论文部分内容阅读
雷达目标识别技术是基于雷达回波信号,提取与目标特性相关的信息,实现目标属性或类别的判定。随着国际形势的发展,雷达目标识别越来越受到世界各国科研人员的青睐。随着高分辨率雷达体制的应用,使得获得更为细致的目标几何结构信息和细节信息成为可能,而高分辨率雷达(High Resolution Radar,HRR)和合成孔径雷达(Synthetic Aperture Radar,SAR)两种体制的雷达的回波信号HRRP和SAR图像,作为典型的高分辨率雷达信号,也成为当前各国雷达目标识别研究的热点。本文在稀疏学习理论基础上,研究基于HRRP目标和SAR图像目标的雷达目标识别方法,主要的研究工作如下:1.研究了稀疏学习理论。首先,对三种典型的稀疏建模方式、三类经典的稀疏求解方法、以及稀疏学习的应用进行了阐述;其次,分别研究了HRRP目标和SAR图像常用的稀疏表示方法,并对其稀疏性进行了分析。2.提出了一种基于贝叶斯模型的Shearlet域SAR图像去噪算法,所提出的算法既利用了稀疏系数间的空间相关性,又基于贝叶斯模型获取了动态的噪声阈值,在实现噪声滤波的同时可以有效的保持边缘信息。首先对对数变换后的SAR图像进行Shearlet稀疏表示,其次根据稀疏系数的统计特性利用贝叶斯模型进行噪声检测的建模,最后利用自适应加权收缩实现SAR图像噪声像素的平滑处理。在MSTAR数据库上的实验结果验证了所提方法的可行性和有效性。3.提出了一种基于动态稀疏K-SVD(DSK-SVD)的字典学习方法。该算法的突出优点在于能够动态的计算稀疏编码的稀疏度,并对字典原子进行并行更新。首先,利用字典的互相关来定义稀疏编码过程中的稀疏度,用来动态的控制稀疏系数的稀疏度。其次,利用并行原子更新准则实现字典更新过程中的字典原子和稀疏系数的更新。在MSTAR数据库和HRRP数据上的实验结果验证了所提方法的可行性和有效性。4.提出了一种基于D-S证据迭代折扣方法的雷达目标融合识别方法,该方法对利用DSK-SVD算法对训练样本的特征进行学习,并利用测试样本的重构误差来定义基本概率分配(BPA)函数。首先,利用混淆矩阵以及BPA函数,计算出各个证据对应的折扣因子;其次,利用每次迭代得到的折扣因子重复对证据源进行修正,直到冲突系数小于给定的阈值;最后,利用修正后的证据进行融合识别。与其它典型融合识别方法相比,本文提出的方法在小样本情况下能够保持较好的识别性能。