导读:本文包含了一维距离像论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:距离,目标,向量,多普勒,无源,算法,毫米波。
一维距离像论文文献综述
郭小康,简涛,董云龙[1]（2019）在《基于改进小波降噪的雷达一维距离像识别》一文中研究指出针对低信噪比下雷达目标一维距离像质量不高、影响目标识别率的问题,将小波阈值降噪的方法应用到雷达目标一维距离像识别研究中,设计了一种新的小波阈值函数,提出了基于小波阈值降噪的雷达一维距离像识别的方法。利用仿真数据进行实验验证,以LVQ(Learning Vector Quantization)神经网络作为分类识别器,进行目标的分类识别研究。结果表明,将小波阈值降噪用于雷达目标一维距离像识别,在低信噪比时能够有效地降低噪声,提高距离像的质量,从而提高目标一维距离像识别率,同时实验也验证了所提出的新阈值函数相较于原阈值函数能更加有效地降低噪声,提高识别率。(本文来源于《雷达科学与技术》期刊2019年04期）
司进修[2]（2019）在《基于深度学习的雷达一维距离像目标识别方法研究与实现》一文中研究指出随着现代战争环境复杂化,敌对目标及任务的多元化,如何在恶劣的环境中对目标进行精准识别,是雷达领域研究的热点问题。在雷达目标识别的研究中,高分辨一维距离像(High Resolution One-Dimensional Range Profile,HRRP)因其能够较好的反映雷达目标的几何结构信息,以及具有易获取和实时性强的特点,而被广泛关注。本文主要研究了基于深度学习算法的HRRP雷达目标识别,其中主要研究内容包括:首先,通过对深度学习算法和HRRP数据特征的分析,设计了新的深度级联神经网络(CDNN)模型,实现了目标的有效识别。在CDNN模型的构建中,通过级联多组浅层子网络来加深网络深度,以提取HRRP的高阶抽象的特征;并通过网络参数迁移的方式,初始化子网络,以加速CDNN模型的训练过程。另外,针对HRRP的姿态敏感性问题,提出了二级标签(SL)编码方案,通过对目标姿态范围的划分,分别为各类目标的样本,在各姿态角范围内设定相应的主副标签。该编码方式使得在训练的过程中,不仅仅考虑了目标的类间差异,还考虑了类内的差异。在模型测试阶段,采用决策融合策略,对连续HRRP样本进行综合识别。其次,针对小样本HRRP雷达目标识别问题,通过对迁移网络进行改进,提出了基于特征域的迁移模型(DTNN)。在DTNN模型中共包含两个同型子网络,利用仿真HRRP数据,优化模型对实测HRRP数据的识别率。在模型的训练过程中,两个子网络交替训练且实现参数共享,同时通过设置联合域特征距离,在最小化模型识别误差时,最小化源域和目标域的特征分布之间的差异性。以此,实现源域和目标域之间的特征域迁移,以达到仅用少量的实测数据获得较高识别率的目的。最后,针对HRRP雷达目标识别中不同目标之间数据量不均衡的问题,设计了改进的生成对抗网络(GAN)用于数据增强。即通过WGAN和CWGAN生成所需样本,使目标样本数均衡。在WGAN模型的设计中,引入了EM距离作为生成模型的训练指标,提升模型生成样本的质量;在CWGAN模型的设计中又通过引入标签约束,提升WGAN模型生成样本的效率。通过对深度学习的研究,本文进一步拓宽了神经网络算法在HRRP雷达目标方面的应用,这也为以后雷达识别的研究提供了新思路。(本文来源于《电子科技大学》期刊2019-03-28）
郭小康,简涛,董云龙[3]（2019）在《基于PSO-KPCA-LVQ神经网络的雷达一维距离像识别》一文中研究指出针对雷达目标一维距离像识别研究,将子空间法中的核主成分分析方法(KPCA)与LVQ神经网络相结合应用到雷达目标一维距离像识别中,提出了KPCA-LVQ算法,并取得了较好的识别效果。研究中发现,在使用核主成分分析时,存在核函数中未知参数难以确定的问题。针对此问题,深入分析核函数矩阵和核函数参数之间的关系发现,主成分的贡献率与核函数的参数之间存在着一定的对应关系。据此,确定了基于主成分贡献率的优化问题,并采用粒子群算法(PSO)进行优化求解,得到最优的核参数。实验分析结果表明,该方法克服了核主成分分析方法中依靠经验来确定未知参数的缺点,降低了计算量,提高了目标识别率。(本文来源于《电光与控制》期刊2019年06期）
