基于语义引导层次化分类的雷达地面目标HRRP识别方法

高分辨距离像(HRRP)反映了目标空间散射结构在雷达视线方向的投影,近年来被认为是地面目标识别的重要途径。现有的HRRP识别方法采用手工特征加传统机器学习分类器,均属于平面分类方法,即采用统一标准不加区别的优选特征并单次决策最终类别。然而该方法在实际应用中面临种类繁杂、数据不平衡、HRRP姿态敏感性等诸多问题,难以获取最佳的应用效果。层次化方法采取分而治之思想,将一个复杂的细粒度识别任务拆解为多个简单的识别子任务。本文采用层次化识别的思路,提出了一种基于语义引导层次化分类的雷达地面目标识别方法。该方法以联合语义和数据构建的树形结构将一个复杂的细粒度识别任务拆解为多个简单的识别子任务,并针对每一个识别子任务匹配一套优选特征集和一个局部分类器。本方法在仿真数据和实测数据上完成了验证。实验结果表明了本文方法处理地面目标识别任务的有效性。

空中目标动态HRRP特征可重构模拟方法

针对目前无源模拟技术无法实现目标动态电磁特征模拟的问题,提出了一种利用相位调制表面(phase-switched screen, PSS)进行空中目标动态高分辨距离像(high resolution range profile, HRRP)特征可重构的模拟方法。以无人直升机旋翼为例,对旋翼的运动状态进行了建模,并详细分析了其动态HRRP特征。另外,通过建立PSS的周期调制信号模型,详细分析了PSS对雷达入射波的调控效果。在此基础上,提出了一种调制频率时变的PSS可重构模拟方法,该方法能够生成随时间变化的可控谐波分量,模拟产生的谐波分量与无人直升机旋翼的动态HRRP特征变化规律相似。通过仿真数据对比分析,调制频率时变的PSS可重构模拟方法能够实现无人直升机旋翼的动态HRRP特征模拟效果。

基于HRRP的雷达目标识别研究综述

雷达目标识别(RTR)技术在国土防空和战略预警领域具有重要意义,目前相关研究大多基于高分辨距离像(HRRP)展开。梳理了当前研究主要聚焦于样本完备和小样本情况下目标识别的问题,研究方法主要聚焦于基于特征提取的识别方法、基于统计建模的识别方法以及基于深度学习的识别方法等3个方面。聚焦2大问题,从3个方面开展综述,进行归纳总结;指出在当前研究领域存在的5个亟待解决的问题,分析了下一步研究可以考虑的方向。

利用低数据率HRRP序列进行弹道中段目标识别

雷达目标识别是弹道防御阶段的关键环节,为节约雷达时间资源和降低对计算机处理能力的要求,需研究低数据率雷达回波信号的弹道中段目标识别方法,本文以低数据率目标高分辨一维距离像序列(High Resolution Range Profile,HRRP)为研究对象,提出了基于图像投影法的进动频率特征提取算法和基于特征级融合的弹道中段目标识别方法,解决了由于HRRP回波序列数据率过低而导致的时频曲线周期模糊和单一特征造成目标识别准确率浮动大的问题。本文通过仿真弹道导弹中段飞行场景中弹头、重诱饵、轻诱饵、碎片目标的特性数据,同时考虑目标尺寸、形状和微运动模型等差异,结合仿真数据对本文所提算法进行验证。实验结果表明在低数据率(10~100 Hz)下,HRRP序列利用本文算法提取的进动频率特征结果误差值小于0.05 Hz,具有较高准确性和稳定性,通过特征融合方法联合进动频率和目标结构特征将弹道中段目标的识别准确率提升到了96%以上且趋于稳定。

基于注意力机制的SRU模型雷达HRRP目标识别

针对传统目标识别方法难以提取雷达高分辨距离像(HRRP)的深层特征问题,提出了一种基于注意力机制的简单循环单元(SRU)的模型进行HRRP目标识别。该模型通过SRU快速提取HRRP时序特性,引入自注意力机制自适应对重要特征进行加权,增强隐藏层状态特征的表达能力。同时通过堆叠由SRU,自注意力机制和前馈神经网络组成的模块构建深层网络,对HRRP深层特征自动提取。实验结果表明,对比其他模型,该模型可以有效识别目标。在二维可视化下,提取的深层特征可分性最好。

基于平均模板的HRRP自动目标识别

给出了一种结合幂变换的高分辨率距离像 (High Resolution Range Profile,简称 HRRP)的预处理新方法。根据时域 -频域能量等价性 ,利用功率平均形成一种频域平均模板。基于美国 MSTAR(Moving and Stationary TargetAcquisition and Recognition)

