宽带雷达目标极化特征提取与核方法识别研究

【摘要】： 雷达目标特征提取与分类器设计是雷达目标识别系统中的两个关键问题。本文基于宽带高分辨全极化雷达体制,以飞机、坦克、舰船等军事目标为识别对象,围绕目标极化特征提取、优选、核方法分类器模型参数优化、核方法分类器设计这几个方面展开深入研究,以求提取反映目标本质属性的特征、设计目标识别最优分类器,提高雷达目标识别性能。研究内容主要分为三大部分: 1.雷达目标HRRP极化特征提取与优选 (1)从三个不同角度研究目标高分辨距离像(High Resolution Range Profile,HRRP)极化特征提取:①将极化合成孔径雷达(Synthetic Aperture Radar,SAR)中常用的H /α分解方法引入到全极化目标HRRP,丰富了反映目标HRRP散射随机性的特征;②根据Sinclair散射矩阵相似性参数理论,定义了目标HRRP与6种标准体散射矩阵相似性参数的概率形式,以其为基础构建的特征可准确反映目标的物理结构特性;③提出了反映目标散射能量特性的Mueller矩阵相似性参数特征,并且证明了该参数特征的旋转不变性。 (2)基于全极化与双极化体制,分别详细推导了这些特征在两种极化体制下的表达式。结果表明,两种体制下不仅这些特征的表达式不同,而且特征的个数也不同,有些特征之间存在一定的线性关系。实验部分采用飞机目标实测数据和舰船目标电磁特性软件计算数据从特征可分性以及识别性能两个方面验证以上特征的有效性。通过特征优选,分别为飞机、舰船目标提取有利于识别的极化特征。 2.雷达目标识别中SVM可分性研究与模型优化选择 (1)从理论上研究了支持矢量机(Support Vector Machine,SVM)线性可分性的本质,以及SVM线性不可分时引入惩罚因子c的物理意义,并且证明过程更简单,物理意义更明确。通过实验定量分析了核函数及其参数对识别性能的影响。 (2)从理论上解释了SVM模型最优选择的本质,分析了SVM模型单参数优化选择的方法,指出了单参数模型对于识别的局限性,提出进行模型多参数选择的必要性,并且提出了非均衡数据识别中SVM模型多参数最优选择方法。实验部分采用国际通用的标准数据库和雷达目标极化特征作为输入,验证了优选后多参数模型能够有效提高目标识别性能。 3.宽带雷达目标识别核方法分类器设计与核矩阵构造 (1)在目标可分性比较差的情况下,标准的支持矢量数据描述(Support Vector Data Description,SVDD)判决方法会使雷达目标识别出现拒分与错分问题。针对这个问题,提出了SVDD多目标模糊识别方法。多个极化状态下雷达目标HRRP识别实验结果表明,该方法简单实用,能够有效克服标准判决方法带来的错分与拒分问题。 (2)目标可分性比较差同样会使得SVM识别方法带来错分与拒分问题,针对这个问题提出了模糊SVM(FSVM)方法的判决改进策略,给出了简单实用的新判决策略。实验结果验证了该判决策略能够有效的提高目标识别性能。 (3)针对目标样本在高维特征空间中不能线性分类这一问题,提出了特征空间中数据核矩阵收缩新方法。主要思路是改变数据在特征空间的结构,使得线性不可分的数据变得线性可分,以此提高目标识别率。该项研究内容首先从理论上证明了收缩后核矩阵性能更优,然后推导了收缩后核矩阵的表示形式。采用飞机、坦克HRRP数据的识别实验验证了新方法的有效性。