基于核函数的HRRP目标识别算法研究

【摘要】：雷达目标识别技术是现代雷达技术的主要组成部分,是世界各国当前和未来武器系统研发的主要发展方向之一。针对雷达目标一维距离像的目标识别,本文引入了多种方法对其进行探讨,主要研究内容如下： 1.本文对原有核主成分分析(KPCA)方法进行了如下改进：首先对实验数据进行正态化处理,然后通过引入的多项式核函数与高斯核函数组成的混合核函数对其进行核矩阵构造,最后利用基于马氏距离设计的分类器进行目标识别。本文将上述方法应用到高分辨距离像的目标识别中,发现改进算法比原KPCA方法识别性能有较大提升,在大小姿态角两种变化范围都取得了比较好的识别效果。 2.针对核Fisher判别分析(KFDA)算法的分类性能在很大程度上依赖于核的选择的情况,本文通过核的凸优化对KFDA中的核函数参数进行优化,然后利用对多个高斯核函数的组合构造出组合高斯核函数来进行KFDA,以期提高其分类性能。此外,本文还引入了两种改进的分类方法：一种是基于局部均值向量和类均值向量相结合的广义近邻分类方法,该算法更好的克服离群点的影响,提高了在小姿态角范围下的分类准确率；另一种是K-近邻算法(K-NN)与朴素贝叶斯算法相结合的混合分类方法,此方法提高了数据的聚类程度,同时充分利用了朴素贝叶斯算法的简单性和有效性的特点,在保证较低运算量的前提下,提高了算法的识别性能。 3.本文引入了基于不可分样本集的支持向量机(C-SVM)对雷达目标一维距离像大姿态角范围情况进行识别分析,并给出了一种基于K-NN算法的稀疏化方法,把这种稀疏化算法与C-SVM算法相结合,以期在保证雷达目标一维距离像高识别精度的前提下,进一步减少C-SVM的运算量和支持向量数量。此外,通过三种流行的参数寻优算法：网格搜索算法、遗传算法和粒子群算法,来对C-SVM的两个参数进行寻优处理,进一步优化C-SVM的模型。实验结果显示,本文方法提高了C-SVM算法的执行效率,同时也证明了其在大姿态角范围一维距离像目标识别方面的优越性。