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。      

基于一维卷积神经网络的HRRP雷达目标分类方法

雷达一维高分辨距离像(high resolution range profile, HRRP)信号能够反映目标的结构信息,且具有易于获取的优势,因此利用雷达HRRP回波信号对目标进行分类识别获得了广泛的关注。传统的分类识别方法大多基于提取人工设计的特征然后利用分类器进行分类。然而人工设计提取的特征依赖于专家的先验知识,且人工设计的特征在识别性能上已经趋于平稳。本文将神经网络引入HRRP分类识别中,提出一种基于一维卷积神经网络的HRRP雷达目标分类识别方法。所提方法根据HRRP数据的形式,采取一维的神经网络算子构成一维卷积神经网络。且在网络主体采用一种纺锤形状的残差结构,该结构能够在提取深层抽象特征的同时有效减轻梯度消失和梯度爆炸问题。所提方法在多个数据集上相比于传统对比方法取得了更好的分类识别性能。     

基于散射中心极化比的锥体目标姿态反演

从高分辨一维距离像（high range resolution profile,HRRP）出发,针对HRRP姿态敏感以及锥体目标识别中姿态获取困难的问题,推导分析了散射中心极化比与锥体目标姿态的关联关系,提出了基于散射中心极化比姿态反演的方法：利用散射中心参数估计模型对锥体目标不同极化下的宽带数据进行分析,分别提取其散射中心参数,同时计算散射中心参数的极化比,并与理论的极化比曲线进行匹配,最终获取目标的姿态角.基于球头锥的数值计算与极化特征提取结果验证了方法的有效性.利用此方法能够做到对目标姿态的快速反演,为进一步的目标识别提供支撑.     

基于联合稀疏性的多视全极化HRRP目标识别方法

该文考虑利用连续获取的多视全极化高分辨距离像(High Range Resolution Profile, HRRP)进行目标识别的问题。多视全极化HRRP样本包含了3个层次的先验信息：样本内各分量来自同一目标;单视内4种极化组合方式下的HRRP均对应相同的目标姿态;相同极化方式下的多视观测是相关的。为有效利用上述信息进行目标识别,该文提出一种基于联合稀疏表示的多视全极化HRRP目标识别方法。该方法约束各分量对应的稀疏表示系数共享原子级的稀疏模式。原子级稀疏约束使得从各极化字典中选择来自相同姿态的字典原子对样本中各分量进行稀疏表示,可以有效利用上述3个层次的先验信息进行目标识别。利用目标电磁散射数据对所提方法进行了验证,结果表明,该方法具有较好的识别性能,并且对噪声具有良好的鲁棒性。     

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。     

用于HRRP超分辨处理的RELAX算法性能分析

针对现有文献中未出现关于RELAX算法超分辨性能的定量讨论或关于RELAX应用的边界条件分析,导致RELAX算法的实际应用十分困难这一问题,在详细分析RELAX算法的超分辨原理的基础上,通过仿真给出了一些关于RELAX实际应用的边界条件及结论,可用于指导RELAX算法在实际散射中心估计中的应用：RELAX超分辨处理对估计散射点个数不敏感;当FFT点数约为要达到真实分辨力所需FFT点数的2倍时,RELAX超分辨处理的重构精确度可满足要求;在保证一定的重构精确度的前提下,RELAX超分辨处理的分辨力最高可以达到实际分辨力的2倍。本文仿真条件下,当RSN=10 dB时,RELAX超分辨处理在一定误差容忍范围内基本可用。     

基于PWF融合的高分辨极化雷达目标检测算法

本文研究了高分辨全极化体制下目标的检测问题.提出了串联检测的思想:首先利用极化信息进行融合增强,改善一维成像质量,然后利用高分辨特性,将目标的检测转化为目标强散射中心的检测.仿真实验验证了PWF改善了成像质量,检测性能也有明显的提高.     

基于数字变极化探测系统目标极化散射特性研究

本文构建了数字变极化单脉冲探测系统,该系统采用多种发射极化形式,利用虚拟极化合成接收,对地面目标进行探测实验,得到全极化高分辨一维距离像,获得散射熵H和平均散射角α在距离像中的分布,联合距离高分辨和目标极化散射特性为目标可靠检测和准确识别提供依据,表明了目标极化散射熵在数字变极化探测系统中对地面目标的检测和识别的可用性.     

