冯德军[1]2006年在《弹道中段目标雷达识别与评估研究》文中认为弹道中段是导弹防御(MD)系统目标识别最具挑战性的阶段,雷达是中段最主要的传感器,其目标识别能力在很大程度上反映了MD系统中段目标识别的总体水平。深入开展弹道中段目标雷达识别与评估研究,对于发展我国新体制雷达探测技术及增强我国弹道导弹生存和突防能力具有十分重大的军事意义和理论价值。本文源于国家安全重大基础研究973项目、全国百优博士论文专项资金资助项目、总装国防预研项目等多项项目。论文以弹道导弹突防为研究背景,以中段目标群为研究对象,深入系统地研究了弹道中段目标的雷达特性、弹道中段目标的特征提取方法、弹道中段目标雷达识别方法和评估方法等多项关键技术。论文充分利用了微波暗室测量数据并通过逼真的战情仿真,构造了弹道目标识别的动态仿真平台,在若干典型战情下进行了目标特性、特征提取、目标识别和评估研究。在研究中注重所提取特征的物理意义及所提出识别和评估方法的工程可实现性,得到了一系列有价值的结果。雷达目标特性研究是雷达特征提取的基石。为此,论文首先研究了中段目标的雷达特性。在理论上详细分析了弹道中段目标的运动特性,建立了相应的运动学模型。然后,结合已有的测量数据,对中段目标的静态散射特性进行了分析。在此基础上,提出了一种中段目标动态散射特性的仿真方法,该方法能逼真反映中段目标的雷达散射特性。最后,通过所提出的方法分析了弹头和诱饵的窄带和宽带特性。特征提取是雷达目标识别的关键环节,能否提取出物理意义清晰、可分性强的特征在一定程度上决定了识别的成功与否。论文根据中段目标群的运动特性和结构特性,提出了一系列的特征提取方法,其中包括基于窄带序列的RCS周期特征估计方法、基于单个回波和回波序列的运动特征提取方法、基于单个宽带回波的结构特征提取方法及基于非高斯模型的结构特征提取方法。通过这些方法,可以获得目标的章动(或翻滚)周期、速度、径向距离、长度等物理意义清晰的特征,为后续的识别奠定了良好的基础。对弹道目标进行ISAR成像是当前弹道目标特征提取的一个重要方向。论文根据中段目标高速飞行的特点及宽带回波全去斜处理的工作方式,详细论述了对高速目标距离像的展宽补偿方法和残余相位补偿方法,提出了对弹道目标进行ISAR超分辨成像的酉ESPRIT方法,该方法能明显改善成像质量、提高成像效率。接着,论文分析了中段目标的ISAR成像距离及成像积累时间。最后,通过对实测弹头和缩比模型的成像,分析了弹头类目标的ISAR图像特点,在此基础上提出了弹头类目标的ISAR图像特征提取方法。识别器设计与评估是目标识别的中心环节。论文根据弹道目标识别特点,设计了两种识别器:基于多特征综合的模糊识别器和基于分类树的识别器。在特征评估方面,提出了基于可分测度的评估方法和基于模糊理论的评估方法;在识别评估方面,提出了基于置信度的可靠性评估方法和基于ROC曲线的评估方法。论文紧紧围绕弹道中段目标雷达识别与评估这一主题,进行了深入、系统的理论分析,开展了一系列的理论创新和方法创新,创新点主要体现在:1.在理论上深入分析了弹道中段目标的运动特点,通过结合微波暗室测量数据,提出了一种弹道目标动态散射特性的仿真方法,该方法可构造逼真的空间目标识别电磁环境,有效解决弹道目标识别研究中的数据缺乏问题;2.多层次、多角度地研究了弹道中段目标的特征提取问题,提出了获取目标运动特性、结构特征的多种新方法,这些物理意义清晰的特征获取为后续的目标识别奠定了良好基础;3.深入、系统地研究了弹道中段目标的ISAR成像及特征提取问题,提出了酉ESPRIT超分辨成像算法,估算了成像距离和成像积累时间,通过对大量实测数据成像分析了弹头类目标的ISAR图像特点并在此基础上提出了相应的特征提取方法;4.