学位论文 > 优秀研究生学位论文题录展示

基于高分辨距离像的雷达目标识别方法研究

作　者: 袁莉
导　师: 保铮
学　校: 西安电子科技大学
专　业: 信号与信息处理
关键词: 雷达目标识别高分辨距离像平移不变特征功率谱特征中心矩特征向量多次距离像识别角域划分
分类号: TN957.5
类　型: 博士论文
年　份: 2007年
下　载: 882次
引　用: 16次
阅　读: 论文下载

内容摘要

自20世纪60年代以来，战场感知对信息获取提出越来越高的要求，雷达自动目标识别(ATR)这一新的研究领域应运而生。高分辨率雷达的发展为ATR的研究提供了强有力的技术支持。由于雷达高分辨距离像(HRRP)能够提供目标沿距离方向的几何结构信息，且具有易于获取和处理的独特优势，使得基于HRRP的ATR技术受到越来越多的关注。在前人工作的基础上，本文着重研究HRRP的特征提取和目标分类两个方面的相关理论与技术，主要工作概况如下：从散射点模型出发，讨论了高分辨距离像的特性及用于识别时的需要考虑的几个关键问题。比较了利用逆Fourier变换(IFFT)得到的通常意义上的高分辨距离像、利用RELAX超分辨参数估计得到的距离像与利用MUSIC算法从目标回波中得到的超分辨距离像。结合仿真实验，详细分析了MUSIC超分辨距离像用于目标识别时对目标姿态、散射点个数、信噪比的敏感性等问题，说明MUSIC不能作为提高识别性能的超分辨算法用于距离像识别中。研究了高分辨距离像识别中的功率谱特征的特征压缩问题。仿真实验说明功率谱低频特征分量之间存在较强的相关性。详细分析了几种现有的特征压缩方法，结合功率谱的统计特性，提出一种基于标准化数据Fisher判决分析(FDA)的特征压缩方法，并分析了其性能提高的机理。基于外场实测数据的识别结果表明，本文给出的方法在降低维数的同时，可以明显提高识别性能，且具有较好的鲁棒性。研究了高分辨距离像的平移不变特征—中心矩特征向量的识别方法。考虑到中心矩特征的目标姿态敏感性，由一定方位角内的平均距离像松弛HRRP方位敏感性，然后提取平均像的中心矩特征向量。采用具有良好推广能力的多类支撑向量机进行分类。与基于中心矩特征的MCC方法和基于原始距离像的MCC方法相比较，本文方法减少计算量的同时具有较高的识别率，基于实测数据的仿真实验结果表明本文方法是有效的。研究了多次距离像的识别问题。由于距离像的目标方位敏感性，单次距离像的识别性能常常受到限制。在许多雷达系统中，可以得到多个独立距离像样本。本文在生成模板特征和测试特征时均利用了平均像和方差像作为特征，给出一种基于最小Kullback-Leibler(K-L)距离准则的HRRP序列识别方法，使用与识别准则相同的最小K-L距离准则进行平移匹配，并给出了快速算法。与最大似然(ML)准则及AGC方法进行比较，本文方法性能相当但大大降低了平移匹配的计算量。给出了基于实测数据和仿真数据的识别实验，结果表明本文方法是有效的。研究了距离像识别中的一个关键问题—目标角域数目的确定及角域划分。雷达高分辨率距离像具有目标姿态敏感性的特点，在识别时的一种解决方法是对目标不同角域建立不同的统计模型。在给定系统参数条件下，选择目标划分角域个数及每个角域覆盖范围是影响识别器运算量及识别性能的关键。本文给出了一种基于数据的自适应学习上述分类器参数的算法，采用联合高斯分布来描述HRRP在目标一个角域内的统计特性，在贝叶斯框架下通过迭代算法来确定数据划分边界，并自动确定目标角域个数，在目标识别中的应用中具有现实意义。基于联合高斯分布的数据模型通过迭代算法来确定数据划分边界，并自动确定目标角域个数。与等间隔数据划分方法相比，本文方法在降低识别运算量的同时，可以提高识别性能。

