本文關(guān)鍵詞：雷達高分辨距離像特征提取與識別方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：雷達高分辨距離像(HRRP)是目標散射點子回波沿雷達視線(LOS)方向的投影向量和。HRRP易于獲取、存儲和處理,同時提供了目標尺寸、散射點分布等重要的結(jié)構(gòu)特征,如今已成為雷達自動目標識別(RATR)領(lǐng)域的研究重點之一。本論文依托國防預(yù)研項目以及國家自然科學基金等項目,從特征提取和目標識別的角度研究了雷達HRRP自動目標識別的相關(guān)理論和技術(shù)問題。論文概括如下：1.介紹雷達HRRP的基本概念,討論雷達目標識別的應(yīng)用背景以及近年來的研究狀況,并概述本文的主要工作。2.傳統(tǒng)降維子空間方法的數(shù)據(jù)描述能力有限,為此提出一種基于超完備字典學習的雷達HRRP目標識別算法。依據(jù)對測試樣本的信噪比估計,自適應(yīng)地確定測試階段稀疏分解的稀疏度系數(shù)。相比于傳統(tǒng)識別算法,該算法對目標的識別性能更好,且對噪聲的魯棒性更強。另外,算法在只訓練部分角域數(shù)據(jù)(不完備訓練集)的條件下較好地識別全角域數(shù)據(jù),可實現(xiàn)數(shù)據(jù)庫擴展�；趯崪y雷達數(shù)據(jù)的實驗結(jié)果驗證了算法的有效性。3.基于字典學習的信號稀疏表示被廣泛應(yīng)用于信號處理領(lǐng)域,但由于字典原子間存在冗余性,求解信號的稀疏表示會受到觀測信號中擾動分量的影響,從而帶來表示的不確定性,不利于HRRP目標識別任務(wù)。針對這一問題的主要工作有以下兩點。(1)提出了一種基于信號丟失的穩(wěn)健字典學習(Drop-SDL)算法,通過邊緣化信號丟失,構(gòu)建穩(wěn)健損失函數(shù)用于學習自適應(yīng)字典。該算法利用距離像在散射點不發(fā)生越距離單元走動(MTRC)的方位幀內(nèi)具有結(jié)構(gòu)相似性,約束鄰近訓練樣本間稀疏表示的非零元素位置相同,并通過結(jié)構(gòu)化稀疏約束選擇最優(yōu)子字典用于測試樣本的分類。(2)結(jié)合雷達HRRP目標特性,給出了HRRP存在幅度擾動時稀疏表示的穩(wěn)健性條件�？紤]到固定字典情況下稀疏分解的穩(wěn)健條件是過分嚴苛且受限的,利用松弛后條件提出種穩(wěn)健字典學習(SDL)算法。構(gòu)建的穩(wěn)健目標函數(shù)在約束鄰近HRRP樣本稀疏表示的非零元素位置相同的同時,限制其稀疏系數(shù)的方差變化要小。訓練階段生成的結(jié)構(gòu)化稀疏約束被用于最優(yōu)子字典選擇,實現(xiàn)對測試樣本的穩(wěn)健稀疏表示。最后基于實測HRRP數(shù)據(jù)的實驗結(jié)果驗證了算法的有效性。4.傳統(tǒng)字典學習算法僅刻畫了觀測樣本與稀疏表示間的線性關(guān)系。然而實際應(yīng)用中,信號本身通常存在復雜的非線性關(guān)系,簡單地采用線性字典框架無法保證算法性能。