CN111580062B - 基于双圆极化高分辨一维距离像hrrp的目标鉴别方法 - Google Patents
基于双圆极化高分辨一维距离像hrrp的目标鉴别方法 Download PDFInfo
- Publication number
- CN111580062B CN111580062B CN202010446380.7A CN202010446380A CN111580062B CN 111580062 B CN111580062 B CN 111580062B CN 202010446380 A CN202010446380 A CN 202010446380A CN 111580062 B CN111580062 B CN 111580062B
- Authority
- CN
- China
- Prior art keywords
- sample set
- polarization
- characteristic
- target
- hrrp
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/414—Discriminating targets with respect to background clutter
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出了一种基于双圆极化高分辨一维距离像HRRP的目标鉴别方法,用于解决雷达地面目标识别系统在目标鉴别阶段鉴别精度较低的问题,适用于雷达目标识别系统目标鉴别阶段对库内目标的鉴别以及对库外干扰的拒判。实现步骤为:获取训练样本集和测试样本集;获取训练样本集的鉴别特征集和测试样本集的鉴别特征集;对训练样本集的鉴别特征集进行聚类;利用DW‑SVDD算法计算各个特征子区域的分类子超平面参数;对测试样本集进行目标鉴别。
Description
技术领域
本发明属于雷达目标识别技术领域,涉及一种基于双圆极化高分辨一维距离像HRRP的目标鉴别方法,适用于雷达目标识别系统对库内目标的鉴别以及对库外干扰的 拒判。该方法能够提高雷达目标识别系统在目标鉴别阶段待测试目标类型的鉴别精度, 从而使雷达目标识别系统的总体性能得到有效提升。
背景技术
在雷达目标识别环境中,对于复杂地物背景常常存在大量的干扰物,严重影响了雷达目标识别系统的总体性能。为使导弹武器可以准确的对目标进行打击,雷达目标识 别系统的关键技术是实现对地面假目标干扰物的拒判与对敌方军事目标有效的鉴别与 分类,本发明中将假目标干扰物称为库外干扰,敌方军事目标称为库内目标。本发明对 于库外干扰,直接将其拒判剔除,为后续库内目标的分类降低复杂度。因此,雷达目标 识别系统在目标鉴别阶段,需要对目标特征空间进行有效地描述,然后剔除库外干扰, 完成对库内目标的鉴别与库外干扰的拒判。通常情况下,目标鉴别方法性能优劣用库内 目标的正确鉴别率以及库外干扰的正确拒判率来表征,概率越大表明该方法对应的鉴别 性能越好,即目标鉴别精度更高。
特征提取是雷达目标识别系统在目标鉴别阶段的一个重要环节,特征提取的合适与否直接影响到雷达目标识别系统在目标鉴别阶段目标的鉴别精度。针对高分辨一维距离像单极化通道特征提取方法,李龙等人在“电子与信息学报:基于训练特征空间分布 的雷达地面目标鉴别器设计,2016,第38卷第4期”中已提出,它解决了针对单极化高 分辨一维距离像,目标鉴别阶段有效特征提取。但是,相比于单极化高分辨雷达目标一 维距离像,双圆极化高分辨雷达目标一维距离像能够更为精细地表征目标的电磁散射特 性。因此如何能够充分利用极化高分辨一维距离像的极化特征,将会使雷达目标识别系 统的总体性能得到有效提升。但是该方法在针对双圆极化高分辨一维距离像进行特征提 取时,对目标极化信息损失较大,因此本发明基于双圆极化高分辨一维距离像的目标鉴 别方法中,针对双圆极化高分辨一维距离像提出了一种基于m-χ极化分解的特征提取 方法,该方法通过m-χ极化分解,实现目标多通道高分辨一维距离像的特征提取,较 传统直接对极化高分辨一维距离像进行特征提取的方法,该方法更能充分利用目标极化 高分辨一维距离像的极化信息,同时减少目标特征中的冗余信息,保证特征低维度特性。