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HRRP识别信息辅助多目标跟踪的仿真研究

密集多回波环境下对弹道多目标跟踪时,融合目标运动学信息和HRRP分类信息,研究了基于HRRP分类信息辅助跟踪的最近邻算法CATNN;由于受获取实际数据的限制,为检验算法,结合目标的仿真数据,提出了多目标跟踪和识别动态交互的仿真方法;在建立的场景中与常规的JPDA、NN跟踪算法进行比较,结果表明CATNN克服了轨迹合并和误跟的现象,具有较高的多目标跟踪性能,且产生的仿真数据满足了CATNN算法验证的需求。

宽带全极化雷达目标HRRP极化特征提取与优选

充分有效地利用全极化雷达目标HRRP极化信息是雷达目标特征提取领域一个热点问题.文中主要研究了宽带全极化雷达目标HRRP的三类极化特征的提取与优选:(1)将SAR领域常用的熵特征引入全极化HRRP中,分析了反映目标HRRP散射随机性的熵特征;(2)根据目标散射矩阵相似性参数理论,定义了目标HRRP与6种标准体散射矩阵相似性参数概率形式描述,并将其作为特征,这类特征反映了目标的物理结构特性;(3)提出了反映目标散射能量特性的Mueller矩阵相似性参数特征,并且证明了该参数特征的旋转不变性.这几类特征具有明确的物理意义.采用飞机目标多个姿态的实测数据进行了特征有效性验证和特征优选,并利用优选后的特征组成特征矢量对飞机目标识别,实验结果表明,提出的HRRP极化特征具有良好的稳健性和可分性.

HRRP自动目标识别方法综述

雷达高分辨距离像自动目标识别是近年来雷达目标识别广受关注的一个研究领域.基于国内外HRRP自动目标识别方法的研究现状,指出目前研究工作中亟待解决的两个问题:非合作目标的识别与分类超平面的获取;针对待解决问题提出目前研究工作中的3个重点:信噪比失配问题的研究,少量不完备样本的研究以及分类超平面获取方法的研究;对每个研究重点的研究思路进行详细划分,包括移除噪声成分、特征提取以及支持向量等,并归纳每种思路的研究现状;最后,对3个重点的研究现状进行总结评述并指出未来的发展方向.

一种雷达HRRP在线自适应目标识别方法

"边录取、边学习、边建模"是一维高分辨距离像(HRRP)雷达自动目标识别(RATR)工程化的一条路径,宽带雷达对飞行中的机动目标录取的HRRP随着目标相对于雷达的姿态而变化,完备(全姿态)的HRRP数据库可以看做是关于姿态(主要是方位)的非平稳过程,常用的平稳环境下的在线算法对非平稳的环境适应能力有限。文中通过一种在线混合专家(OME)将HRRP数据在线地分割成若干个近似平稳的区域,在各个区域内使用平稳协方差函数的在线Gauss过程分类器(OGPC)。针对迭代在线Gauss过程分类(IOGPC)的参数学习算法EP和EM,提出了一种双链Gauss过程(Bi-OGP)来使OGPC的参数得以在单次数据扫掠的情况下实现在线更新。针对迭代在线混合专家门网络参数的学习算法EM,提出了基于初值选择的单次数据扫掠学习方法。基于HRRP实测数据的仿真试验证明,文中方法在单次扫描数据时就获得了高于或接近最近邻、迭代在线线性最小均方(LMS)混合专家和OGPC的识别率。

基于一维卷积神经网络的HRRP雷达目标分类方法

雷达一维高分辨距离像(high resolution range profile,HRRP)信号能够反映目标的结构信息,且具有易于获取的优势,因此利用雷达HRRP回波信号对目标进行分类识别获得了广泛的关注。传统的分类识别方法大多基于提取人工设计的特征然后利用分类器进行分类。然而人工设计提取的特征依赖于专家的先验知识,且人工设计的特征在识别性能上已经趋于平稳。本文将神经网络引入HRRP分类识别中,提出一种基于一维卷积神经网络的HRRP雷达目标分类识别方法。所提方法根据HRRP数据的形式,采取一维的神经网络算子构成一维卷积神经网络。且在网络主体采用一种纺锤形状的残差结构,该结构能够在提取深层抽象特征的同时有效减轻梯度消失和梯度爆炸问题。所提方法在多个数据集上相比于传统对比方法取得了更好的分类识别性能。

基于深度生成网络的雷达HRRP生成技术

雷达数据生成在目标识别等任务中发挥重要的作用。现有雷达数据生成方法包括电磁仿真、视线追踪等,存在对模型误差敏感、计算量大等问题。本文面向雷达HRRP(high resolution range profile)数据提出一种基于深度生成网络的雷达数据生成方法,在模型先验信息未知的情况下,由雷达HRRP数据集训练得到深度生成网络,从而实现雷达HRRP数据的快速生成。实测数据处理结果表明该方法生成HRRP与数据集中HRRP极为相似,生成HRRP可以应用于增强雷达HRRP数据集、改善数据不平衡问题等。

