基于神经网络的雷达辐射源分类方法

针对现代雷达对目标检测和识别的要求,结合人工智能设计一种神经网络模型。首先提取雷达脉冲信号的多维特征,然后将特征转化为图片输送到模型中进行训练,最后对信号进行分类。使用实际采集的导航雷达数据进行实验验证,验证结果表明该模型对已知的导航雷达辐射源脉冲信号分类正确率达到99.21%,也能在一定程度上区分未知雷达信号,表明神经网络模型具有较强的分类识别能力。

基于FSVMs的雷达辐射源信号分类识别

利用核函数主分量分析(KPCA)提取雷达辐射源信号时频分布图像的特征矢量。为解决多分类问题中的不可分情况,引入基于模糊C均值聚类的模糊支持向量机。实验表明,该方法对辐射源信号的识别率高于传统的分类方法。

MDI训练样本集构建对雷达探测旋翼无人机分类的影响分析

利用卷积神经网络对目标微多普勒特征进行深度学习是目前雷达探测无人机分类的重要手段。实际应用中,无人机参数如叶片转速、叶片长度、叶片初始相位、无人机方位角、无人机俯仰角、无人机径向速度等参数变化大,导致训练样本变化大。该文分析训练样本集对旋翼无人机分类结果的影响。首先建立单旋翼无人直升机、四旋翼无人机和六旋翼无人机雷达回波仿真模型。然后对其进行微多普勒特征分析提取,构建多种不同情况下的合并多普勒图像(Merged Doppler Images,MDI)训练样本集。最后利用GoogLeNet(Inception v1)得到不同情况下的无人机分类结果,分析训练样本集中样本数量、无人机单一参数变化、样本参数涵盖完整性以及无人机参数采样间隔对分类准确率的影响。实验结果表明:训练样本集的差异可能对分类准确率产生显著影响。

基于CNN的雷达目标分类识别技术研究

现有的识别方法对新的数据需要重新进行训练,不利于模型速度和在线功能的实现。文中提出一种宽度的卷积神经网络(BCNN),该模型由于具有“宽度”的网络结构,可以通过利用新生成的附加特征,提高BCNN模型的识别性能;此外,BCNN模型还能够利用新的训练数据进行自身的更新,从而具有增量学习能力。实验结果表明,该方法能更好地提取数据的特征,而且比常规的CNN的识别精度提高8%以上,所提模型还可以利用新的数据进行在线更新,从而具有更强的实用性和鲁棒性。

基于PCIE光纤接口卡的雷达目标分类系统

为满足某型雷达对目标进行分类的需求,以我所自研的PCIE光纤接口卡作为对外数据接口,以高性能加固计算机作为处理平台,设计并实现了一种雷达目标分类系统。该系统除可以完成目标分类处理外,还可以对雷达原始回波数据进行实时记录和回放。

基于DRCNN的PolSAR图像分类综合实验设计

为了让学生更好地了解和掌握深度学习TensorFlow框架和CNN网络,采用基于不同区域的多尺度卷积神经网络(DRCNN)设计了PolSAR图像分类综合设计实验,旨在实现遥感图像的自动化分类和理解。极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像能够提供更加丰富的极化信息,更好地刻画地物特征,对国防建设和国家发展具有重要意义。实验利用Python语言,在CNN基础上进行改进研究,设计了多区域的多尺度CNN模型,实现了极化SAR图像的数据处理、特征学习和分类一体化设计。该实验不仅可以帮助学生综合应用图像处理与深度学习知识,理解和利用CNN来进行极化SAR图像分类的基本原理和方法,还能使学生更加深入、熟练地掌握TensorFlow框架,提高学生的科研素质和动手实践能力。

基于多普勒频谱结构的雷达气动目标分类方法

雷达气动目标分类技术在现代战场中具有重要的应用价值。本文提出了一种基于多普勒频谱结构的方法 ,通过对频谱峰值的检测实现气动目标直升机、螺旋桨、喷气式的区分。采用实测数据对提出的方法进行了验证。结果表明,该方法可有效的实现气动目标的分类,具有较好的应用价值。

基于支持向量机的雷达信号分类

文章首先论述了支持向量机的基本理论,然后给出了基于支持向量机的多分类算法并将其应用于现代复杂体制雷达信号的分类。文章在Matlab环境下对雷达信号进行了模拟,在不同的分类参数组合下,用模拟数据检验了不同核函数的支持向量机多分类算法的效果。