又如,申请公布号为CN 108416393 A,名称为“一种基于高分辨一维距离像的目标识别优化方法”,公开了一种基于单极化高分辨一维距离像的目标识别优化方法,该方 法包括针对单极化高分辨一维距离像的特征提取、对训练样本特征空间进行高低密度划 分,通过计算高低密度区域的分类子超平面参数来对待测试样本进行鉴别,来判定待测 试样本属于库内目标还是库外干扰。该方法存在的不足之处是:由于较单极化高分辨一 维距离像,双圆极化高分辨一维距离像包括目标更多的极化信息,更能较好的反映目标 的极化电磁散射特性,利用该方法中的特征提取方法会损失目标的极化信息,从而降低 目标鉴别精度。
发明内容
针对上述现有技术存在的不足,本发明的目的在于提出一种基于双圆极化高分辨一 维距离像HRRP的目标鉴别方法,用于解决现有技术中存在的针对极化HRRP进行特征 提取会损失目标极化信息导致的目标鉴别精度低的问题,该方法能够实现雷达目标鉴别 阶段对库内目标的有效鉴别与库外干扰的有效拒判,从而提高雷达目标识别系统的总体 性能,便于实际工程应用。
为实现上述目的,本发明采取的技术方案包括如下步骤:
(1)获取训练样本集和测试样本集:
(1a)设双圆极化雷达向探测范围内存在的M个不同类型的感兴趣目标,即库内目标发射电磁波,经库内目标反射后同极化通道接收的LL回波和交叉极化通道接收的RL 回波的数量均为N,M≥1,N>>M;设双圆极化雷达所发射电磁波经待鉴别目标反射 后同极化通道接收的LL回波和交叉极化通道接收的RL回波的数量均为Nb,Nb≥1; 设信杂比门限为th;
(1b)对库内目标的N个LL回波和RL回波分别进行FFT变换,得到库内目标的 N个LL极化HRRP和N个RL极化HRRP,并选取其中大于th的Na个LL极化 HRRP和Na个RL极化HRRP作 为训练样本集,其中M≤Na≤N,LLi和RLi分别表示训练样本集中第i个LL极化HRRP 和RL极化HRRP;
(1c)对待测LL极化HRRP和RL极化HRRP试目标的Nb个LL回波和RL回波 分别进行FFT变换,得到待测试目标的Nb个LL极化HRRP和Nb个RL极化HRRP并将L2和R2作为测试样本集, 其中,LLl和RLl分别表示测试样本集中第l个LL极化HRRP和RL极化HRRP;
(2)获取训练样本集的鉴别特征集和测试样本集的鉴别特征集:
(2b)对Vs1、Vd1、Vv1、Vs2、Vd2和Vv2的幅度最大值特征fms、fmd、fmv、hms、 hmd和hmv,以及重心特征fgs、fgd、fgv、hgs、hgd和hgv进行组合,得到训练样本 集的鉴别特征集F=[fm;fg]和测试样本集的鉴别特征集H=[hm;hg],其中:
fm=[fms;fmd;fmv]、fg=[fgs;fgd;fgv]、hm=[hms;hmd;hmv]、hg=[hgs;hgd;hgv];
(3)对训练样本集的鉴别特征集进行聚类:
对训练样本集的鉴别特征集F进行聚类,得到C个特征子区域 X1,X2,…,Xn,…,XC,F=X1∪X2…∪Xn…∪XC,其中Xn表示第n个特征子区域, Xn=[xn1,xn2,…,xn(j-1),xnj,xn(j+1),…,xnm],xnj表示第n个特征子区域中第j个特征向量, n=1,2,…,C,j=1,2,…,m,m表示第n个特征子区域中特征向量个数;
(4)利用DW-SVDD算法计算各个特征子区域的分类子超平面参数:
(4a)基于k近邻距离算法计算Xn中每个特征向量xnj的密度权重ρ(xnj);
(4b)通过利用拉格朗日乘子法在特征子区域Xn中对DW-SVDD算法的目标函数 进行求解,得到C个特征子区域对应的拉格朗日乘子向量A=[α1,α2,…,αn,…,αC],其中 αn=[αn1,αn2,…,αn(j-1),αnj,αn(j+1),…,αnm],αnj表示第n个特征子区域的拉格朗日乘子 向量αn中第j个拉格朗日乘子;
(4c)拉格朗日乘子向量αn中大于0的t个拉格朗日乘子αnj对应的序号j记为 qn={qs=j|αnj>0,s=1,2,…,t},该t个拉格朗日乘子αnj构成向量αnp表示αn *中第p个拉格朗日乘子,将第n个 特征子区域Xn=[xn1,xn2,…,xnj,…,xnm]中下标j与qn中qs相等的t个特征向量记为该特征 子区域Xn的支持向量SVn=[sv1,sv2,…,svy-1,svy,svy+1,…,svt],y=1,2,…,t,从而 得到C个特征子区域的支持向量集合SV=[SV1,SV2,…,SVn,…,SVC];
(4d)利用αn *和SVn计算特征子区域Xn的支持向量域半径Rn,并将所有的Rn组合 成C个特征子区域的支持向量域半径集合R=[R1,R2,…,Rn,…,RC];
