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。

基于人造目标极化HRRP的散射机理分类

针对人造目标的极化高分辨距离像,研究了雷达目标的空域极化特性和频率色散特性及其在散射机理分类中的应用。基于散射中心,利用极化分解技术对散射机理的类型进行判别,并分析了极化方位角补偿技术对由目标方位角变化而引起的类型误判的改善。此后结合目标的频率色散特性,得到了散射中心的特征矢量与典型结构间的对应关系,降低了类型判别的不准确性。通过仿真实验,验证了散射中心散射机理分类的有效性,为目标的分类识别提供了支撑与依据。

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。

弹道目标宽带极化特征提取分析

针对弹道目标的极化高分辨一维距离像,研究宽带极化特征提取算法,分析所提取特征表征的目标散射特性及其在目标分类识别中的应用。通过弹道目标全极化高分辨一维距离像,构建极化散射矩阵,估计弹道目标的极化相干矩阵,再对其进行Cloude分解,提取H/α/A/P特征,依此对目标各散射中心的散射机理进行判定,同时分析各特征对于弹道目标可分性的强弱,利用SVM算法进行分类识别,同时考虑了信噪比对识别结果的影响,用仿真实验验证了算法的有效性。