隨著現(xiàn)代信息化技術(shù)的發(fā)展,雷達自動目標(biāo)識別已經(jīng)成為現(xiàn)代雷達系統(tǒng)重要的發(fā)展方向之一。雷達目標(biāo)識別系統(tǒng)在目標(biāo)威脅度分級、跟蹤、干擾和攔截等領(lǐng)域發(fā)揮著重要作用。從雷達的發(fā)展歷程來看,低分辨雷達主要用于前期探測和預(yù)警。目前,由于高分辨雷達造價昂貴且技術(shù)復(fù)雜,國內(nèi)裝備的雷達還是以低分辨雷達為主,因此研究低分辨雷達目標(biāo)的初步分類識別具有重要意義。論文圍繞低分辨雷達地面目標(biāo)分類識別這一主題,沿著目標(biāo)特征提取和分類器設(shè)計兩條技術(shù)路線開展研究。主要工作和創(chuàng)新點如下:1.針對目標(biāo)回波單個相參處理間隔（Coherent Processing Interval,CPI）特征的不穩(wěn)定性,提出了一種基于特征概率分布曲線的目標(biāo)特征提取方法。首先利用目標(biāo)回波的單個CPI提取出兩個基本目標(biāo)特征量:相對的雷達散射截面積（Radar Cross Section,RCS）和多普勒頻譜熵值;然后通過滑窗法對多個CPI聯(lián)合處理,計算特征序列概率密度分布曲線;最后利用特征概率密度分布曲線提取出概率最大的目標(biāo)特征。通過雷達實測數(shù)據(jù)實驗表明,提出的算法可以提高目標(biāo)特征的穩(wěn)定性,且算法運算量小、實時性高,便于工程實現(xiàn)。2.根據(jù)卡車、摩托... 

【文章頁數(shù)】：141 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
Abstract
縮寫與中英文對照
通用符號說明
1 緒論
    1.1 研究背景及意義
    1.2 發(fā)展歷史與研究現(xiàn)狀
        1.2.1 雷達自動目標(biāo)識別的發(fā)展歷史與研究現(xiàn)狀
        1.2.2 低分辨雷達地面目標(biāo)識別的關(guān)鍵問題
    1.3 論文的主要工作及內(nèi)容安排
2 雷達目標(biāo)識別的回波預(yù)處理
    2.1 引言
    2.2 雷達信號模型分析
        2.2.1 LFMCW雷達的基本特點
        2.2.2 LFMCW雷達系統(tǒng)
    2.3 雜波抑制
    2.4 動目標(biāo)檢測
    2.5 恒虛警處理
    2.6 本章小結(jié)
3 基于特征概率分布的特征提取
    3.1 引言
    3.2 目標(biāo)基本特征
        3.2.1 相對的雷達散射截面積
        3.2.2 頻譜熵值
    3.3 基于特征概率分布的特征提取
        3.3.1 目標(biāo)特征概率分布
        3.3.2 特征提取
    3.4 目標(biāo)特征向量
    3.5 基于特征概率分布的分類算法
    3.6 實測數(shù)據(jù)仿真及結(jié)果分析
    3.7 本章小結(jié)
4 基于目標(biāo)微動的特征提取
    4.1 引言
    4.2 典型微動模型分析
        4.2.1 加速模型
        4.2.2 振動模型
        4.2.3 旋轉(zhuǎn)模型
    4.3 微動特征提取
        4.3.1 時頻分析
        4.3.2 微動特征提取
    4.4 目標(biāo)特征評價
    4.5 實測數(shù)據(jù)仿真及結(jié)果分析
    4.6 本章小結(jié)
5 基于時頻分布的圖像特征提取
    5.1 引言
    5.2 時頻圖灰度化
    5.3 時頻灰度圖的特征提取
        5.3.1 圖像熵
        5.3.2 GLCM特征
    5.4 時頻分布圖像特征提取算法
    5.5 實測數(shù)據(jù)仿真
    5.6 本章小結(jié)
6 雷達目標(biāo)分類器改進算法
    6.1 引言
    6.2 改進的支持向量機目標(biāo)分類算法
        6.2.1 置信度拒識算法
        6.2.2 基于PSO的特征加權(quán)算法
        6.2.3 改進的支持向量機分類算法
        6.2.4 實測數(shù)據(jù)仿真及結(jié)果分析
    6.3 基于最小代價拒判的近鄰分類算法
        6.3.1 近鄰分類算法
        6.3.2 遺傳算法的特征加權(quán)方法
        6.3.3 基于近鄰拒判的目標(biāo)拒判算法
        6.3.4 基于最小代價的Fisher拒判門限
        6.3.5 最小代價分類算法實驗分析
    6.4 本章小結(jié)
7 基于注水原理的雷達目標(biāo)多分類器集成方法
    7.1 引言
    7.2 雷達目標(biāo)分類系統(tǒng)
    7.3 多分類器集成融合方法
        7.3.1 投票法
        7.3.2 加權(quán)投票法
        7.3.3 行為知識空間法
        7.3.4 局部精度估計分類器選擇法
    7.4 基于注水原理的多分類器集成方法
        7.4.1 注水原理
        7.4.2 多分類器融合系數(shù)
    7.5 多分類器集成實驗
        7.5.1 雷達地面目標(biāo)識別系統(tǒng)
        7.5.2 仿真及結(jié)果分析
    7.6 本章小結(jié)
8 總結(jié)與展望
致謝
參考文獻
附錄


