雷達高分辨距離像特征提取與識別方法研究.pdf

1、雷達高分辨距離像(HRRP)是日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構特征，如今已成為雷達自動目標識別(RATR)領域的研究重點之一。本論文依托國防預研項目以及國家自然科學基金等項日，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理論和技術問題。
　　論文概括如下:
　　1.介紹雷達HRRP的基本概念，討論雷達日標識別的應用

2、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據描述能力有限，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。依據對測試樣本的信噪比估計，自適應地確定測試階段稀疏分解的稀疏度系數。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據（不完備訓練集）的條件下較好地識別全角域數據，可實現數據庫擴展?；趯崪y雷達數據的實驗結果驗證了算法的有效性。

3、
　　3.基于字典學習的信號稀疏表示被廣泛應用于信號處理領域，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。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，構建穩(wěn)健損失函數用于學習自適應字典。該算法利用距離像在散射點不發(fā)生越距離單元走動(MTRC)的方位幀內具有結構相似性，約

4、束鄰近訓練樣本間稀疏表示的非零元素位置相同，并通過結構化稀疏約束選擇最優(yōu)子字典用于測試樣本的分類。(2)結合雷達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。考慮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一種穩(wěn)健字典學習(SDL)算法。構建的穩(wěn)健日標函數在約束鄰近HRRP樣本稀疏表示的非零元素位置相同的同時，限制其稀疏系數的方差變化要小。訓練階段生成的結構化稀疏約束被用于最優(yōu)子字典選擇

5、，實現對測試樣本的穩(wěn)健稀疏表示。最后基于實測HRRP數據的實驗結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系。然而實際應用中，信號本身通常存在復雜的非線性關系，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時得到自適應聚類算法，避免了K均值聚類需要人為指定類簇數先驗和對初始值敏感的兩

6、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聚類算法。(2)提出一種基于聯合非負稀疏約束的核字典學習算法，利用該算法實現核基向量抽取，在剔除訓練集中冗余樣本和奇異樣本的同時，獲取少數具有較好數據描述能力的原始數據作為核基向量。獲得自適應核基矩陣后，利用K-PCA算法提取樣本的特征向量?；赨CI公共數據集以及實測雷達HRRP數據集的實驗結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。傳統(tǒng)特征提

7、取算法多采用淺層的模型結構，容易忽視樣本的內在結構，不利于學習有效的分類特征。針對這一問題，利用多層非線性網絡實現特征學習，主要工作包含兩部分:(1)構建基于聯合穩(wěn)健深層網絡的雷達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具有穩(wěn)健物理特性的性質，提出了堆棧聯合穩(wěn)健自編碼器(SRAEs)。該網絡由一系列聯合穩(wěn)健自編碼器(RAE)堆?；瘜崿F，在匹配原始HRRP樣本的同時，約束同幀樣本趨近于平均像，并將網絡的最

8、終輸出作為分類器的特征輸入。基于實測HRRP數據的實驗結果驗證了所提算法的有效性。(2)為了從大量無標號數據中獲取穩(wěn)健結構和高階相關性，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，由一系列預學習的校正自編碼器(CAE)堆棧化實現。算法利用幀協方差矩陣構建基于馬氏距離準則的目標函數。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