本文關(guān)鍵詞：基于HRRP的自動目標(biāo)識別技術(shù)研究

  更多相關(guān)文章： HRRP 自動目標(biāo)識別 組合特征 SVM 稀疏保持投影

【摘要】：雷達(dá)自動目標(biāo)識別在現(xiàn)代戰(zhàn)爭環(huán)境中發(fā)揮著重要的作用。其中寬帶雷達(dá)獲取的高分辨一維距離像(High Resolution Range Profile,HRRP)反映了目標(biāo)散射中心沿雷達(dá)視線方向的分布情況,包含了豐富的目標(biāo)結(jié)構(gòu)和形狀信息,因此基于HRRP的目標(biāo)識別引起了國內(nèi)外廣泛的關(guān)注。本文以HRRP目標(biāo)散射特性為出發(fā)點進(jìn)行HRRP目標(biāo)識別研究。首先介紹當(dāng)目標(biāo)散射點模型不變的情況下HRRP的回波特性。然后針對HRRP回波特性,給出基于組合特征與SVM(Support Vector Machine,SVM)的HRRP目標(biāo)識別算法。該方法首先提取非相干平均距離像與中心矩特征,然后將兩種特征串行組合成新的特征,最后采用SVM分類器進(jìn)行分類識別。利用美國運動與靜止目標(biāo)獲取與識別(Moving and Stationary Target Acquisition and Recognition,MSTAR)實測SAR(Synthetic Aperture Radar,SAR)HRRP數(shù)據(jù)進(jìn)行實驗,實驗結(jié)果表明該方法在方位未知的情況下能夠明顯提高目標(biāo)的識別率,是一種有效的HRRP目標(biāo)識別方法。另外,論文將稀疏表示應(yīng)用在HRRP目標(biāo)識別中,給出基于組合特征的監(jiān)督型稀疏保持投影算法。由于稀疏保持投影(Sparse Preserving Projection,SPP)是一種無監(jiān)督算法,尤其對于監(jiān)督型問題不能充分利用類別信息,因此在SPP基礎(chǔ)上,引入類別信息給出了監(jiān)督型稀疏保持投影(Supervised Sparse Preserving Projection,S2PP)算法,即對每一個樣本求解稀疏系數(shù)時,只用同類別的訓(xùn)練樣本去線性表示,然后將稀疏系數(shù)引入到特征提取中,最后通過數(shù)據(jù)的稀疏重建關(guān)系構(gòu)造目標(biāo)函數(shù)得到低維特征向量。S2PP不僅使得提取的低維特征能夠保持稀疏重構(gòu)特性,而且消除了異類目標(biāo)對稀疏表示的影響。鑒于組合特征具有很好的判別性,因此選擇在組合特征域中進(jìn)行監(jiān)督型稀疏保持投影。利用MSTAR數(shù)據(jù)進(jìn)行實驗,得到了較好的實驗結(jié)果。
【關(guān)鍵詞】：HRRP 自動目標(biāo)識別 組合特征 SVM 稀疏保持投影
【學(xué)位授予單位】：中國民航大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TN957.51
【目錄】：