(4e)将αn *、SVn和Rn作为Xn的分类子超平面参数,则X1,X2,…,Xn,…,XC的分 类子超平面参数为A*=[α1 *,α2 *,…,αn *,…,αC *]、SV=[SV1,SV2,…,SVn,…,SVC]和 R=[R1,R2,…,Rn,…,RC];
(5)对测试样本集进行目标鉴别:
根据Xn的分类子超平面参数,判断测试样本集的鉴别特征集H是否使下式成立,若是,则测试样本集中的目标类型为库内目标,否则为库外干扰:
其中,K(H,svy)=exp(-||H-svy||)/2σ2,K(svy,svy+1)=exp(-||svy-svy+1||)/2σ2exp表示以自然数e为底的指数。
本发明在对HRRP进行目标鉴别特征提取时,采用了一种基于目标双圆极化 HRRPm-χ极化分解的特征提取方法,即对目标双圆极化HRRP经过m-χ极化分解后 的各散射分量进行目标特征提取,解决了目标特征提取环节对HRRP极化信息的损失与 目标鉴别精度低的问题,实现了将雷达双圆极化HRRP的极化特征信息充分运用在雷达 目标识别系统的鉴别环节,使雷达目标鉴别精度得到有效提升。同时利用实验室现有实 测数据对本发明方法进行验证时,目标鉴别阶段库内目标平均鉴别率与库外目标平均拒 判率都可以达到0.92及以上。
附图说明
图1中为本发明实现流程图;
图2为本发明与现有技术在雷达目标鉴别阶段目标鉴别性能ROC曲线对比图;
图3为不同信噪比(SNR)下在雷达目标鉴别阶段采用本发明方法,各目标鉴别性能ROC曲线图。
具体实施方式
下面将结合附图和具体实施案例,对本发明作进一步的详细描述:
参照图1,本发明包括如下步骤:
步骤1)获取训练样本集和测试样本集:
步骤1a)设双圆极化雷达向探测范围内存在的M个不同类型的感兴趣目标,即库内目标发射电磁波,经库内目标反射后同极化通道接收的LL回波和交叉极化通道接收 的RL回波的数量均为N,M≥1,N>>M;设双圆极化雷达所发射电磁波经待鉴别目 标反射后同极化通道接收的LL回波和交叉极化通道接收的RL回波的数量均为Nb, Nb≥1;设信杂比门限为th;
步骤1b)对库内目标的N个LL回波和RL回波分别进行FFT变换,得到库内目标 的N个LL极化HRRP和N个RL极化HRRP,并选取其中大于th的Na个LL极化 HRRP和Na个RL极化HRRP作 为训练样本集,其中M≤Na≤N,LLi和RLi分别表示训练样本集中第i个LL极化HRRP 和RL极化HRRP;
步骤1c)对待测LL极化HRRP和RL极化HRRP试目标的Nb个LL回波和RL回 波分别进行FFT变换,得到待测试目标的Nb个LL极化 HRRP和Nb个RL极化HRRP并将L2和R2作为测试样本集,其中,LLl和RLl分 别表示测试样本集中第l个LL极化HRRP和RL极化HRRP。
步骤2)获取训练样本集的鉴别特征集和测试样本集的鉴别特征集:
步骤2a)对训练样本集中的L1和R1,以及测试样本集中的L2和R2分别进行m-χ极 化分解,得到训练样本集的奇次散射分量偶次散射分 量和体散射分量以及测试样 本集的奇次散射分量偶次散射分量 和体散射分量
其中对LLi和RLi以及LLl和RLl进行m-χ极化分解的实现步骤为:
步骤2a1)分别计算双圆极化雷达体制下训练样本集中的LLi、RLi和测试样本集中的LLl、RLl的Stokes矢量Ji和Jl,计算公式如下:
其中,·T表示矩阵转置运算;
步骤2a2)分别计算双圆极化雷达体制下训练样本集中的LLi、RLi和测试样本集中的LLl、RLl的极化度ui和ul,计算公式如下:
步骤2a3)分别计算双圆极化雷达体制下训练样本集中的LLi、RLi和测试样本集中的LLl、RLl的sin(2χi)和sin(2χl),计算公式如下:
步骤2a4)分别计算双圆极化雷达体制下训练样本集中的LLi、RLi和测试样本集中的LLl、RLl的奇次散射分量Vsi和Vsl、偶次散射分量Vdi和Vdl、体散射分量Vvi和Vvl,计 算公式如下:
步骤2b)对Vs1、Vd1、Vv1、Vs2、Vd2和Vv2的幅度最大值特征fms、fmd、fmv、 hms、hmd和hmv,以及重心特征fgs、fgd、fgv、hgs、hgd和hgv进行组合,得到训 练样本集的鉴别特征集F=[fm;fg]和测试样本集的鉴别特征集H=[hm;hg],其中: fm=[fms;fmd;fmv]、fg=[fgs;fgd;fgv]、hm=[hms;hmd;hmv]、hg=[hgs;hgd;hgv];
