雷達(dá)一維距離像特征提取與識別方法研究.pdf

1、高分辨距離像(High Resolution Range Profile，HRRP)是目標(biāo)重要的結(jié)構(gòu)特征，對目標(biāo)識別十分有價值，已成為雷達(dá)自動目標(biāo)識別(Radar Automatic Target Recognition，RATR)領(lǐng)域研究的熱點(diǎn)。 論文從兩個大方向共六個角度展開對雷達(dá)高分辨距離像目標(biāo)識別的相關(guān)理論與技術(shù)問題的研究。 方向一：基于線性判別分析(Linear Discriminant Analysis，LD

2、A)的雷達(dá)高分辨距離像識別方法研究，即通過對距離像進(jìn)行基于可分性表達(dá)的降維來提高識別性能。 (1)針對傳統(tǒng)LDA的解丟棄類內(nèi)散布矩陣的零空間和特征子空間維數(shù)受樣本類別數(shù)限制的問題，本論文采用直接線性判別分析(direct Linear Discriminant Analysis，dLDA)對距離像進(jìn)行降維。dLDA是LDA的一種擴(kuò)展，最開始提出時是為解決人臉識別中的小樣本問題。dLDA丟棄了對分類沒有幫助的類間散布矩陣的零空間，

3、保留了含有重要分類信息的類內(nèi)散布矩陣的零空間，且dLDA特征子空間維數(shù)不受樣本類別數(shù)限制。實(shí)測數(shù)據(jù)的識別結(jié)果表明，dLDA可有效地降低距離像的維數(shù)，提高識別性能。 (2)針對非參數(shù)線性判別分析(LDA)的類間散布矩陣如何有效描述類邊界結(jié)構(gòu)這一問題，本論文提出一種支撐向量機(jī)(Support Vector Machine，SVM)與k近鄰(k-Nearest Neighbors，k NN)方法相結(jié)合的非參數(shù)類間散布矩陣構(gòu)造方法：SV

4、M-k NN。該方法消除了非類邊界樣本對類邊界結(jié)構(gòu)信息的扭曲。將SVM-k NN非參數(shù)LDA方法用于實(shí)測距離像的降維，并將識別結(jié)果與加權(quán)k NN非參數(shù)LDA法和幅度譜原空間法比較，結(jié)果表明SVM-k NN非參數(shù)LDA方法能在降低數(shù)據(jù)維數(shù)的同時，顯著提高識別性能。 (3)針對各類對對類間散布矩陣的貢獻(xiàn)不均衡這一問題，本論文提出一種改進(jìn)的線性判別分析(Improved Linear Discriminant Analysis，ILD

5、A)方法。ILDA通過加權(quán)改變各類對對類間散布矩陣的貢獻(xiàn)，增大可分性小的類對的貢獻(xiàn)，減小可分性大的類對的貢獻(xiàn)，使得各類對在特征子空間中均易分。基于實(shí)測距離像的實(shí)驗(yàn)結(jié)果表明，ILDA相比LDA可有效地對距離像進(jìn)行降維，并提高識別性能。 方向二：基于數(shù)據(jù)分析的距離像的特征提取研究，包括距離像的平移不變特征提取，距離像的分幀，和提取區(qū)分螺旋槳飛機(jī)和渦輪飛機(jī)的特征。 (4)針對HRRP的平移敏感性，本論文提出一種新的距離像平移不

6、變特征：距離像幅度譜差分。理論分析的結(jié)果表明距離像幅度譜差分特征比距離像幅度譜特征更適合于RATR。采用外場實(shí)測數(shù)據(jù)，分別訓(xùn)練了最短距離分類器和SVM分類器，兩種分類器的識別結(jié)果均表明，相比幅度譜特征，幅度譜差分特征可顯著提高識別性能。 (5)針對HRRP的方位敏感性，本論文從HRRP序列的統(tǒng)計(jì)特性出發(fā)，提出一種基于相關(guān)系數(shù)的HRRP分幀方法。外場實(shí)測數(shù)據(jù)的分幀結(jié)果表明，該方法可準(zhǔn)確劃分HRRP統(tǒng)計(jì)特性的變化，分幀結(jié)果與實(shí)際飛行

7、軌跡符合；且采用時域模板匹配法(Template Matching Method，TMM)、譜域最短距離分類器和SVM分類器的識別結(jié)果均表明，相比目前基于散射點(diǎn)模型的均勻分幀方法，本論文方法可有效提高識別性能。 (6)針對螺旋槳飛機(jī)和渦輪飛機(jī)的距離像的混雜問題，本論文提出一種從HRRP中提取的區(qū)分螺旋槳飛機(jī)與渦輪飛機(jī)的特征：相鄰距離像幅度譜模之差的絕對值，并提出先根據(jù)此特征對未知目標(biāo)進(jìn)行預(yù)分類以判決其是否屬螺旋槳飛機(jī)，然后再進(jìn)行