基于BP神经网络的雷达点迹分类方法

提出了一种解决复杂电磁环境下目标检测后仍包含杂波的基于反向传播(BP)神经网络的雷达点迹分类方法。该方法可以在目标检测后进一步区分目标点和杂波点,提高目标跟踪的质量。同时,对BP神经网络进行了训练,并与K最近邻域法和支持向量机作了对比,发现该方法的分类精度可达87.3%,较后两种方法精度分别提升19.6%和7.6%。实验结果表明:基于BP神经网络的雷达点迹分类方法有效。

一种基于Dropout约束深度极限学习机的雷达目标分类算法

雷达目标分类在军事和民用领域发挥着重要作用。极限学习机(Extreme Learning Machine, ELM)因其学习速度快、泛化能力强而被广泛应用于分类任务中。然而,由于其浅层结构,ELM无法有效地捕获数据深层抽象信息。虽然许多研究者已经提出了深度极限学习机,它可以用于自动学习目标高级特征表示,但是当训练样本有限时,模型容易陷入过拟合。为解决此问题,该文提出一种基于Dropout约束的深度极限学习机雷达目标分类算法,在雷达测量数据上的实验结果表明所提算法在分类准确率上达到93.37%,相较栈式自动编码器算法和传统深度极限学习机算法分别提高了5.25%和8.16%,验证了算法有效性。

基于偏微分方程的遥感成像雷达距离图像分类方法

针对传统方法分类遥感成像雷达距离图像时,未对图像进行平滑处理,导致其易受环境干扰,分类性能较差的问题,提出一种基于偏微分方程的遥感成像雷达距离图像分类方法.首先通过偏微分方程对遥感成像雷达距离图像进行平滑处理,然后采用基于偏微分方程的多区域分割模型,将分割后的遥感成像雷达距离图像分类过程视为泛化函数最小化过程,通过分割对能量泛函数进行最小化处理,实现遥感成像雷达距离图像的多区域分类.实验结果表明,该方法成像速度快,去噪和图像分割效果好,分类精度和Kappa系数值均较高.

基于大数据技术的机载激光雷达点云分类与建模研究

针对传统机载激光雷达点云数据分类建模方法存在的占用内存较大、运行时间较长等问题,提出一种大数据技术的机载激光雷达点云分类与建模方法。首先对当前机载激光雷达点云分类与建模方研究现状进行分析,指出各种机载激光雷达点云分类与建模方法的不足,然后引入大数据技术中的贝叶斯估计算法和包围盒法对机载激光雷达点云进行分类与建模,最后进行了机载激光雷达点云分类与建模的仿真测试,结果表明,方法提高了机载激光雷达点云分类精度,减少了机载激光雷达点云分类时间。

基于有效区域自动识别的雷达辐射源分类

针对真实空间中雷达辐射源脉内信号残缺及随机变化,导致分类准确率低的问题,首先采用软件无线电技术获取真实空间中信号的时频图像,然后对时频图像的有效区域进行标注,并引入SSD(Single Shot Multibox Detector)检测算法使分类网络仅对有效区域内的信号特征进行分类,避免了无效区域内信号特征的干扰。实验结果表明,该方法能有效提高信号分类准确率,在-9 dB低信噪比条件下,对真实空间中6种雷达辐射源信号的总分类准确率达到62.3%,较未采用区域分类的常规方法提高了7.0%以上。

对MIMO雷达的干扰构想

多发多收雷达(MIMO),最近在新型雷达中谈论较多,它具有多发多收的能力,既有好的抗干扰性能,又有较好的发现隐身飞机能力等。由于只看到一些材料或文章,没有看到实际的设备,因此对MIMO雷达只能做一些干扰构想。文章从对抗的角度出发,把各种雷达分为不同类型,并指出它们共同的弱点,MIMO雷达也不例外,也是可以被干扰的。文中提出了MIMO雷达的组成构想示意图,列出了它可以利用多频段和目标特性发现隐身飞机的能力。举例分析了自卫干扰机对MIMO雷达干扰方程、干扰所需的等效功率;分析了掩护式干扰机对MIMO雷达的干扰方程、所需的干扰等效功率,并绘制了对MIMO雷达的干扰机原理框图,指出对MIMO雷达干扰系统研制的难度等。

