雷達(dá)是一種基本的無線電探測(cè)設(shè)備,具有全天時(shí)、全天候和遠(yuǎn)距離探測(cè)的能力,在軍用和民用領(lǐng)域具有重要的應(yīng)用價(jià)值。隨著雷達(dá)技術(shù)的不斷發(fā)展,雷達(dá)目標(biāo)識(shí)別技術(shù)受到了世界各國(guó)的廣泛重視。傳統(tǒng)的雷達(dá)目標(biāo)識(shí)別算法大多數(shù)是在批學(xué)習(xí)模式下設(shè)計(jì)和工作的,但實(shí)際情況中經(jīng)常會(huì)遇到數(shù)據(jù)規(guī)模過大以及數(shù)據(jù)動(dòng)態(tài)增多的問題,導(dǎo)致批量學(xué)習(xí)要耗費(fèi)大量的時(shí)間和空間資源,給傳統(tǒng)的雷達(dá)目標(biāo)識(shí)別算法帶來了巨大的挑戰(zhàn)。本文圍繞雷達(dá)目標(biāo)識(shí)別算法的在線學(xué)習(xí)展開研究,主要內(nèi)容概括為如下兩個(gè)部分:1.針對(duì)軍民車輛目標(biāo)分類問題,基于特征提取和支持向量機(jī)（Support Vector Machine,SVM）在線學(xué)習(xí)方法實(shí)現(xiàn)對(duì)合成孔徑雷達(dá)（Synthetic Aperture Radar,SAR）圖像軍民車輛目標(biāo)的分類。在利用改進(jìn)的頻譜分解聯(lián)合圖像測(cè)試（Spectrum Parted Linked Image Test,SPLIT）算法對(duì)目標(biāo)的SAR圖像進(jìn)行散射中心檢測(cè)、散射中心特征提取和散射中心分類的基礎(chǔ)上,通過統(tǒng)計(jì)散射中心的類型得到軍民車輛目標(biāo)的散射中心類型分布律特征,然后利用SVM在線學(xué)習(xí)算法對(duì)軍民車輛目標(biāo)進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明,該方法提取的... 

【文章來源】：西安電子科技大學(xué)陜西省211工程院校教育部直屬院校

【文章頁(yè)數(shù)】：81 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

散射中心特征提取流程

ehicles 數(shù)據(jù)集，采集該數(shù)據(jù)的傳感器為高分辨率的圓周合成孔徑雷達(dá)（SAR），工 X 波段，所采用的極化方式為全極化，仿真的數(shù)據(jù)包括從30 到60 俯仰角和3位角的多個(gè)數(shù)據(jù)。Civilian Vehicles 數(shù)據(jù)集包含十類民用車的仿真數(shù)據(jù)，這些民分別為 Toyota Camry、Honda Civic 4dr、1993 Jeep、1999 Jeep、Nissan Maximaazda MPV、Mitsubishi、Nissan Sentra、Toyota Avalon 和 Toyota Tacoma。軍用車標(biāo)仿真數(shù)據(jù)為美國(guó) Veda 公司利用高保真電磁仿真軟件包 XPATCH 產(chǎn)生的四類的仿真數(shù)據(jù)，包含消防車（FireTruck）、校車（SchoolBus）、和兩種坦克（m1，t1）數(shù)據(jù)分別給出了 UHF、L、S、X 四個(gè)波段，俯仰角為10 、25 和40 ，方位角在3方位范圍內(nèi)變化的四類目標(biāo)數(shù)據(jù)。實(shí)驗(yàn)中使用 Civilian Vehicles 數(shù)據(jù)集中 Toyamry、1993 Jeep、1999 Jeep 和 Nissan Sentra 4 類目標(biāo)的 30 俯仰角的數(shù)據(jù)作為民輛目標(biāo)數(shù)據(jù)，使用兩種坦克（m1，t1）X 波段，俯仰角為10 的數(shù)據(jù)作為軍用車標(biāo)數(shù)據(jù)，每個(gè)目標(biāo)有 360 個(gè)樣本數(shù)據(jù)。圖 3.4 給出了利用后向散射投影成像算法的民用車輛目標(biāo) Toyota Tacoma 的 SAR 圖像和軍用車輛目標(biāo) m1 的 SAR 圖像，圖（a）為 Toyota Tacoma 的 SAR 圖像，圖（b）為 m1 的 SAR 圖像。

