一种高分辨距离像的增敏特征.docxVIP

一种高分辨距离像的增敏特征 1 基于归一化的rats公司识别 高度色散指数（hrp）是辐射雷达信号接收的目标散射点的向量和振幅，这是目标的重要结构特征，在雷达辐射中是随机的。现在，它是探测雷达自我识别领域的研究热点。HRRP有很强的方位、幅度和平移敏感性。方位敏感性由目标姿态相对雷达视角的变化引起；幅度敏感性由距离像的幅度为目标距离、雷达天线增益和雷达接收机增益等的函数所引起，表现为不同目标、不同雷达的距离像在幅度上具有不同的尺度标准。方位敏感性和幅度敏感性可分别通过对距离像回波序列划分观测角域和对距离像进行幅度归一化解决。平移敏感性由距离像在距离窗中的移动引起，距离窗的大小通常选择为从其中可以获得完整的目标回波数据，并有一定的余度。平移敏感性造成同一回波数据在距离窗数据空间中成为不同的向量，为RATR带来困难。 解决平移敏感性的方法主要有：(1)时域最大滑动相关法，即训练阶段各角域建模时需对各角域内距离像平移对齐，测试阶段测试样本需与各角域模板平移对齐。(2)平移不变变换法，即对距离像进行具有平移不变特性的变换，得到距离像的平移不变特征，采用平移不变特征进行目标识别。由于平移不变特征彻底解决了平移敏感性，为维数压缩、简化分类运算以及采用复杂高级分类器进行分类识别带来了极大方便，因此平移不变特征的提取是雷达目标识别中一个重要的环节。快速傅里叶变换(Fast Fourier Transformation,FFT)方法即是对距离像采用FFT变换，以距离像的幅度谱作为平移不变特征。基于双谱的目标识别方法，以距离像的双谱做为平移不变特征，与幅度谱相比，虽然双谱同时含有信号谱的幅度信息与高阶相位信息，且能抑制具有零均值对称概率密度特征的干扰和噪声，但是双谱是将数据从N维到N2维的变换，当信号的样本数据增大时，计算量和存储量急剧增大，因而通常使用双谱特征时必须进行降维处理。 本文从HRRP中提取出一种新的平移不变特征：幅度谱差分。幅度谱差分的每一分量等于相邻频谱幅度之差，反映了该离散频率处频谱幅度变化的方向和大小，类似于连续信号在某点处的梯度信息，幅度谱差分描述了距离像频谱幅度的变化情况。幅度谱从频谱幅度本身去描述距离像，而幅度谱差分从频谱幅度的变化去描述距离像，相当于从另一角度提取了距离像的特征。相比幅度谱特征，在分类决策时，幅度谱差分特征以测试样本幅度谱的起伏特性与角域模板幅度谱的起伏特性一致性的程度为匹配测度，更适合于雷达自动目标识别。我们以幅度谱差分为特征和以幅度谱为特征，采用外场实测数据，分别训练了两种分类器：最短距离分类器和one-against-all SVM多类分类器。两种分类器的识别结果均表明：幅度谱差分特征相比幅度谱特征可显著增加数据可分性，大大提高识别率。 2 新的距离特征 2.1 基于回波信号的距离像的偏差识别 目标在雷达电波作用下，产生后向散射的电波称为雷达回波，在散射点模型假设条件下，目标的回波可视为沿波束射线的相同距离单元里的众多散射点子回波的向量和。通常将该回波的幅度分布称为一维实距离像，简称距离像。距离像有很强的方位敏感性、幅度敏感性和平移敏感性。 平移敏感性是由距离像在距离窗中的移动引起的，距离窗的大小通常选择为从中可以获得完整的目标回波数据，并有一定的余度。图1所示为奖状飞机同一角域两个幅度归一化后的距离像，从图中可以看出，距离像的形状非常接近，但是两者在距离窗中的位置明显不同，这样一来，本来相似度很高的两个回波数据在距离窗数据空间中表达成两个相差很远的数据矢量。因此，如果要采用距离像进行目标识别，必须解决距离像的平移敏感性。 如引言所述，解决距离像平移敏感性目前主要有最大滑动相关法和平移不变变换法两大类。最大滑动相关法虽然解决了各角域内距离像的平移敏感性，但是没有彻底解决平移敏感性，这是因为：(1)不同角域的距离像仍存在平移敏感性，由于距离像的方位敏感性，对不同角域的距离像进行最大滑动相关对齐是没有意义的，对齐不同目标的距离像更是没有意义；(2)测试数据与训练数据间仍然存在平移敏感性，测试数据必须与各角域的模板对齐后才能计算匹配测度。平移不变变换法较之最大滑动相关法则彻底地解决了平移敏感性。目前主要有采用FFT变换和双谱等高阶谱的变换。双谱是将数据从N维到N2维的变换，当信号的样本数据增大时，计算量和存储量急剧增大，因而通常使用双谱特征时必须进行降维处理，所以双谱从理论上是很好的平移不变特征，但是在实际应用中必须对采用双谱特征的数据进行降维后才能用于目标识别，所以从这一点看，双谱特征也不是很理想的平移不变特征。FFT所得幅度谱则是比较常用的平移不变特征。 2.2 幅度谱差分特征在ratr目标识别中的优势 本文从HRRP中提取出一种新的距离像平移不变特征——幅度谱差分，并以此特征进行目标识别。设x=