雷达目标识别算法的在线学习研究
发布时间：2022-02-14 19:25
雷达是一种基本的无线电探测设备,具有全天时、全天候和远距离探测的能力,在军用和民用领域具有重要的应用价值。随着雷达技术的不断发展,雷达目标识别技术受到了世界各国的广泛重视。传统的雷达目标识别算法大多数是在批学习模式下设计和工作的,但实际情况中经常会遇到数据规模过大以及数据动态增多的问题,导致批量学习要耗费大量的时间和空间资源,给传统的雷达目标识别算法带来了巨大的挑战。本文围绕雷达目标识别算法的在线学习展开研究,主要内容概括为如下两个部分:1.针对军民车辆目标分类问题,基于特征提取和支持向量机（Support Vector Machine,SVM）在线学习方法实现对合成孔径雷达（Synthetic Aperture Radar,SAR）图像军民车辆目标的分类。在利用改进的频谱分解联合图像测试（Spectrum Parted Linked Image Test,SPLIT）算法对目标的SAR图像进行散射中心检测、散射中心特征提取和散射中心分类的基础上,通过统计散射中心的类型得到军民车辆目标的散射中心类型分布律特征,然后利用SVM在线学习算法对军民车辆目标进行分类。实验结果表明,该方法提取的...
【文章来源】：西安电子科技大学陕西省211工程院校教育部直属院校
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
散射中心特征提取流程
ehicles 数据集，采集该数据的传感器为高分辨率的圆周合成孔径雷达（SAR），工 X 波段，所采用的极化方式为全极化，仿真的数据包括从30 到60 俯仰角和3位角的多个数据。Civilian Vehicles 数据集包含十类民用车的仿真数据，这些民分别为 Toyota Camry、Honda Civic 4dr、1993 Jeep、1999 Jeep、Nissan Maximaazda MPV、Mitsubishi、Nissan Sentra、Toyota Avalon 和 Toyota Tacoma。军用车标仿真数据为美国 Veda 公司利用高保真电磁仿真软件包 XPATCH 产生的四类的仿真数据，包含消防车（FireTruck）、校车（SchoolBus）、和两种坦克（m1，t1）数据分别给出了 UHF、L、S、X 四个波段，俯仰角为10 、25 和40 ，方位角在3方位范围内变化的四类目标数据。实验中使用 Civilian Vehicles 数据集中 Toyamry、1993 Jeep、1999 Jeep 和 Nissan Sentra 4 类目标的 30 俯仰角的数据作为民辆目标数据，使用两种坦克（m1，t1）X 波段，俯仰角为10 的数据作为军用车标数据，每个目标有 360 个样本数据。图 3.4 给出了利用后向散射投影成像算法的民用车辆目标 Toyota Tacoma 的 SAR 图像和军用车辆目标 m1 的 SAR 图像，图（a）为 Toyota Tacoma 的 SAR 图像，图（b）为 m1 的 SAR 图像。
（a） 20时检测结果 （b） 30时检测结果（c） 50时检测结果 （d） 70时检测结果图3.5 军用车辆目标 m1 散射中心检测结果从图 3.5 中的的军用目标 m1 的散射中心检测的结果可以看出，改进后的 SPLIT算法中的散射中心检测方法所检测到的散射中心和目标强点位置基本对应，并且随着 取值的增大，检测到目标的散射中心也增多，当 7 0时检测到的散射中心基本能够覆盖到目标的大多数强点，能够更好的描述目标的几何结构和物理特性。3.5.3 军民车辆目标特征可分性分析利用改进的 SPLIT 算法对目标的 SAR 图像进行散射中心检测，并对检测到的散射中心进行特征提取和分类，通过统计散射中心类型的分布律，并将其作为车辆目标的特征向量。为了分析军民车辆目标的特征向量的可分性，将民用车辆目标 ToyotaCamry 和 1993 Jeep 的 720 个特征向量
【参考文献】：
期刊论文
[1]自适应的SVM增量算法[J]. 何丽,韩克平,刘颖. 计算机科学与探索. 2019(04)
[2]基于深度学习神经网络的SAR星上目标识别系统研究[J]. 袁秋壮,魏松杰,罗娜. 上海航天. 2017(05)
[3]高分辨雷达一维距离像的融合特征识别[J]. 胡玉兰,赵子铭,片兆宇. 微型机与应用. 2015(04)
[4]基于稀疏表示的SAR图像属性散射中心参数估计算法[J]. 李飞,纠博,刘宏伟,王英华,张磊. 电子与信息学报. 2014(04)
[5]空间目标雷达观测视角变化率及其应用[J]. 宁夏,叶春茂,杨健,山秀明. 清华大学学报(自然科学版). 2013(11)
[6]基于半参数化概率密度估计的雷达目标识别[J]. 朱劼昊,周建江,吴杰. 电子与信息学报. 2010(09)
[7]智能化武器系统发展的关键技术——雷达自动目标识别技术[J]. 庄钊文,黎湘,刘永祥. 科技导报. 2005(08)
博士论文
[1]雷达高分辨距离像目标识别方法研究[D]. 杜兰.西安电子科技大学 2007
[2]光学区雷达目标三维散射中心重构理论与技术[D]. 周剑雄.国防科学技术大学 2006
硕士论文
[1]隐马尔科夫模型在雷达目标识别中的应用研究[D]. 尹学庆.哈尔滨工业大学 2018
