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。

计算机视觉在雷达目标识别中的应用

计算机视觉技术在雷达目标识别中发挥着越来越重要的作用。本文深入研究计算机视觉在雷达信号处理中的应用,主要关注目标检测、识别和跟踪等方面。通过对现有技术的综合分析,提出了一种综合利用计算机视觉和雷达信号的目标识别方法。通过实验证明,该方法在提高雷达目标识别准确性和鲁棒性方面具有显著效果。

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。

雷达目标识别评估中的数据可分性度量方法

以机器学习为主的雷达目标识别模型性能由模型与数据共同决定。当前雷达目标识别评估依赖于准确性评估指标,缺乏数据质量对识别性能影响的评估指标。数据可分性描述了属于不同类别样本的混合程度。数据可分性指标独立于模型识别过程,将其引入识别评估过程,可以量化数据识别难度,预先为识别结果提供评判基准。因此该文基于率失真理论提出一种数据可分性度量,通过仿真数据验证所提度量能够衡量多维高斯分布数据的可分性优劣。进一步结合高斯混合模型,设计的度量方法能够突破率失真函数的局限性,捕捉数据局部特性,提高对数据整体可分性的评估精度。接着将所提度量应用于实测数据识别难度评估中,验证了其与平均识别率的强相关性。而在卷积神经网络模块效能评估实验中,首先在测试阶段量化分析了各卷积模块提取特征的可分性变化趋势,进一步在训练阶段将所提度量作为特征可分性损失参与网络优化过程,引导网络提取更可分的特征,该文从特征可分性角度为神经网络识别性能的评估与提升提供新思路。

导弹防御系统中的雷达目标识别技术进展

目标识别是弹道导弹防御系统的核心技术。根据弹道导弹飞行中的目标特性和导弹防御系统的传感器配置分析了导弹防御系统中目标识别的技术特点,论述了国外导弹防御系统中雷达目标识别的总体技术思路,并重点从目标轨迹特性、结构特性、进动特性以及再入特性等方面总结了利用雷达测量进行弹道导弹识别的技术进展,最后给出了开展导弹防御系统中目标识别研究的建议。

导弹防御系统中的雷达目标识别研究

以评估美国国家导弹防御(NMD)系统雷达识别能力为背景,分析了地基雷达识别弹道导弹目标的技术途径。根据弹道导弹目标群在飞行中段和再入段表现出的特性差异,提出了涉及目标结构特性、姿态特性以及再入特性的综合识别策略,并初步分析了各种识别措施的可行性。

基于一维散射中心匹配的雷达目标识别

本文提出了一种新的基于目标一维散射中心匹配的雷达目标识别方法.该方法在计算两目标匹配函数之前,先根据目标尺寸大小在目标中心附近设定一个距离窗,将位于此距离窗以外的散射中心剔除,以减轻目标区域以外虚假散射中心的影响.对剩下的目标散射中心,根据两目标散射中心之间的距离,对目标之间的散射中心配对,然后定义两目标的匹配函数为所有配对散射中心的“匹配能量”和与两目标所有散射中心能量和的比值.对五类目标缩比模型的外场测量数据进行分类识别实验,结果表明该方法具有良好的目标识别能力,而且对加性高斯白噪声和雷达带宽不敏感.

基于独立分量分析的雷达目标识别方法

通过分析雷达距离像的数学模型,利用独立分量分析(independent component analysis,ICA)技术提取雷达距离像信号中的独立分量,并定义为独立基波形。将观测信号投影到几个峰度大的独立基波形上,得到的各个投影分量作为待识别的信号特征。由于独立基波形实际上对应了目标回波中的散射中心响应,使得通过该方法提取的特征不仅保持了独立性,而且还具有实际的物理意义。在此基础上,使用支持矢量机(support vectormachine,SVM)作为分类器,进行了仿真实验和对比实验,实验结果表明该方法是有效和可行的。

基于非参数化概率密度估计的雷达目标识别

针对雷达目标识别中,参数化方法估计高分辨距离像的概率密度存在的"模型失配"问题,提出一种非参数化方法——基于累计量的随机学习算法,估计距离像的概率密度。该算法运用多层感知器估计训练样本的分布函数,然后求导得到概率密度。该算法不仅能全面、精确地估计概率密度,而且回避了许多其他非参数方法面临的"窗宽"敏感性问题。基于外场实测数据的实验证明了该文方法的有效性。

基于微多普勒效应的雷达目标识别算法

对微多普勒信号进行了建模仿真分析,提出了基于微多普勒信息的雷达目标识别算法。利用改进的经验模型分解方法来提取微多普勒特征,使用相关匹配算法构造分类器。仿真结果验证了该目标识别算法的正确性和可行性。

基于分形压缩特征的雷达目标识别研究

利用分形构形的基本理论，对雷达目标散射回波信号进行分形压缩逼近，通过分析压缩，对原始散射信号波形数据进行压缩，从而有利于目标识别．有此基础上，利用散射回波信号的分形压缩特征进行了目标识别研究．

基于目标散射中心和HMM分类的多视角雷达目标识别方法

根据高分辨雷达目标的简单散射点模型 ,提出用Relax算法从雷达回波提取目标强散射点分布的位置信息作为目标识别的物理特征 ,用隐马尔可夫模型表征多视角雷达回波序列 ,实现飞机类目标识别的方法 .实测数据的计算机仿真表明 ,对训练数据段 ,仿真可以指示飞机的姿态 ,方位识别平均正确率为 96 .77% ,类平均正确识别率为99.80 % ;当测试数据取自没有训练过飞行数据段时 ,两种情况的类平均正确识别率分别为 81.2 5 %和 89.87% .