（a） 20時(shí)檢測(cè)結(jié)果 （b） 30時(shí)檢測(cè)結(jié)果（c） 50時(shí)檢測(cè)結(jié)果 （d） 70時(shí)檢測(cè)結(jié)果圖3.5 軍用車輛目標(biāo) m1 散射中心檢測(cè)結(jié)果從圖 3.5 中的的軍用目標(biāo) m1 的散射中心檢測(cè)的結(jié)果可以看出，改進(jìn)后的 SPLIT算法中的散射中心檢測(cè)方法所檢測(cè)到的散射中心和目標(biāo)強(qiáng)點(diǎn)位置基本對(duì)應(yīng)，并且隨著 取值的增大，檢測(cè)到目標(biāo)的散射中心也增多，當(dāng) 7 0時(shí)檢測(cè)到的散射中心基本能夠覆蓋到目標(biāo)的大多數(shù)強(qiáng)點(diǎn)，能夠更好的描述目標(biāo)的幾何結(jié)構(gòu)和物理特性。3.5.3 軍民車輛目標(biāo)特征可分性分析利用改進(jìn)的 SPLIT 算法對(duì)目標(biāo)的 SAR 圖像進(jìn)行散射中心檢測(cè)，并對(duì)檢測(cè)到的散射中心進(jìn)行特征提取和分類，通過統(tǒng)計(jì)散射中心類型的分布律，并將其作為車輛目標(biāo)的特征向量。為了分析軍民車輛目標(biāo)的特征向量的可分性，將民用車輛目標(biāo) ToyotaCamry 和 1993 Jeep 的 720 個(gè)特征向量

【參考文獻(xiàn)】：
期刊論文
[1]自適應(yīng)的SVM增量算法[J]. 何麗,韓克平,劉穎.  計(jì)算機(jī)科學(xué)與探索. 2019(04)
[2]基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的SAR星上目標(biāo)識(shí)別系統(tǒng)研究[J]. 袁秋壯,魏松杰,羅娜.  上海航天. 2017(05)
[3]高分辨雷達(dá)一維距離像的融合特征識(shí)別[J]. 胡玉蘭,趙子銘,片兆宇.  微型機(jī)與應(yīng)用. 2015(04)
[4]基于稀疏表示的SAR圖像屬性散射中心參數(shù)估計(jì)算法[J]. 李飛,糾博,劉宏偉,王英華,張磊.  電子與信息學(xué)報(bào). 2014(04)
[5]空間目標(biāo)雷達(dá)觀測(cè)視角變化率及其應(yīng)用[J]. 寧夏,葉春茂,楊健,山秀明.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(11)
[6]基于半?yún)?shù)化概率密度估計(jì)的雷達(dá)目標(biāo)識(shí)別[J]. 朱劼昊,周建江,吳杰.  電子與信息學(xué)報(bào). 2010(09)
[7]智能化武器系統(tǒng)發(fā)展的關(guān)鍵技術(shù)——雷達(dá)自動(dòng)目標(biāo)識(shí)別技術(shù)[J]. 莊釗文,黎湘,劉永祥.  科技導(dǎo)報(bào). 2005(08)

博士論文
[1]雷達(dá)高分辨距離像目標(biāo)識(shí)別方法研究[D]. 杜蘭.西安電子科技大學(xué) 2007
[2]光學(xué)區(qū)雷達(dá)目標(biāo)三維散射中心重構(gòu)理論與技術(shù)[D]. 周劍雄.國(guó)防科學(xué)技術(shù)大學(xué) 2006

碩士論文
[1]隱馬爾科夫模型在雷達(dá)目標(biāo)識(shí)別中的應(yīng)用研究[D]. 尹學(xué)慶.哈爾濱工業(yè)大學(xué) 2018
[2]基于變換域特征的SAR圖像分類[D]. 于競(jìng)競(jìng).西安電子科技大學(xué) 2017
[3]基于多特征融合的高分辨率極化SAR圖像分類方法研究[D]. 丁堯.電子科技大學(xué) 2017
[4]極化SAR圖像特征提取與分類方法研究[D]. 姜媛.電子科技大學(xué) 2016
[5]雷達(dá)高分辨距離像噪聲穩(wěn)健識(shí)別方法研究及識(shí)別系統(tǒng)設(shè)計(jì)[D]. 袁希望.西安電子科技大學(xué) 2014
[6]基于特征融合和特征增強(qiáng)的雷達(dá)高分辨距離像穩(wěn)健識(shí)別方法研究[D]. 李志鵬.西安電子科技大學(xué) 2013



本文編號(hào)：3625132