基于微多普勒效应和多级小波分解的轮式履带式车辆分类研究

短驻留时间条件下的轮式和履带式车辆目标分类对于战场侦察雷达系统目标识别功能的引入具有应用价值。该文基于微多普勒效应对轮式和履带式车辆的雷达回波进行了分析,针对这两种车辆的雷达回波中包含的微多普勒信号的差异,提出一种基于多级小波分解的分类方法。该方法首先使用多抽样率信号处理减轻了目标平动速度变化对分类结果的影响,其次通过对目标的平动和微动分量进行分离,提取了较好描述类间目标差异性的特征。基于实测数据的实验结果表明该方法具有较好的分类性能,同时对目标速度的变化具有稳健性。

基于时频分布的空间锥体目标微动形式分类

空间锥体目标的微动形式分类对空间目标识别、参数估计等有着重要意义。针对这一问题,提出了一种从雷达回波时频分布中提取特征对微动形式进行分类的方法。首先分析了空间锥体目标的散射特性,在此基础上建立了等效散射点模型,并与传统的一般散射点模型比较,电磁计算结果进一步证明了提出模型的正确性;在特征提取阶段,基于能量强弱提取了回波时频分布中包含微动信息的区域,并针对自旋、进动、章动3种微动形式下瞬时频率变化的差别提取了4种特征;最后基于等效散射点模型仿真产生训练数据集、电磁计算产生测试数据集的模式,使用支持矢量机(support vector machine,SVM)分类器的分类实验结果表明新方法在一定信噪比条件下可有效实现对微动形式的分类。

基于小波脊和FSVM的雷达辐射源识别

有效的特征提取和信号特征选择是解决复杂体制雷达辐射源信号分选难题的重要手段。利用小波脊和高阶谱分析方法提取雷达辐射源信号的瞬时频率、瞬时相位和幅度以及高阶累积量等特征向量。通过基于互信息的贪婪算法进行特征选择,得到具有低维数、可识别性的辐射源特征。为解决多分类问题中的不可分情况,引入基于模糊C均值聚类的模糊支持向量机进行雷达辐射源分类识别实验。实验表明,该方法对多种复杂辐射源信号具有较好的识别效果。

基于支持向量机的高分辨距离像分类法

支持向量机 (supportvectormachine ,SVM)是新一代学习机 ,具有良好的泛化性能。高分辨距离像(HRRP)分类是雷达复杂目标分类的重要方法。采用SVM作为分类器 ,研究了飞机目标HRRP分类法。设计了相应的预处理算法 ,并提出了结合VapnikChervonenkis维法和留一 (LOO)交叉验证法的参数选择算法。基于 5种飞机缩比模型的HRRP数据 ,比较了SVM分类法和最大相关分类法的性能 ,研究了噪声、训练用方位角采样数和训练样本集的大小对识别性能的影响。实验结果表明 ,SVM在HRRP分类上具有良好的应用前景。

基于航迹信息的飞机和气象杂波分类识别

在搜索阶段的分类识别中,当动目标可用微动信息较少时,目标的航迹信息变化不失为一个好的选择。本文首先对飞机目标和气象杂波航迹信息(幅度、距离、方位、俯仰、扫描到时间、线速度、高度等)的变化进行了分析,然后根据它们的不同,提取具有可分辨力的特征,之后利用分层识别的策略对它们分类,分层识别可以降低每个子类目标特征的分布复杂性,提高识别率的同时也可以降低系统复杂性。基于实测数据的实验结果验证了所提特征和分类方法的有效性。

一种基于Gabor滤波器组和LBP的多特征联合SAR纹理图像分类方法

实现能够使先进飞行器根据获取的图像自动识别不同的地貌景物,是一种具有实际应用前景的技术需求。提出了联合Gabor滤波器组和局部二值模式来对SAR纹理图像进行分类的新方法SARICIT(SAR Image Classification using Inquiry Table)。首先对第一套带类标的训练图像集提取两种特征,分别使用的基于非监督和监督模式相融合的混合神经网络分类器进行训练,然后使用第二套带类标的训练图像集制作二维分类信息查询表,记录两种分类器对每一幅图像的判断结果。在实际进行分类阶段,对新图像提取Gabor和LBP两种纹理特征,输入训练好的分类器。根据两种分类器给出的类型响应,结合查询表,使用一种投票的机制来确定待分类的图像的纹理属性。通过对真实SAR图像的实验结果表明,与流行的单独使用一种纹理特征进行分类相比,新方法能够对SAR图像纹理做到更准确的分类,对雷达图像更具有适用性。