本文主要研究基于多频和极点特征的高频超视距雷达目标识别方法。工作在高频(HF)段(3～30MHz)的雷达能够探测到视距以外直至数千海里远区域内的飞机、舰船等目标。多频散射数据和极点是表征雷达目标的有效特征,利用多频数据和极点进行目标识别是比较有效的途径。本文的主要工作与贡献如下: 线性分类方法不依赖于估计的条件概率密度函数。本文研究了应用线性分类方法对简单目标和复杂飞机目标的分类识别,所使用的特征信号是目标的多频特征。对于复杂的线性不可分问题,应用线性分类器就不能解决。 最近邻准则是一种次最优准则,当样本数目很大时,最近邻准则的错误率不会超过贝叶斯错误概率的2倍。本文利用目标的多频特征,应用最近邻分类方法对几类简单目标和飞机目标进行了分类判决。结果证明:线性不可分的情况应用最近邻分类器可以得到很好的结果。 人工神经网络具有自组织、自学习等能力,能不断适应外界环境并处理各种复杂的、随机的信息。它可以通过对样本的学习建立起记忆,并把未知模式判为其最为接近的记忆。本文应用多层前馈神经网络和自组织特征映射神经网络分别对简单目标和复杂飞机目标进行了分类识别。 从含有噪声的瞬态冲激响应数据中估计目标极点数目的问题长期以来一直没有得到很好的解决。本文应用一种非常有效的准则函数方法——最小描述长度(MDL)方法来对目标极点数目进行估计,很好地解决了这个难题。 Prony方法用于提取目标的极点有其不可克服的缺点,即对噪声极为敏感。状态空间方法物理意义明确、易于理解、处理方式更灵活,而且抗噪能力强。本文分别应用Prony方法和状态空间方法提取目标的极点,结果显示状态空间方法比Prony方法更有效。提取的极点可以用于对雷达目标进行识别。