基于卷积神经网络的雷达目标HRRP分类识别方法

卷积神经网络通过卷积和池化操作提取图像在各个层次上的特征进而对目标进行有效识别,是深度学习网络中应用最广泛的一种。文中围绕一维距离像雷达导引头自动目标识别,开展基于卷积神经网络的目标高分辨距离像分类识别方法研究。首先,基于空中目标一维距离像姿态敏感性仿真生成近似平行交会条件下不同类型目标的高分辨距离像数据集;其次,构建一种一维卷积神经网络结构对目标高分辨距离像进行分类识别;作为比较,针对同类高分辨距离像数据集,分析了主成分分析-支持向量机方法的目标分类识别效果。结果表明:基于卷积神经网络的目标分类识别算法有更好的识别能力,对高分辨距离像的姿态敏感性具有较强的适应性。     

基于Scat-LSTM的小样本HRRP识别方法

为提高小样本情况下的高分辨距离像(HRRP)目标识别精度,提出了一种基于小波散射变换的HRRP目标识别算法Scat-LSTM。首先,对原始信号进行小波散射变换,得到小波散射系数矩阵;然后,将该特征矩阵输入深度神经网络中进行训练和识别。实验结果表明, 在样本量充足的情况下,相比于直接使用原始信号作为输入的方法,Scat-LSTM平均识别率提升了4%,并且在训练样本量极少的情况下,也能取得比其他算法更好的识别率。     

旋转对称目标双基地一维距离像特性分析

双基地雷达成像研究中通常直接采用了单基地散射中心模型,忽略了双基地几何配置引起散射中心位置变化的这一事实。该文研究了旋转对称目标的双基地散射特性,采用几何绕射理论求解了锥体目标底面边缘双基地散射中心的位置,为入射波方向与散射波方向的夹角角平分线与目标对称轴构成的平面与底面边缘的交点,并据此建立了宽带双基地雷达目标回波模型,进而获得双基地1维距离像。最后,通过电磁计算软件获得了锥体目标的双基地1维距离像,计算结果与理论分析相一致,证明了理论分析的正确性。该文揭示的目标双基地散射中心的位置为旋转对称目标的宽带双基地雷达回波模拟、成像、特征提取与识别等应用提供了准确的数学模型。     

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.     

基于高效可扩展改进残差结构神经网络的舰船目标识别技术

神经网络的深度在一定范围内与识别效果成正相关,为解决超出范围后网络层数增加识别准确率却下降的模型饱和问题,该文提出一种具有高效的微块内部结构和残差网络结构的神经网络模型,用于对舰船目标基于高分辨距离像的分类识别。该方法利用具有小尺度卷积核的卷积模块提取目标的稳定可分特征,同时利用联合损失函数约束目标特征的类内距离提高识别能力。仿真结果表明,该模型相比于其他常见网络结构,在模型参数更少的情况下,识别效果更好,同时具有较强的噪声鲁棒性。     

基于双视角距离像序列的空间锥体目标参数估计方法

空间锥体目标在自由段是典型的微动目标。该文研究了基于双视角距离像的空间锥体目标参数估计方法,估计的目标参数包括进动参数和结构参数。首先分析了雷达俯仰角在空间锥体目标自由段的变化情况,并且利用建立的目标进动模型,得到了目标散射中心在雷达视线(RLOS)上的投影方程。然后基于双视角下的距离像序列推导出目标参数的解析解,并引入弹道信息来解决半锥角的估计对信噪比(SNR)要求较高的问题。最后利用电磁计算数据验证了方法的有效性。     

基于线性动态模型的雷达高分辨距离像小样本目标识别方法

为了解决雷达高分辨距离像识别系统对训练样本需求量过大的问题,该文提出一种基于线性动态模型的小样本目标识别方法.首先分析了距离像频谱的统计特性,然后从其广义平稳性出发,使用线性动态模型对距离像频谱幅度建模,并用期望最大化算法估计模型参数.实测数据的实验结果表明:即使在很少的训练样本条件下,该方法仍能获得较高的正确识别率和良好的拒判性能.     

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。     

步进调频宽带雷达距离扩展目标频域检测算法

论文研究高斯杂波背景下步进调频宽带雷达的距离扩展目标检测问题。根据步进调频宽带雷达目标高分辨距离像的特点,提出一种基于回波功率谱的距离扩展目标频域检测算法。该算法无需对目标抽取形成1维距离像,直接利用目标高分辨距离像功率谱与杂波功率谱的差异,在频域实现了距离扩展目标回波能量的积累。推导了算法的检验统计量,给出了虚警概率的表达式。最后通过Monte-Carlo仿真验证了算法的检测性能。仿真结果表明该文的目标检测算法较目标抽取后的检测算法在检测性能上有明显提高,同时其检测性能也优于同条件下基于视频积累的距离扩展目标检测算法,并且具有良好的鲁棒性和工程可实现性。     

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。     

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。