雷達是一種基本的無線電探測設(shè)備,具有全天時、全天候和遠距離探測的能力,在軍用和民用領(lǐng)域具有重要的應(yīng)用價值。隨著雷達技術(shù)的不斷發(fā)展,雷達目標識別技術(shù)受到了世界各國的廣泛重視。傳統(tǒng)的雷達目標識別算法大多數(shù)是在批學習模式下設(shè)計和工作的,但實際情況中經(jīng)常會遇到數(shù)據(jù)規(guī)模過大以及數(shù)據(jù)動態(tài)增多的問題,導致批量學習要耗費大量的時間和空間資源,給傳統(tǒng)的雷達目標識別算法帶來了巨大的挑戰(zhàn)。本文圍繞雷達目標識別算法的在線學習展開研究,主要內(nèi)容概括為如下兩個部分:1.針對軍民車輛目標分類問題,基于特征提取和支持向量機（Support Vector Machine,SVM）在線學習方法實現(xiàn)對合成孔徑雷達（Synthetic Aperture Radar,SAR）圖像軍民車輛目標的分類。在利用改進的頻譜分解聯(lián)合圖像測試（Spectrum Parted Linked Image Test,SPLIT）算法對目標的SAR圖像進行散射中心檢測、散射中心特征提取和散射中心分類的基礎(chǔ)上,通過統(tǒng)計散射中心的類型得到軍民車輛目標的散射中心類型分布律特征,然后利用SVM在線學習算法對軍民車輛目標進行分類。實驗結(jié)果表明,該方法提取的... 

【文章來源】：西安電子科技大學陜西省211工程院校教育部直屬院校

【文章頁數(shù)】：81 頁

【學位級別】：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（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。軍用車標仿真數(shù)據(jù)為美國 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)變化的四類目標數(shù)據(jù)。實驗中使用 Civilian Vehicles 數(shù)據(jù)集中 Toyamry、1993 Jeep、1999 Jeep 和 Nissan Sentra 4 類目標的 30 俯仰角的數(shù)據(jù)作為民輛目標數(shù)據(jù)，使用兩種坦克（m1，t1）X 波段，俯仰角為10 的數(shù)據(jù)作為軍用車標數(shù)據(jù)，每個目標有 360 個樣本數(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 Toyota Tacoma 的 SAR 圖像和軍用車輛目標 m1 的 SAR 圖像，圖（a）為 Toyota Tacoma 的 SAR 圖像，圖（b）為 m1 的 SAR 圖像。

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

【參考文獻】：
期刊論文
[1]自適應(yīng)的SVM增量算法[J]. 何麗,韓克平,劉穎.  計算機科學與探索. 2019(04)
[2]基于深度學習神經(jīng)網(wǎng)絡(luò)的SAR星上目標識別系統(tǒng)研究[J]. 袁秋壯,魏松杰,羅娜.  上海航天. 2017(05)
[3]高分辨雷達一維距離像的融合特征識別[J]. 胡玉蘭,趙子銘,片兆宇.  微型機與應(yīng)用. 2015(04)
[4]基于稀疏表示的SAR圖像屬性散射中心參數(shù)估計算法[J]. 李飛,糾博,劉宏偉,王英華,張磊.  電子與信息學報. 2014(04)
[5]空間目標雷達觀測視角變化率及其應(yīng)用[J]. 寧夏,葉春茂,楊健,山秀明.  清華大學學報(自然科學版). 2013(11)
[6]基于半?yún)?shù)化概率密度估計的雷達目標識別[J]. 朱劼昊,周建江,吳杰.  電子與信息學報. 2010(09)
[7]智能化武器系統(tǒng)發(fā)展的關(guān)鍵技術(shù)——雷達自動目標識別技術(shù)[J]. 莊釗文,黎湘,劉永祥.  科技導報. 2005(08)

博士論文
[1]雷達高分辨距離像目標識別方法研究[D]. 杜蘭.西安電子科技大學 2007
[2]光學區(qū)雷達目標三維散射中心重構(gòu)理論與技術(shù)[D]. 周劍雄.國防科學技術(shù)大學 2006

碩士論文
[1]隱馬爾科夫模型在雷達目標識別中的應(yīng)用研究[D]. 尹學慶.哈爾濱工業(yè)大學 2018
[2]基于變換域特征的SAR圖像分類[D]. 于競競.西安電子科技大學 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 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 2016
[5]雷達高分辨距離像噪聲穩(wěn)健識別方法研究及識別系統(tǒng)設(shè)計[D]. 袁希望.西安電子科技大學 2014
[6]基于特征融合和特征增強的雷達高分辨距離像穩(wěn)健識別方法研究[D]. 李志鵬.西安電子科技大學 2013



本文編號：3625132