论文部分内容阅读
雷达目标识别是现代雷达技术中一个研究热点，这不仅因为该研究方向具有重要学术意义，更因为它具有广阔的应用背景。雷达目标识别的关键技术主要有两点:一是目标特性的选择和提取，二是分类器的设计。本文从目标特性的选择和分类器的设计两个角度对目标识别方法进行了研究，提出目标波系数特征的概念，并研究了基于波系数的目标识别方法。概括起来，本文主要工作和创新点包括: 首先，通过二维目标引入目标波系数的概念，并给出波系数的提取方法。以四个目标为例，提取了它们的波系数，验证了波系数在频带内的正确性。详细研究了二维目标波系数的特性，包括方位角敏感性、频带敏感性以及等效半径选择敏感性。结果表明，频率选择越高，波系数对方位角越敏感，如果频带选择合适，则波系数具有较大的角匹配宽度，存储不多的系数模版就能完全表征目标特性。给出了目标等效半径的选取原则。 然后，详细研究了基于波系数的二维目标识别方法，包括TM入射波系数、TE入射波系数、两种极化波系数联合识别，采用较为简单的相关系数分类器。结果表明，在每个目标存储相同个数模板的前提下，TM入射波系数比TE入射波系数具有更大的目标区分度，有利于目标识别。TE入射波系数在有噪声情形下的识别表现优于TM入射。两种极化波系数联合能有效提高目标区分度。研究了目标等效半径的选取对识别区分度的影响。 进一步，将波系数的概念及基于波系数的识别方法推广到三维目标。推导了三维目标波系数的理论公式，给出了提取三维目标波系数的方法。以四个飞机目标模型为例，提取了它们的波系数，数值验证了波系数在频带内的正确性。研究和比较了三维目标复波系数和幅度波系数在俯仰角和方位角的角匹配特性。比较了复波系数和幅度波系数在无噪声和噪声情形下的识别结果。 最后，将统计学习理论中的支持向量机方法运用到波系数目标识别中。阐述了支持向量机解决分类问题的基本过程、多分类问题的常用算法。并提出了一种用更少的支持向量机解决多目标分类问题的方法。研究了基于支持向量机的波系数目标识别，包括二维目标和三维目标，取得了良好的识别结果，证明了方法的有效性。