针对弹道目标识别先验信息相对缺乏的特点,设计了两种分类器:基于多特征综合的模糊分类器和基于分类树的分类器,这两种方法均只需要相对简单的先验信息,适用于弹道真假目标识别场景;5.开展了弹道目标特征及识别方法评估研究,提出了基于可分性测度的特征评估、基于置信度的识别可靠性评估等多种方法,为分类器的设计、组合和优化提供了理论支撑和可行手段。在注重理论研究的同时,论文通过仿真手段并充分利用已有测量数据,进行了大量仿真试验,着力使所提出的方法得到验证。最后还要指出的是,本论文研究内容来源于实际项目需求,而大多数研究成果也已成功应用于工程项目中,并取得了良好效果。
鹿浩[2]2007年在《基于高分辨一维距离像的雷达目标识别方法研究》文中指出本文应用现代信号处理技术和现代模式识别技术的方法主要研究了基于高分辨雷达一维距离像的雷达目标识别问题，研究的目的在于降低高分辨雷达目标识别算法的复杂性和提高目标识别的准确性，为高分辨雷达智能信号处理的发展提供研究基础。主要内容如下： 首先对当前基于高分辨一维距离像进行雷达目标识别的技术做了回顾和阐述，指出了雷达目标识别研究过程典型的误区及关键问题。 研究了高分辨雷达目标一维距离像的原理及仿真方法并对高分辨雷达一维距离像的姿态敏感性进行了分析。分析了高分辨雷达杂波的特性，研究了高分辨雷达杂波仿真的经典方法，提出了将神经网络方法应用到高分辨雷达杂波仿真中去，给出了经验迭代方法及自然梯度方法在雷达杂波仿真中的具体应用，并分析了这两种方法较经典方法的改进之处。 在研究了基于高分辨雷达一维距离像的雷达目标叁维成像方法的基础上，介绍了基于独立分量分析(ICA)方法的雷达目标叁维结构信息的特征提取方法；讨论了这种方法的局限性，给出了基于聚类分析方法和基于量化统计的雷达目标叁维成像的改进算法，给出仿真结果并进行比较分析。 最后，总结了本文的研究工作，指出了需要进一步解决的问题。
陈允辉[3]2013年在《基于雷达回波数据的特征提取方法研究》文中认为雷达目标识别作为现代雷达系统发展的重要发展方向之一，在军事和民用领域都有着广泛的应用。而雷达目标特征提取是雷达目标识别系统的关键环节，选择什么样的特征来表达目标属性是至关重要的。本文主要根据实测雷达回波数据进行实验，着重对雷达目标识别系统中特征提取作了较深入的研究。首先，介绍雷达目标的散射中心模型和基于散射中心模型的一维距离像，并对雷达目标一维距离像的特性进行了讨论。由于雷达目标的一维距离像能够提供很好的目标结构和形状信息，因此研究了基于一维距离像的特征提取方法。然后给出了本文使用的实测雷达回波数据的说明，为后续雷达目标一维距离像的特征提取方法研究作铺垫。其次，为了解决一维距离像的平移敏感性，详细介绍了叁种平移不变特征：功率谱特征、自回归系数特征和中心矩特征，并提出了一种提取一维距离像的偶数阶中心矩特征作为雷达目标识别的方法。研究结果表明，提取偶数阶中心矩特征在减少模板特征向量的存储量和测试样本识别时的计算量的同时，展示了很好的鲁棒性和精确性。接着采用主成分分析的方法融合功率谱特征和自回归系数特征，将融合后的特征向量与这两种特征向量简单的串联作了实验对比分析，证实了基于主成分特征融合的有效性。最后，采用非线性核函数方法将一维距离像原始数据映射到高维数据空间中，对高维数据作主分量分析，提取更易于分类的核主分量。这样提取的非线性特征可以有效地弥补传统特征提取的不足，将主成分分析方法与核主成分分析方法作了实验对比分析，证实了基于非线性核函数方法特征提取算法的有效性。
