本文選題：超寬帶 + 目標識別　； 參考：《北京郵電大學》2014年博士論文

【摘要】：超寬帶(Ultra-Wideband, UWB)無線通信技術(shù)具有穿透葉簇對隱蔽目標進行檢測和識別的能力,應用潛力巨大。如何從UWB信號中提取葉簇隱蔽目標的特征并對其進行識別是需要研究的重要關(guān)鍵技術(shù)。本文選題來源于國家自然科學基金等項目,具有重要的理論意義和應用價值。 本文針對基于UWB信號的目標識別技術(shù)進行了深入研究,主要完成了以下具有創(chuàng)新性的研究成果： 針對目標特征的有效提取問題,本文提出了基于稀疏表示的目標特征提取算法。首先,構(gòu)造一個冗余完備字典,該字典的基函數(shù)可以從正弦函數(shù)、小波函數(shù)等變換基中選擇得到,也可以從測量目標的UWB信號中學習得到；然后,在該冗余完備字典上求解目標測量UWB信號的稀疏表示；最后,通過對稀疏分解系數(shù)進行分析處理來提取目標的稀疏特征�；谌~簇覆蓋目標數(shù)據(jù)集的驗證表明,所提取的基于稀疏表示的目標特征具有很好的可分性,能夠顯著提高目標識別的性能。 針對基于支持向量機(Support Vector Machine, SVM)的目標識別性能受該算法參數(shù)影響較大,并且傳統(tǒng)的SVM參數(shù)選擇方法易陷入局部極值的問題,提出了兩種改進的粒子群優(yōu)化算法,來優(yōu)化選擇SVM參數(shù)。在改進的粒子群優(yōu)化算法中,算法的控制參數(shù)可隨著算法的進化自適應調(diào)整,并且在每次迭代中分別引入混沌搜索和差分進化搜索過程,從而兼顧全局搜索和局部搜索,以提高算法的收斂速度和搜索性能。進一步提出了基于改進算法優(yōu)化SVM的葉簇覆蓋目標識別方法。實驗結(jié)果表明,改進的算法收斂速度快、搜索能力強,能有效提高目標識別性能。 針對基于SVM的目標識別性能與核函數(shù)及其參數(shù)的選擇有很大關(guān)系,本文構(gòu)造了基于小波核函數(shù)的小波支持向量機(WSVM),并提出了一種混合量子粒子群優(yōu)化算法(HQPSO),來對WSVM的參數(shù)進行優(yōu)化選擇。在HQPSO算法中,采用量子比特對粒子位置進行編碼,用量子旋轉(zhuǎn)門實現(xiàn)對粒子最優(yōu)位置的搜索；并且每次迭代過程中包含一個局部增強搜索過程,通過量子門旋轉(zhuǎn)機制,可加速每個粒子朝著當前代局部最優(yōu)與全局最優(yōu)解的方向進行進化。實驗驗證表明,借助于HQPSO算法出色的搜索能力,可以有效提高基于WSVM的目標識別性能。 針對多種場景下多類目標的識別問題,提出了一種基于稀疏表示的多場景下多目標的識別方法。該方法分為兩個步驟：首先,從每類目標在不同場景下測量的UWB信號中學習出兩個冗余完備字典,一個用于目標類型識別,另一個用于目標場景識別；然后基于這兩個冗余完備字典求解目標測量UWB信號的稀疏表示,從中提取目標的類型信息和所在場景的信息。與基本的稀疏分類相比,本文提出的方法能夠有效提高目標識別性能,同時能夠顯著提高目標識別的效率。 論文最后對全文研究工作進行了總結(jié),并對基于UWB的目標特征提取與識別問題的研究進行了展望。
[Abstract]:Ultra - wideband ( UWB ) wireless communication technology has the capability of detecting and identifying hidden targets by penetrating leaf clusters , and has great application potential . How to extract the characteristics of leaf cluster hidden targets from UWB signals and identify them is an important key technology to be studied . This thesis comes from the national natural science funds and other projects , and has important theoretical significance and application value .

In this paper , aiming at the target recognition technology based on UWB signal , this paper has completed the following innovative research results :

Firstly , a redundant complete dictionary is constructed . The base function of the dictionary can be selected from the transformation groups such as sine function , wavelet function and so on , and can also be learned from the UWB signal of the measurement target ;
then , solving the sparse representation of the target measurement UWB signal on the redundant complete dictionary ;
Finally , the sparse feature of the target is extracted by analyzing the sparse decomposition coefficient . Based on the validation of the leaf cluster coverage target data set , the extracted target feature based on sparse representation has very good scalability , which can significantly improve the performance of the target recognition .

In this paper , two improved particle swarm optimization algorithms are proposed to optimize the selection of SVM parameters . In the improved particle swarm optimization algorithm , we propose two improved particle swarm optimization algorithms to optimize the selection of SVM parameters . In the improved particle swarm optimization algorithm , we propose two improved particle swarm optimization algorithms to improve the convergence speed and search performance of the algorithm .

In this paper , a wavelet support vector machine ( WSVM ) based on wavelet kernel function is constructed , and a hybrid quantum particle swarm optimization algorithm is proposed to optimize the parameters of WSVM .
Experimental results show that the performance of target recognition based on WSVM can be effectively improved by means of the excellent searching ability of the QPSO algorithm .

Aiming at the problem of multi - object recognition under various scenes , a multi - scene recognition method based on sparse representation is proposed . The method is divided into two steps : firstly , two redundant complete dictionaries are learned from UWB signals measured under different scenes from each type of target , one is used for target type recognition , and the other is used for target scene recognition ;
Compared with the basic sparse classification , the proposed method can effectively improve the target recognition performance and improve the efficiency of the target recognition .

Finally , the thesis summarizes the work of full - text research , and looks forward to the research of target feature extraction and recognition based on UWB .
【學位授予單位】：北京郵電大學
【學位級別】：博士
【學位授予年份】：2014
【分類號】：TN925

【參考文獻】

相關(guān)期刊論文 前10條

1 成萍;司錫才;姜義成;許榮慶;;基于稀疏貝葉斯學習的稀疏信號表示ISAR成像方法[J];電子學報;2008年03期

2 李進 ,董衡 ,陶鳳源;超寬帶雷達的軍事應用及發(fā)展趨勢[J];國防科技;2005年06期

3 成萍;姜義成;許榮慶;;一種新的基于稀疏貝葉斯學習的ISAR成像方法[J];哈爾濱工業(yè)大學學報;2007年05期

4 楊志國;彭世蕤;黃曉濤;周智敏;;一種UWB SAR目標檢測性能評估方法[J];空軍雷達學院學報;2007年03期

5 李士勇;李盼池;;求解連續(xù)空間優(yōu)化問題的量子粒子群算法[J];量子電子學報;2007年05期

6 李曉磊,路飛,田國會,錢積新;組合優(yōu)化問題的人工魚群算法應用[J];山東大學學報(工學版);2004年05期

7 丁愛玲,劉芳,姚霞;基于支撐矢量機的智能目標識別方法[J];西安電子科技大學學報;2001年06期

8 ;Improved Oustaloup approximation of fractional-order operators using adaptive chaotic particle swarm optimization[J];Journal of Systems Engineering and Electronics;2012年01期

9 方學立,梁甸農(nóng),董臻;一種新的FOPEN UWBSAR目標檢測方法[J];系統(tǒng)工程與電子技術(shù);2005年11期

10 楊志國;黃曉濤;周智敏;;UWB SAR葉簇遮蔽目標檢測中的ROI提取方法[J];系統(tǒng)工程與電子技術(shù);2007年11期

，

本文編號：2105669