段云鹏,李国光[4]（2018）在《目标速度对合成一维距离像的影响分析》一文中研究指出一维距离像是目标二维像在其径向上所有回波的投影(矢量和),它是通过距离徙动校正,将距离向和方位向分离,单独对距离向进行脉冲压缩处理得到的。未对目标速度进行补偿,一维距离像将产生失真,在得到目标速度和距离的估计值的前提下,这种失真可以通过修订正交分量相位得以消除。(本文来源于《制导与引信》期刊2018年03期）
袁伟[5]（2018）在《基于一维距离像稀疏表达的无源假目标识别》一文中研究指出为了解决敌方释放箔条干扰我方防空反击任务或者敌方舰船设置角反射器阵列干扰我方对海目标打击任务中的雷达抗干扰问题,提出了一种基于雷达一维距离像的稀疏表达的无源假目标识别的方法。首先,分别利用大量关注目标和无源欺骗干扰的雷达一维距离像数据进行稀疏字典学习,分别得到目标和干扰的稀疏字典;然后利用两种稀疏字典分别对未知的雷达一维距离像信号进行稀疏表达;最后分别计算两种稀疏字典对未知信号稀疏表达的重构误差,利用重构误差比值识别目标和干扰类别。仿真结果表明,在目标与无源假目标干扰的回波不混迭、目标与干扰噪声比3 d B条件下,识别无源假目标欺骗干扰的准确率超过90%,证明了该方法抗无源假目标干扰的有效性。(本文来源于《电讯技术》期刊2018年07期）
鄢思仪[6]（2018）在《弹载毫米波高分辨一维距离像技术研究》一文中研究指出精确制导技术主要用于从复杂的战场环境中对目标进行探测、跟踪与识别,实现对目标的精确导引,在当今时代占据着越来越重要的地位。为提高命中精度,关键在于对目标进行高分辨成像,分析其形状和要害部位。针对这一应用需求,本文深入研究了弹载毫米波雷达系统的特点,分析了弹载毫米波雷达系统误差产生的原因及影响,弹目相对运动对信号处理的影响,以及冗余信息对成像效果的影响,提出了基于幅相校正、高速运动补偿以及去冗余的弹载高分辨一维距离成像方法。主要内容和创新点如下:(1)针对弹载毫米波雷达系统收发通道的特点,引入了时域幅相校正方法和全相位FFT测相法,从信号处理的角度解决了弹载毫米波雷达系统收发通道幅相不一致的问题。首先,通过深入研究弹载毫米波雷达系统正交I、Q通道的幅度不一致、相位不正交和直流偏置对高分辨一维距离像的成像效果造成的影响,提出了正交双通道幅相误差校正方法;接着,针对AD芯片收发本振不同造成的幅相误差以及跳频导致各频点间信号的幅相误差问题,提出了基于全相位FFT测相法的幅相校正方法。(2)根据弹目高速相对运动产生的目标回波跨距离单元走动现象和距离-多普勒耦合现象,提出了基于大范围多普勒测速法的运动补偿方法,显着提高了一维距离成像的效果。首先,对弹目高速相对运动目标回波跨距离单元走动对高分辨一维距离像的成像效果造成的影响进行分析探讨,基于大范围多普勒测速法提出频域包络补偿法,对齐包络中心。深入分析弹目高速相对运动回波相位变化对高分辨一维距离像的成像效果造成的影响,提出时域相位补偿法校正相位。(3)基于高速弹目运动补偿的残余速度误差和相邻距离单元的冗余目标信息,提出了基于速度补偿误差的加权距离像拼接算法。通过分析雷达信号处理系统中冗余信息产生原因及其对高分辨一维距离像成像效果造成的影响,同时考虑到高速运动补偿后的速度补偿误差,利用相邻距离单元加权的手段进行信息处理与拼接,实现了一种具有一定速度补偿误差容忍性和冗余信息去除效果的高分辨一维距离像拼接方法。(4)基于FPGA硬件架构,实现高分辨一维距离像的信号处理过程。通过流水线式与时分复用工作方式实现对信号的处理,使用资源大大减小。同时,对几个关键的运算功能模块进行详细阐述,并附有功能仿真验证。(本文来源于《电子科技大学》期刊2018-05-25）