张仲明[4]2004年在《基于高分辨一维距离像的雷达目标识别方法研究》文中研究指明现代高分辨雷达的兴起为目标识别提供了新的途径,高分辨一维距离像是雷达目标自动识别的重要特征之一,它对目标姿态变化很敏感,只有通过进一步处理才能够实现有效的目标识别。本文主要研究了基于高分辨一维距离像的雷达目标自动识别问题,针对距离像的这种不稳定性,分别从平移不变特征量提取、一维距离像降维特征提取、以及距离像概率生成模型估计这叁个方面研究如何利用高分辨雷达一维距离像进行目标识别。 首先阐述雷达目标识别的研究背景和意义,然后对现有的基于高分辨雷达一维距离像的目标识别典型算法作了分析并指出存在的两个关键问题,最后给出本文主要内容概要。 第二章分析了高分辨一维距离像原理和造成距离像易变性的各种因素,着重介绍了距离像的平移变化性和姿态敏感性。然后针对距离像的平移变化特性提出了矩平移不变特征的提取方法。 第叁章中研究如何根据训练样本来选择和提取数学特征。首先简要介绍核方法的基本原理,然后分析了主分量分析(PCA)的降噪原理并将它用于距离像预处理中,分析了核主分量分析(KPCA)与核直接判别分析(KDDA)的特征提取能力,并提出一种KDDA的改进算法——加权KDDA,最后建立用KPCA和KDDA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,并对四类飞机目标ISAR实测数据的分类实验结果作了分析。 第四章中研究了基于距离像概率生成模型的目标识别问题。首先对混合因子模型进行了详细分析。然后针对距离像的姿态敏感性,我们引入混合因子模型来解决一维距离像的目标识别问题,提出了一种基于混合因子建模的雷达目标识别框架,在训练阶段,由从各个姿态角下获得的目标一维距离像样本构建目标的距离像概率生成模型,在应用阶段,利用该模型通过比较条件概率大小的方法判别目标类属。最后用以上方法对五类飞机目标缩比模型微波暗室数据进行实验,并给出实验结果。 最后总结了本文的研究工作,指出了需要进一步解决的问题。
周毅[5]2018年在《基于高分辨一维距离像的目标特征提取及融合识别研究》文中指出雷达目标识别是现代雷达信息处理中的一项关键技术,已被广泛应用于军用和民用领域。从宽带雷达中获取的雷达高分辨距离像(HRRP)能够较好地表征目标散射中心沿雷达视线的分布情况,包含了目标大量的结构与形状信息,与雷达二维像和叁维像比较,其易于获取与存储,并且在实时处理上具有一定优势。因此,基于一维高分辨距离像的雷达目标识别是一种非常有潜力的目标识别手段。本文针对空中飞机目标,以高分辨距离像为研究对象,主要针对目标识别中的特征提取与选择、多特征综合和分类器设计等方面展开了理论研究和实验验证工作。论文主要工作概括如下:1.距离像特性研究。介绍了一维距离像的获取方式以及基本模型,总结了一维距离像的特点,针对一维距离像的姿态敏感性,强度敏感性与平移敏感性给出了相应的处理方式。2.特征提取方法研究。利用深度神经网络对一维距离像进行特征提取,同时使用经典子空间方法提取了一维距离像的子空间特征,比较了各特征的分类能力,分析了各特征的特性。3.特征级融合识别方法研究。基于遗传算法对不同特征进行了特征级融合,改进了传统遗传算法的种群初始化策略,针对遗传算法进化过程中的交叉概率和变异概率,提出了一种自适应参数确定方法。实验结果表明该方法提取的融合特征维度较低且能保留较多有效信息,目标识别性能较优。4.决策级融合识别方法研究。基于同一分类器对不同样本分类能力不同的思想,利用多分类相关向量机输出的后验概率,设计了一种基于一维距离像的自适应加权投票融合识别模型。实验结果表明这种融合策略能够有效提高识别率。5.研究了基于神经网络的蒙特卡洛融合目标识别方法。在遗传算法特征级融合的基础上,使用蒙特卡洛法在决策级进行融合识别。实验表明该方法可以进一步提高系统识别性能。
