隨著現(xiàn)代電子技術(shù)的快速發(fā)展,雷達(dá)在軍事上的應(yīng)用越來(lái)越重要。雷達(dá)目標(biāo)檢測(cè)跟蹤是影響雷達(dá)性能的關(guān)鍵因素。雷達(dá)目標(biāo)檢測(cè)是從大量雜波和干擾中提取真實(shí)目標(biāo),雷達(dá)目標(biāo)跟蹤的作用是預(yù)測(cè)雷達(dá)目標(biāo)在下一時(shí)刻的位置,并確定目標(biāo)的運(yùn)動(dòng)軌跡。目標(biāo)檢測(cè)是目標(biāo)跟蹤的前提,只有實(shí)現(xiàn)目標(biāo)檢測(cè)的準(zhǔn)確性,才能保證目標(biāo)跟蹤的有效性。由于雷達(dá)探測(cè)的目標(biāo)處于復(fù)雜的電磁環(huán)境下,致使雷達(dá)回波中會(huì)包含有很多不必要的干擾因素,這給雷達(dá)目標(biāo)檢測(cè)跟蹤問(wèn)題帶來(lái)了很大困難。因此研究如何準(zhǔn)確檢測(cè)真實(shí)目標(biāo)和航跡具有重要的工程意義。本文利用機(jī)器學(xué)習(xí)方法解決雷達(dá)數(shù)據(jù)處理時(shí)的目標(biāo)檢測(cè)和跟蹤問(wèn)題,降低了虛假目標(biāo)和航跡率。主要做了以下幾項(xiàng)工作:1、提出了一種基于機(jī)器學(xué)習(xí)的雜波識(shí)別方法,根據(jù)雷達(dá)目標(biāo)點(diǎn)跡的6維特征,利用K近鄰算法、支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)和LSTM神經(jīng)網(wǎng)絡(luò)對(duì)雷達(dá)目標(biāo)點(diǎn)跡和雜波點(diǎn)跡進(jìn)行分類識(shí)別,有效提高了雜波識(shí)別率,并在很大程度上改善了目標(biāo)檢測(cè)后剩余雜波點(diǎn)對(duì)目標(biāo)跟蹤造成干擾的問(wèn)題。2、提出了一種基于神經(jīng)網(wǎng)絡(luò)的目標(biāo)航跡預(yù)測(cè)方法,利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)雷達(dá)目標(biāo)的坐標(biāo)位置,實(shí)現(xiàn)對(duì)雷達(dá)目標(biāo)位置的精確估計(jì)。3、提出了一種基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)關(guān)聯(lián)方法,根據(jù)預(yù)測(cè)航跡...

【文章頁(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外發(fā)展歷史及研究現(xiàn)狀
        1.2.1 雷達(dá)信號(hào)檢測(cè)
        1.2.2 雷達(dá)目標(biāo)跟蹤
    1.3 論文結(jié)構(gòu)及安排
    1.4 本章小結(jié)
第二章 機(jī)器學(xué)習(xí)理論簡(jiǎn)介
    2.1 機(jī)器學(xué)習(xí)概述
    2.2 K近鄰算法
        2.2.1 KNN算法流程
        2.2.2 距離度量
        2.2.3 K值的選擇
    2.3 支持向量機(jī)
        2.3.1 間隔最大化
        2.3.2 對(duì)偶算法
        2.3.3 核函數(shù)
    2.4 BP神經(jīng)網(wǎng)絡(luò)
        2.4.1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
        2.4.2 BP神經(jīng)網(wǎng)絡(luò)的算法原理
        2.4.3 BP神經(jīng)網(wǎng)絡(luò)常用的傳遞函數(shù)
    2.5 LSTM神經(jīng)網(wǎng)絡(luò)
        2.5.1 LSTM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
        2.5.2 LSTM神經(jīng)網(wǎng)絡(luò)的原理
        2.5.3 激活函數(shù)
    2.6 本章小結(jié)
第三章 基于機(jī)器學(xué)習(xí)的雷達(dá)雜波識(shí)別方法研究
    3.1 引言
    3.2 機(jī)器學(xué)習(xí)方法在雜波識(shí)別中的應(yīng)用研究
    3.3 實(shí)測(cè)數(shù)據(jù)仿真與分析
    3.4 本章小結(jié)
第四章 基于神經(jīng)網(wǎng)絡(luò)的雷達(dá)數(shù)據(jù)關(guān)聯(lián)算法研究
    4.1 引言
    4.2 雷達(dá)數(shù)據(jù)關(guān)聯(lián)經(jīng)典算法
        4.2.1 最近鄰方法
        4.2.2 概率數(shù)據(jù)互聯(lián)算法
        4.2.3 聯(lián)合概率數(shù)據(jù)互聯(lián)算法
    4.3 基于神經(jīng)網(wǎng)絡(luò)的雷達(dá)數(shù)據(jù)關(guān)聯(lián)方法
        4.3.1 航跡預(yù)測(cè)
        4.3.2 點(diǎn)航跡關(guān)聯(lián)
    4.4 實(shí)測(cè)數(shù)據(jù)仿真與分析
        4.4.1 基于神經(jīng)網(wǎng)絡(luò)的航跡預(yù)測(cè)實(shí)驗(yàn)
        4.4.2 點(diǎn)航跡關(guān)聯(lián)實(shí)驗(yàn)
    4.5 本章小結(jié)
第五章 基于BP神經(jīng)網(wǎng)絡(luò)的非線性濾波算法研究
    5.1 引言
    5.2 非線性濾波算法
        5.2.1 擴(kuò)展卡爾曼濾波
        5.2.2 不敏卡爾曼濾波
    5.3 基于BP神經(jīng)網(wǎng)絡(luò)的非線性濾波算法
        5.3.1 改進(jìn)后的非線性濾波算法
        5.3.2 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)
    5.4 仿真實(shí)驗(yàn)與結(jié)果分析
        5.4.1 仿真實(shí)驗(yàn)1
        5.4.2 仿真實(shí)驗(yàn)2
    5.5 本章小結(jié)
第六章 結(jié)束語(yǔ)
    6.1 工作總結(jié)
    6.2 未來(lái)展望
參考文獻(xiàn)
致謝
在學(xué)期間發(fā)表的學(xué)術(shù)論文及取得的研究成果



本文編號(hào)：3801690