針對這一問題,主要對非線性字典學習算法展開研究：(1)提出一種基于聯(lián)合非負稀疏約束的字典學習算法,在約束稀疏度為1時得到自適應(yīng)聚類算法,避免了K均值聚類需要人為指定類簇數(shù)先驗和對初始值敏感的兩個缺陷。并利用核技巧將算法推廣為基于核字典學習的自適應(yīng)聚類算法。(2)提出一種基于聯(lián)合非負稀疏約束的核字典學習算法,利用該算法實現(xiàn)核基向量抽取,在剔除訓練集中冗余樣本和奇異樣本的同時,獲取少數(shù)具有較好數(shù)據(jù)描述能力的原始數(shù)據(jù)作為核基向量。獲得自適應(yīng)核基矩陣后,利用K-PCA算法提取樣本的特征向量�；赨CI公共數(shù)據(jù)集以及實測雷達HRRP數(shù)據(jù)集的實驗結(jié)果驗證了所提算法的有效性。5.特征提取是HRRP目標識別的核心技術(shù)。傳統(tǒng)特征提取算法多采用淺層的模型結(jié)構(gòu),容易忽視樣本的內(nèi)在結(jié)構(gòu),不利于學習有效的分類特征。針對這一問題,利用多層非線性網(wǎng)絡(luò)實現(xiàn)特征學習,主要工作包含兩部分：(1)構(gòu)建基于聯(lián)合穩(wěn)健深層網(wǎng)絡(luò)的雷達HRRP目標特征提取算法。利用平均像在散射點不發(fā)生越距離單元走動的方位幀內(nèi)具有穩(wěn)健物理特性的性質(zhì),提出了堆棧聯(lián)合穩(wěn)健自編碼器(SRAEs)。該網(wǎng)絡(luò)由一系列聯(lián)合穩(wěn)健自編碼器(RAE)堆�；瘜崿F(xiàn),在匹配原始HRRP樣本的同時,約束同幀樣本趨近于平均像,并將網(wǎng)絡(luò)的最終輸出作為分類器的特征輸入�；趯崪yHRRP數(shù)據(jù)的實驗結(jié)果驗證了所提算法的有效性。(2)為了從大量無標號數(shù)據(jù)中獲取穩(wěn)健結(jié)構(gòu)和高階相關(guān)性,提出一種堆棧校正自編碼器(SCAEs)算法。該算法是傳統(tǒng)堆棧降噪自編碼器(SDAEs)的一種推廣,由一系列預(yù)學習的校正自編碼器(CAE)堆�；瘜崿F(xiàn)。算法利用幀協(xié)方差矩陣構(gòu)建基于馬氏距離準則的目標函數(shù)。每幀HRRP中的平均像被作為校正項引入CAE,以消除方位敏感性、幅度擾動和奇異樣本對特征穩(wěn)健性的影響。該算法可以有效降低HRRP特征維度,利于數(shù)據(jù)的存儲、可視化以及識別任務(wù)。通過合適的優(yōu)化框架設(shè)計以及模型參數(shù)選擇,算法在不完備的小訓練集下仍然穩(wěn)健有效。
【關(guān)鍵詞】：雷達自動目標識別 高分辨距離像 稀疏表示 字典學習 深層網(wǎng)絡(luò)
【學位授予單位】：西安電子科技大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TN957.52
【目錄】：