其中Vs1、Vd1、Vv1、Vs2、Vd2和Vv2的幅度最大值特征fms、fmd、fmv、hms、hmd和hmv,以及重心特征fgs、fgd、fgv、fgs、fgd和fgv,表达式分别为:
其中,和分别表示训练样本集中Vsi、Vdi和Vvi的幅度最大值特征, 和分别表示训练样本集中Vsi、Vdi和Vvi的重心特征,和分别表示测 试样本集中Vsl、Vdl和Vvl的幅度最大值特征,和分别表示测试样本集中Vsl、 Vdl和Vvl的重心特征。
步骤3)对训练样本集的鉴别特征集进行聚类:
对训练样本集的鉴别特征集F进行聚类,得到C个特征子区域 X1,X2,…,Xn,…,XC,F=X1∪X2…∪Xn…∪XC,其中Xn表示第n个特征子区域, Xn=[xn1,xn2,…,xn(j-1),xnj,xn(j+1),…,xnm],xnj表示第n个特征子区域中第j个特征向量, n=1,2,…,C,j=1,2,…,m,m表示第n个特征子区域中特征向量个数;
步骤4)利用DW-SVDD算法计算各个特征子区域的分类子超平面参数:
步骤4a)基于k近邻距离算法计算Xn中每个特征向量xnj的密度权重ρ(xnj),其计 算公式如下:
步骤4b)通过利用拉格朗日乘子法在特征子区域Xn中对DW-SVDD算法的目标函 数进行求解,得到C个特征子区域对应的拉格朗日乘子向量A=[α1,α2,…,αn,…,αC],其 中αn=[αn1,αn2,…,αn(j-1),αnj,αn(j+1),…,αnm],αnj表示第n个特征子区域的拉格朗日乘 子向量αn中第j个拉格朗日乘子,其中αn的计算公式如下:
其中,ε表示该目标函数的惩罚因子,0<ε<1;K(·)表示高斯核函数,K(xnj,xnj)表达式为K(xnj,xnj)=exp(-||xnj-xnj||2)/2σ2,K(xnj,xn(j+1))的表达式为 K(xnj,xn(j+1))=exp(-||xnj-xn(j+1)||2)/2σ2,exp表示以自然数e为底的指数,σ表 示高斯核函数参数,αn=[αn1,αn2,…,αn(j-1),αnj,αn(j+1),…,αnm],通过计算αn得到A。
步骤4c)拉格朗日乘子向量αn中大于0的t个拉格朗日乘子αnj对应的序号j记为 qn={qs=j|αnj>0,s=1,2,…,t},该t个拉格朗日乘子αnj构成向量αnp表示αn *中第p个拉格朗日乘子,将第n个 特征子区域Xn=[xn1,xn2,…,xnj,…,xnm]中下标j与qn中qs相等的t个特征向量记为该特征 子区域Xn的支持向量SVn=[sv1,sv2,…,svy-1,svy,svy+1,…,svt],y=1,2,…,t,从而 得到C个特征子区域的支持向量集合SV=[SV1,SV2,…,SVn,…,SVC];
步骤4d)利用αn *和SVn计算特征子区域Xn的支持向量域半径Rn,并将所有的Rn组 合成C个特征子区域的支持向量域半径集合R=[R1,R2,…,Rn,…,RC],其中Rn的计算公 式如下:
其中,K(svy,svy)=exp(-||svy-svy||)/2σ2,K(svy,svy+1)=exp(-||svy-svy+1||)/2σ2 exp表示以自然数e为底的指数,σ表示高斯核函数参数。
步骤4e)将αn *、SVn和Rn作为Xn的分类子超平面参数,则X1,X2,…,Xn,…,XC的 分类子超平面参数为A*=[α1 *,α2 *,…,αn *,…,αC *]、SV=[SV1,SV2,…,SVn,…,SVC] 和R=[R1,R2,…,Rn,…,RC];
步骤5)对测试样本集进行目标鉴别:
根据Xn的分类子超平面参数,判断测试样本集的鉴别特征集H是否使下式成立,若是,则测试样本集中的目标类型为库内目标,否则为库外干扰;
其中,K(H,svy)=exp(-||H-svy||)/2σ2,K(svy,svy+1)=exp(-||svy-svy+1||)/2σ2exp表示以自然数e为底的指数,σ表示高斯核函数参数。
下面结合实验室现有实测数据,对本发明的技术效果做进一步描述。
1.数据介绍:
雷达为双圆极化雷达,雷达发射信号采用双圆极化简单脉冲步进频率体制,发射左 旋圆极化信号,接收同极化和交叉极化数据。所用实测数据带宽为1.2GHz,库内目标为两个不同类型的雷达车(记为雷达车1和雷达车2)、卡车和方仓车,库外干扰为房子、 铁塔、机库和角反。
2.实验结果分析:
实验1,用带宽为1.2GHz的实测数据,采用本发明方法,对比基于m-χ极化分解的特征提取方法和未进行m-χ极化分解直接进行特征提取方法对雷达目标鉴别性能的影 响。从图2本发明与现有技术在雷达目标鉴别阶段目标鉴别性能ROC曲线对比图可以看 出,本发明中对雷达目标鉴别精度有显著提升。
实验2,使用本发明目标鉴别方法,来验证不同信噪比下对雷达目标鉴别性能的影响。从图3为不同信噪比(SNR)下在雷达目标鉴别阶段采用本发明方法,各目标鉴别 性能ROC曲线图可以看出,随着目标信噪比的提高,目标正确鉴别率有一定的提升, 在信噪比大于20dB后鉴别性能基本趋于稳定。
综上所述,仿真实验验证了本发明的正确性,有效性和可靠性。
Claims (6)
1.一种基于双圆极化高分辨距离像HRRP的目标鉴别方法,其特征在于包括如下步骤:
(1)获取训练样本集和测试样本集:
(1a)设双圆极化雷达向探测范围内存在的M个不同类型的感兴趣目标,即库内目标发射电磁波,经库内目标反射后同极化通道接收的LL回波和交叉极化通道接收的RL回波的数量均为N,M≥1,N>>M;设双圆极化雷达所发射电磁波经待鉴别目标反射后同极化通道接收的LL回波和交叉极化通道接收的RL回波的数量均为Nb,Nb≥1;设信杂比门限为th,与库内目标类型不同的目标称为库外干扰;
(1b)对库内目标的N个LL回波和RL回波分别进行FFT变换,得到库内目标的N个LL极化HRRP和N个RL极化HRRP,并选取其中大于th的Na个LL极化HRRP和Na个RL极化HRRP作为训练样本集,其中M≤Na≤N,LLi和RLi分别表示训练样本集中第i个LL极化HRRP和RL极化HRRP;
(1c)对待测LL极化HRRP和RL极化HRRP试目标的Nb个LL回波和RL回波分别进行FFT变换,得到待测试目标的Nb个LL极化HRRP和Nb个RL极化HRRP并将L2和R2作为测试样本集,其中,LLl和RLl分别表示测试样本集中第l个LL极化HRRP和RL极化HRRP;
(2)获取训练样本集的鉴别特征集和测试样本集的鉴别特征集:
(2b)对Vs1、Vd1、Vv1、Vs2、Vd2和Vv2的幅度最大值特征fms、fmd、fmv、hms、hmd和hmv,以及重心特征fgs、fgd、fgv、hgs、hgd和hgv进行组合,得到训练样本集的鉴别特征集F=[fm;fg]和测试样本集的鉴别特征集H=[hm;hg],其中:fm=[fms;fmd;fmv]、fg=[fgs;fgd;fgv]、hm=[hms;hmd;hmv]、hg=[hgs;hgd;hgv];
(3)对训练样本集的鉴别特征集进行聚类:
对训练样本集的鉴别特征集F进行聚类,得到C个特征子区域X1,X2,…,Xn,…,XC,F=X1∪X2…∪Xn…∪XC,其中Xn表示第n个特征子区域,Xn=[xn1,xn2,…,xn(j-1),xnj,xn(j+1),…,xnm],xnj表示第n个特征子区域中第j个特征向量,n=1,2,…,C,j=1,2,…,m,m表示第n个特征子区域中特征向量个数;
(4)利用DW-SVDD算法计算各个特征子区域的分类子超平面参数:
(4a)基于k近邻距离算法计算Xn中每个特征向量xnj的密度权重ρ(xnj);
(4b)针对特征子区域Xn利用拉格朗日乘子法对DW-SVDD算法的目标函数进行求解,得到C个特征子区域对应的拉格朗日乘子向量A=[α1,α2,…,αn,…,αC],其中αn=[αn1,αn2,…,αn(j-1),αnj,αn(j+1),…,αnm],αnj表示第n个特征子区域的拉格朗日乘子向量αn中第j个拉格朗日乘子;
(4c)拉格朗日乘子向量αn中大于0的t个拉格朗日乘子αnj对应的序号j记为qn={qs=j|αnj>0,s=1,2,…,t},该t个拉格朗日乘子αnj构成向量αnp表示αn *中第p个拉格朗日乘子,将第n个特征子区域Xn=[xn1,xn2,…,xnj,…,xnm]中下标j与qn中qs相等的t个特征向量记为该特征子区域Xn的支持向量SVn=[sv1,sv2,…,svy-1,svy,svy+1,…,svt],y=1,2,…,t,从而得到C个特征子区域的支持向量集合SV=[SV1,SV2,…,SVn,…,SVC];
(4d)利用第n个特征子区域的αn *和支持向量SVn计算得到该特征子区域的支持向量域半径Rn,从而得到C个特征子区域的支持向量域半径集合R=[R1,R2,…,Rn,…,RC];
该步骤计算得到的αn *、SVn和Rn即为第n个特征子区域的分类子超平面参数;
(5)对测试样本集进行目标鉴别:
