基于核方法和流形学习的雷达目标距离像识别研究

基于核方法和流形学习的雷达目标距离像识别研究

论文摘要

雷达目标识别是现代雷达发展的重要方向之一,具有广泛的军事和民用价值。高分辨距离像包含了较多的目标结构信息,从而为我们提供了一种可靠的目标识别手段。核方法是目前模式识别领域研究的一个焦点,它对于解决非线性问题具有许多独特优势;流形学习是近年来出现的一种新型的机器学习理论,其旨在发现高维数据集分布的内在规律性。本文对以上两种机器学习理论进行研究,针对已有算法的不足进行推广和改进,并应用于基于高分辨距离像的雷达目标识别。论文的主要工作和创新之处概括如下:1.在对核鉴别分析(Kernel Discriminant Analysis,KDA)及其变形算法进行深入研究的基础上,提出一种最优核鉴别分析(Optimal Kernel DiscriminantAnalysis,OKDA)算法用于雷达目标距离像特征提取。实验结果表明,OKDA具有较好的识别性能以及良好的类内聚合性。2.研究基于核不相关鉴别分析的雷达目标距离像特征提取。通过对统计不相关特性进一步分析并引入核函数,推导出核不相关Fisher准则,并提出两种核不相关鉴别分析算法——直接核不相关鉴别分析(Direct Kernel UncorrelatedDiscriminant Analysis,DKUDA)和基于广义奇异值分解的核不相关鉴别分析(Kernel Uncorrelated Discriminant Analysis Based on Generalized Singular ValueDecomposition,KUDA/GSVD),用于从雷达目标距离像中提取统计不相关的鉴别特征。与不相关鉴别分析(Uncorrelated Discriminant Analysis,UDA)和核不相关鉴别分析(Kernel Uncorrelated Discriminant Analysis,KUDA)相比,这两种算法大大减少了运算量,而且能有效解决奇异性问题。3.研究基于流形学习理论的雷达目标距离像特征提取。在对几种经典的流形学习算法进行分析总结的基础上,提出一种有监督的非线性流形学习算法——监督核近邻保持投影(Supervised Kernel Neighborhood Preserving Projections,SKNPP),用于对雷达目标距离像进行特征提取。SKNPP在近邻保持投影(Neighborhood Preserving Projections,NPP)的基础上引入样本的类别信息,并利用核函数将其推广到非线性形式而得到。该算法不但保留了高维空间中类内样本之间的几何结构,而且可以获得对数据流形的非线性逼近。4.提出了基于核不相关鉴别近邻嵌入(Kernel Uncorrelated DiscriminativeNeighborhood Embedding,KUDNE)和核不相关鉴别局部保持投影(KernelUncorrelated Discriminative Locality Preserving Projections,KUDLPP)的雷达目标距离像特征提取方法。KUDNE和KUDLPP是在统计不相关约束条件下,分别将监督核近邻保持投影(SKNPP)和监督核局部保持投影(Supervised Kernel LocalityPreserving Projections,SKLPP)与核鉴别分析(KDA)相结合而得到的。这两种算法在保留类内样本之间固有几何关系的同时,使投影后样本的类间散射最大,而且使生成的特征空间具有最小的冗余度。5.研究基于核非线性分类器的雷达目标识别方法。对支持向量机(SupportVector Machine,SVM)、KND(Kernel-Based Nonlinear Discriminator)以及KNR(Kernel-Based Nonlinear Representor)的分类原理及学习过程进行了深入研究和比较,并将其应用于雷达目标距离像分类。KND和KNR是两种新型的核非线性分类器,与SVM相比,它们不但能提高雷达目标识别速度,而且能得到满意的识别精度。

