论文部分内容阅读
高分辨距离像(HRRP)具有易获取、处理简单等优点,是实现雷达自动目标识别(RATR)的重要手段。目前很多理论和方法中使用的HRRP样本是通过合作目标飞行试验录取的或者是电磁仿真计算得到的,具有很高的信噪比。但是在实际工程应用当中,识别对象多为远距离目标,获得的HRRP测试样本信噪比往往较低。此时如果采用高信噪比条件下建立的模板库直接对其进行识别,则训练样本与测试样本存在信噪比失配,从而导致识别性能下降。此外,对于非合作目标,想要获得其高信噪比的训练样本用于建库也具有较大的难度。若直接使用低信噪比训练样本学习识别模型,则同样由于信噪比失配等原因会严重影响识别性能。针对以上问题,本文开展了HRRP噪声稳健识别方法研究,主要工作内容概括如下:1.研究了现有的噪声稳健识别方法,主要分为以下三类:(1)回波增强:对录取的回波数据进行去噪声预处理,使用降噪后的数据进行识别;(2)特征补偿或噪声稳健特征提取:在训练阶段提取具有噪声稳健性的特征或者对所提特征进行修正,使得该特征对噪声不具备敏感性,然后将所提特征存入模板库中待识别时使用;(3)模型自适应:使用高信噪比训练样本学习统计模型,然后根据测试样本的信噪比修正模型参数,最后使用分类器进行识别。2.研究了基于加噪匹配的噪声稳健识别方法。该方法首先向高信噪比训练样本中加入不同功率的人工噪声(复高斯白噪声)来获得不同信噪比下的训练样本,然后在训练阶段,分别利用不同信噪比训练样本建立相应的识别模板库。在测试阶段,估计测试样本的信噪比并挑选出与之信噪比匹配的模板进行识别,仿真实验验证了该方法能有效改善识别系统对低信噪比HRRP的识别性能。3.研究了基于统计识别模型参数自适应修正的噪声稳健识别方法。以经典的因子分析(FA)和复数因子分析(CFA)统计识别模型为例,针对“高信噪比HRRP建库低信噪比HRRP识别”和“低信噪比HRRP建库识别”两种典型应用场景,分别提出了相应的模型参数修正方法。仿真实验验证了在这两种应用场景下的模型参数自适应修正方法都能有效的改善识别系统性能。4.提出了基于深度神经网络的噪声稳健识别方法。直接训练适用于低信噪比条件下的识别网络,实现对低信噪比样本端到端的识别。仿真实验验证了该方法能有效改善识别系统对低信噪比HRRP的识别性能。