基于SVM与非参数LDA的雷达自动目标识别

针对非参数线性判别分析(LDA)的类间散布矩阵,就如何有效描述类边界结构这一问题,提出一种SVM与k近邻(kNN)法相结合的非参数类间散布矩阵构造方法——SVM-kNN.该方法消除了非类边界样本对类边界结构信息的扭曲.将SVM-kNN非参数LDA方法用于外场实测高分辨距离像的特征提取,并将识别结果与加权kNN非参数LDA法和谱域原空间法比较,结果表明,SVM-kNN非参数LDA方法能显著提高识别效率.

雷达自动目标识别中的HRRP特征提取研究

通过分别考虑基于HRRP一阶统计特性的MCC-TMM(模板匹配分类器)和基于HRRP一阶和二阶统计特性的AGC(自适应高斯分类器),提出了两种新的特征提取方法,使得针对不同的分类器采用不同的特征提取方法,从而更好地滤除HRRP上的高斯噪声和更好地保持不同目标HRRP具有不同的幅度分布即HRRP的可分性。基于外场ISAR和微波暗室两种实测数据的识别实验表明,提出的特征提取方法能够明显提高识别性能。

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。

一种基于联合模型的雷达自动目标识别方法

雷达自动目标识别是将目标识别应用于传统雷达的一项技术,随着信息技术的飞速发展以及战场形势的复杂多变,雷达自动目标识别技术近年来受到广泛关注。目标识别的方法按其模型可分为生成模型和判别模型,生成模型侧重对数据分布的描述,判别模型侧重区分不同类别数据之间的差异。将两种模型有机结合可兼顾二者优势提升模型识别性能。本文提出了一种最大间隔正则化因子分析(MMRFA)模型,该模型对因子分析模型(FA)和隐变量支撑向量机(LVSVM)建立联合模型。试验结果表明,该模型提升了识别性能且在低信噪比条件下表现优良。

雷达高分辨距离像自动目标识别方法的改进

在雷达自动目标识别中,广泛利用基于散射点模型的高分辨距离像(HRRP),并取得较好的识别效果。由于散射点具有一些特点,且距离单元内的散射点的情况有时比较复杂,从而使高分辨距离像出现一些异常,导致识别发生误判。该文针对发生的问题,主要讨论了飞机类目标对偏航、俯仰、侧摆三维姿态角变化的敏感性、飞机类目标在正侧视附近的特点以及测试样本的“相干峰”现象,并提出了相应的改进措施。仿真数据的识别试验结果表明该文提出的改进措施可以有效地提高识别性能。

一种利用强度信息的雷达HRRP自动目标识别方法

针对雷达高分辨距离像(HRRP)的幅度敏感性,现有HRRP雷达自动目标识别(RATR)方法一般简单地能量归一化.本文借鉴切空间距离的思想,提出一种利用HRRP回波强度信息提高识别精度的方法,实测数据仿真试验证明与传统方法相比,该方法可提高识别率约5个百分点.

基于复数高分辨距离像特征提取的雷达自动目标识别

高分辨距离像(HRRP)已成为雷达自动目标识别(RATR)领域研究的热点。由于目标复数HRRP的初相具有不确定性(本文称其为初相敏感性),在RATR中通常使用的HRRP为实向量(文中称为实HRRP),即目标复基频回波信号的幅度像,而完全丢弃了相位信息。事实上,复HRRP中除初相外的其他相位信息也应该是对识别有利的。文中提出了一种复HRRP的特征提取方法,该方法得到的复特征向量与初相无关但却保留了距离单元间的差分相位信息,称为相位差分复特征向量。若基于散射点模型理论分析,这种复特征向量的物理意义与实HRRP类似(只是包含了差分相位信息),因此,对实HRRP适用的识别、建模和预处理方法同样适用于该复特征向量。同时,相位差分复特征向量的各分量具有类Gauss性,更有利于统计识别。基于实测数据的识别实验表明,只要在特征提取时适当选取距离单元间隔参数,文中提出的相位差分复特征向量可以取得比实HRRP更好的识别效果。

雷达目标自动识别系统的拒识新算法

提出了一种基于代价因子的Fisher判别函数拒识门限确定算法。该算法充分考虑了系统识别和误识的代价因子,引入Fisher判决理论,确定了拒识门限。设计了基于独立分量分析(independent component analy-sis,ICA)的雷达目标特征提取方法,将雷达高分辨距离像(high resolution range profile,HRRP)在"基信号"域中分解,提取相应的基系数组成向量,作为目标特征向量。采用基于欧氏距离度量的K最近邻(K nearest neighbor,KNN)分类器作为识别系统的分类规则,并引入拒识门限设计了一种新的分类器。实验结果表明,基于以上算法的雷达目标识别系统在最小代价前提下具有较高的正确识别概率。