【參考文獻】：
期刊論文
[1]水聲信號熵特征提取與分類研究[J]. 付君宇,陳越超,權(quán)恒恒.  聲學(xué)與電子工程. 2018(01)
[2]基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的SAR星上目標(biāo)識別系統(tǒng)研究[J]. 袁秋壯,魏松杰,羅娜.  上海航天. 2017(05)
[3]空間目標(biāo)紅外特征提取與識別技術(shù)[J]. 李瑞東,孫協(xié)昌,李勐.  紅外技術(shù). 2017(05)
[4]深度學(xué)習(xí)在SAR目標(biāo)識別與地物分類中的應(yīng)用[J]. 徐豐,王海鵬,金亞秋.  雷達學(xué)報. 2017(02)
[5]基于動態(tài)字典的卡車目標(biāo)微動參數(shù)估計方法[J]. 李開明,張群,雷磊,羅迎.  電子學(xué)報. 2016(11)
[6]基于廣義模糊函數(shù)的低分辨雷達目標(biāo)識別[J]. 陳輝,丁宇,焦小輝,徐小川.  艦船電子對抗. 2016(05)
[7]基于稀疏學(xué)習(xí)的kNN分類[J]. 宗鳴,龔永紅,文國秋,程德波,朱永華.  廣西師范大學(xué)學(xué)報(自然科學(xué)版). 2016(03)
[8]微多普勒特征提取方法研究[J]. 林新黨,肖龍.  雷達與對抗. 2016(03)
[9]混合核特征加權(quán)SVM遙感濕地空間分類[J]. 劉冰,吳超,林怡.  測繪工程. 2016(07)
[10]合成孔徑雷達的微多普勒特征提取[J]. 張柳,雷曙光,李文攀.  艦船科學(xué)技術(shù). 2016(14)

博士論文
[1]雷達高分辨距離像目標(biāo)識別技術(shù)研究[D]. 潘勉.西安電子科技大學(xué) 2013
[2]彈道中段目標(biāo)極化域特征提取與識別[D]. 王濤.國防科學(xué)技術(shù)大學(xué) 2006
[3]基于高分辨距離像的雷達目標(biāo)識別[D]. 廖學(xué)軍.西安電子科技大學(xué) 1999

碩士論文
[1]基于多特征融合的雷達目標(biāo)識別[D]. 陳娟.西安電子科技大學(xué) 2010
[2]寬帶極化雷達目標(biāo)識別研究[D]. 孟慶宇.電子科技大學(xué) 2007
[3]基于高分辨距離像的雷達目標(biāo)識別方法研究[D]. 白向輝.西安電子科技大學(xué) 2006



本文編號：3672888