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 绪论
  • 1.1 研究背景及意义
  • 1.2 雷达目标识别系统模型
  • 1.3 雷达目标识别方法简述
  • 1.4 基于距离像的雷达目标识别技术研究概况
  • 1.4.1 特征提取方法概述
  • 1.4.2 目标分类技术概述
  • 1.5 论文的主要内容和创新之处
  • 第二章 雷达目标距离像及其特性
  • 2.1 引言
  • 2.2 目标散射中心模型
  • 2.3 高分辨距离像及其特性
  • 2.3.1 高分辨距离像
  • 2.3.2 高分辨距离像特性
  • 2.4 距离像实验数据
  • 2.4.1 仿真数据描述
  • 2.4.2 实测数据描述
  • 2.4.3 实验数据预处理
  • 2.5 本章小结
  • 第三章 基于最优核鉴别分析的距离像特征提取
  • 3.1 引言
  • 3.2 核方法基本思想
  • 3.3 核鉴别分析
  • 3.3.1 核Fisher准则
  • 3.3.2 KDA
  • 3.3.3 GDA
  • 3.3.4 KDDA
  • 3.4 最优核鉴别分析
  • 3.4.1 OKDA算法推导
  • 3.4.2 OKDA算法实现
  • 3.5 目标识别实验
  • 3.5.1 仿真数据实验
  • 3.5.2 实测数据实验
  • 3.5.3 实验结论
  • 3.6 本章小结
  • 第四章 基于核不相关鉴别分析的距离像特征提取
  • 4.1 引言
  • 4.2 统计不相关鉴别矢量集
  • 4.3 直接核不相关鉴别分析
  • 4.3.1 核不相关Fisher准则
  • 4.3.2 DKUDA算法推导
  • 4.3.3 DKUDA算法实现
  • 4.4 基于广义奇异值分解的核不相关鉴别分析(KUDA/GSVD)
  • 4.4.1 KUDA/GSVD算法推导
  • 4.4.2 KUDA/GSVD算法实现
  • 4.5 目标识别实验
  • 4.5.1 仿真数据实验
  • 4.5.2 实测数据实验
  • 4.5.3 实验结论
  • 4.6 本章小结
  • 第五章 基于监督核近邻保持投影的距离像特征提取
  • 5.1 引言
  • 5.2 流形学习
  • 5.2.1 流形和流形学习
  • 5.2.2 几种流形学习算法
  • 5.3 NPP简介
  • 5.4 监督核近邻保持投影
  • 5.4.1 SNPP
  • 5.4.2 SKNPP算法推导
  • 5.4.3 SKNPP算法实现
  • 5.5 目标识别实验
  • 5.5.1 仿真数据实验
  • 5.5.2 实测数据实验
  • 5.5.3 实验结论
  • 5.6 本章小结
  • 第六章 基于KUDNE和KUDLPP的距离像特征提取
  • 6.1 引言
  • 6.2 核不相关鉴别近邻嵌入
  • 6.2.1 KUDNE算法推导
  • 6.2.2 KUDNE算法实现
  • 6.3 LPP简介
  • 6.4 核不相关鉴别局部保持投影
  • 6.4.1 KUDLPP算法推导
  • 6.4.2 KUDLPP算法实现
  • 6.5 目标识别实验
  • 6.5.1 仿真数据实验
  • 6.5.2 实测数据实验
  • 6.5.3 实验结论
  • 6.6 本章小结
  • 第七章 核非线性分类器
  • 7.1 引言
  • 7.2 支持向量机
  • 7.2.1 统计学习理论
  • 7.2.2 线性可分SVM
  • 7.2.3 线性不可分SVM
  • 7.2.4 非线性SVM
  • 7.3 函数逼近和逆问题
  • 7.4 KND
  • 7.4.1 最佳鉴别
  • 7.4.2 KND
  • 7.4.3 KND的自适应训练及稀疏表示
  • 7.5 KNR
  • 7.5.1 最优逼近
  • 7.5.2 KNR
  • 7.5.3 KNR的自适应训练和稀疏表示
  • 7.6 三种分类器的比较
  • 7.7 目标识别实验
  • 7.7.1 仿真数据实验
  • 7.7.2 实测数据实验
  • 7.7.3 实验结论
  • 7.8 本章小结
  • 第八章 总结与展望
  • 8.1 全文总结
  • 8.2 工作展望
  • 致谢
  • 参考文献
  • 攻博期间的研究成果
  • 相关论文文献