全文目录

摘要  5-7
ABSTRACT  7-12
第一章绪论  12-28
  1.1 高分辨雷达目标识别的研究背景  12-13
  1.2 研究历史与现状  13-16
  1.3 HRRP识别的关键问题  16-19
    1.3.1 HRRP的目标姿态敏感性及相关研究  16-17
    1.3.2 距离像的平移敏感性及相关研究  17-18
    1.3.3 距离像的强度敏感性及预处理方法  18
    1.3.4 识别器设计  18-19
  1.4 本文的研究背景和主要工作  19-20
  本章参考文献  20-28
第二章高分辨距离像识别的基本理论  28-50
  2.1 引言  28
  2.2 高分辨雷达目标的散射点模型  28-29
  2.3 高分辨距离像的获取及其特性  29-35
    2.3.1 高分辨距离像的获取  29-31
    2.3.2 距离像的目标姿态敏感性  31-34
    2.3.3 距离像的平移敏感性  34-35
    2.3.4 距离像的幅度敏感性  35
  2.4 超分辨距离像  35-45
    2.4.1 RELAX超分辨距离像  36-38
    2.4.2 MUSIC超分辨距离像  38-40
    2.4.3 散射点个数敏感性  40-41
    2.4.4 姿态敏感性  41-43
    2.4.5 信噪比(SNR)敏感性  43-44
    2.4.6 识别实验结果  44-45
  2.5 小结  45-46
  本章参考文献  46-50
第三章基于功率谱特征的目标识别方法  50-70
  3.1 引言  50-51
  3.2 距离像在功率谱域的性质  51-55
  3.3 基于线性变换的特征压缩方法  55-64
    3.3.1 问题的基本框架  55
    3.3.2 基于数据分量相关假设的PCA和FDA  55-56
    3.3.3 基于数据分量独立假设的DPCA和DFDA  56-59
    3.3.4 基于标准化数据的Fisher判别分析(NFDA)  59-64
  3.4 功率谱识别仿真实验  64-67
    3.4.1 变换空间的功率谱特征  64-65
    3.4.2 识别结果  65-67
  3.5 结论  67-68
  本章参考文献  68-70
第四章基于中心矩特征向量的雷达月标识别方法  70-84
  4.1 引言  70
  4.2 中心矩特征向量提取  70-74
    4.2.1 基于平均距离像的中心矩特征向量提取  70-72
    4.2.2 中心矩模板库的建立  72-74
    4.2.3 测试特征向量生成  74
  4.3 支撑向量机分类器  74-78
    4.3.1 最优分类超平面  75-77
    4.3.2 支撑向量机分类器  77-78
  4.4 实验结果  78-81
  4.5 小结  81
  本章参考文献  81-84
第五章基于多次距离像样本的识别方法  84-104
  5.1 引言  84-85
  5.2 两种常用的距离像识别方法  85-87
    5.2.1 最大相关系数(MCC)法  85-86
    5.2.2 自适应高斯分类器(AGC)  86-87
  5.3 基于多次距离像样本的识别  87-90
    5.3.1 多次距离像样本识别的优点  87-89
    5.3.2 模板库与测试特征向量的生成  89-90
  5.4 基于 Kullback-Leibler(K-L)距离的分类器  90-96
    5.4.1 最小K-L距离准则  90-91
    5.4.2 最小K-L距离准则识别HRRP  91-93
    5.4.3 最小K-L距离准则与ML准则和AGC方法的比较  93-96
  5.5 实验结果  96-100
    5.5.1 基于实测数据的识别实验  96-98
    5.5.2 基于仿真数据的识别实验  98-100
  5.6 小结  100-101
  本章参考文献  101-104
第六章雷达高分辨距离像分类器的参数自适应学习算法  104-114
  6.1 引言  104
  6.2 等方位间隔的角域划分  104-105
  6.3 自适应角域划分  105-108
    6.3.1 距离像的统计模型  105-106
    6.3.2 自适应学习算法  106-108
  6.4 实验结果  108-111
    6.4.1 训练数据划分结果  108-110
    6.4.2 识别结果  110-111
  6.5 小结  111-112
  本章参考文献  112-114
第七章总结与展望  114-118
  7.1 本文工作总结  114-115
  7.2 高分辨距离像识别研究的展望  115-118
    7.2.1 距离像的特征提取问题  115
    7.2.2 分类器设计问题  115-116
    7.2.3 联合跟踪与识别问题  116
    7.2.4 多传感器、多信息融合方法  116
    7.2.5 未知目标拒判和在线学习问题  116
    7.2.6 高分辨距离像识别工程化技术研究  116-118
致谢  118-120
作者在读期间的研究成果  120-121

基于高分辨距离像的雷达目标识别方法研究

内容摘要

全文目录

相似论文