超寬帶穿墻雷達(dá)利用電磁波在非金屬媒質(zhì)中的穿透性能,實(shí)現(xiàn)對障礙物后目標(biāo)的非入侵式探測、定位、成像和跟蹤,在軍事和民用領(lǐng)域均具有廣泛的應(yīng)用前景。為滿足實(shí)際應(yīng)用的要求,超寬帶穿墻雷達(dá)面臨的兩個(gè)關(guān)鍵問題是:墻體參數(shù)未知和實(shí)時(shí)性要求。本論文基于時(shí)域有限差分(Finite Difference Time Domain,FDTD)法仿真模擬穿墻場景,就這兩個(gè)關(guān)鍵問題展開討論,主要工作及貢獻(xiàn)如下:1.鑒于目前大多數(shù)穿墻雷達(dá)成像算法不能有效地識別目標(biāo)的形狀,本文建立雷達(dá)近場模型(包括無墻體和有墻體模型),提出目標(biāo)形狀識別的方法。該方法有效地提高了目標(biāo)形狀的識別能力。因成像區(qū)域中目標(biāo)和背景的電磁特性不同(各個(gè)像素點(diǎn)類別標(biāo)簽不同),根據(jù)時(shí)域成像算法和頻域成像算法又能得到各個(gè)像素點(diǎn)的幅度值,建立類別標(biāo)簽和幅度值之間的非線性關(guān)系,通過支持向量機(jī)(Support Vector Machine,SVM)的訓(xùn)練得到這個(gè)關(guān)系的近似表達(dá)式,再對各個(gè)像素點(diǎn)進(jìn)行預(yù)測增加目標(biāo)的分類準(zhǔn)確率,從而達(dá)到識別目標(biāo)形狀的效果。仿真結(jié)果表明,一旦訓(xùn)練完成,預(yù)測只需要不足一秒的時(shí)間,不會(huì)增加目標(biāo)成像的總時(shí)間;且SVM方法對目標(biāo)形狀的識別起到...

【文章頁數(shù)】：113 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究內(nèi)容及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 超寬帶穿墻雷達(dá)系統(tǒng)
        1.2.2 目標(biāo)散射信號的提取問題
        1.2.3 成像算法
        1.2.4 墻體參數(shù)估計(jì)
        1.2.5 智能算法
        1.2.6 目標(biāo)形狀重構(gòu)問題
    1.3 本文的主要工作
第二章 超寬帶穿墻雷達(dá)的成像算法
    2.1 理論基礎(chǔ)
    2.2 FDTD方法的介紹
        2.2.1 FDTD基本原理
        2.2.2 數(shù)值穩(wěn)定性
        2.2.3 吸收邊界條件
    2.3 FDTD建模
        2.3.1 無墻體仿真模型
        2.3.2 單層墻體仿真模型
        2.3.3 兩層墻體仿真模型
    2.4 目標(biāo)散射信號的提取
    2.5 圖像的熵
    2.6 成像算法
        2.6.1 時(shí)域成像算法
        2.6.2 頻域成像算法
    2.7 仿真結(jié)果與討論
        2.7.1 無墻體模型時(shí)的成像分析
        2.7.2 單層墻體模型時(shí)的成像分析
        2.7.3 兩層墻體模型時(shí)的成像分析
    2.8 本章小結(jié)
第三章 基于支持向量機(jī)的目標(biāo)形狀重構(gòu)方法
    3.1 FDTD建模
    3.2 支持向量分類機(jī)基本原理
    3.3 特征提取
    3.4 基于SVM的目標(biāo)識別方法
    3.5 仿真結(jié)果與討論
        3.5.1 無墻體模型
        3.5.2 單層墻體模型
    3.6 本章小結(jié)
第四章 基于支持向量機(jī)的墻體參數(shù)預(yù)測方法
    4.1 FDTD建模
    4.2 特征提取
    4.3 支持向量回歸機(jī)的基本原理
    4.4 基于SVM的墻體參數(shù)預(yù)測方法
    4.5 仿真結(jié)果與分析
        4.5.1 SVM模型的建立
        4.5.2 影響墻體參數(shù)預(yù)測的因素
    4.6 墻體參數(shù)未知時(shí)的實(shí)時(shí)成像
    4.7 本章小結(jié)
第五章 基于最小二乘支持向量機(jī)的墻體參數(shù)預(yù)測方法
    5.1 FDTD模型
    5.2 特征提取
    5.3 最小二乘支持向量機(jī)的基本原理
    5.4 基于LS-SVM的墻體參數(shù)預(yù)測方法
    5.5 仿真結(jié)果與分析
        5.5.1 LS-SVM模型的建立
        5.5.2 影響墻體參數(shù)預(yù)測的因素
    5.6 本章小結(jié)
第六章 基于機(jī)器學(xué)習(xí)的目標(biāo)定位方法
    6.1 建模及基本原理
        6.1.1 FDTD建模
        6.1.2 特征提取
        6.1.3 SVM的基本原理
        6.1.4 LS-SVM的基本原理
    6.2 基于機(jī)器學(xué)習(xí)的定位方法
    6.3 仿真結(jié)果與分析
    6.4 本章小結(jié)
第七章 總結(jié)與展望
參考文獻(xiàn)
附錄1 攻讀博士學(xué)位期間撰寫的論文
附錄2 攻讀博士學(xué)位期間參加的科研項(xiàng)目
致謝



本文編號：3812071