[2]基于变换域特征的SAR图像分类[D]. 于竞竞.西安电子科技大学 2017
[3]基于多特征融合的高分辨率极化SAR图像分类方法研究[D]. 丁尧.电子科技大学 2017
[4]极化SAR图像特征提取与分类方法研究[D]. 姜媛.电子科技大学 2016
[5]雷达高分辨距离像噪声稳健识别方法研究及识别系统设计[D]. 袁希望.西安电子科技大学 2014
[6]基于特征融合和特征增强的雷达高分辨距离像稳健识别方法研究[D]. 李志鹏.西安电子科技大学 2013
本文编号：3625132
【文章来源】：西安电子科技大学陕西省211工程院校教育部直属院校
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
散射中心特征提取流程
ehicles 数据集，采集该数据的传感器为高分辨率的圆周合成孔径雷达（SAR），工 X 波段，所采用的极化方式为全极化，仿真的数据包括从30 到60 俯仰角和3位角的多个数据。Civilian Vehicles 数据集包含十类民用车的仿真数据，这些民分别为 Toyota Camry、Honda Civic 4dr、1993 Jeep、1999 Jeep、Nissan Maximaazda MPV、Mitsubishi、Nissan Sentra、Toyota Avalon 和 Toyota Tacoma。军用车标仿真数据为美国 Veda 公司利用高保真电磁仿真软件包 XPATCH 产生的四类的仿真数据，包含消防车（FireTruck）、校车（SchoolBus）、和两种坦克（m1，t1）数据分别给出了 UHF、L、S、X 四个波段，俯仰角为10 、25 和40 ，方位角在3方位范围内变化的四类目标数据。实验中使用 Civilian Vehicles 数据集中 Toyamry、1993 Jeep、1999 Jeep 和 Nissan Sentra 4 类目标的 30 俯仰角的数据作为民辆目标数据，使用两种坦克（m1，t1）X 波段，俯仰角为10 的数据作为军用车标数据，每个目标有 360 个样本数据。图 3.4 给出了利用后向散射投影成像算法的民用车辆目标 Toyota Tacoma 的 SAR 图像和军用车辆目标 m1 的 SAR 图像，图（a）为 Toyota Tacoma 的 SAR 图像，图（b）为 m1 的 SAR 图像。
（a） 20时检测结果 （b） 30时检测结果（c） 50时检测结果 （d） 70时检测结果图3.5 军用车辆目标 m1 散射中心检测结果从图 3.5 中的的军用目标 m1 的散射中心检测的结果可以看出，改进后的 SPLIT算法中的散射中心检测方法所检测到的散射中心和目标强点位置基本对应，并且随着 取值的增大，检测到目标的散射中心也增多，当 7 0时检测到的散射中心基本能够覆盖到目标的大多数强点，能够更好的描述目标的几何结构和物理特性。3.5.3 军民车辆目标特征可分性分析利用改进的 SPLIT 算法对目标的 SAR 图像进行散射中心检测，并对检测到的散射中心进行特征提取和分类，通过统计散射中心类型的分布律，并将其作为车辆目标的特征向量。为了分析军民车辆目标的特征向量的可分性，将民用车辆目标 ToyotaCamry 和 1993 Jeep 的 720 个特征向量
【参考文献】：
期刊论文
[1]自适应的SVM增量算法[J]. 何丽,韩克平,刘颖. 计算机科学与探索. 2019(04)
[2]基于深度学习神经网络的SAR星上目标识别系统研究[J]. 袁秋壮,魏松杰,罗娜. 上海航天. 2017(05)
[3]高分辨雷达一维距离像的融合特征识别[J]. 胡玉兰,赵子铭,片兆宇. 微型机与应用. 2015(04)
[4]基于稀疏表示的SAR图像属性散射中心参数估计算法[J]. 李飞,纠博,刘宏伟,王英华,张磊. 电子与信息学报. 2014(04)
[5]空间目标雷达观测视角变化率及其应用[J]. 宁夏,叶春茂,杨健,山秀明. 清华大学学报(自然科学版). 2013(11)
[6]基于半参数化概率密度估计的雷达目标识别[J]. 朱劼昊,周建江,吴杰. 电子与信息学报. 2010(09)
[7]智能化武器系统发展的关键技术——雷达自动目标识别技术[J]. 庄钊文,黎湘,刘永祥. 科技导报. 2005(08)
博士论文
[1]雷达高分辨距离像目标识别方法研究[D]. 杜兰.西安电子科技大学 2007
[2]光学区雷达目标三维散射中心重构理论与技术[D]. 周剑雄.国防科学技术大学 2006
硕士论文
[1]隐马尔科夫模型在雷达目标识别中的应用研究[D]. 尹学庆.哈尔滨工业大学 2018
[2]基于变换域特征的SAR图像分类[D]. 于竞竞.西安电子科技大学 2017
[3]基于多特征融合的高分辨率极化SAR图像分类方法研究[D]. 丁尧.电子科技大学 2017
[4]极化SAR图像特征提取与分类方法研究[D]. 姜媛.电子科技大学 2016
[5]雷达高分辨距离像噪声稳健识别方法研究及识别系统设计[D]. 袁希望.西安电子科技大学 2014
[6]基于特征融合和特征增强的雷达高分辨距离像稳健识别方法研究[D]. 李志鹏.西安电子科技大学 2013
本文编号：3625132
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3625132.html
