论文部分内容阅读
雷达目标识别技术是现代雷达系统的重要发展方向之一,已成为各国目前和未来武器系统的重要组成部分。利用高分辨雷达获得的一维距离像包含了丰富的可用于对目标进行分类识别的特征信息。本文针对雷达目标一维距离像,采取多种基于核函数的方法,对雷达目标识别进行了分析和研究。主要研究内容如下:1.以核样本的概念为基础,首先运用主成分分析法(PCA)对核样本进行适当的降维处理,然后对降维以后的核样本进行线性Fisher判别分析(LDA),为了达到对核样本的最佳的特征提取,把LDA过程等效为对类内和类间离散度矩阵的同时对角化。本文把上述方法运用于雷达一维距离像的目标识别中,发现该方法在雷达目标姿态角变化范围较小的情况下,确实可以取得比较好的识别效果。2.通过引入支持向量机(SVM)算法,试图解决大姿态角范围内雷达一维距离像的目标识别问题。本文以标准的基于不可分样本集的支持向量机(C-SVM)为基础,引入了一种广义和修正C-SVM算法,以期进一步提高大姿态角范围内雷达目标一维距离像的识别精度,同时发现广义C-SVM算法可以很好地解决雷达目标识别中的一种极端情况。为了减少支持向量机的算法复杂度以节约资源,本文在支持向量机的算法框架下给出了一种筛减训练样本的方法,以期在不降低雷达目标一维距离像识别率的基础上,达到缩小训练样本规模的目的。实验结果证明了上述算法是有效的和可行的。3.通过引入最小二乘支持向量机(LS-SVM)算法,试图解决大姿态角范围内雷达一维距离像的目标识别问题。本文对标准的LS-SVM算法进行了改进,并给出了一种广义和修正LS-SVM算法,以期进一步提高大姿态角范围内雷达目标一维距离像的识别精度。为了提高LS-SVM算法在识别样本时的执行效率,特别针对雷达一维距离像的特殊性,本文提出了一种新的LS-SVM稀疏化算法,以期在不降低雷达目标一维距离像识别率的基础上,达到稀疏化训练样本的目的。通过把迭代式增量LS-SVM算法和本文所提出的新的LS-SVM稀疏化算法相结合,很好地避免了大规模矩阵的求逆问题,有利于硬件实现。实验结果证明了上述算法是有效的和可行的。