基于卷积神经网络的海面目标全极化高分辨距离像识别技术

针对雷达目标全极化高分辨距离像(high resolution range profile, HRRP)提取可分性特征时,利用全部距离单元作为度量尺度无法保留各距离单元具体特征的问题,在综合利用4个极化通道的舰船目标HRRP信息时选择单个距离单元作为度量尺度。在此基础上,提出基于Pauli分解,H、α、A、α;分解和结构相似性参数的特征提取方法对目标极化散射矩阵进行特征提取,并将提取得到的特征与基于卷积神经网络(convolutional neural network, CNN)的舰船目标HRRP识别方法结合,利用改进残差结构CNN从极化特征中进一步提取深层可分性特征进行目标识别。实验结果表明,所提方法能够保留目标全极化HRRP更多特征,提高目标识别的准确率。

基于预分类的全极化HRRP模型匹配目标识别方法

全极化三维散射中心模型可准确描述目标的空间几何以及极化特征,已成为目标识别的有效手段之一。针对传统高分辨距离像的匹配算法计算量大、耗时长的不足,提出一种基于预分类的模型匹配目标识别方法,通过目标散射机理分析,对目标进行预分类,减小匹配模型数,然后利用全极化高分辨距离像的散射中心位置与极化信息构造模型匹配函数,实现了目标类别的判定。基于电磁仿真计算数据的识别实验表明,该方法具有良好的目标识别能力,相比于传统方法具有更高的识别正确率以及更低的存储量和计算量。

全极化雷达的多任务压缩感知目标识别方法

为有效利用全极化雷达高分辨距离像(High Resolution Range Profile,HRRP)的丰富特征信息和全极化样本中各单极化HRRP均对应于相同目标姿态的特性,提出一种基于多任务压缩感知的全极化雷达目标识别方法。该方法约束在不同极化字典中选择来自相同角域的字典原子对相应极化方式下的HRRP进行表示,可以有效利用不同极化HRRP之间的相关信息提高目标识别性能。基于电磁散射数据对所提出的方法进行了测试,实验结果证明了方法的有效性。