最大间隔核优化的雷达目标高分辨距离像识别新方法

基于目标高分辨率距离像的雷达自动目标识别技术在军事和民用上都有巨大的应用价值。但是由于雷达目标高分辨距离像的姿态敏感性以及高特征维数,造成了其非线性可分性。针对此问题,本文提出了一种基于最大间隔核优化的雷达目标高分辨距离像识别方法。本方法首先采用了最大间隔准则算法来优化数据依赖核函数,然后利用支持向量机分类器实现了雷达目标高分辨距离像识别,最后进行了基于5种战斗机目标高分辨距离像的实验仿真。实验结果表明了基于最大间隔核优化的目标识别算法对于SVM分类器可以有效实现核函数优化,从而能够提高目标识别性能。      

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。     

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...     

基于小波分解及KCN的雷达目标特征提取

讨论了利用一维距离像进行雷达目标识别的特征提取。从缩减表征距离像的特征维数和表征目标所需特征数出发，提出了一种基于小波分解及KCN的目标特征提取方法。为比较不同特征提取方法及所提取特征的性能，引入了Fisher距离来表明各类的类内紧致性和类间分离性。实验结果表明能够有效地进行特征提取。     

基于一维像序列的进动目标尺寸估计研究

利用高分辨距离像估计目标尺寸是弹道导弹中段防御雷达目标特征提取和识别的重要途径.该文提出了一种在目标进动条件下,利用多幅高分辨一维距离像进行中段弹道目标真实长度估计的方法.推导了目标1维高分辨距离像长度与弹道目标真实长度、进动参数之间的函数关系,建立了1维距离像长度的观测模型,采用最大似然估计法实现了目标长度的估计.最后给出了基于仿真数据和某弹头实测数据条件下的尺寸估计仿真结果,验证了所提方法的有效性.     

基于二维小波变换的激光成像雷达目标识别算法

提出了基于二维小波变换的激光成像雷达目标识别算法,首先对激光成像雷达目标的距离像进行二维小波变换;然后从近似分量和细节分量中提取奇异值特征,利用遗传算法对支持向量机参数进行智能优化;最后应用支持向量机对三种地面目标进行识别.仿真实验表明,该方法与直接应用距离像奇异值特征进行识别的方法相比,在高载噪比20dB时的平均识别...     

幅度谱差分子空间雷达自动目标识别

雷达高分辨距离像是目标的重要结构特征,其维数通常很高,造成数据可分性表达差,识别过程计算复杂度高,识别率低。为降低距离像的维数,提出一种新的距离像特征提取方法,即采用直接线性判别分析(dLDA)在距离像幅度谱差分空间进行特征提取,得dLDA幅度谱差分子空间。目标识别即在所得dLDA幅度谱差分子空间中进行。采用外场实测数据,分别训练了最小距离分类器和one-against-all支撑向量机分类器,2种分类器的识别结果均表明,该方法可显著地降低数据维数并提高识别率。     

基于聚类中心GDA的一维像目标识别方法

对于目标高分辨一维距离像的目标识别,给出了一种基于广义判别分析(GDA)的特征非线性映射方法,将所提取的功率谱特征参数优化后,使目标特征参数在非线性特征空间中的Fisher比增大,使用基于高斯混合模型的分类器进行目标识别.针对训练样本多时GDA计算代价大,特征提取速度慢问题,提出了一种将训练样本做聚类后使用聚类中心作为训练样本计算GDA模型参数的快速算法,使模型训练时间及其特征识别时间均有很大程度上的减少,并且识别效果也相对与抽样选择训练样本有明显提高,实验结果表明了文中所提方法的有效性.     

基于时变特征和核非线性分类器的飞机目标识别

基于雷达目标距离像，研究时变特征提取和核分类器在雷达目标识别中的应用。由于距离像敏感于目标姿态角的变化，单纯的时域或频域方法难以完整刻画目标的散射特性，因此文中采用时频分析方法，首先提取出距离像时频分布的特征参量，再利用主元分析法降低维数，最后采用基于核的非线性分类器进行目标识别。仿真数据和实测数据表明，该方法具有较好的识别效果。     

基于GSVD的核不相关辨别子空间与雷达目标识别

该文提出了一种基于广义奇异值分解的核不相关辨别子空间算法,并将其用于高分辨距离像雷达目标识别。新算法结合广义奇异值分解与核方法的优点,有效地解决了传统方法面临的矩阵奇异问题,同时进一步改善了目标的类可分性。其次,依据Fisher准则导出了距离像总散度矩阵零空间中不含有有用辨别信息的结论。利用这一结论,可以在求解核不相关最优辨别矢量之前对各散度矩阵进行预降维,以减小后续运算的计算复杂度。对3类飞机目标实测数据的识别结果表明了所提方法的有效性。