对海雷达目标识别中全极化HRRP的特征提取与选择

充分、有效地利用目标全极化HRRP的特征信息是提高对海雷达目标识别率的研究热点之一。该文利用CST软件仿真建立了7类海上目标在不同方位角下的全极化HRRP数据库。在此基础上,提取了4类共39个特征。提出一种基于归一化互信息(NMI)并利用模拟退火(SA)算法进行优化的全局最优特征选择算法,并命名为NMI-SA。基于HRRP数据集以及9个UCI数据集,利用k-近邻分类器将该算法与另外3种常用的特征选择算法进行对比,结果表明新算法选择的特征具有良好的可分性和较低的冗余度,最终用于分类时的正确率总体优于其余3种算法。最后,用该算法对全极化HRRP的39个特征进行重点分析,选择出25个辨别力强、冗余度低的特征。

基于注意力机制和双向GRU模型的雷达HRRP目标识别

针对雷达高分辨距离像(HRRP)目标识别问题,传统方法只考虑样本的包络信息而忽略了距离单元间的时序相关性,该文提出了一种基于注意力机制的双向自循环神经网络模型。该模型将时域的HRRP数据通过滑窗分为正反两个序列,并将其分别通过两个相互独立的GRU网络进行特征提取,然后将同时刻提取到的特征进行拼接,从而利用了距离像双向的时序信息。考虑到不同时刻的序列对目标分类的重要性不同,通过注意力机制自适应地对各时刻隐层特征赋予不同的权值,最后根据加权求和后的隐层特征进行目标的识别与分类。实测数据实验结果表明,该文所提方法可以有效完成高分辨距离像的目标识别问题,并且在数据发生一定的时序偏移情况下,仍然可以准确找到目标区域。

太赫兹调频雷达目标HRRP深度自编码识别算法研究

为了实现更精确的地面小慢目标的近场探测识别,设计了一种大带宽的线性调频体制雷达,给出了主要工作参数,并根据不同目标散射点的分布系统参数特点对三种地面目标进行建模仿真,分析太赫兹波段HRRP特性与优势;研究了一种改进的深度自编码算法,对三种目标一维高分辨距离像进行分类识别,实验验证了算法的可行性,并显示出算法相对三种比较算法的优势。

采用多任务稀疏学习的雷达HRRP小样本目标识别

为实现用较少的训练样本对高分辨距离像进行识别,文中提出一种采用多任务稀疏学习的统计建模方法.该方法将各帧训练样本的统计建模视为单一的任务,由于各帧训练样本间不是完全独立而是相互关联的,因此,设定所有帧的训练样本采用同一个字典以实现帧间信息的共享.由于目标的不同以及同一目标的方位敏感性,通常很难确定各训练帧的相关性,而不相关任务间的联合学习将会降低识别性能.因此,采用Bernoulli-Beta先验根据给定训练数据自动学出每一帧需要的原子,而通过不同帧间共享的原子个数就可以判断它们的相关性,从而实现自适应的多任务学习.基于实测高分辨距离像数据的识别实验,证明了文中方法的有效性.

基于快速密度搜索聚类算法的极化HRRP分类方法

该文针对人造目标的极化高分辨距离像,提出一种基于快速密度搜索聚类算法的分类方法。首先根据散射结构在频率和极化维度的特性,对散射中心的类型进行判别,在此基础上构造目标分类的特征矢量。然后采用快速密度搜索聚类算法,实现目标的分类。仿真实验结果表明,文中构建的特征矢量能较好地描述目标的结构属性,具有较强的可分性。而快速密度搜索聚类算法简单高效,在人造目标的分类识别中具有极大的应用潜力。

基于H/A/α分解的全极化HRRP目标识别方法

针对现有基于H/A/α分解提取全极化高分辨率距离像(high range resolution profile,HRRP)特征的方法都没有考虑度量尺度对所提取特征性能影响的问题,提取了平均度量尺度下的特征子集,给出联合动态互信息概念用于选择最优平均度量尺度,并剔除特征子集中的冗余特征;在此基础上,结合Bagging和Boosting算法,提出一种宽带全极化雷达目标识别方法;最后在多类飞机目标HRRP样本集上验证了该方法的有效性。

一种用于雷达HRRP功率谱的加权特征压缩方法

针对雷达高分辨距离像的平移不变特征———功率谱特征,提出了一种基于F isher判决率的加权特征压缩方法.该方法利用目标功率谱特征的F isher判决率迭代搜索最优权向量,并根据最优权值的大小对特征向量降维.与直接使用原始功率谱特征及基于F isher可分性判据的几种现有的特征压缩方法相比,加权特征压缩方法在降维的同时可提高识别性能,且运算简单,在基于外场实测数据的识别实验中对测试数据具有良好的稳健性.