论文部分内容阅读
早期的雷达(Radio Detecting And Ranging,Radar)主要是利用无线电发现目标并获取其位置信息,随着时代的进步和发展,人类希望获取雷达目标更为丰富的信息,比如目标的类型、属性、结构等信息,雷达目标识别技术便应运而生。该技术是通过对获取的雷达回波信号进行分析,提取目标比较稳健和典型的特征,经过分类器进一步对目标的类型、属性等信息进行判定。近年来,随着科学技术和硬件设备的迅速发展,雷达目标自动识别技术的研究受到世界各国科研人员越来越多的关注和重视。如何有效地提升雷达目标识别的准确性和可靠性是我们关注的主要内容,而雷达目标特征提取和识别方法是两个关键技术,因此本文主要从特征提取和目标识别这两个方面展开研究,论文的主要内容如下:1、针对雷达目标几何尺寸特征提取问题,基于最小外接矩形方法提取高分辨合成孔径雷达(Synthetic Aperture Radar,SAR)目标的尺寸特征。在结合信号稀疏表示理论SAR图像去噪的基础上,获得重构目标图像,并提取重构目标的最小外接矩形,最后利用最小外接矩形的尺寸信息得到雷达目标的尺寸特征。基于车辆目标实测数据,通过实验表明了该方法对高分辨SAR图像目标尺寸特征提取的平均相对误差小于5%,具有较高的精度。2、针对空间目标识别任务,本文结合常用的雷达回波波形特征,提出一种度量学习特征融合方法。度量学习是针对数据结构定义一种相似性度量,并利用监督信息对该相似性度量进行优化,使得优化后的度量空间能够实现聚类或分类等机器学习任务。本文将所提方法应用于空间目标识别,首先对空间目标的一维高分辨距离像(High Resolution Range Profile,HRRP)和二维逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)图像分别提取相应特征,然后对所提取的多种特征通过度量学习得到线性可分性最优的融合特征,最后将融合特征输入到分类器中进行识别。基于空间卫星目标电磁仿真数据,通过实验表明了所提方法能够明显提升样本空间的可分性,与仅利用单一特征进行识别的方法相比具有更好的目标识别性能。