基于主分量分析的一维距离像雷达目标识别

一维距离像是自动目标识别的一种重要特征,它对目标姿态变化很敏感,只有通过进一步处理提取稳定特征才能够有效用于识别。针对距离像的这种姿态敏感性,首先分析了主分量分析(PCA)的降噪原理与核主分量分析(KPCA)的特征提取能力,然后提出先用PCA滤波对一维距离像降噪再用KPCA提取较大姿态角范围内稳定特征的雷达目标一维距离像识别框架,并用四类目标的实测数据进行分类实验,表明该算法确实能够提高识别性能。

粗神经网络在雷达目标识别中的应用

将粗集理论与神经网络结合起来设计出粗神经网络,用于对雷达目标数据进行融合,特别是对雷达目标进行识别。研究表明这种网络可以接受定性输入,即输入是一个范围或在观测时间内输入是变化的,从而大大提高雷达目标的识别率。粗集理论和神经网络结合起来将在雷达数据融合方面有着很好的应用前景。

雷达目标识别中的BP神经网络算法改进及应用

针对雷达目标信号的复杂性和实用雷达目标识别系统所应具备的稳健性、扩展性及通用性等要求,提出多种简单有效的BP神经网络算法改进。通过平衡训练样本数量、动态重置初始权值、评定网络规模等措施,解决了BP算法收敛速度慢、受初始样本分布影响大等缺陷,提高了识别算法的稳健性和泛化能力。结果已成功应用到不同型号雷达上的多套目标识别系统中。

模糊极大—极小神经网络雷达目标识别方法研究

针对基于雷达目标结构特征的识别方法对目标姿态角变化敏感的问题，利用模糊极大－极小（ＦｕｚｚｙＭａｘ－Ｍｉｎ，ＦＭＭ）神经网络作为模式分类器，提出抽取稳健性目标结构特征的方法，构造出能较好地减少目标姿态变化敏感性的ＦＭＭ神经网络雷达目标识别系统。利用实测的五种飞机目标数据对其进行了性能检验，证明该识别方法能在较大的姿态模区内取得优良的识别效果。

最大间隔核优化的雷达目标识别新方法

基于目标高分辨率距离像的雷达自动目标识别技术在军事和民用上都有巨大的应用价值。但是由于雷达目标高分辨距离像的姿态敏感性以及高特征维数,造成了其非线性可分性。针对此问题,本文提出了一种基于最大间隔核优化的雷达目标高分辨距离像识别方法。本方法首先采用了最大间隔准则算法来优化数据依赖核函数,然后利用支持向量机分类器实现了雷达目标高分辨距离像识别,最后进行了基于5种战斗机目标高分辨距离像的实验仿真。实验结果表明了基于最大间隔核优化的目标识别算法对于SVM分类器可以有效实现核函数优化,从而能够提高目标识别性能。

基于混淆矩阵的全方位角雷达目标识别

基于高分辨径向距离像HRRP(High Resolution Range Profile)的目标识别一直是雷达目标识别研究的重要方向。H RRP的目标姿态敏感性极大地影响了识别性能,尤其是全方位角目标识别的性能。本文提出一种基于混淆矩阵的分类方法,采用支持向量机(SVM)作为基本的两类分类器(Binary Classifier),使用H AC(H ierarchicalAgglom erative Clustering)构造了一个基于“错误纠正”策略的两层层次化分类器(H ierarchicalClassifier)。实验表明,在复杂度增加不大的情况下,识别性能得到了相当程度的提高。

基于PSO-RBF神经网络的雷达目标识别

为提高雷达系统目标识别能力,对粒子群算法及RBF神经网络进行了分析。针对离子群算法(PSO)易陷入局部极小的缺陷,提出了基于自适应时变权重和局部搜索算子的改进PSO算法,并将该算法应用到RBF神经网络核函数参数的优化学习中,进行了雷达目标识别仿真实验。仿真结果表明,相对于标准PSO-RBF神经网络,改进算法不仅收敛速度快,且误差精度高,特别在干扰较强时,目标的识别率有较大提高。

弹道中段雷达目标识别研究进展综述

分析了弹道中段雷达面临的识别环境及其识别特点,系统归纳了弹道中段雷达目标识别方法。根据所采用的特征不同,将弹道中段雷达目标识别方法分为基于结构特征的识别方法、基于弹道特征的识别方法和基于微运动特征的识别方法。详细阐述了三种识别方法的物理基础和研究进展,分析了它们各自的特点,最后展望了弹道中段雷达目标识别的发展趋势。