基于相关成分分析法的雷达目标识别仿真研究

给出了_种基于双谱特征和相关成分分析法(Relevant Component Analysis,RCA)相结合的雷达目标特征提取与识别方法.利用四种飞机模型的重点散射源二维分布测试教据和频率步进法,得到目标的一维纵向距离像.针对雷达高分辨率一维距离像的双谱特征,利用改进的白化变换矩阵进行去相关,得到统计不相关鉴别正交矢量集.然后采用Parzen窗方法估计概率密度函数,用贝叶斯分类器进行分类识别.实验数据结果表明,双谱有效地抑制了噪声影响,而相关成分分析法利用了信号白化处理过程中去除信号类间的相关性的优点,聚集了同类样本,因而比主成分分析法(Principal Component Analysis,PCA)具有更好的分类效果.     

基于最优投影平面的雷达目标一维距离像识别

基于将多类目标的识别转化为两类目标的识别这一思想,提出一种雷达目标一维距离像识别方法。首先将多类目标组分为多个子组,每一子组包含两类目标;对每一子组中的目标,由其训练一维距离像建立最优投影平面;对输入目标,利用最小距离准则进行分类,以确定输入目标在每一子组中的类别。然后,应用投票机制最终决定输入目标所属类别。仿真实验结果表明了该方法的有效性。     

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。     

基于时间谱信息的低分辨雷达飞机目标分类

雷达目标空间状态随时间的变化特性从侧面揭示了的目标的本质,这种目标空间状态随时间呈现的分布特性称之为目标的时间谱,而利用目标的时谱信息(目标的航迹、速度、机动性、空间坐标信息)可以简化(或缩小)待识别目标的范围。用低分辨雷达测量得到的时间谱信息作为特征,采用模糊逻辑规则对五类飞机目标进行分类判决。结果表明:基于时间谱信息的飞机目标分类为低分辨雷达飞机目标识别提供了一个有效的辅助手段。     

基于非线性变换的高分辨率距离像雷达目标识别

雷达目标识别的预处理工作是高分辨距离像领域中的重要组成部分,也是提高识别率的重点和难点。给出了一种结合信号统计特性的信号预处理方法,通过对高分辨距离像(highresolutionrangeprofiles,HRRP)的非线性变换作为特征,有效地拉大了异类目标信号之间的欧氏距离,从而提高了分类的识别率。基于ISAR雷达实测飞机数据的实验结果证明了该方法的有效性。     

基于PCA-LVQ的雷达目标一维距离像识别

研究了宽带高分辨雷达目标识别问题。基于目标一维距离像,提出主成分分析(principal componentanalysis,PCA)和学习向量量化(learning vector quantization,LVQ)相结合的识别方法。即采用主成分分析方法进行数据压缩,提取目标特征,然后利用学习向量量化人工神经网络,训练集进行训练,建立识别模板库。最后对三种飞机模型高分辨回波数据进行识别,结果表明,经过PCA-LVQ网络处理后,目标维数和网络规模均大大降低,且系统具有良好的识别性能。     

雷达高距离分辨率一维像目标识别

随着雷达技术的快速发展和军事应用的迫切需求,目标识别问题日益受到重视,利用高分辨率雷达一维距离像进行目标识别成为雷达和信号处理领域的一个研究热点。雷达目标一维距离像能够反映目标形状及结构特征,而且易于获取,迄今为止采用一维距离像进行非合作目标识别已经取得了丰富的研究成果。总结了近年来研究的基于目标一维距离像的特征提取方法、分类方法和联合跟踪与识别方法,分析了当前研究中亟需解决的关键问题,探讨了这些问题的可能解决思路和发展方向。     

基于支持向量机的高分辨距离像分类法

支持向量机 (supportvectormachine ,SVM)是新一代学习机 ,具有良好的泛化性能。高分辨距离像(HRRP)分类是雷达复杂目标分类的重要方法。采用SVM作为分类器 ,研究了飞机目标HRRP分类法。设计了相应的预处理算法 ,并提出了结合VapnikChervonenkis维法和留一 (LOO)交叉验证法的参数选择算法。基于 5种飞机缩比模型的HRRP数据 ,比较了SVM分类法和最大相关分类法的性能 ,研究了噪声、训练用方位角采样数和训练样本集的大小对识别性能的影响。实验结果表明 ,SVM在HRRP分类上具有良好的应用前景。     

