基于语义引导层次化分类的雷达地面目标HRRP识别方法

高分辨距离像(HRRP)反映了目标空间散射结构在雷达视线方向的投影,近年来被认为是地面目标识别的重要途径。现有的HRRP识别方法采用手工特征加传统机器学习分类器,均属于平面分类方法,即采用统一标准不加区别的优选特征并单次决策最终类别。然而该方法在实际应用中面临种类繁杂、数据不平衡、HRRP姿态敏感性等诸多问题,难以获取最佳的应用效果。层次化方法采取分而治之思想,将一个复杂的细粒度识别任务拆解为多个简单的识别子任务。本文采用层次化识别的思路,提出了一种基于语义引导层次化分类的雷达地面目标识别方法。该方法以联合语义和数据构建的树形结构将一个复杂的细粒度识别任务拆解为多个简单的识别子任务,并针对每一个识别子任务匹配一套优选特征集和一个局部分类器。本方法在仿真数据和实测数据上完成了验证。实验结果表明了本文方法处理地面目标识别任务的有效性。

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%。

一种联合EMD-RST的HRRP-RATR

针对高分辨雷达目标信号非平稳特性,提出了一种基于经验模态分解(Empirical mode decomposition,EMD)特征提取技术的雷达目标高分辨一维距离像自动目标识别(HRRP-ATR)方法。该方法首先利用EMD将雷达目标HRRP分解为多个平稳的内禀分量(Intrinsic mode function,IMF),分别采用AR模型、奇异值分解、能量分布进行特征提取。为缩减特征维数,引入粗糙集理论(RST)进行属性约简、规则提取以及分类,并同基于支持向量机(SVM)的分类方法进行比较,得到一些有价值的结论。

基于注意力机制的SRU模型雷达HRRP目标识别

针对传统目标识别方法难以提取雷达高分辨距离像(HRRP)的深层特征问题,提出了一种基于注意力机制的简单循环单元(SRU)的模型进行HRRP目标识别。该模型通过SRU快速提取HRRP时序特性,引入自注意力机制自适应对重要特征进行加权,增强隐藏层状态特征的表达能力。同时通过堆叠由SRU,自注意力机制和前馈神经网络组成的模块构建深层网络,对HRRP深层特征自动提取。实验结果表明,对比其他模型,该模型可以有效识别目标。在二维可视化下,提取的深层特征可分性最好。

基于多分类器融合的雷达高分辨距离像目标识别与拒判新方法

由于雷达自动目标识别(Radar automatic target recognition,RATR)中库外目标的存在,评价系统性能时应综合考虑其识别性能和拒判性能.由此本文构造了一种将分类器的输出通过最近邻分类器(Nearest neighbor,NN)进行拒判和识别的"分类器–最近邻"系统,并在拒判和识别两个阶段分别采用多分类器融合技术以提高RATR系统的拒判和识别综合性能.此外,文中定义了一种代价函数以衡量系统综合性能并为系统拒判工作点的选取提供依据.进而,采用局部法和全局法两种算法确定拒判器的工作点.实测数据实验结果验证了本文方法的有效性,两种工作点选取算法均能够显著提高识别系统的综合性能.

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。

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。

不锈钢的大气腐蚀

综述了国内外不锈钢大气腐蚀研究状况,重点从点蚀机理、腐蚀速率和影响因素方面分析了不锈钢大气腐蚀的点蚀特征.

一种利用目标雷达高分辨距离像幅度起伏特性的特征提取新方法

为了松弛高分辨距离像 (HRRP)的方位敏感性 ,传统的雷达HRRP目标识别方法大都采用目标在一定方位角域内的平均像作为方位模板 .实际上 ,距离像的幅度起伏特性也包含了一定的目标特征信息 .本文基于散射点模型理论 ,提出了一种利用距离像幅度起伏特性的特征提取新方法 .新方法提取的加权距离像特征反映了各个距离单元内目标散射点的分布情况 ,可以更好地描述目标散射特性 .基于外场实测数据的识别实验结果表明 ,新的特征提取方法可以大幅度地提高识别性能 .

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。

基于稳健深层网络的雷达高分辨距离像目标特征提取算法

特征提取是雷达高分辨距离像(HRRP)目标识别的核心技术。传统的特征提取算法多采用浅层的模型结构,容易忽视样本的内在结构,不利于学习有效的分类特征。针对这一问题,该文利用多层非线性网络实现特征学习,构建了基于深层网络的雷达HRRP目标识别框架。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,提出了堆栈联合稳健自编码器。该网络由一系列联合稳健自编码器堆栈化实现,在匹配原始HRRP样本的同时,约束同帧样本趋近于平均像,并将网络的最终输出作为分类器的特征输入。基于实测HRRP数据的实验结果验证了所提算法的有效性。