郑纯丹[6]2013年在《基于稀疏分解的雷达一维距离像目标识别》文中提出雷达目标识别在诸多重要军事领域中有着极其重要的作用，雷达一维距离像可以反映目标沿距离向的几何结构以及获取和处理的简易性使得其在雷达目标识别中占有重要的地位。本文着重研究了利用稀疏分解的相关理论对雷达一维距离像进行特征提取和分类识别的方法。主要工作内容如下：1.从雷达散射中心模型出发，结合稀疏分解常用原子库及重构算法相关理论，研究了从线性调频雷达一维像回波信号中提取Gabor字典参数特征的方法，并对六类飞机进行仿真试验，验证了Gabor字典参数特征对雷达一维距离像目标识别的有效性。2.运用压缩感知理论对雷达一维距离像信号进行稀疏重构，构造了与之相匹配的原子库，验证了选取的原子位置与提取散射点位置的一致性，仿真验证了重构过程中提取目标强散射点位置的有效性。分别利用提取的散射点最远与最近的相对位置即目标长度以及各个散射点间的相对位置作为特征，进行一维像目标识别，并分析了此类特征对噪声信号的稳健性。3.在运用凸优化稀疏分解的目标识别原理的基础上，研究了凸优化稀疏分解的雷达一维像目标识别的方法，运用PCA和LDA对雷达数据进行特征提取，在此基础上利用稀疏分解目标识别方法对得到的特征进行分类识别，仿真验证了稀疏分解目标识别方法的稳定性及对噪声的鲁棒性。
赵子铭[7]2014年在《基于高分辨雷达目标特征提取与识别方法研究》文中提出利用高分辨雷达对目标进行识别是当代雷达系统的一个主要发展趋势。目前基于高分辨雷达的目标识别在军事及民用方面都已经有了一定程度的应用。本论文利用实测高分辨雷达回波数据进行实验,重点研究了雷达识别系统中目标的特征提取与融合,并利用支持向量机分类器对选定的特征进行识别。主要工作包含以下内容:首先,在针对雷达目标一维距离像的形成和性质进行研究的基础上,发现雷达目标的一维距离像中包含了大量的目标结构以及形状等信息,因此,针对一维距离像进行特征的提取。在研究了一维距离像平移敏感性的基础上,采用提取平移不变特征的方法来克服这一问题。分别提取了目标的功率谱特征、中心距特征以及幅度谱差分特征,并且研究发现了目标的这叁种提取特征具有差异性。其次,为了获取有效特征,本文提出了一种基于粗糙集改进的主成分分析融合方法应用于雷达目标识别上。在雷达目标特征识别系统中最重要的环节就是目标的特征选取。选取的特征既要能够描述目标,又要与其他相似目标有一定的差异性。在不影响特征信息含量的同时还应该尽量的减少特征维数,争取利用最少的特征来包含目标最有效的信息,进而做到快速、高效、准确的识别目标。对目标的功率谱特征、中心距特征以及幅度谱差分特征进行主成分分析,然后基于粗糙集理论对目标特征进行属性约简,使得融合后的特征具有大量的目标信息,同时大幅度地降低了特征维数,从而保证该融合特征的优越性。最后,详细的介绍了支持向量机分类器的原理及应用,并应用叁种不同的算法配合多种核函数将一维距离像的目标融合特征和单一特征分别进行识别,研究结果表明,基于粗糙集改进的主成分分析融合的特征不仅在识别方面强于其他特征,而且其特征维数也大幅度的降低了。这样既提高了识别系统的识别率,同时也节省了识别系统的存储空间,减轻了系统的运算复杂程度。
