基于时间序列森林的雷达高分辨距离像目标识别

为了提高雷达目标识别准确率与不完备角域数据下的识别性能,提出一种基于时间序列森林的高分辨距离像(HRRP)目标识别算法。详细介绍了时间序列森林算法的基本原理和用于HRRP目标识别的基本步骤。对实测HRRP数据的实验结果表明,相比于K-最近邻(KNN)、支持向量机(SVM)、随机森林(RF)、卷积神经网络(CNN)和长短时记忆网络(LSTM)等经典的目标识别算法,本文算法具有较优的识别性能与更好的角域推广能力。在只训练1/2和1/3角域数据的条件下,对全角域数据识别率均值优于85%,较上述方法平均提升5.2%。

利用稳健字典学习的雷达高分辨距离像目标识别算法

基于字典学习算法的信号稀疏表示被广泛应用于信号处理领域。由于字典原子间存在冗余性,求解信号的稀疏表示会受到观测信号中扰动分量的影响,从而带来表示的不确定性,不利于雷达高分辨距离像(HRRP)目标识别任务。针对这一问题,该文提出一种稳健字典学习(SDL)算法,通过边缘化信号丢失,构建稳健损失函数用于学习自适应字典。该算法利用距离像在散射点不发生越距离单元走动的方位帧内具有结构相似性,约束临近训练样本间稀疏表示的非零元素位置相同,并通过结构化稀疏约束选择最优子字典用于测试样本的分类。基于实测HRRP数据的实验结果验证了所提算法的有效性。

基于TSB-HMM模型的雷达高分辨距离像目标识别方法

针对雷达高分辨距离像(HRRP)的识别问题,该文提出了一种基于时域特征的截断Stick-Breaking过程隐马尔可夫模型(TSB-HMM),并建立了基于TSB-HMM模型的分层识别算法,利用TSB-HMM模型结合时域特征和功率谱特征对HRRP进行分层识别。实测数据的实验结果表明,该方法是一种有效的雷达HRRP识别方法,分层识别的算法可极大提高目标的平均识别率。特别是在训练样本数极少的情况下,TSB-HMM模型仍能获得较好的识别性能。

雷达高分辨距离像目标识别研究进展

雷达高分辨距离像(HRRP)包含了目标的结构信息,在雷达目标识别领域有良好的应用前景。该文详细讨论了基于HRRP的雷达自动目标识别的关键技术及研究现状,包括雷达HRRP的特性、预处理方法、特征提取方法及分类器设计方法等。最后讨论了雷达HRRP识别的研究方向。

基于字典学习的雷达高分辨距离像目标识别

提出一种基于字典学习的雷达高分辨距离像(HRRP)目标识别算法。该算法依据对测试样本的信噪比估计,可以自适应地确定测试阶段稀疏分解的稀疏度系数。相比于传统识别算法,文中算法对目标的识别性能更好,且对噪声的鲁棒性更强。另外,文中算法可以在只训练部分角域数据(不完备训练集)的条件下较好地识别全角域数据,可应用于HRRP数据库的扩展。基于实测数据的识别试验验证了该算法的有效性。

对数变换在高分辨距离像目标识别中的应用

在基于高分辨距离像的雷达目标识别中,幂变换是一种常用的非线性预处理方法,对提高识别率有一定的作用。但幂变换对高分辨距离像目标识别的性能提升受信噪比情况影响较大,且幂变换指数的选取对识别结果影响明显,甚至有不利影响。文中针对幂变换存在的问题,提出用对数变换对高分辨距离像进行预处理。比较分析了对数变换与幂变换的作用机理的异同点,并重点分析了对数变换对高分辨距离像类内和类间相关系数的影响。研究表明:对数变换相较于幂变换更适于对高分辨距离像进行预处理,且实测数据的实验结果表明对数变换比幂变换能更有效地提高识别率。

基于卷积神经网络的高分辨距离像目标识别

特征提取是基于高分辨距离像进行雷达目标识别的关键技术。传统的人工提取特征的算法,只利用了浅层结构特征,不可避免会带来信息损失,从而导致目标识别方法的泛化性不强。针对上述问题,文中尝试引入深度学习工具,提出了一种基于卷积神经网络的目标识别方法。通过构造适用于处理高分辨距离像的卷积神经网络模型,优化深度学习参数,充分发掘高分辨距离像所包含的目标深层次属性特征,实现稳健的自动特征提取,完成目标分类。最后,基于实测数据对该方法进行了性能验证,实验结果显示了所提方法的有效性。

基于随机森林的雷达高分辨距离像目标识别新方法

高分辨距离像(HRRP)包含了丰富的目标结构信息,被广泛地应用于雷达自动目标识别领域.传统的基于贝叶斯分类器和核分类器的HRRP识别方法分别存在模型-数据失配以及计算复杂度大等问题.为了解决以上问题,提出了基于随机森林(RF)的HRRP识别方法,详细介绍了随机森林的原理和用于HRRP识别的基本步骤.仿真数据的实验结果表明,与贝叶斯分类器和核分类器相比,随机森林在识别性能和计算效率等方面有显著提高.

