MUSIC超分辨距离像在雷达目标识别中的问题

基于Li和Wang提出的提高距离分辨率有利于提高距离像的姿态稳定性这一结论，不少研究者利用超分辨距离像进行目标识别。文中从高分辨雷达目标的简单散射点模型理论出发，分析了距离像的分辨率与目标姿态敏感性的关系，并且结合仿真实验，详细分析了MUSIC超分辨距离像用于目标识别时对目标姿态、散射点个数、信噪比的敏感性等问题。     

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。      

基于半参数化概率密度估计的雷达目标识别

该文针对雷达目标高分辨距离像(High-Resolution Range Profile, HRRP)识别中距离单元回波幅值统计建模所面临的概率密度模型选择问题,提出一种基于半参数化概率密度估计的雷达目标识别方法。半参数化概率密度估计从参数化概率密度估计出发,有效利用了高分辨距离像各距离单元幅值近似服从Gamma分布的经验知识,并且通过非参数化修正因子对Gamma模型进行修正,达到参数化方法和非参数化方法优缺互补的目的。基于5种飞机模型高分辨距离像数据的仿真实验证明了该文方法的有效性。     

雷达高分辨距离像目标识别研究进展

雷达高分辨距离像(HRRP)包含了目标的结构信息,在雷达目标识别领域有良好的应用前景.该文详细讨论了基于HRRP的雷达自动目标识别的关键技术及研究现状,包括雷达HRRP的特性、预处理方法、特征提取方法及分类器设计方法等.最后讨论了雷达HRRP识别的研究方向.     

基于正交判别分析子空间的雷达目标识别

本文提出了一种基于正交判别子空间的雷达目标距离像识别方法.该方法采用一种新的准则函数,得到由一组正交基组成子空间,与修正正则子空间相比其使用正交基数量少、计算简单.用四种不同类型飞机回波数据进行识别研究,结果表明了该方法的有效性.     

雷达目标识别发展回顾与实现中的关键理论

雷达目标识别作为智能化武器发展的关键技术,在未来信息化条件下联合作战中发挥着极为重要的作用.阐明了雷达目标识别研究的科学意义,回顾了该领域的发展过程及已取得的研究成果,分析了基于高分辨雷达一维距离像目标识别研究的具体思路,在此基础上,重点讨论了几种一维距离像的特征提取方法、分类识别方法及如何克服方位角变化对距离像的影响等雷达目标识别实现中的关键理论,对这些理论的深入研究将极大地促进雷达目标识别技术的发展.     

基于HRR的地面雷达目标识别方法研究

高分辨雷达目标识别可以提供目标更多的信息 ,是地面雷达技术发展方向 ,基于高分辨距离像的特征提取和识别是比较现实可行的方法。该文首先分析了一维距离像的产生 ,在此基础上 ,综合了几种一维距离像的特征提取方法和分类识别方法 ,讨论了方位角变化对距离像的影响 ,并分析了识别方法的鲁棒性问题     

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。     

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。     

基于非参数化概率密度估计的雷达目标识别

针对雷达目标识别中,参数化方法估计高分辨距离像的概率密度存在的模型失配问题,提出一种非参数化方法基于累计量的随机学习算法,估计距离像的概率密度。该算法运用多层感知器估计训练样本的分布函数,然后求导得到概率密度。该算法不仅能全面、精确地估计概率密度,而且回避了许多其他非参数方法面临的窗宽敏感性问题。基于外场实测数据的实验证明了该文方法的有效性。     

基于模糊核Fisher判别的雷达距离像识别研究

核Fisher判别分析(KFDA)既具有核技巧的非线性描述能力,又继承了线性Fisher判别分析(FDA)的优点,其在非线性判别方面表现出很好的识别性能。尝试把训练核样本的模糊隶属度信息完全融入到核散布矩阵的计算中,使得KFDA在提取原始训练样本非线性特征的同时,又可以提取到训练核样本的隶属度信息,并且把这种方法应用到雷达一维距离像识别中,实验证明其取得了很好的识别效果。     

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。     

基于核Fisher判决分析的脸谱识别新方法

本文提出一种新的基于核Fisher判决分析(简称KFDA)的脸谱识别方法。即首先应用KFDA提取脸谱特征，然后，进行脸谱识别。利用标准的AT＆T脸谱数据库对KFDA特征提取方法和PCA、FDA以及ICA特征提取方法进行比较，最后使用线性支持向量机(简称SVM)进行分类和识别，实验结果显示基于KFDA特征提取脸谱识别方法的识别率明显优于其它三种脸谱识别方法的识别率。     

