雷达目标距离像的识别方法研究

雷达目标距离像的识别方法研究

论文摘要

由于高分辨雷达一维距离像(High-Resolution Range Profile,HRRP)能够提供更加精细的目标结构和形状信息,因此,对基于一维距离像的雷达目标识别研究具有较大的理论意义和现实意义。本论文对基于一维距离像的雷达目标识别技术进行了研究,主要的内容和创新点如下:1.关于对一维距离像进行数据处理的研究。由于一维距离像对于目标的姿态极为敏感,这对识别会造成不利的影响,因此在对一维距离像进行识别之前,研究与其相关的数据处理技术是很必要的。在对基于散射点模型的一维距离像的性质进行深入研究后,从信噪比的角度分析了幂变换对于改善一维距离像识别性能的机理;研究了几种常见的一维距离像对齐技术;将自相关函数做为一种新的平移不变特征应用到一维距离像的目标识别中。研究几种常见的数据降维技术,给出了一种基于核规范相关分析的一维距离像降维技术。2.关于一维距离像分类器的研究。在得到HRRP特征后,如何最大限度地区分不同目标、提高识别率则是分类器设计所要解决的问题。本文对目前应用最为广泛的k-近邻分类器进行了深入研究,并根据一维距离像的统计性质,给出一种基于马氏距离的k-近邻分类器。在相关章节以及第六章的实验部分,对实测数据进行了实验,并对实验结果进行了分析。实验验证了如下结论:1)幂变换能够改善一维距离像的识别效果;2)在对一维距离像的特征进行降维时,核规范相关分析比传统的规范相关分析的效果更好(反应在最终的识别率上);3)做为分类算法,基于马氏距离的k近邻分类器比传统的欧氏距离k近邻分类器具有更高的识别正确率。在文章的最后,总结了全文的工作,并对一维距离像的目标识别的前景进行了展望。

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 绪论
  • 1.1 课题研究背景和意义
  • 1.2 雷达目标一维距离像识别的研究现状
  • 1.2.1 HRRP 的预处理方法
  • 1.2.2 HRRP 的特征提取方法
  • 1.3 论文的内容安排
  • 第二章 基于散射点模型的一维距离像及其统计特性分析
  • 2.1 引言
  • 2.2 一维距离像的散射点模型
  • 2.3 散射点交叉项的深入研究
  • 2.3.1 ξmnik 的统计性质
  • 2.3.2 散射点交叉项的统计性质
  • 2.3.3 平均距离像的特性
  • 2.3.4 距离像的相似性测度
  • 2.4 实验结果与分析
  • 2.4.1 实验数据描述与预处理
  • 2.4.2 实验结果与分析
  • 2.5 本章小结
  • 第三章 一维距离像的预处理技术
  • 3.1 引言
  • 3.2 幂变换
  • 3.3 中值滤波
  • 3.4 一维距离像的对齐方法
  • 3.4.1 移动重心法
  • 3.4.2 相关对齐法
  • 3.4.3 微分复倒谱法
  • 3.5 提取平移不变特征
  • 3.5.1 频谱幅度
  • 3.5.2 自相关函数
  • 3.5.3 双谱特征
  • 3.6 实验结果与分析
  • 3.6.1 类别可分性
  • 3.6.2 几种特征的可分性实验
  • 3.7 本章小结
  • 第四章 一维距离像的数据降维方法
  • 4.1 引言
  • 4.2 主成份分析
  • 4.3 核主成份分析
  • 4.3.1 核方法简介
  • 4.3.2 核主成份分析原理
  • 4.4 规范相关分析
  • 4.5 核规范相关分析
  • 4.6 实验结果与分析
  • 4.7 本章小结
  • 第五章 近邻分类器
  • 5.1 引言
  • 5.2 最近邻法
  • 5.2.1 最近邻决策规则
  • 5.2.2 最近邻法的错误率分析
  • 5.3 k-近邻分类器
  • 5.4 基于马氏距离的k 近邻分类器
  • 5.5 本章小结
  • 第六章 目标识别软件设计与仿真实验
  • 6.1 目标识别软件实现
  • 6.2 数据描述及预处理
  • 6.3 实测数据目标识别实验
  • 第七章 总结与展望
  • 致谢
  • 参考文献
  • 在攻读硕士学位期间的研究成果
  • 相关论文文献

    • [1].基于动态分类器集成系统的卷烟感官质量预测方法[J]. 计算机应用与软件 2020(01)
    • [2].基于标准数据集的分类器融合学习模型[J]. 微型电脑应用 2020(04)
    • [3].一种自适应子融合集成多分类器方法[J]. 计算机测量与控制 2019(04)
    • [4].基于多分类器融合的近红外光谱技术鉴别蜂蜜品种[J]. 化学分析计量 2019(03)
    • [5].基于分类器的身份证号码识别研究[J]. 贵州科学 2018(01)
    • [6].一种基于多分类器融合的人体运动行为识别模型[J]. 计算机科学 2016(12)
    • [7].一种基于混淆矩阵的分类器选择方法[J]. 河南理工大学学报(自然科学版) 2017(02)
    • [8].一种代价敏感的三类分类器评估方法的研究与应用[J]. 通化师范学院学报 2017(08)
    • [9].基于多分类器组合的遥感土地利用分类研究[J]. 安徽农业科学 2015(32)
    • [10].多分类器融合与单分类器影像分类比较研究[J]. 矿山测量 2016(04)
    • [11].《未来垃圾分类器》[J]. 幼儿教育 2020(14)
    • [12].基于多分类器组合的城市不透水面提取研究[J]. 城市地理 2017(04)
    • [13].《垃圾分类器》[J]. 辅导员 2016(11)
    • [14].多分类器融合的遥感影像分类方法实验研究[J]. 全球定位系统 2020(05)
    • [15].一种基于核聚类的多分类器选择算法[J]. 电子技术与软件工程 2020(13)
    • [16].基于一种新的级联分类器的目标检测系统[J]. 现代电子技术 2020(01)
    • [17].最佳的分类器链局部检测与挖掘算法[J]. 计算机工程与设计 2017(11)
    • [18].基于多分类器融合与模糊综合评判的滚动轴承故障诊断[J]. 中国科技论文 2016(04)
    • [19].近红外光谱和多分类器融合的葡萄酒品种判别研究[J]. 光谱学与光谱分析 2016(11)
    • [20].基于多分类器集成的语音情感识别[J]. 微电子学与计算机 2015(07)
    • [21].基于集成分类器的流量识别技术研究[J]. 科技视界 2015(33)
    • [22].二叉树型多分类器融合的轴承故障诊断方法[J]. 计算机工程与应用 2015(21)
    • [23].智能垃圾分类器[J]. 科学启蒙 2013(12)
    • [24].一种新的多分类器融合方法[J]. 西南师范大学学报(自然科学版) 2014(01)
    • [25].动态加权投票的多分类器聚合[J]. 现代计算机(专业版) 2014(05)
    • [26].面向用户观点分析的多分类器集成和优化技术[J]. 计算机学报 2013(08)
    • [27].基于证据理论的优化集成分类器融合算法及应用[J]. 化工学报 2012(09)
    • [28].多类不平衡数据上的分类器性能比较研究[J]. 计算机工程 2011(10)
    • [29].基于多分类器融合的语音识别方法研究[J]. 重庆邮电大学学报(自然科学版) 2011(04)
    • [30].基于粗糙集约简的多分类器系统构造方法[J]. 计算机工程与应用 2010(03)

    标签:;  ;  ;  ;  

    雷达目标距离像的识别方法研究
    下载Doc文档

    猜你喜欢