标识别方法

传统的雷达高分辨距离像(high resolution range profile, HRRP)序列识别方法依赖于人工特征提取, 并且现有的深度学习方法存在梯度消失问题, 导致收敛速度慢, 识别精度低。针对上述问题, 提出一种基于注意力机制的堆叠长短时记忆(attention-based stacked long short-term memory, Attention-SLSTM)网络模型, 该模型通过堆叠多个长短时记忆(long short-term memory, LSTM)网络层, 实现了HRRP序列更深层次抽象特征的提取; 通过替换模型的激活函数, 减缓了堆叠LSTM(stacked LSTM, SLSTM)模型梯度消失问题; 引入注意力机制计算特征序列的分配权重并用于分类识别步骤, 增强了隐藏层特征的非线性表达能力。模型在雷达目标识别标准数据集MSTAR上多种不同目的的实验结果表明, 所提方法具有更快的收敛速度和更好的识别性能, 与多种现有方法对比具有更高的识别率, 证明了所提方法的正确性和有效性。