根据第n个特征子区域对应的αn *、SVn和Rn,n的取值从1到C,判断测试样本集的鉴别特征集H是否满足下式成立,若成立则测试样本集中的目标类型为库内目标,否则为库外干扰,并将此判断结果记为一种基于双圆极化HRRP的目标鉴别鉴别结果:
2.根据权利要求1所述基于双圆极化高分辨距离像HRRP的目标鉴别方法,其特征在于,步骤(2a)中所述对训练样本集L1、R1和测试样本集L2、R2分别进行m-χ极化分解,计算公式为:
(2a1)分别计算双圆极化雷达体制下训练样本集中的LLi、RLi和测试样本集中的LLl、RLl的Stokes矢量Ji和Jl,计算公式如下:
其中,·T表示矩阵转置运算;
(2a2)分别计算双圆极化雷达体制下训练样本集中的LLi、RLi和测试样本集中的LLl、RLl的极化度ui和ul,计算公式如下:
(2a4)分别计算双圆极化雷达体制下训练样本集中的LLi、RLi和测试样本集中的LLl、RLl的奇次散射分量Vsi和Vsl、偶次散射分量Vdi和Vdl、体散射分量Vvi和Vvl,计算公式如下:
5.根据权利要求1所述基于双圆极化高分辨距离像HRRP的目标鉴别方法,其特征在于,步骤(4b)中所述对特征子区域Xn利用拉格朗日乘子法对DW-SVDD算法的目标函数进行求解,得到αn=[αn1,αn2,…,αn(j-1),αnj,αn(j+1),…,αnm],计算公式如下:
其中,ε表示该目标函数的惩罚因子,0<ε<1;K(·)表示高斯核函数,K(xnj,xnj)表达式为K(xnj,xnj)=exp(-||xnj-xnj||2)/2σ2,K(xnj,xn(j+1))的表达式为K(xnj,xn(j+1))=exp(-||xnj-xn(j+1)||2)/2σ2,exp表示以自然数e为底的指数,通过计算αn得到C个特征子区域对应的拉格朗日乘子向量A=[α1,α2,…,αn,…,αC]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010446380.7A CN111580062B (zh) | 2020-05-25 | 2020-05-25 | 基于双圆极化高分辨一维距离像hrrp的目标鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010446380.7A CN111580062B (zh) | 2020-05-25 | 2020-05-25 | 基于双圆极化高分辨一维距离像hrrp的目标鉴别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111580062A CN111580062A (zh) | 2020-08-25 |
CN111580062B true CN111580062B (zh) | 2023-03-10 |
Family
ID=72114021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010446380.7A Active CN111580062B (zh) | 2020-05-25 | 2020-05-25 | 基于双圆极化高分辨一维距离像hrrp的目标鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111580062B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990279B (zh) * | 2021-02-26 | 2021-11-30 | 西安电子科技大学 | 基于自动编码器的雷达高分辨距离像库外目标拒判方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105223561B (zh) * | 2015-10-23 | 2017-10-24 | 西安电子科技大学 | 基于空间分布的雷达地面目标鉴别器设计方法 |
CN108416393A (zh) * | 2018-03-16 | 2018-08-17 | 西安电子科技大学 | 一种基于高分辨一维距离像的目标识别优化方法 |
CN108985155A (zh) * | 2018-06-06 | 2018-12-11 | 平安科技(深圳)有限公司 | 嘴巴模型训练方法、嘴巴识别方法、装置、设备及介质 |
