基于旋翼微动雷达特征的空中目标识别

详细分析了直升机目标回波信号的多普勒谱的构成,针对直升机目标和固定翼飞机目标多普勒谱的差别,提取了两种微多普勒特征用于识别直升机目标和固定翼飞机目标,其中一种利用了直升机回波信号正负多普勒频谱能量的不对称性,另外一种利用了机身回波信号能量与旋翼回波信号能量的对比,使用仿真数据和试验测试录制的数据计算结果表明,该方法具有很好的识别效果。     

基于AEPSO-SVM算法的雷达HRRP目标识别

针对雷达自动目标识别中的高分辨距离像(high resolution range profile,HRRP)识别问题,提出自适应进化粒子群(adaptive evolution particle swarm optimization, AEPSO)算法优化支持向量机(support vector machine,SVM)的目标分类识别方法。该算法利用非线性自适应惯性权重的调整以适应粒子寻优的非线性变化过程,采用分阶段调节加速因子增强粒子在进化过程中的学习能力,通过引入局部搜索算子在增加粒子多样性的同时有效避免了粒子陷入局部最优陷阱。通过改进的PSO算法优化SVM参数,建立分类识别器模型。将该AEPSO-SVM模型应用到雷达HRRP目标识别中,实验结果表明,该算法对于高分辨雷达目标识别精度高、鲁棒性强。     

脉冲多普勒雷达频域跳盲与频域解模糊

针对脉冲多普勒雷达中的速度遮挡问题 ,提出了基于频域跳盲的PRF组合选择准则及其跳盲方法 ;针对脉冲多普勒雷达中的速度模糊 ,提出了一种用于解速度模糊的查表法 ,即通过预先存储固定表值 ,将获取的视在目标频率处理后在表中查找 ,从而得到实际目标频率。频域查表法实时性强 ,适于频域解模糊     

雷达目标识别中的BP神经网络算法改进及应用

针对雷达目标信号的复杂性和实用雷达目标识别系统所应具备的稳健性、扩展性及通用性等要求,提出多种简单有效的BP神经网络算法改进。通过平衡训练样本数量、动态重置初始权值、评定网络规模等措施,解决了BP算法收敛速度慢、受初始样本分布影响大等缺陷,提高了识别算法的稳健性和泛化能力。结果已成功应用到不同型号雷达上的多套目标识别系统中。大量试验和长期使用证明了该方法的有效性和实用性     

基于子像空间的雷达目标一维距离像识别

提出了一种基于子像空间的雷达目标一维距离像识别方法。该方法一方面通过建立目标子像空间,改善了对输入目标为库属目标的识别率;另一方面基于假设检验理论,在分类判决中引入判决门限,能够有效地对库属目标和非库属目标进行判别。模拟实验结果表明该方法的有效性。     

基于正则变换的雷达目标成像识别

本文提出一种基于正则变换的雷达目标成像识别方法。该方法首先将各个训练目标在不同方位角时的距离剖面像构成综合矩阵,并对之作正则变换建立正则子空间;然后将每类目标各方位的像向该子空间投影形成子像,并以其平均结果作为库目标的特征矢量。对未知目标,以其子像对库目标特征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FSVM的雷达多目标识别

重点分析了支撑矢量机多分类问题中存在的误分、拒分现象,针对雷达目标提出解决这一现象的模糊支撑矢量机。采用模糊支撑矢量机的分类机理对样本数据有限且残缺不全的高分辨一维雷达距离像进行多目标识别。实测数据(4种飞机雷达距离像)的多目标识别结果表明,模糊支撑矢量机与一般多类支撑矢量机相比在多目标识别时简单易行,而且在识别率上有显著的提高。     

高分辨雷达目标识别的研究

本文研究基于一维距离像的高分辨雷达目标识别方法。文中讨论了三种识别方法(频率域RBF神经网络方法、频率域相关滤波器和距离域相关滤波器),并用我国实验ISAR录取的数据比较了这三种方法在不同信噪比下的识别性能。     

方位频域滤波的机场毫米波雷达干扰抑制方法

强散射目标距离旁瓣造成的干扰, 严重影响机场跑道异物(foreign object debris, FOD) 毫米波雷达对微弱目标的检测。针对该问题, 本文基于信号频谱分布特点, 即静止目标信号的方位谱具有窄带特性, 而旁瓣干扰信号的方位谱是宽带的, 提出在方位向进行信号频域滤波的干扰抑制方法。首先在距离向使用窗函数加权方法处理, 方位向通过傅里叶变换到频域, 利用提前标定和构建的窄带带通滤波器进行滤波, 最后再变换回时域。与其他方法相比, 该方法能够在有强散射环境下获得较好的干扰抑制效果, 提高微弱目标的信杂比。93 GHz FOD雷达实测数据处理结果验证了所提方法的正确性和有效性。     

