论文部分内容阅读
雷达目标识别是现代雷达技术的一个十分重要的发展方向;高分辩雷达技术的日趋成熟为雷达目标识别走向实用成为可能。本文主要基于一维距离像研究了模式识别新技术在雷达目标识别中的应用,具体内容如下:第一章综述了雷达目标识别的基本概念和各种识别方法的优缺点,对本文所作的主要工作进行了概述。第二章介绍了一维距离像的基本概念和获得一维距离像的方法;深入分析了一维距离像的基本特性,主要是讨论了方位角的变化对距离像的影响,如何进行距离对准;讨论了不变模式变换的问题,最后介绍了K—L变换以减少计算量的降维方式。第三章对样本进行了统计分析及讨论了如何选取训练样本与测试样本。从众多的参考文献来看几乎所有参考文献都对此没做过具体分析。本章就样本的统计特性作了详细的分析,对训练样本和测试样本的选择也作了详细的讨论。确保了测试样本和训练样本具有同等的统计特性。保证了后面章节中分类器识别率的可信度。第四章利用模糊极小极大神经网络对雷达目标识别。在本章我们采用模糊极小极大神经网络来对雷达目标一维像进行识别。我们用模糊极小极大神经网络中的超方匣的并来近似目标特征轨迹线。通过对三类飞机的一维距离像用模糊极小极大神经网络来进行试验,取得了较高的识别率。第五章首次提出了基于开放集情况下雷达目标识别问题。相对于封闭集目标识别来说,开放集目标识别更具现实意义,当然其难度也更大。本章考虑了两种情况下开放集的雷达目标识别。—种是进行识别时事先知道n个样本属于同一类目标(可能是未知类别目标也可能是已知类别目标)这一先验条件。另一种是识别时事先并不知道n个样本是否属于同一类目标。在两种情况下我们考虑了目标的拒绝识别问题,同时也考虑了对拒绝识别的样本的利用问题,即从被拒绝的样本中判别是否有一类新目标,当有新目标时利用新目标对分类器重新训练使其成为一类已知类别的目标。我们可以利用重新训练好的分类器再来识别目标和发现新目标。第六章利用支持向量机对雷达目标进行识别,并提出了基于样本的支持向量机的核的改进方法。指出支持向量机在雷达目标识别中应用时存在的问题。本章比较了三种常用核函数在雷达一维距离像识别时的差异。因为常用核函数没有考虑到样本数据的利用,本文通过利用已知数据来改进核函数,其结果显示改进后的核函数能使训练时间大幅减少,同时也能减少支持向量的个数,并具有较高的识别率。较好的解决了支持向量机在识别大样本高维数情况下训练时间过长识别率较低的问题。第七章讨论了模式识别时分类器组合中的两个问题,其一是分类器组合时用于组合的分类器的选择问题,用于组合的分类器应尽量的不相关,从概率的角度定义了分类器之间的相关性,并证明了从较大数量的分类器中随机的选取有限个分类器可以减少分类器之间的相关性。另一个问题是分类器组合后的识别率问题,分类器组合后的识别率在某种情况下高于单个分类器的识别率,而某种隋况下又会低于单个分类器的识别率。有时仅从识别率考虑时并不一定要使用分类器组合。