宽带雷达目标距离像识别研究

【摘要】：现代雷达技术的兴起为雷达目标识别提供了强有力的技术支撑。通过宽带雷达获取的高分辨距离像反映了目标散射点沿雷达视线的径向距离分布细节，不仅提供了比低分辨雷达目标回波更多的特征信息，而且还避免了二维或三维成像过程中复杂的运动补偿和过多的成像耗时，具有易于获取和处理的独特优势。因此，近年来基于高分辨距离像的目标识别受到了雷达科技工作者的广泛关注。 本文主要集中于特征提取和分类识别这两个环节，层层深入地展开对雷达多目标距离像识别理论及技术的相关研究。主要工作和创新概括如下： （1）针对经典核方法中大散布矩阵特征分解的运算压力问题，提出了两种基于扩展二分类辨别单元的核方法。这两种核方法均采用了“一对一”策略，通过拆分和重组，将大散布矩阵划分成若干小散布矩阵，并分别按串联和并联方式进行组合。实验结果表明，这两种核方法均能有效降低训练耗时，并能改善识别性能，非常适用于多目标识别。 （2）针对多目标识别中辨别信息的质量和数量孰重孰轻问题，设计出三种辨别信息提取模型，即：被动识别和总体挑选类中绝对辨别信息（Passive recognitionand General selection for Among-class absolute discriminant information, PGA）模型、被动识别和个体挑选类间相对辨别信息（Passive recognition and Individual selectionfor Between-class relative discriminant information, PIB）模型以及主动识别和个体挑选类间相对辨别信息（Active recognition and Individual selection for Between-classdiscriminant information, AIB）模型。理论分析表明：PGA模型侧重于辨别信息的质量，而PIB和AIB模型侧重于辨别信息的数量。 （3）将广义辨别分析（Generlized DiscriminantAnalysis, GDA）应用于PIB和AIB模型中，由此产生了两种针对辨别信息数量的核方法，即：基于PIB模型的GDA（PIB-based GDA, PIB-GDA）和基于AIB模型的GDA（AIB-based GDA,AIB-GDA）。与GDA比较，这两种核方法不仅能大幅降低训练耗时，还能提取更多辨别信息，具有良好的识别性能。 （4）对多智能技术进行了归纳和总结，并设计出一种多智能体识别模型。将GDA用于模型实现，由此产生了一种PIB-GDA与GDA并联组合的新方法，即综合GDA（Synthetic-GDA, S-GDA）算法。实验结果表明，S-GDA能实现PIB-GDA与GDA在识别性能上的优势互补。 （5）依据三种基本组合结构，本文提出了四种组合核方法。它们是，1.并联结构：基于核Fisher辨别（Kernel Fisher Discriminant, KFD）的多类综合辨别分析（KFD-based Multiclass Synthetical DiscriminantAnalysis, KFD-MSDA）和全局分布式KFD（Global Distributed KFD, G-DKFD）；2.串联结构：基于多KFD的LDA（Multi KFD-based LDA, MKFD-LDA）；3.混合结构：核混合辨别分析（KernelMixed Discriminant Analysis, KMDA）。实验结果表明，这四种组合核方法的识别性能从高到低依次为KFD-MSDA、G-DKFD、KMDA、MKFD-LDA，其中KMDA与GDA的识别性能相当。