基于高分辨距離像的雷達(dá)自動(dòng)目標(biāo)識(shí)別技術(shù)研究.pdf

1、雷達(dá)自動(dòng)目標(biāo)識(shí)別技術(shù)在軍事和民用上都有著巨大的應(yīng)用價(jià)值。寬帶雷達(dá)高分辨距離像(HRRP)具有目標(biāo)結(jié)構(gòu)信息豐富、易于獲取的特點(diǎn)，是雷達(dá)目標(biāo)識(shí)別重要的發(fā)展方向之一。本文以探尋穩(wěn)健、實(shí)用的識(shí)別算法為目標(biāo)，圍繞HRRP目標(biāo)識(shí)別的關(guān)鍵問(wèn)題，系統(tǒng)地研究了姿態(tài)敏感性、特征提取、噪聲背景下的穩(wěn)健識(shí)別和序列識(shí)別問(wèn)題，為HRRP目標(biāo)識(shí)別的實(shí)用化進(jìn)行了有益的探索。主要研究?jī)?nèi)容和創(chuàng)新點(diǎn)如下：
　　 1.基于散射點(diǎn)模型理論，研究了不同方位角下等角域劃分對(duì)

2、目標(biāo)識(shí)別的影響，通過(guò)對(duì)HRRP方位敏感性較強(qiáng)的方位角區(qū)域細(xì)分，以相鄰HRRP的互相關(guān)系數(shù)為基準(zhǔn)自適應(yīng)地劃分角域，彌補(bǔ)了最大相關(guān)模板匹配法(MCC-TMM)均勻劃分角域的缺陷，改善了識(shí)別性能。
　　 2.針對(duì)HRRP目標(biāo)識(shí)別中簡(jiǎn)單套用經(jīng)典概率分布模型存在的“模型失配”問(wèn)題，研究了逆向云模型的建模問(wèn)題，給出了云滴確定度和逆向云隸屬度的計(jì)算方法，提出了基于逆向云模型的雷達(dá)目標(biāo)識(shí)別方法。仿真表明，相比經(jīng)典的Gaussian模型，該方法具

3、有識(shí)別精度高、對(duì)訓(xùn)練數(shù)據(jù)量依賴(lài)性小、對(duì)目標(biāo)姿態(tài)變化不敏感、抗噪性能好等優(yōu)點(diǎn)。
　　 3.當(dāng)目標(biāo)在某一角域內(nèi)的散射特性失配時(shí)，其對(duì)應(yīng)角域HRRP能量呈現(xiàn)非線性分布特性。針對(duì)這一問(wèn)題，提出了一種基于核主分量分析(KPCA)重構(gòu)的雷達(dá)目標(biāo)識(shí)別方法。該方法在等角域劃分下利用核主分量分析提取每個(gè)角域內(nèi)HRRP的特征子空間，再將測(cè)試樣本投影到各角域特征子空間中進(jìn)行重構(gòu)，最后通過(guò)計(jì)算最小重構(gòu)誤差來(lái)判別測(cè)試樣本的類(lèi)別。相比主分量分析重構(gòu)方法和最

4、大相關(guān)系數(shù)模板匹配法，核主分量分析重構(gòu)方法可以松弛角域劃分范圍，降低角域劃分的精度要求，同時(shí)也具有較好的抗噪性能。
　　 4.針對(duì)傳統(tǒng)的線性判別分析(LDA)算法應(yīng)用于HRRP特征提取時(shí)存在的“四個(gè)缺陷”(要求假設(shè)待分類(lèi)數(shù)據(jù)服從具有相同協(xié)方差矩陣的高斯分布；降維后的特征子空間維數(shù)受限；在計(jì)算散射矩陣時(shí)沒(méi)有突出邊界樣本在目標(biāo)識(shí)別中的作用；待分類(lèi)樣本的維數(shù)大于或接近于樣本個(gè)數(shù)時(shí)，容易造成所謂的“小樣本問(wèn)題”)，研究了HRRP非參數(shù)特

5、征提取方法：(1)提出了基于非參數(shù)特征分析(NFA)和逆向云模型相結(jié)合的HRRP目標(biāo)識(shí)別方法。NFA算法在計(jì)算散射矩陣時(shí)用局部KNN均值代替類(lèi)均值；利用樣本的局部信息來(lái)構(gòu)建類(lèi)間散射矩陣，增加了類(lèi)間散射矩陣的秩；通過(guò)權(quán)函數(shù)增強(qiáng)了訓(xùn)練數(shù)據(jù)中類(lèi)邊界樣本在分類(lèi)中的作用。彌補(bǔ)了LDA算法的前三個(gè)應(yīng)用缺陷。利用逆向云模型作為分類(lèi)器改進(jìn)了概率論和模糊數(shù)學(xué)在處理不確定性問(wèn)題方面的不足，更加符合目標(biāo)HRRP經(jīng)過(guò)特征提取后特征子空間模糊分布的實(shí)際情況；(2

6、)提出了基于非參數(shù)最大間隔準(zhǔn)則的雷達(dá)目標(biāo)識(shí)別方法。該方法結(jié)合最大間隔準(zhǔn)則和非參數(shù)化方法的優(yōu)點(diǎn)，采用“以差化商”的方法解決了LDA算法的“小樣本”問(wèn)題，用非參數(shù)的方法計(jì)算類(lèi)內(nèi)和類(lèi)間散射矩陣彌補(bǔ)了LDA算法的其它三種應(yīng)用缺陷。
　　 仿真實(shí)驗(yàn)表明，相比參數(shù)的特征提取方法，所提出的非參數(shù)特征提取方法可以增加HRRP樣本的類(lèi)內(nèi)聚合性和類(lèi)間可分性，從而提高目標(biāo)識(shí)別率和抗噪性能。
　　 5.針對(duì)傳統(tǒng)的HRRP識(shí)別方法對(duì)噪聲環(huán)境適應(yīng)性

7、差的問(wèn)題，提出了一種噪聲背景下的HRRP目標(biāo)識(shí)別方法。該方法通過(guò)分析不同信噪比下冪次變換(PT)參數(shù)的選取對(duì)識(shí)別效果的影響，利用線性回歸的方法給出參數(shù)選取的經(jīng)驗(yàn)公式；結(jié)合信噪比實(shí)時(shí)估算，研究了基于自適應(yīng)冪次變換的數(shù)據(jù)預(yù)處理方法。根據(jù)自相關(guān)小波變換的時(shí)移不變性特性和較好的抗噪性能，構(gòu)造自相關(guān)小波SVM分類(lèi)器。仿真實(shí)驗(yàn)表明，該方法在目標(biāo)識(shí)別率和噪聲穩(wěn)健性方面遠(yuǎn)優(yōu)于高斯核SVM分類(lèi)器。
　　 6.為獲得更加穩(wěn)健、可信的識(shí)別效果，設(shè)計(jì)了