论文部分内容阅读
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。