采一维高距离高分辨率雷达的时间紧要运动目标自动目标识别

由于聚焦运动目标本身的困难给运动目标合成孔径雷达（SAR）成像和自动目标识别（ATR）带来了严峻的挑战。因此，运动目标的自动目标识别（ATR）最近引起了人们极大的关注。距离高分辨率（HRR）雷达模式通过多普勒波滤和杂波抑制形式显著地提高了目标与（杂波加噪声）（T／（C＋N））比的聚焦HRR轮廓像，提供了一条运动目标识别的途径。HRR和ATR的目的是实现并评估推广的工作条件下表现出稳健性的算法。采用了运动与静止目标捕获和识别（MSTAR）数据库的子集对基于模板的一维ATR研究了设计和性能。由于不能得到具有充分的统计意义的地面运动目标数据库，在仅采用距离维图像识别目标时，采用这种方法作为评估地面目标的可区辨性的间隔性中间步骤。本文概括数据、算法、性能结果并提出了建议。     

采用三种学习与表示策略的合成孔径雷达自动目标识别

阐述了一种新的合成孔径雷达自动目标识别结构，这种结构是以能高精度地估计目标姿态角为前提条件的。本文所述分类器设计的优点是：由于有姿态信息，可以采用较少的特征对目标实现高准确度的分类，从而降低了输入空间的复杂性。此外，对分类器的训练可以根据不同的情况区别对待，这也改进了分类器的性能，降低了复杂性。文中比较了三种构建模式空间与判别函数的学习与表示策略：Vapnik的支撑矢量机（SVM），针对神经网络新提出的一种二次互信息（QMI）代价函数， 以及最近利用多分辨率概念扩展的主分量分析方法（PCA－M）。利用MSTAR（运动与静止目标捕获与识别）数据库得到的实验结果表明，我们的分类器的性能优于标准的模板匹配型分类器。我们也评估了分类器对易混淆目标的检测、分类质量、表明对易混淆目标的抑制能力有显著的改善。     

基于混合神经网络的无线电信号自动调制识别

随着无线电信号数据海量增加，复杂电磁环境下面临着未知威胁和目标侦察识别复杂度高的问题，本文针对未知无线电信号的特征提取任务，设计了一种混合神经网络以提高目标无线电信号的识别能力。先通过胶囊神经网络对未知信号的空间信息进行提取，再进一步运用门控循环单元提取信号在时间上的特征信息。设计混合网络模型将信号的时间和空间特征相结合，提高对目标信号的分类精度。通过RML2016.04C调制信号数据集，验证了混合神经网络的识别性能。结果表明:当信噪比为6 dB时，混合网络模型对多种不同调制信号的分类精度大于95%。因此，本文所设计的混合神经网络能够有效对不同调制信号进行准确分类。     

合成孔径雷达图像中目标的统计特性

本文讨论了合成孔径雷达（SAR）图像中目标的统计特性，并验证了如何利用这一特性进行自动SAR目标分类及识别。文中介绍了一种用于估计目标雷达横截面积的目标平滑算法，这种算法可以与适当的噪声模式相结合以针对给定的成像构造产生多个目标，这就允许对目标特性进行统计分析，用于改进基于特征的分类，并通过对真实目标进行简单的分类实验进行了验证。     

采用高分辨率雷达的自动目标识别系统

本文提出了一种利用雷达传感器观测值对飞机目标联合跟踪和识别的系统。文中假设用于估计目标方向和识别目标的数据源高于分辨率雷达的距离剖面图序列。在包括目标数目以及它们的位置、方向和目标类型和完整的参数空间上运用后验分布完成推理判断。算法严格地依赖于适当地传感器和目标模型，从距离剖面图的似然值可得出目标方向，由目标动态确定目标方向的先验值。给出了高分辨率雷达数据的确定性模型和随机模型，对确定性模型研究了     

联合实施超分辨率动目标特征提取及静态杂波抑制

对于许多涉及到杂波背景下的动目标探测和分类的军事与民事应用，高距离分辨率（HRR）动目标显示雷达正变得日益重要，对于地面高距离分辨率雷达，当目标慢动或沿近正侧向运动且相干处理间隔或驻留时间不太长时，距离徒动和距离特征失真的影响可忽略不计。基于这种假设，建议对存在静态杂波时由距离向间距很近的散射体组成的动目标的HRR特征提取采用稳健且计算简单的基于松驰的算法。数值仿真实例表明这种算法具有超分辨率和良好的估计性能。     