陈宏昆,卢建斌[7]（2018）在《舰船目标一维距离像特性分析》一文中研究指出针对舰船一维距离像目标识别中目标位置、海面起伏和雷达信号形式等参数不确定造成识别困难的问题,建立了舰船散射中心模型,对舰船目标的一维距离像进行仿真,研究了距离像对姿态角、海面起伏、雷达带宽以及加窗处理的敏感性,并通过CST微波工作室对仿真结果进行验证。结果显示,一维距离像对方位角具有强敏感性,但在一定角度范围内,一维距离像具有相似性;雷达带宽越窄,一维距离像的方位角敏感度越低;海面起伏越小,海面的多径效应越显着;加窗处理可以抑制距离旁瓣,但同时展宽主瓣,降低了雷达距离分辨力。(本文来源于《电子科技》期刊2018年04期）
杨红梅,李玉江[8]（2018）在《基于密母算法的雷达一维距离像C-SVM识别方法》一文中研究指出为提高反舰导弹的目标识别能力,采用高分辨率雷达一维距离像为识别特征向量,利用改进的密母算法优化的C-SVM模型,研究了反舰导弹对真假目标的分类识别方法并进行了实验,实验结果表明:经过参数优化设置后的C-SVM大幅提升了反舰导弹末制导雷达对目标类型的识别正确率,搜索时间虽有所增加,仍然远小于GS。(本文来源于《海军工程大学学报》期刊2018年02期）
但瑞[9]（2018）在《基于SVDD的一维距离像未知目标判别研究》一文中研究指出以目标一维距离像(High Resolution Range Profiles,HRRP)进行识别的先决条件是能够取得识别目标的特征数据,建立目标特征库。在实际应用中,待识别目标可能是未知目标,即没有参与训练的目标,由于缺乏未知目标对应的特征库模板,传统识别方法将导致错误的判别结果。因此,在进行常规的目标识别之前,有必要首先进行未知目标的判别,以确定待识别目标的库属性。本文针对未知目标判别方法开展研究,主要内容包括:1.支持向量数据域描述(Support Vector Domain Description,SVDD)在构造分类边界时,容易出现过拟合或欠拟合的问题。因此本文研究了两种基于训练样本分布的SVDD一维距离像判别方法,通过计算训练样本的分布参数,并将其作为加权因子来改进分类器的优化函数,实现对分类边界的调整,避免出现过拟合或欠拟合的情况;同时采用粒子群参数优化方法解决了训练过程中参数难以确定的问题。仿真结果表明,两种基于训练样本分布的判别方法相对于SVDD在判别效果、抗噪声、方位角敏感性等方面都有比较好的效果。2.支持向量数据域描述要求训练数据尽可能满足球形分布,但大多数实测数据无法满足。因此本文研究了叁种基于聚类的SVDD判别方法。该类方法首先根据相应的聚类准则对训练数据集进行聚类,然后对各个子类进行SVDD训练,得到相应的边界支持向量,最终对支持向量集合再次进行SVDD训练,得到最终的判决边界。这类方法考虑了样本的分布并且采用多次SVDD训练,提高了算法的判别精度。同时利用差分进化算法(Differential Evolution,DE)解决了判别方法参数设定问题。仿真结果表明,上述方法相对于SVDD在判别效果、抗噪声、方位角敏感性等方面都有比较好的效果。3.由于传统SVDD只能利用一类样本数据进行训练,当能够获取部分未知目标信息时,则无法使用,而含有负类样本的SVDD方法(NSVDD)没有考虑训练数据的分布情况,易导致判别边界向某一类倾斜。因此本文研究了一种基于核密度权重的NSVDD方法(DFS-NSVDD),该方法通过计算核空间中样本在NSVDD分类边界周围的密度分布,将其作为加权因子来改进NSVDD的优化函数,使构造的边界紧凑平滑,避免向某一类数据集倾斜。同时提出了一种新的参数优化方法,解决了DFS-NSVDD方法中参数设定困难和其它寻优算法易陷入局部最优的问题。仿真实验验证了上述方法的可行性和有效性。(本文来源于《电子科技大学》期刊2018-03-31）
