论文部分内容阅读
由于现代信息化战争的需要,雷达目标特征辨识技术有了巨大的发展。对雷达目标的辨识技术以及电磁散射特性分析的研究引起各国的广泛关注。雷达散射截面积(RadarCrossSection RCS)是反映目标对雷达信号散射能力的度量指标,是雷达对目标辨识非常重要的特征。本文对基于RCS序列的雷达目标特征辨识方法进行了研究,主要围绕基于图形电磁算法(graphic electromagnetic computing,GRECO)复杂目标 RCS 预估以及基于RCS序列的目标特征提取方法与分类器算法的研究展开,本文的主要工作有以下几点:(l)重点分析了 RCS的预估方法,总结了各种RCS预估方法的原理与优缺点。对于复杂目标RCS的预估,提出基于GRECO算法预估目标RCS的方式,利用GRECO软件生成目标RCS序列数据库,为后续的辨识提供数据样本。(2)为了进一步提升雷达目标特征辨识性能,研究了基于RCS序列的目标特征提取方法,提出了两种目标特征提取方法:RCS统计特性特征提取方法与基于小波变换的特征提取方法。其中重点研究了基于小波变换的特征提取方法,对目标RCS序列进行离散小波变换,将信号的局部特性在时间尺度平面清晰地展示出来,并提取其11个有效统计特征,有效降低了特征维数。接着研究了基于RCS序列的分类器算法,介绍了K近邻、支持向量机、随机森林分类器算法与融合分类器算法,提出了一种基于AdaBoost算法的多分类器融合算法,可有效提升分类器分类辨识效果。(3)为了验证基于小波变换的特征提取方法提取的特征具有良好可分性以及融合分类器良好的分类辨识效果,对临近空间目标进行分类辨识仿真实验。首先对临近空间三类目标:高超声速飞行器X37B、X43A与爱国者PAC-2导弹进行几何建模并利用GRECO软件生成对应的目标RCS数据库,然后两种提取方法以及四类分类器算法分别对临近空间三类目标进行分类辨识实验,并且通过仿真观察系统噪声与气象杂波对目标辨识的影响并对其分析,通过实验证明基于小波变换的特征提取方式提取的特征具有更好的可分性,并且有利于分类器对目标分类辨识;基于AdaBoost算法的融合分类器不论在有无噪声和有无杂波情况下分类辨识性能都优于其它三个分类器,并且随着噪声或杂波强度增强,雷达目标辨识受到越来越严重的影响。最后,开发出一款雷达目标特征辨识软件,实现了整个雷达目标辨识流程。