一种稳健的雷达高分辨距离像目标识别算法

雷达高分辨距离像目标识别算法通常对目标回波的噪声大小比较敏感,如果测试样本和训练样本的信噪比不等,那么将会导致识别性能的下降。在实际应用中,需要识别算法在不同噪声强度下都能够保持稳健的性能,因此在概率主分量分析模型的基础上,提出一种稳健的雷达高分辨距离像自动目标识别算法。该算法能够让模型随着噪声强度的不同而自适应地调整其参数,并且分析了雷达数据的能量归一化处理对模型参数的影响。由于算法搜索时间较长,为提高算法的搜索效率,推导了一个快速算法。基于实测数据的仿真实验结果验证了方法的有效性, 对噪声有较好的稳健性。     

基于联合时频特征和HMM的多方位SAR目标识别

研究了联合时频特征和隐马尔科夫模型(hidden Markov model, HMM)的多方位合成孔径雷达(synthetic aperture radar, SAR)目标识别方法。利用HMM模型可以有效地对多方位SAR目标特征分析及识别。在HMM多方位SAR目标识别中的关键之一是SAR目标回波高分辨率距离像(high resolution range profile, HRRP)的特征提取。提出了一种时变频因子加权Fisher鉴别的特征提取方法。利用MSTAR实测SAR目标数据集进行了特征提取和识别实验,实验结果验证了方法的有效性。     

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.     

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。     

基于最优特征矢量子空间的雷达目标识别

针对雷达特征子空间距离像识别中存在的如何选择特征基的困难,提出了一种基于最优特征矢量子空间的雷达距离像识别方法。该方法首先对原数据样本进行特征提取变换,再采用遗传算法选取最优特征矢量,由此组成最优子空间。通过对三种不同类型飞机实测回波数据进行识别,并与经典特征子空间法的对比实验,表明该方法的有效性。     

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。     

基于距离像幅度信息和Boosting的目标识别研究

在基于高分辨雷达距离像的目标识别中,有研究者指出散射点的位置信息具有比幅度信息更好的鉴别能力。对此,将距离像各距离单元按照幅度大小进行重排,得到只保留散射点幅度信息而去除散射点位置信息的平移不变特征,它反映了目标的反射特性,并利用Boosting算法和支持矢量机(SVM)进行了分类试验。基于实测数据的仿真结果表明,散射点的幅度同样是一种重要的识别信息。     

一种基于模糊滤波提高SAR自动目标识别平移不变性的方法

使用卷积神经网络去实现合成孔径雷达(synthetic aperture radar, SAR)自动目标识别(auto target recognition, ATR)成为了近年来的热点,但实际使用中存在的一个隐患问题是平移不变性的丢失,随着目标位置移动,系统输出也随之改变,从而造成错误识别。针对上述问题,提出了一种落实在模型层面的解决方法,通过对算法的改进,实现提升SAR ATR系统平移不变性,而无需数据增强。提出的模块易于移植到现有SAR ATR骨干网络中,且通过实测兼容良好,引入后不影响识别准确率,达到了与原网络近似相等甚至更高的精度。结果表明,所提出的算法不仅提升了系统的平移不变性,同时提升了系统的抗干扰能力。     

一种基于模糊滤波提高SAR自动目标识别平移不变性的方法

使用卷积神经网络去实现合成孔径雷达(synthetic aperture radar, SAR)自动目标识别(auto target recognition, ATR)成为了近年来的热点,但实际使用中存在的一个隐患问题是平移不变性的丢失,随着目标位置移动,系统输出也随之改变,从而造成错误识别。针对上述问题,提出了一种落实在模型层面的解决方法,通过对算法的改进,实现提升SAR ATR系统平移不变性,而无需数据增强。提出的模块易于移植到现有SAR ATR骨干网络中,且通过实测兼容良好,引入后不影响识别准确率,达到了与原网络近似相等甚至更高的精度。结果表明,所提出的算法不仅提升了系统的平移不变性,同时提升了系统的抗干扰能力。