基于核方法和流形学习的雷达目标识别

论文摘要

目标识别是一个含义比较广的术语,它是指从接收到的目标散射回波中提取目标有关信息和稳定特征而判明目标属性的技术。在雷达照射下,目标回波具有的时域特征和频域特征有:目标运动参数,目标形状,目标尺寸,发动机或螺旋桨调制,极化特征等,这些特征从不同侧面反映着目标的属性,构成雷达目标识别的基础。本文主要研究基于雷达目标一维高分辨距离像的识别,先概述了雷达目标识别的研究背景和意义,再围绕特征提取和分类器设计两个关键技术,对雷达目标识别的研究技术进行了探讨。理论方面以目标散射模型为基础,分析了飞机目标的电磁散射特性和高分辨距离像的生成,对六种飞机在一定姿态范围内的距离像进行了仿真,并对预处理技术做了简要介绍。本文采用了不同的特征提取技术,一是主分量分析和线形判别分析及其核技术,二是流形方法的应用,包括局部线性嵌入(LLE),保局投影(LPP),近邻保持投影(NPP)等及核扩展形式(SKLPP和SKNPP)。接下来介绍了最近邻分类器(EUC),支持向量机(SVM),神经网络(RBFNN),以及基于核的非线性分类器(KNR),并比较了各种分类器的适用范围。本文采用了仿真数据和雷达对飞行中的三种飞机安26,奖状(CESSNA),雅克42的实测数据进行实验,结论证明本文采用的方法具有较好的识别效果。

论文目录

• 摘要
• Abstract
• 第一章 引言
• 1.1 研究背景
• 1.2 研究历史和现状
• 1.3 一维距离像的雷达目标识别技术研究概况
• 1.3.1 基于统计决策理论的分类方法
• 1.3.2 基于仿生学技术的分类方法
• 1.4 本文结构及工作
• 第二章 一维距离成像
• 2.1 目标散射中心
• 2.2 高分辨距离像
• 2.3 距离像特性
• 2.3.1 姿态敏感性
• 2.3.2 平移敏感性
• 2.4 预处理
• 2.4.1 距离对齐
• 2.4.2 能量归一化
• 2.4.3 幂变换
• 2.4.4 非相关平均
• 2.5 仿真数据描述
• 2.6 本章小结
• 第三章 子空间法及核子空间法特征提取
• 3.1 特征子空间
• 3.2 正则子空间
• 3.3 基于核的主分量分析（KPCA）
• 3.4 基于核的Fisher 判别分析（KFDA）
• 3.4 子空间比较
• 3.5 本章小结
• 第四章 基于流形学习的特征提取
• 4.1 流形及流形学习
• 4.2 局部线性嵌入算法（LLE）
• 4.3 保局投影（LPP）
• 4.4 基于核的有监督保局投影（SKLPP）
• 4.5 近邻保持投影（NPP）
• 4.6 基于核的有监督近邻保持投影（SKNPP）
• 4.7 算法总结
• 4.8 本章小结
• 第五章 目标分类方法
• 5.1 欧氏距离分类器
• 5.2 RBFNN 分类器
• 5.2.1 RBFNN 模型
• 5.2.2 RBFNN 参数的学习
• 5.3 支持向量机（SVM）
• 5.3.1 线性SVM
• 5.3.2 非线性SVM
• 5.4 KNR 分类器
• 5.5 分类器的比较
• 5.6 本章小结
• 第六章 数据实验
• 6.1 数据描述
• 6.1.1 仿真数据描述
• 6.1.2 实测数据描述
• 6.2 预处理
• 6.3 子空间和核子空间法目标识别实验
• 6.3.1 仿真数据实验
• 6.3.2 实测数据实验
• 6.3.3 小结
• 6.4 基于流形方法的识别
• 6.4.1 仿真数据实验
• 6.4.2 实测数据实验
• 6.4.3 小结
• 6.5 本章小结
• 第七章 结论与展望
• 致谢
• 参考文献
• 攻硕期间发表的论文