基于稀疏表示字典优化的雷达高分辨距离像目标识别

提出一种基于K-SVD算法的优化自适应字典学习算法——相关性压缩分步K-SVD(Coherence reduced stagewise K-SVD,CRSK-SVD)算法,并将其应用于雷达高分辨距离像(High-resolution range profile,HRRP)目标识别。在该算法中,首先依据对字典原子使用效率的判断,自适应地删除冗余原子,添加更有效的原子;然后,通过限制原子间的互相关系数不超过设定阈值,删除部分原子,从而进一步缩减字典规模。相比于传统的识别算法,应用文中算法生成的字典规模更小,对原子的使用效率更高。另外,算法具有更好的识别性能,对噪声的鲁棒性更强。仿真实验验证了算法的有效性。

基于相对平均误差的高分辨距离像目标识别算法

相似度计算是基于模板匹配的高分辨距离像自动目标识别研究中的核心问题之一。该文从误差计算方法和相似度测量准则两方面对相似度计算方法的选取进行了深入的讨论,提出一种基于相对平均误差的相似度计算方法。实验结果证明,与目前普遍使用的基于绝对均方误差的模板匹配方法相比,基于相对平均误差的模板匹配方法具有更强的目标识别能力、更好的识别鲁棒性,以及在模板角域增大、模板数量明显降低的情况下,仍具备较高的识别能力,为工程上处理高识别率与低模板数量之间的矛盾问题提供了一种有效的解决方法。

基于分组稀疏分析的高分辨距离像目标识别算法

因目标所处环境及探测用宽带雷达工作机理等因素的制约,实测距离像样本不仅繁多且可能混有干扰,为克服因此带来的识别困难,优化识别效果,稀疏分析提供了一类压缩样本数据并提升数据分析质量的研究思路。提出了一种依据分组稀疏分析策略开展雷达一维距离像稀疏分解,从而识别目标的方法。为了进一步改善识别算法的噪声鲁棒性,提升其实用性,算法在样本稀疏分析环节依信噪比开展了分解参数的调整。实验结果表明:对比同类识别算法,文中方法求解过程简洁,适用范围也相对更广;而较之一些不同类型的常规算法,文中方法则具备更好的噪声鲁棒性及更高的识别率。

一种稳健的雷达高分辨距离像目标识别算法

雷达高分辨距离像目标识别算法通常对目标回波的噪声大小比较敏感,如果测试样本和训练样本的信噪比不等,那么将会导致识别性能的下降。在实际应用中,需要识别算法在不同噪声强度下都能够保持稳健的性能,因此在概率主分量分析模型的基础上,提出一种稳健的雷达高分辨距离像自动目标识别算法。该算法能够让模型随着噪声强度的不同而自适应地调整其参数,并且分析了雷达数据的能量归一化处理对模型参数的影响。由于算法搜索时间较长,为提高算法的搜索效率,推导了一个快速算法。基于实测数据的仿真实验结果验证了方法的有效性,对噪声有较好的稳健性。

基于高分辨距离像目标识别方法

应用HRRP进行目标识别需要建立目标模板库,存储有效的特征信息.但实测得出的距离像数据量大,存储意义不大,因而需要对HRRP序列进行角域划分,提取各角域平均像作为模板存入模板库,传统的等角域划分结果在距离像序列变化剧烈的区域存在较明显误差.本文提出一种自适应角域划分方法,最优化划分角域,得到角域平均距离像应用于识别效果显著,三种飞机的实测数据表明该算法十分有效.