王贞[8]2009年在《雷达目标一维距离像识别方法研究》文中进行了进一步梳理战场感知对雷达系统提出了越来越高的要求,雷达自动目标识别(ATR)技术应运而生。高分辨雷达为ART的研究提供了强有力的技术支持。其中,雷达高分辨距离像(HRRP)能够提供目标沿雷达视线方向的几何结构信息,且易于获取和处理,使得基于HRRP的ATR技术得到越来越多的关注。本文针对雷达目标HRRP,对多种识别方法进行研究,主要内容和创新如下:1、从目标散射点模型出发,研究了HRRP及其敏感特性。将零相位对齐方法运用于雷达目标一维距离像的平移对齐,得到与HRRP形状特征相同的像。得出结论:相对于绝对对齐的像,HRRP经离散傅里叶变换(DFT)后,更适合用最近邻中心法(NC)进行分类识别。2、分析了传统的线性子空间方法的利弊。基于SKM(Supervised Kampong Measure)方法的基本思想,提出了MSKM(Modified Supervised Kampong Measure)方法,对其准则矩阵进行加权修正,将容易混淆的异类样本点在低维空间分开,与此同时,还使投影后的样本点尽量靠近其所属类样本中心。3、将典型相关分析方法(CCA)运用于雷达目标识别。为避免核典型相关分析(KCCA)特征方程中的核矩阵奇异,且充分利用样本的辨别信息,论文阐释了基于双空间的核典型相关分析方法(Dual–KCCA),该方法将特征空间划分为主空间和补空间,分别在这两个空间中提取样本数据的可靠特征,将加权组合后的特征用于目标识别。4、介绍了流形学习中的经典降维方法,探讨了基于图嵌入、用于分类识别的线性监督方法——LDE(Local Discriminant Embedding)方法,基于其准则函数,提出了MLDE(Modified Local Discriminant Embedding)方法及其核方法KMLDE(Kernel MLDE)。MLDE方法对LDE方法的相似度矩阵从两方面进行改进:对于高维空间中间距一定的异类相邻样本点,投影方向继续保持这些样本点的可分性,与此同时,对于高维空间隔相对较远的同类相邻样本点,投影方向还将使这些样本点尽量靠拢。
吕文涛[9]2015年在《基于压缩感知的雷达成像方法研究》文中研究说明获取高分辨率成像是雷达系统的一个重要任务。在传统的成像体制下,需要提高发射信号的带宽。根据Nyquist采样定理,这需要大量的采样数据,给雷达系统的数据存储、处理和传输带来了很大压力。压缩感知(Compressed sensing,CS)是一种新的信号采样理论。压缩感知理论与传统采样定理不同,它指出,如果信号本身具有稀疏特性,或在某一变换域中可以被稀疏化表示时,通过特定的非线性最优化问题的求解,信号可以从远低于Nyquist率所采集到的信号测量值中,进行近似或精确地重建。根据这一理论,可以有效地降低雷达成像系统的原始数据率,以解决系统所涉及的大数据量采集、存储和传输等问题。基于此,把压缩感知理论应用到雷达成像技术中,会给高分辨率雷达成像带来巨大变革。本文以两种典型稀疏场景的雷达目标为背景,包括舰船目标和弹道导弹中段目标,深入开展了基于压缩感知的雷达成像方法研究,并探讨在稀疏成像体制下的目标特征提取和识别等具体应用问题。为此,本文做了如下工作。研究了压缩感知的测量矩阵优化问题。根据压缩感知理论,为了获取更精确的重构结果,要求测量矩阵的列向量之间有较低的线性相关性。本文基于最小互相关值的原则,提出了两种算法来对测量矩阵进行优化。首先,使用一个完全正交的矩阵来替换随机测量矩阵的部分列向量,构造一个半随机矩阵来加强列向量之间的线性无关性;然后,通过引入收缩因子,使得在每一步迭代过程中,测量矩阵的列向量之间的互相关值接近理论上的最低值。经过一系列的迭代,使得优化后的测量矩阵的列向量之间的线性无关性达到最小,以获取更精确的重构结果。研究了压缩感知在微波成像领域中的应用,提出了一种高效的、盲的、基于二维压缩感知的合成孔径雷达(Synthetic aperture radar,SAR)成像算法。首先,对目标场景的原始雷达回波,作用传统的SAR成像算法,获取目标场景的复数图像;然后,应用贪婪算法于该复数图像,重构出目标场景中的强散射系数。