周毅[10]（2018）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》一文中研究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。(本文来源于《电子科技大学》期刊2018-03-30）
一维距离像论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着现代战争环境复杂化,敌对目标及任务的多元化,如何在恶劣的环境中对目标进行精准识别,是雷达领域研究的热点问题。在雷达目标识别的研究中,高分辨一维距离像(High Resolution One-Dimensional Range Profile,HRRP)因其能够较好的反映雷达目标的几何结构信息,以及具有易获取和实时性强的特点,而被广泛关注。本文主要研究了基于深度学习算法的HRRP雷达目标识别,其中主要研究内容包括:首先,通过对深度学习算法和HRRP数据特征的分析,设计了新的深度级联神经网络(CDNN)模型,实现了目标的有效识别。在CDNN模型的构建中,通过级联多组浅层子网络来加深网络深度,以提取HRRP的高阶抽象的特征;并通过网络参数迁移的方式,初始化子网络,以加速CDNN模型的训练过程。另外,针对HRRP的姿态敏感性问题,提出了二级标签(SL)编码方案,通过对目标姿态范围的划分,分别为各类目标的样本,在各姿态角范围内设定相应的主副标签。该编码方式使得在训练的过程中,不仅仅考虑了目标的类间差异,还考虑了类内的差异。在模型测试阶段,采用决策融合策略,对连续HRRP样本进行综合识别。其次,针对小样本HRRP雷达目标识别问题,通过对迁移网络进行改进,提出了基于特征域的迁移模型(DTNN)。在DTNN模型中共包含两个同型子网络,利用仿真HRRP数据,优化模型对实测HRRP数据的识别率。在模型的训练过程中,两个子网络交替训练且实现参数共享,同时通过设置联合域特征距离,在最小化模型识别误差时,最小化源域和目标域的特征分布之间的差异性。以此,实现源域和目标域之间的特征域迁移,以达到仅用少量的实测数据获得较高识别率的目的。最后,针对HRRP雷达目标识别中不同目标之间数据量不均衡的问题,设计了改进的生成对抗网络(GAN)用于数据增强。即通过WGAN和CWGAN生成所需样本,使目标样本数均衡。在WGAN模型的设计中,引入了EM距离作为生成模型的训练指标,提升模型生成样本的质量;在CWGAN模型的设计中又通过引入标签约束,提升WGAN模型生成样本的效率。通过对深度学习的研究,本文进一步拓宽了神经网络算法在HRRP雷达目标方面的应用,这也为以后雷达识别的研究提供了新思路。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
一维距离像论文参考文献
[1].郭小康,简涛,董云龙.基于改进小波降噪的雷达一维距离像识别[J].雷达科学与技术.2019
[2].司进修.基于深度学习的雷达一维距离像目标识别方法研究与实现[D].电子科技大学.2019
[3].郭小康,简涛,董云龙.基于PSO-KPCA-LVQ神经网络的雷达一维距离像识别[J].电光与控制.2019
[4].段云鹏,李国光.目标速度对合成一维距离像的影响分析[J].制导与引信.2018
[5].袁伟.基于一维距离像稀疏表达的无源假目标识别[J].电讯技术.2018
[6].鄢思仪.弹载毫米波高分辨一维距离像技术研究[D].电子科技大学.2018
[7].陈宏昆,卢建斌.舰船目标一维距离像特性分析[J].电子科技.2018
[8].杨红梅,李玉江.基于密母算法的雷达一维距离像C-SVM识别方法[J].海军工程大学学报.2018
[9].但瑞.基于SVDD的一维距离像未知目标判别研究[D].电子科技大学.2018
[10].周毅.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].电子科技大学.2018
论文知识图