• 摘要6-7
• Abstract7-11
• 第一章 緒論11-17
• 1.1 課題研究背景及意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-15
• 1.3 本文結(jié)構(gòu)安排15-17
• 第二章 HRRP目標(biāo)識別技術(shù)基本理論17-27
• 2.1 引言17
• 2.2 HRRP回波特性17-20
• 2.2.1 HRRP散射點模型保持不變的條件17-18
• 2.2.2 單個距離單元的回波特性18-20
• 2.3 HRRP ATR研究的主要內(nèi)容20-23
• 2.3.1 HRRP預(yù)處理技術(shù)20-22
• 2.3.2 HRRP特征提取技術(shù)22
• 2.3.3 HRRP分類技術(shù)22-23
• 2.4 HRRP ATR的主要難點23
• 2.5 實驗數(shù)據(jù)介紹23-26
• 2.6 本章小結(jié)26-27
• 第三章 基于組合特征和SVM的HRRP目標(biāo)識別27-41
• 3.1 引言27
• 3.2 HRRP特征提取27-30
• 3.2.1 非相干平均距離像特征提取28
• 3.2.2 中心矩特征提取28-30
• 3.3 HRRP分類器設(shè)計30-35
• 3.3.1 最近鄰模糊分類器30-32
• 3.3.2 SVM分類器32-35
• 3.3.2.1 線性支持矢量機(jī)32-34
• 3.3.2.2 非線性支持矢量機(jī)34-35
• 3.4 基于組合特征和SVM的HRRP目標(biāo)識別35-36
• 3.4.1 訓(xùn)練過程35-36
• 3.4.2 識別過程36
• 3.5 實驗結(jié)果及分析36-40
• 3.5.1 實驗結(jié)果36-37
• 3.5.2 實驗結(jié)果分析37-40
• 3.6 本章小結(jié)40-41
• 第四章 基于組合特征的監(jiān)督型稀疏保持投影算法41-61
• 4.1 引言41-42
• 4.2 稀疏保持投影原理介紹42-43
• 4.3 監(jiān)督型稀疏保持原理介紹43-45
• 4.4 算法框圖45-46
• 4.5 基于組合特征的監(jiān)督型稀疏保持投影算法46-47
• 4.5.1 訓(xùn)練過程46
• 4.5.2 識別過程46-47
• 4.6 實驗結(jié)果及分析47-60
• 4.6.1 實驗結(jié)果47
• 4.6.2 實驗結(jié)果分析47-60
• 4.7 本章小結(jié)60-61
• 第五章 總結(jié)與展望61-63
• 5.1 本文工作總結(jié)61
• 5.2 未來工作展望61-63
• 參考文獻(xiàn)63-69
• 致謝69-70
• 碩士攻讀期間所發(fā)表的論文70

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 張新征;劉書君;秦建紅;黃培康;;基于距離像時頻非負(fù)稀疏編碼的SAR目標(biāo)識別[J];系統(tǒng)工程與電子技術(shù);2014年10期

2 張瑞;牛威;寇鵬;;基于樣本緊密度的雷達(dá)高分辨距離像識別方法研究[J];電子與信息學(xué)報;2014年03期

3 陳允輝;李環(huán);馬巖;張麗平;;雷達(dá)目標(biāo)一維距離像的偶數(shù)階中心矩特征的識別[J];沈陽理工大學(xué)學(xué)報;2013年05期

4 童濤;楊桄;李昕;葉怡;王壽彪;;基于D-S證據(jù)理論的多特征融合SAR圖像目標(biāo)識別方法[J];國土資源遙感;2013年02期

5 馮博;杜蘭;張學(xué)峰;劉宏偉;;基于字典學(xué)習(xí)的雷達(dá)高分辨距離像目標(biāo)識別[J];電波科學(xué)學(xué)報;2012年05期

6 張新征;劉書君;黃培康;;基于時頻矩陣非負(fù)分解特征的多視角SAR目標(biāo)識別[J];宇航學(xué)報;2012年09期

7 張新征;黃培康;;基于復(fù)值HRRP CICA特征的多方位SAR目標(biāo)識別[J];系統(tǒng)工程與電子技術(shù);2012年02期

8 孫菲;梁菁;任杰;劉先康;魏存?zhèn)?;一種基于高階譜特征的艦船目標(biāo)識別方法[J];艦船科學(xué)技術(shù);2011年07期

9 周諾;陳煒;;基于稀疏表示的高分辨距離像自動目標(biāo)識別(英文)[J];Chinese Journal of Aeronautics;2010年05期

10 史穎超;李俠;程東升;毛華春;;窄帶雷達(dá)飛機(jī)目標(biāo)識別方法綜述[J];艦船電子工程;2010年02期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 廖闊;基于高分辨距離像的雷達(dá)自動目標(biāo)識別研究[D];電子科技大學(xué);2012年

2 劉華林;高分辨距離像雷達(dá)自動目標(biāo)識別研究[D];電子科技大學(xué);2008年

3 周代英;雷達(dá)目標(biāo)一維距離像識別研究[D];電子科技大學(xué);2001年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 侯彬;基于稀疏表示的典型相關(guān)分析算法研究[D];南京理工大學(xué);2013年

2 陳渤;絕對對齊算法在雷達(dá)高分辨距離像（HRRP）目標(biāo)識別中的研究與應(yīng)用[D];西安電子科技大學(xué);2006年

3 高倩;基于高分辨率雷達(dá)距離像的自動目標(biāo)識別研究[D];南京航空航天大學(xué);2002年

，

本文編號：776677