该算法主要包括峰值的搜索,迭代程序的阈值设计,以及点扩散函数的估计。因为基于二维CS,所以该算法可以充分利用目标场景的空间稀疏度。通过把贪婪算法应用于复数图像域而不是原始回波域,而且通过把峰值搜索过程限制在一个有限集合中而不是整幅复数图像,该算法能高效地对目标场景进行重构。此外,因为点扩散函数直接从原始数据中估计求得,所以该算法具有盲的性质,即在雷达系统参数未知的情况下,算法依然有效。研究了弹道导弹中段目标一维距离像的回波仿真技术,提出了一种有效的回波仿真方法。首先,通过专业的电磁计算软件,获取弹道目标散射特性的频率响应,然后,再进一步对该频率响应进行处理,得到当雷达系统发射Chirp信号或其它波形信号时的目标的回波。该方法可以用来构造目标的回波数据库,众多目标的数据库可以用来训练和测试分类器,用于目标的识别。研究了基于一维距离像的弹道导弹中段目标识别技术。通过提取一维距离像的双峰特征,构造二维特征空间,设计基于统计特性和序列性的分类器,在仿真数据和目标稀疏条件下,获取了较高的识别率。考虑到实际应用中,雷达系统发射信号的带宽限制,本文把压缩感知技术应用到目标一维距离像的识别中。通过从降采样数据中重构强散射系数,获取分辨率提升的一维距离像。由此可以在较低带宽条件下,获取接近于传统较高带宽成像体制下的目标识别结果。实验表明,在目标稀疏条件下,本文提出的算法是有效的。通过研究,本文探讨了基于压缩感知技术的雷达成像和目标识别方法,以期在降采样数据条件下,获取近似于传统满采样条件下的结果,这在军事和民用领域,有一定的应用价值和实用意义。最后,本文对研究工作做了总结,并指出了本课题后续的研究方向。
于连庆[10]2007年在《雷达目标识别方法研究》文中提出现役低分辨警戒雷达和跟踪雷达主要用于空中目标的探测和测量,发现目标、测量目标的参数(位置参数、运动参数等)一直是赋予雷达的基本任务,随着科技的飞速发展与反导武器系统的特殊需求,使雷达面临的目标环境日益复杂,同时对雷达提出了对目标进行特征测量及分类识别的任务,因而世界各主要军事强国都将雷达目标识别(目标的类型、性状、数量、真假等)作为重大的科研课题进行攻关研究。鉴于以上情况,结合自己所从事的所控课题,本文开展了雷达目标识别方法的研究:给出了雷达目标回波的散射点模型、高分辨一维距离像的特性分析和基于距离像的识别方法研究、基于散射中心目标识别方法研究、基于时间—多普勒曲线的运动特征识别方法的研究,给出了少部分仿真和实测数据的结果。通过对雷达目标识别方法的研究和整理,为日后实用的目标识别系统做了技术上的储备。
参考文献：
[1]. 弹道中段目标雷达识别与评估研究[D]. 冯德军. 国防科学技术大学. 2006
[2]. 基于高分辨一维距离像的雷达目标识别方法研究[D]. 鹿浩. 河海大学. 2007
[3]. 基于雷达回波数据的特征提取方法研究[D]. 陈允辉. 沈阳理工大学. 2013
[4]. 基于高分辨一维距离像的雷达目标识别方法研究[D]. 张仲明. 国防科学技术大学. 2004
[5]. 基于高分辨一维距离像的目标特征提取及融合识别研究[D]. 周毅. 电子科技大学. 2018
[6]. 基于稀疏分解的雷达一维距离像目标识别[D]. 郑纯丹. 电子科技大学. 2013
[7]. 基于高分辨雷达目标特征提取与识别方法研究[D]. 赵子铭. 沈阳理工大学. 2014
[8]. 雷达目标一维距离像识别方法研究[D]. 王贞. 电子科技大学. 2009
[9]. 基于压缩感知的雷达成像方法研究[D]. 吕文涛. 上海交通大学. 2015
[10]. 雷达目标识别方法研究[D]. 于连庆. 南京理工大学. 2007