基于深度时频特征学习的雷达辐射源识别

针对雷达辐射源识别中拓展能力不足和识别率不高问题进行研究,提出一种基于深度时频特征学习的智能识别方法。基于降采样短时傅里叶变换高效提取具备较高辨识度和稳定性的浅层二维时频特征,利用信号局部频域维稀疏性完成降噪等预处理;设计用于深度特征学习与识别的卷积神经网络,并采用不同尺度卷积核组合扩展网络广度,强化特征表征能力;利用高信噪比条件下8种辐射源信号样本对网络进行训练调优,低信噪比样本测试验证算法和网络的有效性。仿真结果表明,该方式在-8 dB信噪比条件下能达到98.31%的整体平均识别率,具备较强的鲁棒性。     

径向特征下的改进三角形星图识别算法

三角形星图识别可靠性与可操作性较强,目前仍在广泛使用,但是三角形星图识别算法存在冗余匹配和误识别。通过星点的几何分布构建星点的径向特征量,依据径向特征量对星图进行初始识别,将拍摄星点的识别结果限定在数颗导航星上。在初始识别的基础上,运用三角形星图识别算法再次进行识别,使三角形星图识别更具针对性,同时提高识别的正确性。实验结果表明,采用基于径向特征的改进三角形识别算法,星图识别的准确性和针对性都得到了提高。     

联合多层次深度特征的SAR图像目标识别方法

提出了联合多层次深度特征的合成孔径雷达(SAR)目标识别方法。采用卷积神经网络(CNN)学习SAR图像的多层次深度特征。多层次的深度特征从不同方面描述原始SAR图像中的目标特性,从而为目标识别提供更充分的决策依据。为了充分发掘不同层次深度特征的独立特性以及它们之间的内在关联,采用联合稀疏表示对多层次的深度特征进行联合分类。根据各层次特征的整体重构误差判定目标类别。采用MSTAR (Moving and Stationary Target Acquisition and Recognition)公共数据集对提出方法进行了性能测试。实验结果表明,该方法的识别性能显著优于现有的SAR目标识别方法。     

基于CNN的窄带雷达空中目标识别方法

空中目标识别是雷达的重要用途之一,窄带雷达因体制限制,无法获取目标高分辨识别信息供分类识别。为解决窄带防空预警雷达对空中目标识别判性难的问题,提出了基于卷积神经网络的空中目标识别方法,就空中目标识别判性模型的构建、训练数据集的生成进行了研究,采用模拟数据集及实测数据对模型进行了检验,结果表明该方法具有较好效果。     

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.     

导弹防御系统信息移交研究

拦截弹单纯依靠弹载红外传感器进行目标识别难度很大,将地基雷达的目标识别结果上传给拦截弹必将提高拦截性能并减轻红外识别负担,有利于降低弹载传感器的配置要求.提出了信息移交的概念,分析了国内外的研究现状,指出了需要解决的问题,然后建立了单目标、多目标和目标群信息移交模型,最后指出了需要进一步研究的问题.     

基于贝叶斯网络的空中目标作战企图识别研究

研究探讨了空中目标作战企图的识别问题.提出了基于贝叶斯网络和模糊逻辑相结合的空中目标作战企图识别方法,通过专家知识建立网络模型的结构,运用案例库分析来训练网络模型的边缘概率和条件概率参数,并用简单的示例推理验证了模型的有效性,该模型可以在有证据缺失的情况下进行推理.     

雷达情报特征的Bayes识别方法

根据雷达情报目标判性应用背景,对Bayes方法在该领域的应用进行了研究,初步建立了基于雷达情报特征的统计模型,并在算法的收敛速度和稳健性等方面与D-S证据理论进行了比较。仿真结果表明,Bayes方法对先验信息的精确程度要求并不十分严格,能较好地解决雷达情报综合问题。     

不变矩理论及其在目标识别中的应用

几何形状的识别在计算机视觉中具有十分重要的意义,一般几何形状可以分为区域和边界两种。不变矩特征在图像平移、伸缩、旋转时均保持不变。介绍了利用图像的不变矩向量进行目标形状识别的方法,并比较了Hu提出的基于区域的不变矩和Chen提出的基于边界的不变矩的性能和计算速度。