本文關(guān)鍵詞：基于壓縮感知的雷達一維距離像目標(biāo)識別，，由筆耕文化傳播整理發(fā)布。

【摘要】：基于一維距離像的目標(biāo)識別方法是現(xiàn)代雷達目標(biāo)識別的主要研究領(lǐng)域之一。近年來,隨著壓縮感知理論的興起,人們越來越關(guān)注將壓縮感知理論應(yīng)用于目標(biāo)識別的研究。本文主要研究了如何將壓縮感知理論應(yīng)用于雷達一維距離像目標(biāo)識別中,通過提取不同的特征,設(shè)計不同的分類器,達到雷達目標(biāo)識別的目的。主要工作如下:1.研究基于稀疏表示的一維距離像目標(biāo)識別方法。通過分析待測試樣本在訓(xùn)練樣本組成的冗余字典上的稀疏性來進行識別。該方法直接利用了測試樣本與訓(xùn)練樣本的相關(guān)性,不需要分別提取訓(xùn)練樣本和測試樣本的特征進行對比。通過對仿真數(shù)據(jù)和實測數(shù)據(jù)的實驗證明了該方法能達到雷達目標(biāo)的有效識別。2.研究基于K-SVD字典學(xué)習(xí)的雷達一維距離像目標(biāo)識別方法。自適應(yīng)學(xué)習(xí)字典更加符合待測信號的特性,增加了待測試信號在字典上的稀疏性,根據(jù)這種稀疏性相關(guān)的特征來進行識別的效果就更好。通過對仿真數(shù)據(jù)和實測數(shù)據(jù)的實驗表明該方法能夠進一步的提高識別率,而且相對其它方法,該方法能夠更好的克服一維距離像的姿態(tài)敏感性,大姿態(tài)角范圍內(nèi)仍然能夠達到較高的識別率。3.研究基于判決字典學(xué)習(xí)的一維距離像目標(biāo)識別方法。在字典學(xué)習(xí)的過程中,生成一個基于稀疏系數(shù)的線性分類器。這種方法的特點是簡潔直觀,不需要另外設(shè)計分類器。仿真實驗表明,小姿態(tài)角范圍內(nèi)該方法的識別效果較好。4.研究基于匹配字典特征提取的一維距離像目標(biāo)識別方法。通過將待識別信號在匹配字典上進行稀疏分解,提取出信號的散射點相對位置和相對強度特征。將提取出來的特征通過SVM分類器,達到目標(biāo)識別的目的。仿真實驗表明,該方法能夠有效地提取出目標(biāo)的散射點信息,對小姿態(tài)角范圍內(nèi)的一維距離像的識別效果較好。
【關(guān)鍵詞】：目標(biāo)識別 高分辨一維距離像 壓縮感知 字典學(xué)習(xí) 點散射中心模型
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TN957.52
【目錄】：

• 摘要5-6
• Abstract6-10
• 第一章 緒論10-15
• 1.1 本文研究背景和意義10-11
• 1.2 雷達一維距離像目標(biāo)識別研究現(xiàn)狀11-13
• 1.2.1 數(shù)據(jù)的預(yù)處理方法11-12
• 1.2.2 特征選擇和提取方法12-13
• 1.2.3 分類器的選擇和設(shè)計方法13
• 1.3 本文主要工作和章節(jié)安排13-15
• 第二章 雷達一維距離像與壓縮感知基本理論15-25
• 2.1 雷達高分辨一維距離像簡介15-20
• 2.1.1 高分辨一維距離像15-16
• 2.1.2 一維距離像特點16-17
• 2.1.3 實驗數(shù)據(jù)說明17-20
• 2.2 信號的壓縮感知理論簡介20-24
• 2.2.1 信號的稀疏表示21
• 2.2.2 測量矩陣21-22
• 2.2.3 重構(gòu)算法22-24
• 2.3 本章小結(jié)24-25
• 第三章 基于稀疏表示的一維距離像目標(biāo)識別25-42
• 3.1 基于稀疏表示的識別方法25-27
• 3.2 目標(biāo)信號的稀疏重構(gòu)算法27-31
• 3.2.1 梯度投影算法27-30
• 3.2.2 正交匹配追蹤算法30-31
• 3.3 分類策略31-33
• 3.3.1 最近中心鄰法識別31-32
• 3.3.2 重構(gòu)誤差識別32-33
• 3.4 仿真結(jié)果與分析33-41
• 3.5 本章小結(jié)41-42
• 第四章 基于字典學(xué)習(xí)的一維距離像目標(biāo)識別42-56
• 4.1 基于K-SVD字典學(xué)習(xí)的目標(biāo)識別42-45
• 4.1.1 K-SVD的字典學(xué)習(xí)方法42-44
• 4.1.2 基于學(xué)習(xí)字典的識別方法44-45
• 4.2 基于判決字典學(xué)習(xí)的目標(biāo)識別45-49
• 4.2.1 判決字典學(xué)習(xí)方法46-48
• 4.2.2 基于判決字典的目標(biāo)識別48-49
• 4.3 仿真結(jié)果與分析49-55
• 4.4 本章小結(jié)55-56
• 第五章 基于匹配字典的特征提取及目標(biāo)識別56-69
• 5.1 雷達目標(biāo)回波模型56-59
• 5.1.1 線性調(diào)頻信號及脈沖壓縮處理56-58
• 5.1.2 基于理想點散射模型的雷達目標(biāo)回波58-59
• 5.2 匹配字典的原子構(gòu)造59-61
• 5.3 基于匹配字典的特征提取和識別61-64
• 5.3.1 基于匹配字典的特征提取61
• 5.3.2 支持向量機分類器簡介61-64
• 5.4 仿真結(jié)果與分析64-67
• 5.5 本章小結(jié)67-69
• 第六章 全文總結(jié)69-71
• 致謝71-72
• 參考文獻72-75
• 攻碩期間取得的研究成果75-76

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前2條

1 劉宏偉,杜蘭,袁莉,保錚;雷達高分辨距離像目標(biāo)識別研究進展[J];電子與信息學(xué)報;2005年08期

2 翟慶林;張軍;付強;;線性調(diào)頻脈沖壓縮技術(shù)及其在雷達系統(tǒng)中的應(yīng)用[J];現(xiàn)代電子技術(shù);2007年01期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 張新波;稀疏主成分及其應(yīng)用[D];中南大學(xué);2008年

2 鄭純丹;基于稀疏分解的雷達一維距離像目標(biāo)識別[D];電子科技大學(xué);2013年

3 王紹民;壓縮感知中基于梯度投影法的信號重建算法研究[D];東北大學(xué);2011年

  本文關(guān)鍵詞：基于壓縮感知的雷達一維距離像目標(biāo)識別，由筆耕文化傳播整理發(fā)布。

本文編號：381549