利用机载高距离分辨率相控阵雷达进行动目标检测

本文研究机载高距离分辨率（HRR）相控阵雷达在时空相关地杂波背景中的动目标检测问题，为避免HRR雷达数据中出现的距离徙动问题，文中将HRR距离剖面划分成几大距离段，由于线段距离包含一系列高距离分辨率距离单元，所以这种划分不会丢失信息，因而不会折损失分辨率，本文阐述了如何采用矢量自回归（VAR）滤波技术来抑制地杂波，而后推导了基于广义似然比测试（GLRT）检测策略的动目标检测器，检测门限根据所需的虚警率，通过渐进统计分析来确定，若假设存在目标，先根据VAR滤波数据估计出目标多普勒频率和空域特征矢量后，再计算一简单的检测变量，并将它与检测门限相比较，即可做出是否存在目标的判 次，数值结果验证了所提出的动目标检测算法的性能。     

基于增程雷达一维像特征的高轨卫星识别方法

高轨卫星距离地球数万公里,雷达为了实现有效跟踪,通常使用增程技术。远距离使位置测量误差大到千米量级,增程导致数据率低到每帧以分钟计,雷达散射截面积(RCS)细节信息丢失,这给利用目标轨道和RCS进行目标分辨、识别带来困难。幸运的是高轨卫星目标相对观测视线位置和姿态稳定,天然消除了宽带一维像使用中方位敏感性的问题。本文通过一维像的尺寸、波形熵等特征,通过最小二乘支撑向量机,设计了高轨卫星目标的模板匹配算法,利用实测数据进行了识别验证,结果表明了方法的有效性。     

用雷达图像作非协同式空中目标识别：识别率作为信号带宽函数

尽管非协同式目标识别与高可靠敌我识别极其相关，但一直是一个有等解决的问题，过去提出并研究了许多方法，如：利用目标的红外、声学、光学或雷达特征等，其中一些方法是无源法，其优点是不会对被观测目标发出报警，不足之处是观测距离有限，边缘分辨率低，本文介绍的方法是在利用飞机雷达图像的基础上提出的，所研究的是一维雷达图像（通常所说的高距离分辨率剖面图）和二维逆合成孔径雷达（ISAR）图像。     

基于E脉冲波形综合技术的雷达目标识别方法研究

文章介绍了一种基于波形综合的雷达目标识别技术。通过对雷达目标的瞬态电磁仿真数据,准确提取极点目标,形成完整的E脉冲目标识别理论体系。最后给出了隐身飞机目标(F22、F35)电磁仿真和目标识别率的计算实例。     

SAR图像目标峰值特征提取与方位角估计方法研究

目标峰值特征是SAR图像目标识别的重要特征之一。峰值特征提取是SAR图像目标识别的一个重要步骤，为了由SAR图像快速、精确地提取目标峰值特征．本文首先研究了SAR图像目标峰值特征提取方法，提出了一种“子像素”级精度的SAR图像目标峰值特征提取方法．并通过仿真实验分析了峰值位置、峰值幅度的估计精度。由于目标SAR图像或SAR图像特征矢量对目标方位角变化的敏感性，因此，为了提高SAR图像目标识别系统的分类效率，本文还研究了SAR图像目标方位角估计方法，提出了一种利用峰值特征基于线性回归的sAR目标方位角估计方法，和现有方法相比，该方法除了计算速度快，估计精度较高之外，还能在估计方位角的同时，给出该估计的置信区间，从而更好的满足SAR ATR的实际需要。文中通过对大量实测MSTAR SAR图像目标方位角的估计实验，验证了本文目标峰值特征提取及方位角估计方法的有效性。     

基于G2DPCA的SAR目标特征提取与识别

给出了基于广义二维主分量分析（G2DPCA)的合成孔径雷达（SAR）图像目标特征提取 方法。与主分量分析（PCA）相比,在寻求最优投影方向时,它直接基于二维图像矩阵而不 是一维向量,在特征提取前不必将2维图像矩阵转换成1维向量。与二维主分量分析（2DPCA ）相比,它可以同时去除图像行和列像素间的相关性。基于美国运动和静止目标获取与识别 （MSTAR）计划录取的数据的实验结果表明,结合预处理,G2DPCA在大大降低了特征 维数的同时,又改善了识别性能,并且正确识别率在97％以上,且对目标方位变化具有较 好的鲁棒性。     

基于特征提取与统计的信号类型识别

针对空间电子对抗领域的截获信号类型识别问题,提出了一种基于特征提取与统计的非合作信号类型识别方法。首先,通过对瞬时频率和复包络模值特征进行统计,实现了信号类型的粗分类,接着,基于细微特征提取和比对,实现了信号类型的精确识别。仿真结果表明,当处理器输入信噪比高于11dB时,所提方法对8类信号的正确识别概率均超过90%。本方法处理复杂度较低,易于星上工程实现。     