基于多任务复数因子分析模型的雷达高分辨距离像识别方法

传统的高分辨距离像(HRRP)统计识别方法大部分只使用雷达目标高分辨回波的幅值信息且需要大量的训练样本保证统计模型参数学习的精度。为了充分利用高分辨回波的相位信息,在雷达采样率有限、训练样本数不足的条件下保证统计识别的性能,该文提出一种多任务学习(MTL)复数因子分析(CFA)模型,将数据描述推广到复数域,将每个方位帧训练样本的统计建模视为单一的学习任务,各学习任务共享加载矩阵,利用贝塔伯努利(Beta-Bernoulli)稀疏先验自适应地选择各任务需要的因子,完成多任务的共同学习。基于实测数据的识别实验显示,与传统的单任务学习(STL)因子分析模型相比,该文提出的多任务因子分析模型具有更低的模型复杂度且在小样本条件下可以显著提高识别性能。

一种用于雷达HRRP功率谱的加权特征压缩方法

针对雷达高分辨距离像的平移不变特征———功率谱特征,提出了一种基于F isher判决率的加权特征压缩方法.该方法利用目标功率谱特征的F isher判决率迭代搜索最优权向量,并根据最优权值的大小对特征向量降维.与直接使用原始功率谱特征及基于F isher可分性判据的几种现有的特征压缩方法相比,加权特征压缩方法在降维的同时可提高识别性能,且运算简单,在基于外场实测数据的识别实验中对测试数据具有良好的稳健性.

S变换在雷达目标识别中的应用

针对雷达目标回波的非平稳特性,推导了S变换及其实现算法,利用电磁场时域有限差分算法仿真了三种军用飞机的宽带散射信号,采用S变换对飞机目标的雷达回波进行时频分析,提取时频分布图的奇异值特征作为目标特征矢量,利用径向基函数神经网络对特征矢量进行训练和学习,最后对三种飞机做了分类识别,取得了很好的识别效果。

雷达高分辨距离像自动目标识别方法的改进

在雷达自动目标识别中,广泛利用基于散射点模型的高分辨距离像(HRRP),并取得较好的识别效果。由于散射点具有一些特点,且距离单元内的散射点的情况有时比较复杂,从而使高分辨距离像出现一些异常,导致识别发生误判。该文针对发生的问题,主要讨论了飞机类目标对偏航、俯仰、侧摆三维姿态角变化的敏感性、飞机类目标在正侧视附近的特点以及测试样本的“相干峰”现象,并提出了相应的改进措施。仿真数据的识别试验结果表明该文提出的改进措施可以有效地提高识别性能。

一种新的雷达高分辨距离像平移不变特征

针对雷达自动目标识别(RATR)中高分辨距离像(HRRP)的平移敏感性,从HRRP中提取出一种新的距离像平移不变特征:距离像幅度谱差分。理论分析的结果表明距离像幅度谱差分特征比距离像幅度谱特征更适合于RATR。采用外场实测数据,分别训练了最短距离分类器和SVM分类器,两种分类器的识别结果均表明,相比幅度谱特征,幅度谱差分特征可提高数据可分性并显著提高识别率。

基于相关系数的雷达高分辨距离像分帧方法

高分辨距离像(HRRP)的方位敏感性造成HRRP数据是很长的统计特性连续变化的序列。从HRRP序列的统计特性出发,提出一种基于相关系数的HRRP分帧方法。外场实测数据的分帧结果表明,该方法可准确划分HRRP统计特性的变化,分帧结果与实际飞行轨迹符合;且采用时域模板匹配法(TMM)、谱域最短距离分类器和支撑向量机(SVM)分类器的识别结果均表明,相比目前基于散射点模型的均匀分帧方法,本文方法可有效提高识别率。

一种优化K近邻准则及在雷达HRRP目标识别中的应用

针对雷达高分辨距离像的姿态敏感性,利用各目标在各种姿态下的雷达高分辨距离像样本和其局部聚散程度信息,调节各样本的局部有效作用范围,使得其统计置信水平达到可信的范围内,从而对二分类的K近邻测度距离和判决准则进行了优化,最后通过一对一法将其推广到解决多类目标的识别问题.实验证明该方法相对于传统的K近邻方法可有效提高识别率,尤其当类别增多时,性能改善显著.

一种基于零相位表示法的雷达高分辨距离像识别方法

针对一种距离像零相位表示法,提出采用子带处理来降低对对齐精度的要求,并给出了相应的识别方法.与最大相关系数分类器相比,子带处理的方法在降低运算量的同时获得了较好的识别性能,优于基于频谱幅度特征的分类器的性能.

基于时域双谱特征的雷达目标识别

雷达目标高分辨一维距离像(High range resolution profile,HRRP)是目标散射回波在雷达径向上的投影,具有非高斯、非线性特点。文中从双谱概念出发引入时域双谱概念,分析了HRRP的时域双谱特征。为提高识别性能,定义了Fisher类可分离度函数,以类间可分离度最大化作为特征提取准则,提取一些特征双谱作为HRRP的特征向量。采用基于子空间变换的独立分量分析(Principle component analysis,PCA)和线性判别分析(Lineardiscriminant analysis,LDA)的特征提取方法进行了对比实验。结果表明,本文方法用于雷达目标高分辨一维距离像识别具有良好的抗噪性能和较高识别率。