基于核方法的高分辨雷达目标识别算法研究

论文摘要

雷达目标识别技术已经发展成为雷达领域的一个重要分支,由于应用环境复杂多变、运算速度要求苛刻、非合作目标样本获取困难、数据利用率低等问题,雷达目标识别面临着严峻的挑战。由于雷达高分辨一维距离像能够反映目标的径向几何结构信息,具有易于处理和获取的独特优势,基于高分辨一维距离像的雷达目标识别研究得到了广泛的开展。为提高识别算法的稳定性和识别性能,本文从分类器算法和参数选择等方面展开研究,重点解决高维、大样本容量条件下的学习识别、序列信息挖掘利用和分类器参数选择等问题。绪论部分介绍了论文研究背景和相关技术的发展概况以及本文的主要工作。第二章分析了核感知器和时延神经网络的特点,构造了一种核感知器组合分类器,并提出了一种时延神经网络快速算法。第三章针对雷达目标识别中高维、大样本容量的学习、序列信息的挖掘以及算法参数选择,构造了一种基于核方法和延时单元的的核时延感知器网络结构,提出了核时延感知器学习算法,该算法不仅能够处理高维大样本容量学习问题,而且可以在几乎不增加运算量的基础上挖掘并利用数据的序列信息。针对核时延感知器的核参数选择问题,提出了一种基于样本分布特性的高斯核参数选择方法,参数的优化速度得到了较大的提高。分析了不同条件下核时延感知器参数对算法的识别率、推广能力和复杂度的影响,仿真实验表明,该算法在识别率和抗噪声能力上都有出色的表现。第四章主要研究缺少某类训练样本条件下的目标识别和多分类器决策融合问题。首先针对SVDD多类识别算法拒判域较大的问题,提出了两种拒判域的划分方式,并构造了两种相应的SVDD多类目标识别分类器,分析了各自的应用特点。为提高雷达目标识别分类性能,构造了一种多算法决策融合分类器。仿真实验表明该融合分类器在识别率和抗噪声能力上都要优于单个分类器。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题的研究背景和意义
• 1.2 相关技术的发展及国内外研究现状
• 1.2.1 雷达目标识别概述
• 1.2.2 统计学习理论的本质和支持矢量机的发展现状
• 1.2.3 支持矢量数据描述的发展和国内外研究现状
• 1.3 本文的主要工作
• 第二章 核感知器组合分类器和时延神经网络快速算法
• 2.1 引言
• 2.2 核方法和支持矢量机基本理论
• 2.2.1 核函数
• 2.2.2 支持矢量机（SVM）理论
• 2.3 核感知器组合分类器（Combining Kernel Perceptron, CKP）构造
• 2.3.1 核感知器算法基本理论
• 2.3.2 核感知器组合分类器结构和算法流程
• 2.3.3 仿真实验
• 2.4 时延神经网络（TDNN）快速算法
• 2.4.1 时延神经网络基本原理
• 2.4.2 时延神经网络快速识别算法流程
• 2.4.3 时延神经网络两种实现方式的比较
• 2.5 本章小结
• 第三章 核时延感知器目标识别算法
• 3.1 引言
• 3.2 核时延感知器目标（KTDNN）识别算法
• 3.2.1 核时延感知器网络结构的构造
• 3.2.2 核时延感知器学习算法的推导
• 3.2.3 核时延感知器对非序列数据的处理方法
• 3.3 核时延感知器算法中核参数的快速选择方法
• 3.3.1 准则函数的构造
• 3.3.2 类内类间距离比存在最小值的情况
• 3.3.3 类内类间距离比不存在最小值的情况
• 3.3.4 数据预处理对参数选择的影响
• 3.5 参数对KTDNN 分类器性能的影响
• 3.5.1 核参数对算法性能的影响
• 3.5.2 延时单元对算法性能的影响
• 3.6 KTDNN 算法仿真实验
• 3.6.1 Banana 数据仿真
• 3.6.2 人工数据仿真
• 3.6.3 飞机一维距离像数据仿真
• 3.7 本章小结
• 第四章 SVDD 多类识别算法研究及多算法融合分类器构造
• 4.1 引言
• 4.2 SVDD 基本理论
• 4.3 支持矢量的裁剪
• 4.4 SVDD 多类识别算法的拒判域处理
• 4.4.1 序贯选取方法消除第一类拒判域
• 4.4.2 最小相对距离方法消除第一类拒判域
• 4.5 基于SVDD 的多类雷达目标识别算法
• 4.5.1 SVDD 识别算法训练流程
• 4.5.2 SVDD 最小相对距离多类目标识别算法流程
• 4.5.3 SVDD 序贯最小相对距离多类目标识别算法流程
• 4.6 仿真实验
• 4.6.1 二维人工数据仿真
• 4.6.2 雷达高分辨距离像数据仿真
• 4.7 KTDNN、SVDD 和 SVM 分类器的比较
• 4.8 多算法融合分类器构造
• 4.8.1 高分辨雷达目标识别系统结构
• 4.8.2 多算法融合分类器的训练和识别流程
• 4.8.3 多算法融合分类器仿真实验
• 4.9 本章小结
• 结束语
• 致谢
• 参考文献
• 作者在学期间取得的学术成果