基于CNN的舰船高分辨距离像目标识别

针对传统目标识别方法人工提取特征难以挖掘到数据深层次特征的问题,提出了将卷积神经网络(CNN)应用于高分辨距离像(HRRP)的目标识别方法,实现了对数据深层次特征的自动提取。首先构造CNN模型,设置网络参数;然后针对HRRP数据是一维的问题,将HRRP数据重新排列使一维数据变为二维数据;其次用训练数据对CNN模型进行训练得到网络参数;最后用训练好的网络模型对测试数据进行目标识别。通过对数据的减半并且添加噪声,验证了CNN的泛化性能。通过对学习率的优化,可以进一步提高CNN的识别率。实测数据的实验结果表明,CNN具有较好的识别性能。

基于稳健变分自编码模型的雷达高分辨距离像目标识别算法

对于雷达高分辨距离像的识别问题,传统深层网络通常忽略了HRRP自身的目标特性,不利于学习有效的分类特征,导致其识别性能受到限制.针对这一问题,本文提出了一种基于稳健变分自编码模型的目标识别算法.该算法结合HRRP数据特性,利用平均像在散射点不发生越距离单元走动的方位帧内具有稳健物理特性的性质,基于变分自编码器构建了稳健变分自编码模型.该模型不仅能够获取稳健有效的识别特征,而且在一定程度上保存了数据的帧内结构信息,较大地提高了目标的平均识别率.基于实测HRRP数据验证了所提算法的有效性.

基于高分辨一维距离像及其特征的空间目标识别效果分析

目标高分辨一维距离像(High Resolution Range Profile,HRRP)中包含了丰富的目标尺寸、结构等目标特征,是进行空间目标身份识别的有效途径。但由于卫星宽带雷达实测数据获取难度大,前期相关研究多集中于基于HRRP的目标识别算法,结论也多是基于仿真数据和少量类别(几类)的前提下得到的,与工程应用实际情况有较大差距,工程指导意义有限。为解决这一问题,基于地基雷达获取的30类卫星目标的大量一维距离像实测数据,从识别正确率的角度对目标HRRP及其特征(组合)的可分性和在空间目标个体识别中的应用效果进行了量化分析,分析结果可为后续基于HRRP的空间目标个体识别技术研究和工程应用提供可靠依据。

基于Transformer的舰船高分辨距离像目标识别

基于Transformer模型出色的序列数据相关性保持以及捕获全局特征的能力,提出了一种新的基于Transformer编码器的建模方法用于舰船识别。该方法首先利用编码器部分对舰船高分辨距离像数据进行建模,然后使用位置编码来记录不同序列之间的位置信息,最后利用自注意力机制对整个舰船高分辨距离像序列进行建模,通过实验数据表明,所提出的模型识别准确率达到95.98%,具有出色的识别性能。

基于测地线流式核的雷达目标高分辨距离像鲁棒识别方法

非合作目标识别常常面临少量不完备的训练样本、训练样本与测试样本信噪比不一致等现象,本文为此提出了一种基于测地线流式核的雷达目标高分辨距离像鲁棒识别方法.该方法沿格拉斯曼流形中测地线积分提取不变特征,且通过核函数映射可获得解析特征提取表达式.该方法还可作为预处理手段对数据降噪,进一步提高其他算法的识别准确率.实验结果表明,对于信噪比失配和少量不完备样本等问题,该方法都具有鲁棒目标识别能力,并且满足实时性要求.

基于注意循环神经网络模型的雷达高分辨率距离像目标识别

针对雷达高分辨率距离像(HRRP)数据的识别问题,该文利用HRRP生成的时序特性,提出一种基于循环神经网络的注意模型。该模型利用具有记忆功能的循环神经网络对时域数据进行编码,并根据HRRP中不同距离单元所映射的隐层对目标识别的重要性,自适应地赋予隐层不同的权值系数,并根据隐层特征编码特征进行HRRP目标识别。该模型利用了隐藏在HRRP数据内部的目标结构信息,提高了特征的区分度。实测数据的实验结果表明,该方法可以有效地进行识别,在样本存在一定余度数据和样本偏移的情况下,都能准确地找出目标支撑区域。

雷达高距离分辨率一维像目标识别

随着雷达技术的快速发展和军事应用的迫切需求,目标识别问题日益受到重视,利用高分辨率雷达一维距离像进行目标识别成为雷达和信号处理领域的一个研究热点。雷达目标一维距离像能够反映目标形状及结构特征,而且易于获取,迄今为止采用一维距离像进行非合作目标识别已经取得了丰富的研究成果。总结了近年来研究的基于目标一维距离像的特征提取方法、分类方法和联合跟踪与识别方法,分析了当前研究中亟需解决的关键问题,探讨了这些问题的可能解决思路和发展方向。