Infrared Point Target Detection with Fisher Linear Discriminant and Kernel Fisher Linear Discriminant

It is a challenging task to detect point targets from an infrared image. Recently, the pattern recognition theory has been used to detect targets. The principal component analysis (PCA) has gained success in this field. We propose a linear subspace detection method based on Fisher linear discriminant (FLD) in this paper. If we consider images are made up of target class data and background class data, the target detection problem can be translated into a two-class classification problem. The FLD as one of pattern recognition algorithms can be used to find potential targets from image background. After classification by FLD, a map function, Gaussian map function, is developed to generate detection images in which the larger target-to-background contrast is obtained. FLD is a linear detection method without taking the higher-order statistics of image data into account. To improve detection performance, we extend this detection method to its nonlinear version, kernel FLD (KFLD) detection. Because the nonlinear subspace is capable of capturing the part of higher-order statistics, the better detection performance can be achieved. The well-devised experiments verify that KFLD detection outperforms FLD and other common used detection methods.     

核不相关辨别子空间雷达目标一维像识别

针对不相关辨别分析方法在目标类别数较多时计算量大,且可能面临散度矩阵奇异的问题,提出了一种核不相关辨别子空间算法,并将其用于雷达目标一维距离像识别。新算法继承了原方法提取目标统计不相关辨别特征的优点,同时利用核机器学习理论与广义奇异值分解,有效解决了计算量与矩阵奇异的问题,并进一步改善了目标的类可分性。对ISAR实测飞机数据进行了分类,并与几种经典核非线性方法进行了比较,结果表明所提方法的识别性能得到了明显改善。     

基于LVQ网络优化的雷达目标识别算法

目标一维距离像在雷达目标识别领域中具有很高的研究价值,神经网络有很强的自适应能力,被广泛应用于目标识别领域中。通过研究分析,将学习向量量化（Learning Vector Quantization, LVQ）神经网络应用于雷达目标一维距离像识别。针对LVQ神经网络对初始连接权值敏感的问题和如何增强网络的分类识别性能,提出利用粒子群优化（Particle Swarm Optimization, PSO）算法对其进行优化。在此基础上提出了基于PSO-LVQ神经网络的雷达目标一维距离像识别新方法。通过3类飞机实测数据实验,验证了PSO算法优化LVQ神经网络初始连接权值的可行性和PSO-LVQ识别算法的有效性。     

基于核函数Fisher鉴别的异常入侵检测

将核函数方法引入入侵检测研究中,提出了一种基于核函数Fisher鉴别的异常入侵检测算法,用于监控进程的非正常行为。首先分析了核函数Fisher鉴别分类算法应用于入侵检测的可能性,然后具体描述了核函数Fisher鉴别算法在异构数据集下的推广,提出了基于核函数Fisher鉴别的异常入侵检测模型。并以Sendmail系统调用序列数据集为例,详细讨论了该模型的工作过程。最后将实验仿真结果与其它方法进行了比较,结果表明,该方法的检测效果优于同类的其它方法。     

基于Hermite特征和核函数判决分析的人脸识别

提出了基于Hermite特征和核函数判决分析（KDA）方法的人脸识别技术,即首先利用多分辨Hermite分析提取人脸图像特征,然后用KDA方法进行分类识别。采用拟Gabor的多分辨Hermite分析能够提取人脸图像中具有空间频率特性、空间位置和方向取向选择特性的判决特征,从而较好地克服由于光照强度、脸部表情变化带来的影响。KDA方法能够提取高维特征空间中的最佳判决特征,本质上对应于原始空间中的非线性最佳判决特征,具有较好的聚类判决分析性能。实验仿真表明了所提方法的有效性。     

一种核Fisher判别分析的快速算法

针对训练样本多时核Fisher判别分析(KFDA)的计算代价大,特征提取速度慢问题,本文提出一种KFDA的快速算法。该算法首先基于线性相关性理论,设计出一种优化方法,快速寻找训练样本在特征空间所张成的子空间的一组基;然后用这组基线性表示最佳投影方向,结合特征空间中的Fisher准则函数,推导出求解最佳投影方向的新公式,其求解过程只需对一个阶数等于基的个数的矩阵特征值分解,同时提取某样本特征时只需计算该样本与这组基之间的核函数。基于多个数据集的实验验证了该算法的有效性。