基于波形识别技术的简易示波表设计

设计了一种基于基波特征的波形识别技术和自动量程切换的简易示波表设计方案。通过对比多种波形识别算法，提出了符号化波形描述的波形识别算法，并将此算法用于低成本的示波表设计中。设计的示波表能实现特定波形的识别和量程的自动切换，并通过LCD显示出所测波形信号的电压值及频率值，解决了当前数字万用表测量交流信号的不足。     

高距离分辨像雷达目标识别

对雷达目标识别的要求是在不同的探测距离和不同的观测角下都能够达到很高的目标识别精度。雷达自身的特性及复杂背景的影响 ,使得基于距离像的雷达目标识别存在着一定的困难。由于非合作目标总是机动的 ,因而距离像也是非平移不变的 ,距离像在距离门中的位置是不确定的 ,存在不可预估的平移。同时 ,由于一维距离像某一分辨单元回波是该单元内所有散射点回波相干求和的结果 ,因而距离像的波形对目标姿态角的变化比较敏感。因此如何利用现代的信号处理技术和模式识别手段从距离像中进行可靠的特征提取和识别是至关重要的。就此对多种基于高距离分辨像的目标识别方法作了总结和回顾     

采用单目视觉的非合作目标星状态估计

针对微小卫星逼近观测未知的空间翻滚非合作目标星任务，提出一种基于单目视觉的目标星相对状态估计方法。在建立追踪星/目标星相对运动模型的基础上，以单目相机识别并测量获得的目标星固有特征的像素位置为观测输入，通过扩展卡尔曼滤波算法实现对目标星相对位置、相对速度、相对姿态、角速度、惯量比和特征位置等状态的估计。仿真结果表明,该方法能够很好地实现对未知非合作目标星的相对状态估计，姿态估计误差小于2°，位置估计误差小于0.1 m，特征点位置平均估计误差小于0.04 m。     

四边形全天自主星图识别算法

讨论了一种新的无须任何先验知识的星图识别算法。该算法将四边形星图模式分解为两个具有公共边的三角形模式，使用三角形模式的特征，在保证自满计算量和星载星表的存储容量的前提下，使算法的识别成功率得以星著提高。Ｍｏｎｔｅ Ｃａｒｌｏ实验表明，在星等误差０．５星等（３σ），位置误差１０角秒（１σ）时，该算法的识别成功率接近１００％。     

基于频谱预处理的RS码盲检测识别方法

针对RS(Reed Solomon)码的盲检测与识别问题,提出了一种基于频谱预处理的检测方法。该方法利用RS码的频域特征,实现对RS码的盲检测与识别,针对高误码情况,对多组码字的频谱分量进行非线性变换和中值滤波,充分利用码字变换频谱的统计信息,使得检测算法可以适应较高的误码环境,同时给出了算法误码适应能力的理论上限。仿真实验表明,算法能够在较高误码率条件下实现对本原RS码的盲检测与识别,性能已接近算法误码适应能力的理论上限。     

基于层次化分类器的遥感图像飞机目标检测

在大量航空航天遥感图像中,快速发现和统计飞机目标并对其进行准确定位,在军事和民用方面均具有重要意义。结合遥感图像特点,针对飞机目标的特征,文章设计了一种基于层次化的分类器的遥感图像飞机目标检测方法。首先用基于哈尔（Haar）特征的底层AdaBoost分类器快速去除大部分非目标区域;然后用基于梯度方向直方图（Histogram of Oriented Gradient,HOG）特征的顶层支持向量机（Support Vector Machine,SVM）分类器进行精细检测。在分辨率为1m的遥感图像数据集上的实验结果表明,层次化分类器在保证较高检测率的前提下,大大降低了虚警率,可以有效解决遥感图像飞机检测问题。     

对空间碎片的相对位姿估计

针对几何、质量特性参数均未知的空间碎片,提出一种基于扩展卡尔曼滤波（EKF）的相对位姿估计算法。该算法以单目相机获得的目标图像特征视线信息作为测量输入,以目标姿态、姿态角速度、惯量比、相对位置、相对速度和特征位置作为滤波状态。对算法进行可观性分析,给出两个可以保证算法可观性的条件。分别针对不同条件进行数值仿真,仿真结果表明新算法能够对几何和质量参数未知的空间碎片进行有效的相对位姿 估计。