论文部分内容阅读
雷达目标识别(Radar Target Recognition, RTR)是弹道导弹防御(Ballistic Missile Defense, BMD)的关键技术之一。随着现代军事的发展，对于弹道导弹在飞行中段的识别方法研究成为国内外热点课题。本文在弹道导弹目标运动建模和回波建模的基础上，研究基于一维距离像、微多普勒的识别方法和基于置信度的分类器识别性能评估方法，主要工作如下：
1. 研究了弹道中段目标的基本特性。首先，研究了中段目标的回波特性，分析了一维距离像的获取方法；然后，对中段目标建立微动模型，分析了微动目标的微多普勒效应。为后续中段目标识别奠定基础。
2. 根据目标一维距离像特性，提出基于自适应进化粒子群算法(Adaptive Evolution Particle Swarm Optimization, AEPSO)优化支持向量机(Support Vector Machine, SVM)的目标识别方法。该方法首先对目标一维距离像进行预处理与特征提取；然后，以训练集的识别准确率做为适应度函数，利用AEPSO算法对SVM的参数进行优化；最后，利用优化后的SVM对测试样本进行分类，识别精度高达97%以上。
3. 根据目标微多普勒特性，提出基于时频重排_改进 Dijkstra 算法的微多普勒特征提取方法。该方法首先利用时频重排方法对回波信号进行时频分析，然后利用改进的 Dijkstra 算法对时频图进行微多普勒提取，最后利用不同微动下微多普勒特征进行目标识别，识别精度高达96%以上。
4. 根据统计学习中的置信度理论，提出基于自适应邻域样本(Adaptive Neighborhood Samples, ANS)的SVM置信度估计方法。该方法依据自适应选取待测样本邻域的方法估计样本个体的置信度；对个体样本置信度进行排序并结合拒识率给出拒识域，以拒识后的样本识别率作为整体置信度估计，效果较好。
1. 研究了弹道中段目标的基本特性。首先，研究了中段目标的回波特性，分析了一维距离像的获取方法；然后，对中段目标建立微动模型，分析了微动目标的微多普勒效应。为后续中段目标识别奠定基础。
2. 根据目标一维距离像特性，提出基于自适应进化粒子群算法(Adaptive Evolution Particle Swarm Optimization, AEPSO)优化支持向量机(Support Vector Machine, SVM)的目标识别方法。该方法首先对目标一维距离像进行预处理与特征提取；然后，以训练集的识别准确率做为适应度函数，利用AEPSO算法对SVM的参数进行优化；最后，利用优化后的SVM对测试样本进行分类，识别精度高达97%以上。
3. 根据目标微多普勒特性，提出基于时频重排_改进 Dijkstra 算法的微多普勒特征提取方法。该方法首先利用时频重排方法对回波信号进行时频分析，然后利用改进的 Dijkstra 算法对时频图进行微多普勒提取，最后利用不同微动下微多普勒特征进行目标识别，识别精度高达96%以上。
4. 根据统计学习中的置信度理论，提出基于自适应邻域样本(Adaptive Neighborhood Samples, ANS)的SVM置信度估计方法。该方法依据自适应选取待测样本邻域的方法估计样本个体的置信度；对个体样本置信度进行排序并结合拒识率给出拒识域，以拒识后的样本识别率作为整体置信度估计，效果较好。