基于自适应阈值卷积网络的抗干扰雷达目标识别

本文提出了一种自适应阈值卷积网络(ATCN),基于HRRP数据进行抗干扰雷达目标识别。ATCN中的核心模块是自适应阈值卷积单元(ATCU),该模块能准确高效地完成对HRRP数据的特征提取。在ATCU中,采用自适应阈值函数充当激活函数,自动调整阈值以面对不同信干比的数据;利用多个不同尺度的卷积核来捕获HRRP数据中的区域差异特征;引入通道注意力机制和残差连接优化网络结构。本文进行了大量的抗干扰目标识别实验,实验结果表明,相比于所选择的3种对比网络,本文的ATCN网络能在不同干扰类型和不同信干比下提供更优的平均识别率和更好的指标稳定性,且具有更少的网络模型参数量和浮点运算次数,具备轻量化和高效的特点。

基于时间序列森林的雷达高分辨距离像目标识别

为了提高雷达目标识别准确率与不完备角域数据下的识别性能,提出一种基于时间序列森林的高分辨距离像(HRRP)目标识别算法。详细介绍了时间序列森林算法的基本原理和用于HRRP目标识别的基本步骤。对实测HRRP数据的实验结果表明,相比于K-最近邻(KNN)、支持向量机(SVM)、随机森林(RF)、卷积神经网络(CNN)和长短时记忆网络(LSTM)等经典的目标识别算法,本文算法具有较优的识别性能与更好的角域推广能力。在只训练1/2和1/3角域数据的条件下,对全角域数据识别率均值优于85%,较上述方法平均提升5.2%。

基于目标子空间的雷达自动识别系统

分析了HRRP空间RATR方法的冗余噪声匹配问题.探讨基于目标子空间的RATR方法.与HRRP空间相比,目标子空间理论上不存在冗余噪声,能够更加准确地反映目标的结构特征.对外场ISAR实测数据的处理表明,此目标子空间算法的识别结果比传统的HRRP空间算法的效率更高,比常规方法具有明显的优越性.

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。

利用稳健字典学习的雷达高分辨距离像目标识别算法

基于字典学习算法的信号稀疏表示被广泛应用于信号处理领域。由于字典原子间存在冗余性,求解信号的稀疏表示会受到观测信号中扰动分量的影响,从而带来表示的不确定性,不利于雷达高分辨距离像(HRRP)目标识别任务。针对这一问题,该文提出一种稳健字典学习(SDL)算法,通过边缘化信号丢失,构建稳健损失函数用于学习自适应字典。该算法利用距离像在散射点不发生越距离单元走动的方位帧内具有结构相似性,约束临近训练样本间稀疏表示的非零元素位置相同,并通过结构化稀疏约束选择最优子字典用于测试样本的分类。基于实测HRRP数据的实验结果验证了所提算法的有效性。

基于多分类器融合的雷达高分辨距离像目标识别与拒判新方法

由于雷达自动目标识别(Radar automatic target recognition,RATR)中库外目标的存在,评价系统性能时应综合考虑其识别性能和拒判性能.由此本文构造了一种将分类器的输出通过最近邻分类器(Nearest neighbor,NN)进行拒判和识别的"分类器–最近邻"系统,并在拒判和识别两个阶段分别采用多分类器融合技术以提高RATR系统的拒判和识别综合性能.此外,文中定义了一种代价函数以衡量系统综合性能并为系统拒判工作点的选取提供依据.进而,采用局部法和全局法两种算法确定拒判器的工作点.实测数据实验结果验证了本文方法的有效性,两种工作点选取算法均能够显著提高识别系统的综合性能.

采用双向LSTM模型的雷达HRRP目标识别

针对传统雷达高分辨距离像目标识别方法只考虑高分辨距离像样本的包络信息而没有考虑其时序相关特性问题,提出了一种采用双向长短时记忆网络模型的识别算法。该算法首先选取出高分辨距离像样本的目标区域,并根据目标区域提取对于平移敏感性稳健的输入特征;然后采用双向长短时记忆模型对输入特征提取双向时序信息;最后通过投票策略融合双向信息,输出样本类别。采用实测数据的实验结果表明,该算法不仅可以有效地识别雷达目标,而且对于平移敏感性非常稳健。

基于字典学习的雷达高分辨距离像目标识别

提出一种基于字典学习的雷达高分辨距离像(HRRP)目标识别算法。该算法依据对测试样本的信噪比估计,可以自适应地确定测试阶段稀疏分解的稀疏度系数。相比于传统识别算法,文中算法对目标的识别性能更好,且对噪声的鲁棒性更强。另外,文中算法可以在只训练部分角域数据(不完备训练集)的条件下较好地识别全角域数据,可应用于HRRP数据库的扩展。基于实测数据的识别试验验证了该算法的有效性。

一种优化K近邻准则及在雷达HRRP目标识别中的应用

针对雷达高分辨距离像的姿态敏感性,利用各目标在各种姿态下的雷达高分辨距离像样本和其局部聚散程度信息,调节各样本的局部有效作用范围,使得其统计置信水平达到可信的范围内,从而对二分类的K近邻测度距离和判决准则进行了优化,最后通过一对一法将其推广到解决多类目标的识别问题.实验证明该方法相对于传统的K近邻方法可有效提高识别率,尤其当类别增多时,性能改善显著.

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。

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。

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-all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。