• 摘要5-7
• ABSTRACT7-13
• 符號對照表13-14
• 縮略語對照表14-19
• 第一章 緒論19-31
• 1.1 雷達自動目標識別綜述19-21
• 1.2 雷達自動目標識別的發(fā)展21-23
• 1.3 基于雷達高分辨距離像的目標識別研究方法23-28
• 1.3.1 高分辨距離像概念24
• 1.3.2 高分辨距離像敏感性問題24-25
• 1.3.3 目標特征提取及分類25-27
• 1.3.4 小訓練樣本集下的穩(wěn)健識別27-28
• 1.4 論文的內(nèi)容與安排28-31
• 1.4.1 實驗數(shù)據(jù)介紹28
• 1.4.2 本文內(nèi)容安排28-31
• 第二章 基于字典學習的雷達高分辨距離像目標識別31-47
• 2.1 引言31-32
• 2.2 字典學習理論32-34
• 2.2.1 稀疏編碼32-33
• 2.2.2 字典更新33
• 2.2.3 K-SVD算法33-34
• 2.3 基于K-SVD的雷達HRRP目標識別算法34-39
• 2.3.1 實測雷達HRRP數(shù)據(jù)的預(yù)處理34-35
• 2.3.2 基于K-SVD的雷達HRRP目標識別算法的訓練階段35-37
• 2.3.3 基于K-SVD的雷達HRRP目標識別算法的測試階段37-38
• 2.3.4 算法復雜度分析38-39
• 2.4 實驗結(jié)果分析39-46
• 2.4.1 完備訓練條件下的算法性能40-43
• 2.4.2 非完備訓練條件下的算法性能43-45
• 2.4.3 自適應(yīng)字典性能分析45-46
• 2.5 本章小結(jié)46-47
• 第三章 基于穩(wěn)健字典學習的雷達高分辨距離像目標識別47-73
• 3.1 引言47-48
• 3.2 雷達HRRP目標特性分析48-50
• 3.3 一種基于信號丟失的穩(wěn)健字典學習算法50-59
• 3.3.1 Drop-SDL訓練階段50-52
• 3.3.2 Drop-SDL測試階段52-53
• 3.3.3 模型解釋53-55
• 3.3.4 實驗結(jié)果與分析55-59
• 3.3.5 小結(jié)59
• 3.4 一種基于穩(wěn)健字典學習的雷達HRRP目標識別算法59-72
• 3.4.1 超完備稀疏表示的穩(wěn)健恢復59-60
• 3.4.2 幅度擾動情況下的穩(wěn)健性條件60-61
• 3.4.3 模型建立61-63
• 3.4.4 SDL訓練和測試算法63-66
• 3.4.5 仿真數(shù)據(jù)實驗結(jié)果66-68
• 3.4.6 雷達HRRP數(shù)據(jù)集實驗結(jié)果68-72
• 3.4.7 小結(jié)72
• 3.5 本章小結(jié)72-73
• 第四章 基于非線性字典學習方法的學習框架73-91
• 4.1 引言73-74
• 4.2 基于字典學習方法的聚類框架74-83
• 4.2.1 經(jīng)典K均值聚類的字典學習解釋74-75
• 4.2.2 基于字典學習的自適應(yīng)聚類算法75-77
• 4.2.3 基于核字典學習的自適應(yīng)聚類算法77-79
• 4.2.4 實驗結(jié)果分析79-82
• 4.2.5 小結(jié)82-83
• 4.3 基于自適應(yīng)核基向量抽取的特征提取算法83-88
• 4.3.1 自適應(yīng)核基向量抽取83-84
• 4.3.2 K-PCA特征提取84-85
• 4.3.3 UCI公共數(shù)據(jù)集實驗結(jié)果85-86
• 4.3.4 雷達HRRP數(shù)據(jù)集實驗結(jié)果86-88
• 4.3.5 小結(jié)88
• 4.4 本章小結(jié)88-91
• 第五章 基于深層網(wǎng)絡(luò)的雷達目標特征提取與識別91-119
• 5.1 引言91-93
• 5.2 深層網(wǎng)絡(luò)理論93-96
• 5.2.1 限制波爾茲曼機(RBM)93-94
• 5.2.2 自編碼器(AE)94-96
• 5.3 一種基于聯(lián)合穩(wěn)健深層網(wǎng)絡(luò)的雷達HRRP目標特征提取算法96-105
• 5.3.1 HRRP敏感性預(yù)處理與平均像96-98
• 5.3.2 聯(lián)合穩(wěn)健自編碼器(RAE)98-100
• 5.3.3 堆棧聯(lián)合穩(wěn)健自編碼器(SRAEs)100-101
• 5.3.4 實驗結(jié)果分析101-104
• 5.3.5 小結(jié)104-105
• 5.4 一種基于深層網(wǎng)絡(luò)的雷達HRRP目標識別算法105-117
• 5.4.1 校正自編碼器(CAE)105-107
• 5.4.2 堆棧校正自編碼器(SCAEs)107-109
• 5.4.3 深層網(wǎng)絡(luò)識別框架109-110
• 5.4.4 實驗結(jié)果分析110-115
• 5.4.5 參數(shù)分析115-117
• 5.4.6 小結(jié)117
• 5.5 本章小結(jié)117-119
• 第六章 總結(jié)與展望119-123
• 6.1 論文工作總結(jié)119-120
• 6.2 工作展望120-123
• 附錄A 高斯伯努利限制波爾茲曼機條件概率分布推導123-127
• 參考文獻127-139
• 致謝139-141
• 作者簡介141-142

【參考文獻】

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 柴晶;雷達高分辨距離像目標識別的拒判算法和特征提取技術(shù)研究[D];西安電子科技大學;2010年

  本文關(guān)鍵詞：雷達高分辨距離像特征提取與識別方法研究，由筆耕文化傳播整理發(fā)布。

本文編號：435570