高分辨力雷达目标识别研究

本文讨论了基于高分辨力距离像的特征提取技术和利用模糊分类来进行目标识别的问题，探讨了几种建立隶属函数的方法，给出了对五类飞机目标的识别实验结果。     

基于线性卷积系数扩展特征的雷达目标识别

针对雷达目标高分辨距离像识别中的有效特征提取问题,提出了一种基于线性卷积系数扩展特征的雷达目标识别方法。该方法将高分辨距离像及其线性卷积系数扩展特征作为联合特征在核空间中进行特征选择,并采用支持向量机（support vector machine, SVM）作为分类器实现雷达目标识别。核空间中的特征选择可以解决联合特征高特征维数问题和非线性可分问题,进而提高SVM识别性能,而线性卷积系数扩展特征相比高分辨距离像具有更强的稳定性。同时,可以在一定程度上弥补因特征选择带来的高分辨距离像部分距离单元特征分量缺失。基于5种飞机目标高分辨距离像的仿真实验证明了该方法的有效性。     

UWB radar target recognition based on time-domain bispectrum

1 .INTRODUCTIONWith rapid development of computer technology ,modern radar is required to not only find and tracktargets but also extract ,classify and identify tar-gets which signatures have been detected by radar .Information and signatures of target can be extrac-ted fromamplitude and phase of echoes .But thosecan not be extracted using power spectrumbecauseit suppress phase information of signal , moreover ,the method can not eli minate clutter and noise .In recent years , the researc…     

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。     

基于特征概率分布的低分辨雷达地面目标分类

提取稳定有效的目标特征对于低分辨雷达的目标识别分类有着重要意义。在提取目标基本特征雷达散射截面积(radar cross section,RCS)与频谱熵值的基础上,提出了一种基于特征概率分布曲线的目标分类方法。该方法首先应用快速傅里叶变换计算目标回波频谱,提取目标RCS与频谱熵值,然后滑窗分段计算基本特征的概率分布曲线,从而利用概率分布曲线提取出稳定的目标特征,最后利用支持向量机对目标实现分类。基于实测数据的分类结果表明,该特征具有较好的稳健性和分类性能,同时算法便于工程实现。     

高分辨雷达-维距离像稀疏表示技术

高分辨雷达回波信号处理和特征提取技术受到广泛的关注.针对雷达目标几何绕射参数化模型,采用稀疏成份分析方法研究了高分辨距离像的超分辨重构和特征提取问题,分析了正则化函数的指标参数对信号重构性能和计算复杂性的影响,在此基础上提出了一种具有稀疏表示能力的正则化函数,实现了目标散射中心的有效分离.数值结果也验证了该方法的合理性和有效性.     

基于KFD+ICA特征提取的SAR图像目标识别

提出了一种用基于核函数的Fisher判别分析(kernel based Fisher discriminant analysis,KFD)和独立分量分析(independent component analysis,ICA)特征提取的合成孔径雷达(synthetic aperture radar,SAR)图像目标识别方法。用基于核函数的Fisher判别分析提取SAR图像样本在高维特征空间中的最佳分类向量,对最佳分类向量做独立分量分析,得到表征图像样本的特征向量,用支持向量机(support vector machine,SVM)对提取得到的特征向量分类完成目标识别。对MSTAR数据库中三类军事目标用该方法进行特征提取和识别实验,识别率为96.92%。结果表明,KFD ICA特征提取方法可提取目标的有效特征,在较低特征维数情况下获得较高的目标正确识别率。     

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。     

Radar Target Recognition Algorithm Based on RCS Observation Sequence——Set-Valued Identification Method

This paper studies the problem of radar target recognition based on radar cross section (RCS) observation sequence. First, the authors compute the discrete wavelet transform of RCS observation sequence and extract a valid statistical feature vector containing five components. These five components represent five different features of the radar target. Second, the authors establish a set-valued model to represent the relation between the feature vector and the authenticity of the radar target. By set-valued identification method, the authors can estimate the system parameter, based on which the recognition criteria is given. In order to illustrate the efficiency of the proposed recognition method, extensive simulations are given finally assuming that the true target is a cone frustum and the RCS of the false target is normally distributed. The results show that the set-valued identification method has a higher recognition rate than the traditional fuzzy classification method and evidential reasoning method.