基于核函数的雷达目标一维距离像识别研究

论文摘要

现代高分辨雷达的兴起为目标识别提供了新的途径。高分辨一维距离像反映了目标沿雷达径向的几何结构分布,包含了许多对目标识别有用的信息,其成像过程中避免了复杂的运动补偿问题,比二维或三维成像获取更容易。因此,近年来高分辨雷达目标一维距离像识别受到了广泛关注。本文针对一维距离像,对多种基于核函数的雷达目标识别方法进行了研究。其主要内容如下:1.介绍用于微波成像的目标散射中心模型。2.传统零空间方法充分利用了类内散布矩阵零空间中对分类的有用信息,但是当样本数很大时,传统零空间方法失效。本文研究了一种基于核函数的改进零空间方法。该方法较传统零空间方法简单,仅需分析一个特征值,且适用于大样本数的问题。3.研究了一种核主成分分析方法和线性判别分析相结合的识别方法（KPCA+LDA）。该方法结合了主成份分析方法与线性判别分析的优点,能够在保留类别主要特征的同时,最大化分类间隔。因此,具有较单一方法更好的识别性能。4.提出了一种基于核支持向量最优变换矩阵的一维距离像识别方法。该方法利用支持向量构建类间散布矩阵和类内散布矩阵,结合零空间特性得到最优变换矩阵,以提取目标特征。该方法能够提高一维距离像的识别率。本文中的方法对多组仿真目标一维距离像数据和实测飞机一维距离像数据的识别试验所验证。

论文目录

• 摘要
• ABSTRACT
• 第一章 引言
• 1.1 研究背景
• 1.2 雷达目标识别概述
• 1.2.1 雷达目标识别的基本过程
• 1.2.2 目标识别技术概况
• 1.2.3 目标一维距离像识别
• 1.3 本文研究的内容及文章组织
• 第二章 雷达目标一维距离像及其仿真模型的建立
• 2.1 目标散射中心模型
• 2.2 仿真目标模型建立
• 2.3 实测数据及预处理
• 2.3.1 数据描述
• 2.3.2 预处理
• 第三章 核Fisher 判别分析中的改进零空间方法
• 3.1 Fisher 方法
• 3.1.1 直接求解
• 3.1.2 去除Sb 的零空间
• 3.1.3 直接利用Sw 的零空间
• 3.2 改进的零空间方法
• 3.3 核特征空间中的改进零空间方法
• 3.4 目标仿真识别实验
• 3.4.1 数据描述
• 3.4.2 方法描述
• 3.4.3 实验及结果分析
• 3.5 本章小节
• 第四章 KPCA+LDA 特征提取方法
• 4.1 核主成分分析KPCA
• 4.1.1 PCA
• 4.1.2 KPCA
• 4.2 KPCA+LDA
• 4.3 目标识别仿真实验
• 4.3.1 数据描述
• 4.3.2 方法描述
• 4.3.3 实验及结果分析
• 4.4 本章小结
• 第五章 核支持向量最优变换矩阵
• 5.1 支持向量机
• 5.1.1 样本可分的线性SVM
• 5.1.2 样本集不可分的线性SVM
• 5.1.3 非线性SVM
• 5.1.4 多类SVM
• 5.2 支持向量集
• 5.2.1 两类支持向量集
• 5.2.2 多类支持向量集
• 5.3 最优变换矩阵
• 5.3.1 利用支持向量集构建Fisher 判别式
• 5.3.2 利用零空间求解最优变换矩阵
• 5.4 目标仿真识别实验
• 5.4.1 数据描述
• 5.4.2 方法描述
• 5.4.3 实验及分析
• 5.5 本章小节
• 第六章 总结及展望
• 6.1 全文总结
• 6.2 对未来工作的展望
• 致谢
• 参考文献
• 攻读硕士期间取得的研究成果