一种舰船目标一维距离像识别的新方法

提出了一种基于傅里叶-梅林变换和二叉树支持向量机相结合的舰船目标一维距离像识别方法。该方法充分利用了傅里叶-梅林变换具有的时移与尺度不变性和支持向量机在小样本分类中的优势,可以改善目标的特征稳定性,提高识别性能。针对多类舰船目标的识别,提出采用聚类分析中的均值距离来生成二叉树,将分类器分布在各个节点上,构成了多类支持向量机,减少了分类器数量和重复训练样本的数量。对4类舰船目标仿真实验的结果表明,该分类方法具有较高的识别性能、较快的识别速度。     

基于一维平均距离像矩特征的飞机目标识别

本文分析了利用一维距离像进行目标识别的问题。通过对目标相邻的一维距离像进行幅度平方平均处理,得到比较稳定的平均距离像。然后将目标的平均距离像看作二值图像,提取它的矩特征用于分类识别。对三类飞机目标进行分类识别的结果表明该方法是可行的。     

高分辨率雷达目标一维距离像的编码识别算法

文中提出了一种高分辨率雷达目标一维距离像的识别算法。该算法借用图像处理方法,先对雷达目标的一维距离像进行编码,经过傅里叶变换提取一组形状特征。这组特征精确地描述了一维距离像曲线的走向。而后,利用人工神经网络技术对一定姿态角变化范围内的这组形状特征进行识别。实验结果表明,可以获得良好的识别效果。该算法为雷达目标一维距离像识别算法的实时处理提供了一条有效途径。     

基于支持向量机的宽带相控阵雷达目标识别技术

宽带相控阵雷达高分辨一维目标距离像对弹道导弹的目标识别具有重要意义.首先对目标一维距离像进行预处理,通过双谱分析提取不依赖于目标平移的双谱特征,采用截断距离像频谱的方法减少了目标特征量维数.利用特征量的扩散因子对特征量进行预选择,并根据宽带相控阵雷达多目标跟踪时目标样本数有限与主副目标样本数不一样的特点,利用加权支持向量机(SVM)进行目标识别,实测数据表明所提出的方法是有效的.     

基于一维距离像的导弹目标运动特征提取方法

根据导弹目标运动方式及其回波特点,提出了一种基于一维距离像的运动目标特征提取方法。在对回波进行全去斜率处理后获得目标一维像。通过观测一维像序列的长度变化周期,提取目标的章动频率;根据距离像在成像窗口中的位置,获取雷达和目标的径向距离;利用相邻距离像相关方法,获取距离像平移位置,从而推出雷达—目标的径向速度。进行了相应的仿真实验,结果表明了该方法的有效性。     

基于改进Faster R-CNN的舰船目标三维识别算法

针对二维图像无法深度表征目标、远海舰船目标表征困难等问题,提出基于更快卷积神经网络和区域组合识别模型相结合的三维舰船目标识别框架。重建舰船三维模型,在原始的区域生成网络上利用级联的方法改进了生成滑动窗口的方法,同时提出实际标注与区域建议联合识别模型,采用非极大值抑制的方法对容错框进行去除。实验结果表明所改进的算法在舰船目标三维识别的精确率和召回率上均有较大优势。     

雷达目标一维距离像的类别可分性研究

利用决策分析方法和模式分类复杂度的概念,对高分辨雷达飞机目标的原始距离像、平均距离像以及付氏变换距离像的类别可分性进行了讨论。结果表明,不同目标的雷达一维距离像,在总体上反映出了各目标间的结构性差异,提供了可资利用的目标识别信息     

基于PSO-BP神经网络的HRRP目标识别

为提高雷达目标识别准确率,提出了一种基于PSO-BP神经网络的雷达一维距离像识别方法。利用粒子群优化算法良好的全局搜寻能力,对BP神经网络的权值和阈值进行了优化,弥补了BP神经网络收敛速度慢、存在多个局部极值点的缺陷。利用实测数据对PSO优化前后的BP神经网络的识别性能进行了对比测试。实验结果表明,PSO-BP神经网络具有更高的识别准确率及噪声鲁棒性,分类性能优良。     

交叉验证的GRNN神经网络雷达目标识别方法研究

雷达目标识别是现代雷达技术的重要发展方向之一,在未来武器系统中具有重要的意义。针对高分辨一维距离像在预处理中平移敏感性的问题,使用了全局最小熵距离对齐算法,能够较准确快速对准距离像单元,提高了距离对齐的精度。为了提高雷达目标识别的准确率,提出了一种与广义回归神经网络模型(generalized regression neural network,GRNN)相结合的目标识别方法。利用K重交叉验证法对神经网络训练,并且根据最小均方误差寻找出GRNN神经网络光滑因子spread的最优值,同时获得目标识别训练样本的最优输入输出值。通过对比,取得最优光滑因子的GRNN神经网络将大幅度提高其收敛速度与泛化能力。仿真实验证明,基于改进GRNN神经网络的雷达目标识别可以获得较高较稳定的识别正确率。     

基于密母算法的雷达一维距离像C-SVM识别方法

为提高反舰导弹的目标识别能力,采用高分辨率雷达一维距离像为识别特征向量,利用改进的密母算法优化的C-SVM模型,研究了反舰导弹对真假目标的分类识别方法并进行了实验,实验结果表明:经过参数优化设置后的C-SVM大幅提升了反舰导弹末制导雷达对目标类型的识别正确率,搜索时间虽有所增加,仍然远小于GS。