基于模糊理论的雷达目标一维距离像识别研究

【摘要】：一维距离像带有目标大量结构和物理细节信息,且相对二维像(如ISAR等)易于获取,可用来进行目标的识别与分类,在工程方面容易做到实时处理。正是有上述优点,基于一维距离像的雷达目标识别分类方法被广泛研究。然而,日趋复杂的战场电磁环境,增大了一维距离像的不确定性,给目标识别带来了困难。由于模糊理论较传统确定性理论对描述定义模糊的事物更具优势,本文引入模糊技术来分析和改进基于一维距离像识别的传统方法,主要内容及创新点如下: 针对于模糊-C均值(FCM)算法敏感于聚类中心初始值的缺点,研究了二阶模糊聚类算法。该算法利用传递闭包(TC)算法无初始化的优点,先对样本集按一定分类水平进行划分,选取若干类,求得这些类的样本均值作为FCM算法的初始聚类中心。一方面能够获得理想的聚类中心初始值,同时通过分类水平值来优化聚类中心数和聚类中心,避免局部最优,克服一致性聚类。 针对最优聚类中心算法(OCC)在目标一维距离像识别中存在的问题,研究了模糊最优聚类中心算法(FOCC)。首先建立样本隶属度,然后利用样本隶属度对投影子像到最优聚类中心的距离进行加权。增强了隶属度大的样本在求取最优变换矩阵中的作用,弱化了野值或噪声对聚类过程的影响,使同类投影样本更加集中。针对基于Fisher判决率(FDR)修正最近邻分类器存在的问题,研究了一种模糊集模糊程度(FR)加权方法。算法考虑了非库样本对隶属度矩阵的影响,利用隶属度矩阵计算模糊程度指标,对FDR进行修正,共同对隶属度进行加权。算法对随机到来数据具有一定自适应性。 研究分析了模糊支持向量机(FSVM)在小样本情况下,对基于一维距离像的雷达目标的分类问题。通过模拟数据和实测数据实验,证明了FSVM算法可以在一定程度上克服传统SVM算法敏感于野值或噪声的问题,但是发现在信噪比较高时,对SVM进行隶属度加权反而会降低对目标的识别率。最后通过实验分析了两种构造隶属度方法的优劣。 利用上述方法对雷达目标仿真和实测数据进行了分类实验,并且证明了方法的有效性。