论文部分内容阅读
高分辨距离像(HRRP)是用宽带雷达信号获取的目标散射点子回波在雷达射线上投影的向量和,它提供了目标散射点沿距离方向的分布情况,是目标重要的结构特征,对目标识别与分类十分有价值,因而成为雷达自动目标识别(RATR)领域研究的热点。本论文主要围绕着“十五”和“十一五”国防预研计划项目“目标识别技术”(项目编号:413070501和51307060601)及国家自然科学基金项目“基于高距离分辨回波序列的雷达目标识别技术”(项目编号:60302009)的研究任务,从高分辨距离像的物理特性分析、特征提取和特征选择以及分类器设计这三个基本层次展开对雷达高分辨距离像目标识别的相关理论与技术问题的研究。论文内容可概括为如下五部分:·第一部分,从目标的散射点模型出发,对高分辨距离像的物理特性进行了深入的研究,指出方位敏感性、平移敏感性和强度敏感性是雷达HRRP目标识别需要首先解决的三大问题。并针对最常用的模板匹配法,提出雷达高分辨距离像目标识别的基本思路,为后续的研究奠定基础。·第二部分,研究雷达HRRP目标识别的特征提取和特征选择方法,工作有以下三点。(1)针对高分辨距离像的平移敏感性问题,研究基于高阶谱特征的雷达高分辨距离像目标识别。类似于近年来在目标识别领域中常用的在低维空间实现高维映射空间欧氏距离计算的核方法,本论文通过分析高阶谱域欧氏距离和原始像域欧氏距离的关系,得出在原始像域计算高阶谱域欧氏距离的方法,使高阶谱特征在目标识别中的应用具有现实意义。(2)基于散射点模型理论,提出了一种利用距离像幅度起伏特性的特征提取新方法。新方法提取的加权距离像特征有效地融合了帧距离像的散射点强度分布像和方差像,反映了各个距离单元内目标散射点的分布情况,可以更好地描述目标散射特性。(3)基于Fisher可分性判据,提出了一种加权特征选择方法。该方法根据雷达HRRP目标识别的具体特点,对HRRP的平移不变特征——功率谱特征采用基于Fisher判决率的迭代算法搜索最优权向量。与直接使用原始特征及现有的特征选择方法相比,本论文提出的特征选择方法既可以降维,又提高了识别性能,而且运算简单。·第三部分,详细讨论雷达HRRP的统计建模问题,主要工作涉及以下三个大的方面。一、讨论在统计识别中解决HRRP样本方位、平移和强度敏感性的方法,为HRRP的统计建模工作奠定基础。二、在HRRP样本各距离单元回波相互独立的假设前提下,提出了一种基于Gamma和Gaussian Mixture两种分布形式的独立双分布复合模型。三、进一步的研究表明HRRP样本各距离单元回波相互独立的假设并不完全成立,因此,我们又研究了更精确的基于HRRP样本各距离单元回波相关统计特性的统计识别方法,具体工作包括以下两点。(1)考虑到用于识别的HRRP样本在2-范数强度归一化后都位于单位超球面上,针对于幂次变换后趋于Joint-Gaussian分布的HRRP数据,提出了一种改进的基于子空间近似的统计识别方法。(2)研究发现HRRP样本各距离单元回波的联合分布近似因子分析(FA)模型描述的Joint-Gaussian分布,这表明在雷达HRRP统计识别中并不需要使用复杂的Joint-Gaussian Mixture模型(如FA Mixture模型),这大大降低了统计识别的难度。进而,针对基于FA模型的雷达HRRP统计识别,提出了一种自适应模型选择算法。该算法可以同时解决因子个数选择和方位帧划分这两个模型选择问题。·第四部分,研究基于复数HRRP样本的雷达目标识别方法。在分析复数HRRP样本特性的基础上,指出由于初相敏感性问题,原先适用于实数HRRP样本的方位模板、识别方法和特征提取方法一般都不能直接用于基于复数HRRP的RATR,我们必须重新寻找既与复数HRRP样本的初相无关又能利用其剩余相位信息的方法。进而,在识别方法方面,分析指出基于主分量分析(PCA)子空间的最小重构误差法既可以回避复数HRRP样本的初相敏感性问题又可以利用复数HRRP样本的其余相位信息,因而,该识别方法适用于基于复数HRRP的RATR,并提出了该方法相应的平移匹配快速算法;此外,在特征提取方法方面,提出了一种用于复数HRRP样本的初相无关特征提取方法,对实数HRRP样本适用的识别方法、方位模板和预处理方法同样适用于该复特征向量。因此,本论文的研究使基于复数HRRP的RATR成为可能。而且,基于实测数据的识别实验表明,使用复数HRRP样本可以取得比实数HRRP样本更好的识别性能。·第五部分,研究如何用少量的简单分类器解决多类目标识别问题。由于HRRP样本的方位敏感性,雷达HRRP目标识别是典型的多类目标识别问题。本论文提出了一种基于超立方体和超网格自组织映射(SOM)编码的多类目标识别方法。该方法的优势体现在:一方面将基于二分类的多类目标识别方法扩展为基于k分类的K(k<<K)类目标识别方法;另一方面只需要少量的二分类或k分类分类器,因此,大大减小了多类目标识别对运算量和存储量的需求。4