基于角域特征PSO的海面目标HRRP识别方法

针对特征空间中各类海面目标特征混叠严重和高分辨距离像(high resolution range profile, HRRP)的角度特征利用率低的问题,提出了一种基于角域特征粒子群优化(particle swarm optimization, PSO)的海面目标HRRP识别方法。该方法引入HRRP的角度信息优化特征空间,增加特征空间的整体可分性;利用自适应分帧算法对特征空间进行角域划分,增加特征空间的局部可分性,并利用PSO算法确定特征空间角域划分时最优的单帧最小样本数目,增强方法的鲁棒性与适用性。实验结果表明,通过将特征空间优化和区域划分进行结合,可以有效提升多类海面目标的分类识别性能,PSO算法可以有效增强方法的抗误差性和抗噪鲁棒性。

基于机载传感器的海面目标关联识别方法

基于机载情报处理系统的探测手段,设计了一种海面目标关联识别方法。首先,通过海面目标关联,实现了机载有源和无源传感器不同信息源对同一艘舰船的探测信息收集;其次,采用DS证据理论融合识别各信息源上报的关于目标类型的识别结果,获得目标融合识别结果;然后,基于目标敌我、军民属性、舰型和舰载辐射源间类属关系,对融合识别结果进行综合研判与验证,从而识别出目标类型;最后,通过仿真试验表明该方法有效,可供机载情报处理系统参考应用。

雷达海面目标识别技术研究进展

针对雷达海面目标识别特征数据缺乏和识别算法推广能力差等问题,从雷达目标电磁散射特性和目标分类识别两方面总结了雷达海面目标识别技术的研究热点和发展趋势。围绕海面目标雷达特性,从电磁散射测量和建模两个方面综述了国内外研究现状;从低分辨雷达回波、高分辨距离像、高分辨雷达图像3方面综述了海面目标识别技术发展现状;介绍了雷达海面目标识别工程应用情况;最后展望了海面目标识别技术的发展趋势。

基于DnCNN的海面目标一维距离像识别方法

针对低信噪比条件下海面目标分类识别精度差的问题,该文提出了一种基于去噪卷积神经网络(Denoising convolutional neural network,DnCNN)的海面目标高分辨一维距离像(High Resolution Range Profile,HRRP)识别方法。所提方法设计了一个海面目标分类识别模型,该模型通过其中的降噪模块提高信噪比。首先,分析了HRRP和二维图像的相似特性,将HRRP降噪转变为二维图像降噪。其次,利用深层次卷积层与批归一化层相结合的结构,提取图像深层次的噪声特征,最后采用残差学习技术,减轻深层次网络的学习负担的同时重构图像进行分类识别。实验结果表明,该模型可以有效提升低信噪比条件下的海面目标分类识别正确率,在不同信噪比条件下其识别性能均优于对比模型,具有良好的识别性能和鲁棒性。

基于极化神经网络的雷达舰船检测识别方法

相参雷达捕获的全极化海面目标距离-多普勒(RD)回波数据中,目标区域占比小、信噪比低,且海况环境与干扰种类多变,使得经典的深度神经网络在此种条件下检测识别精度较低。为此,本文提出了一种基于极化深度神经网络的全极化相参雷达海面目标检测识别算法。首先,引入极化特征提取模块挖掘目标与干扰的差异化特征;其次,通过特征金字塔网络解决小目标检测识别的问题;最后,使用级联结构进一步提升算法性能。在全极化相参雷达回波数据集上的测试结果表明:基于特征值与特征矢量的极化特征对于数据集中两类舰船目标的平均精度分别达到0.907 9与1.0,相比不采用极化特征有着显著提高。