    • [1].基于学习记忆的雷达目标跟踪优化方法研究[J]. 电子世界 2019(23)
    • [2].雷达目标辨识网络的对抗性样本分析[J]. 现代雷达 2020(03)
    • [3].深度学习在雷达目标高分辨距离像识别中的研究综述[J]. 航空兵器 2020(03)
    • [4].有罩雷达目标表面温度场求解方法[J]. 红外与激光工程 2017(04)
    • [5].雷达目标跟踪的转换坐标卡尔曼滤波算法[J]. 中小企业管理与科技(下旬刊) 2016(03)
    • [6].质心干扰下雷达目标指示角分析[J]. 电气电子教学学报 2016(01)
    • [7].基于置信规则推理方法的雷达目标跟踪[J]. 哈尔滨工程大学学报 2016(06)
    • [8].基于权值优选粒子滤波的雷达目标跟踪[J]. 船电技术 2012(03)
    • [9].咸阳机场部分航班雷达目标短暂丢失原因分析及思考[J]. 中国民航飞行学院学报 2020(05)
    • [10].一种专用雷达目标显示平台的实现[J]. 电视技术 2011(13)
    • [11].基于雷达网拓扑特征的雷达目标编群算法[J]. 指挥控制与仿真 2015(01)
    • [12].雷达目标特征信号控制技术材料的应用[J]. 赤子(上中旬) 2016(24)
    • [13].改进的支持向量机低分辨雷达目标分类算法[J]. 系统工程与电子技术 2017(11)
    • [14].“雷达目标极化特性与识别研究新进展”专刊前言[J]. 电波科学学报 2019(06)
    • [15].船舶导航雷达目标自动检测算法研究[J]. 舰船科学技术 2017(02)
    • [16].民航多雷达目标分裂问题[J]. 电子技术与软件工程 2018(21)
    • [17].基于灰色系统的雷达目标高分辨距离像识别[J]. 控制与决策 2011(07)
    • [18].AIS与雷达目标信息模糊融合算法与实现[J]. 集美大学学报(自然科学版) 2010(04)
    • [19].AIS与雷达目标信息模糊融合算法与实现[J]. 集美大学学报(自然科学版)(网络预览本) 2010(04)
    • [20].基于数据统计的雷达目标类型识别问题研究[J]. 信息系统工程 2018(05)
    • [21].基于Matlab GUI的雷达目标信息库设计[J]. 舰船电子对抗 2014(04)
    • [22].西沙雷达目标显示终端的软硬件设计[J]. 民航管理 2017(06)
    • [23].一种线性调频雷达目标速度模拟方法[J]. 制导与引信 2015(03)
    • [24].雷达目标动静态多极化回波仿真分析[J]. 现代防御技术 2016(02)
    • [25].极化雷达目标射频信号仿真精度的分析[J]. 计算机仿真 2016(07)
    • [26].一种目标密集环境下的雷达目标与IFF点迹相关算法[J]. 电讯技术 2019(09)
    • [27].基于修正Green函数的穿墙雷达目标对齐[J]. 雷达科学与技术 2017(02)
    • [28].利用模糊综合评判进行雷达目标参数估计算法的性能评估[J]. 信号处理 2015(10)
    • [29].基于MySQL的雷达目标特征数据库设计[J]. 数字技术与应用 2020(01)
    • [30].基于支持度函数的2D雷达目标高度估计方法[J]. 舰船电子工程 2019(11)

    标签:;  ;  ;  ;  

    基于核方法和流形学习的雷达目标距离像识别研究
    下载Doc文档

    猜你喜欢