CN110109110B (zh) * | 2019-04-26 | 2023-06-16 | 西安电子科技大学 | 基于先验最优变分自编码机的hrrp目标识别方法 |
-
2020
- 2020-05-25 CN CN202010446380.7A patent/CN111580062B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111580062A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jacobs et al. | Automatic target recognition using sequences of high resolution radar range-profiles | |
CN107977642B (zh) | 一种核自适应均值判别分析的高分辨距离像目标识别方法 | |
CN109901130B (zh) | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 | |
CN108133232A (zh) | 一种基于统计字典学习的雷达高分辨距离像目标识别方法 | |
US8872693B1 (en) | Radar signature database validation for automatic target recognition | |
Ezuma et al. | Radar cross section based statistical recognition of UAVs at microwave frequencies | |
CN111175718B (zh) | 联合时频域的地面雷达自动目标识别方法及系统 | |
CN109143195A (zh) | 一种基于全kl散度的雷达目标检测方法 | |
CN109932717B (zh) | 基于环境统计建模的isar高分辨成像方法 | |
CN111580062B (zh) | 基于双圆极化高分辨一维距离像hrrp的目标鉴别方法 | |
CN108845303A (zh) | 一种非线性稳健子空间真假目标特征提取方法 | |
CN113486917B (zh) | 一种基于度量学习的雷达hrrp小样本目标识别方法 | |
Huang et al. | Yolo-ore: A deep learning-aided object recognition approach for radar systems | |
CN112213697B (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
CN112462367B (zh) | 一种基于极化合成孔径雷达的车辆检测方法 | |
CN109521411A (zh) | 一种距离扩展目标的检测方法 | |
CN110967677B (zh) | 时频域分级多目标分辨与测量方法 | |
CN106019250B (zh) | 基于角闪烁转发式假目标鉴别方法 | |
CN109766899B (zh) | 物理特征提取和svm的sar图像车辆目标识别方法 | |
CN115166649B (zh) | 一种极窄脉冲雷达散射点特征聚合目标极化检测方法 | |
Cao et al. | An approach for high resolution radar target recognition based on BP neural network | |
Cilliers et al. | Comparison of the mutual information content between the polarimetric monostatic and bistatic measured RCS data of a 1: 25 boeing 707 model | |
CN115079103A (zh) | 一种基于多域特征与LightGBM的抗箔条干扰方法 | |
CN115061094B (zh) | 一种基于神经网络与svm的雷达目标识别方法 | |
Bouza et al. | Classification of sums of complex exponentials |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |