CN104122540A - 基于匹配字典和压缩感知的雷达一维距离像目标识别方法 - Google Patents
基于匹配字典和压缩感知的雷达一维距离像目标识别方法 Download PDFInfo
- Publication number
- CN104122540A CN104122540A CN201410371180.4A CN201410371180A CN104122540A CN 104122540 A CN104122540 A CN 104122540A CN 201410371180 A CN201410371180 A CN 201410371180A CN 104122540 A CN104122540 A CN 104122540A
- Authority
- CN
- China
- Prior art keywords
- radar
- signal
- range profile
- tau
- dictionary
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达高分辨一维距离像(High Resolution Range Profile,HRRP)自动目标识别技术领域,尤其涉及基于压缩感知理论的一维距离像目标识别。本发明根据雷达回波模型构造匹配字典,选取合适的测试矩阵对已知种类信息的训练样本一维像和待识别的测试样本一维像分别进行压缩感知,达到数据降维的目的。然后,对压缩感知后的数据进行稀疏重构,得到训练样本一维像和测试样本一维像在匹配字典下的稀疏系数。以训练样本的稀疏系数作为模板矢量,采用最近邻法对测试样本进行识别。本发明构造匹配字典,提取目标在该字典下的稀疏系数特征以避免冗余,减少计算量,同时,避免不必要的噪声。
Description
技术领域
本发明属于雷达高分辨一维距离像(High Resolution Range Profile,HRRP)自动目标识别技术领域,尤其涉及基于压缩感知理论的一维距离像目标识别。
背景技术
雷达目标识别是从雷达接收到的目标散射回波中提取稳定特征,并根据已有的目标先验信息,对待识别目标的属性、种类等进行自动识别。
雷达目标回波包含的特征很多,如目标在时域、频域和极化域等的特征信息。但是,并不是所有的特征都能够有效地用于目标识别。通常需要从目标回波中抽取与目标属性直接相关的一个或多个特征作为目标识别的依据,这样才能有效地避免特征的冗余和噪声的引入。HRRP反映了目标散射中心沿雷达径向的分布情况,包含了很多有关目标几何结构和形状的信息,因此利用HRRP进行雷达目标识别具有简明的物理意义。
压缩感知(Compressive Sensing,CS)理论是近几年提出的一种非常有效的信号处理领域新框架。CS所处理的信号为稀疏信号或者在某个变换域下可以稀疏表示的信号。根据光学区雷达目标识别的多散射中心理论,可以知道雷达一维距离像是可以在变换域下稀疏表示的,所以CS理论适用于该信号的处理。
将压缩感知理论应用于雷达一维距离像识别,是对传统的一维像识别手段的补充。
发明内容
本发明的目的在于提供一种基于匹配字典和压缩感知的雷达一维距离像目标识别方法。
本发明根据雷达回波模型构造匹配字典,选取合适的测试矩阵对已知种类信息的训练样本一维像和待识别的测试样本一维像分别进行压缩感知,达到数据降维的目的。然后,对压缩感知后的数据进行稀疏重构,得到训练样本一维像和测试样本一维像在匹配字典下的稀疏系数,所述稀疏系数为特征矢量。以训练样本的稀疏系数作为模板矢量,采用最近邻法对测试样本进行识别。
基于匹配字典和压缩感知的雷达一维距离像目标识别方法,具体如下:
S1、进行数据预处理,划分模区:根据雷达回波一维距离像的姿态角对训练样本中不同种类的目标的雷达回波一维距离像进行模区划分;
S2、压缩感知:根据雷达回波模型构造匹配字典Ψ作为稀疏基,高斯随机矩阵作为测量矩阵,对处理后的样本数据进行压缩感知得到观测信号,包括:
S21、构造匹配字典,具体为:
S211、选择点散射中心模型,将目标回波表示为 其中,M为散射中心的数目,rk代表第k个散射中心的雷达径向距离,τk代表第k个散射中心的波达时间,αk代表第k个散射中心的散射强度,c为光速,f为雷达发射信号频率,exp(*)表示以自然常数e为底的指数函数;
S212、设雷达发射信号为 通过S211所述的回波模型可以得到雷达回波信号为 所述雷达回波信号so(t)经过相干检波和匹配滤波器后可得到信号 其中,t是所述雷达回波信号的接收时间,T为所述雷达发射信号s(t)的脉冲宽度,B为所述雷达发射信号s(t)的频带宽度,fc为所述雷达发射信号s(t)的载波频率,为所述雷达发射信号s(t)的调频斜率,为矩形窗函数,ak代表第k个散射中心的复幅度,Sa(*)是辛克函数;
S213、根据S212所述回波模型建立匹配字典。我们假设目标为单个距离单元的单一散射点,原子是由雷达信号经过该单个散射点所反射的回波产生,单个散射点的回波信号经过脉冲压缩后为 其中,τ'是雷达发射信号经散射点散射后到达雷达接收端的时间延迟;
S214、构造N个原子,分别表示不同距离单元里的散射点所反射的回波信号,即 其中,τ表示奈奎斯特采样间隔,N表示信号长度,n=1,2,...N;
S215、选取ψn=y(nτ),n=1,2,...,N,则匹配字典为Ψ={ψ1,ψ2,....ψN},其中,ψn为在第n个距离单元存在强散射中心所产生的雷达回波信号;
S22、对处理后的样本数据进行压缩感知得到观测信号,具体为:
S221、选择随机投影矩阵作为观测矩阵实现数据降维,得到观测信号S'=RS,其中,R为随机投影矩阵,所述R的维数为I×J,J为原子的维数,与待测信号长度N相同,I为测量次数,I=O(Plog(J)),P为信号的稀疏度。将观测信号表示为S'=RS=RΨa,a是待处理信号S在匹配字典Ψ上的稀疏系数,其维数是N×1,需要通过下面步骤求得;
S3、稀疏重构获得稀疏系数向量:用MP算法对S2所述观测信号进行重构,求得原始数据相对于匹配字典的最稀疏表达,得到一维稀疏系数向量a,所述一维稀疏向量a是通过匹配追踪(Matching Pursuit,MP)算法对arg min||a||0,s.t.S'=RΨa=Aa优化所得,所述一维稀疏向量就是用于最终识别的特征向量,其中,一个模区得到一个一维稀疏向量;
S4、根据S1的模区划分,对不同种类不同模区内的训练样本所求得的特征向量计算平均值,得到该种类在该模区下的模板矢量组合成模板矢量库;
S5、对测试样本进行特征提取,根据S4所述模板矢量库对所述测试样本的特征向量进行目标识别。
进一步地,S1所述模区划分具体如下:设训练样本姿态角的范围为[0°,360°],取d度为一个模区,即将目标所有的一维距离像划分为个模区,若目标某一维距离像的姿态角在[(n-1)d,nd)内,则认为所述目标某一维距离像属于第n个模区,d=6,ceil(*)表示对x往正方向取整。
进一步地,S3所述稀疏重构获得稀疏系数向量a,具体如下:
S31、采用匹配追踪MP算法对arg min||a||0,s.t.S'=RΨa=Aa进行优化求解,字典更新为A=RΨ;
S32、在S31所述字典A中选择一个最匹配的原子,满足|<S',Ar0>|=supn∈(1,2,...N)|<S',An>|,其中,r0表示字典中原子的索引,Ar0表示字典A中r0所指向的原子;
S33、S2所述观测信号在S32所述原子上进行投影,分解成为垂直投影分量和残差两部分,S'=<S',Ar0>Ar0+R1,其中,<S',Ar0>Ar0表示垂直投影分量,R1表示第一次迭代后的残差;
S34、对S33所述残差进行分解,在第k+1次迭代时可以得到Rk=<Rk,Ark>Ark+Rk+1,k=1,2,...,K,Ark满足|<Rk,Ark>|=supn∈(1,2,...N)|<Rk,An>|;
S35、设定一个阈值Q,当残差||Rk+1||2≤Q时,迭代结束,若迭代次数为K时,迭代过程结束,此时观测信号被分解为即得到稀疏系数向量a=[<R0,Ar0>,<R1,Ar1>,...,<RK,ArK>]T。
进一步地,S35所述Q=0.1*||S'||2。
进一步地,S5所述目标识别采用最近中心邻法。
本发明的有益效果是:
用于目标识别的特征数目并非越多越好,因为从同一目标中提取的特征难免存在一定的相关性,这就造成了特征的冗余,这种冗余不仅会使计算量增大,还会引入不要的噪声。为了避免冗余我们需要从目标电磁散射机理出发,抽取与目标属性直接相关的特征。本发明构造匹配字典,提取目标在该字典下的稀疏系数就满足了以上要求。如果目标相对该匹配字典的某一个原子的系数较高,就代表目标在该原子所指向的距离单元有较高的散射,对应一个强散射中心。同一个目标在一定姿态角内的散射中心相对位置是保持近似不变的,所以这可以作为目标识别的一个有效特征。
附图说明
图1是本发明的流程图。
图2是匹配字典其中两幅原子的仿真图。
图3是待识别样本中的一幅一维像。
图4是图3所示一维像在匹配字典下的稀疏系数。
具体实施方式
下面结合实施例和附图,详细说明本发明的技术方案。
如图1所示,本发明实施过程具体如下:
S1、进行数据预处理,根据雷达回波一维距离像的姿态角对训练样本中不同种类的目标的雷达回波一维距离像进行模区划分,具体为:由于一维距离像的姿态敏感性,目标姿态角变化较大时,其一维距离像会出现极大变化,所以将目标的所有一维距离像每隔一定姿态角范围建立一个模区,取该模区的一维距离像进行特征提取建立模板矢量,组合成该目标的模板矢量库。设训练样本姿态角的范围为[0°,360°],取d度为一个模区,即将目标所有的一维距离像划分为个模区,若目标某一维距离像的姿态角在[(n-1)d,nd)内,则认为所述目标某一维距离像属于第n个模区,d=6,ceil(*)表示对x往正方向取整。若d值太大,则该模区的一维距离像波形出现较大变化,会影响识别效果。
S2、压缩感知:根据雷达回波模型构造匹配字典Ψ作为稀疏基,高斯随机矩阵作为测量矩阵,对处理后的样本数据进行压缩感知得到观测信号,包括:
S21、构造匹配字典,具体为:
S211、根据光学区雷达的多散射中心理论,光学区雷达回波可以近似等效为目标物体上少数几个强散射中心回波的矢量和选择点散射中心模型,将目标回波表示为 其中,M为散射中心的数目,rk代表第k个散射中心的雷达径向距离,τk代表第k个散射中心的波达时间,αk代表第k个散射中心的散射强度,c为光速,f为雷达发射信号频率,exp(*)表示以自然常数e为底的指数函数;
S212、以up-chirp线性调频信号为例,雷达发射信号为 其中t是信号接收时间,T为脉冲宽度,B为频带宽度,fc为载波频率,为调频斜率,为矩形窗函数。通过S211所述的回波模型可以得到雷达回波信号为 其中,ak代表第k个散射中心的复幅度,再经过相干检波和匹配滤波器后可得到信号 这是我们最终得到的雷达回波信号模型,其中,Sa(*)是辛克函数;
S213、根据S212所述回波模型建立匹配字典。根据雷达多散射中心理论,雷达回波是目标上不同强散射中心的散射回波的矢量和。本发明构造匹配字典的思想是,假设目标为单个距离单元内的单一散射点,原子由雷达信号经过不同的时移到达散射点所反射的回波产生。不同的时移对应的是散射点相对于雷达的不同径向距离。设目标为单个距离单元的单一散射点,原子是由雷达信号经过该单个散射点所反射的回波产生,单个散射点的回波信号经过脉冲压缩后为 其中,τ'是雷达发射信号经散射点散射后到达雷达接收端的时间延迟;
S214、由于雷达的距离分辨率与雷达发射信号的等效带宽B成反比,即Δr为距离分辨单元,距离小于Δr的多个散射点是没有办法分辨出来的,只能等效为一个强散射点。所以构造匹配原子时,我们假设每个原子在一个距离分辨单元内有散射点,在其余距离单元内无强散射点。假设待处理信号的信号长度为N,即雷达接收距离窗包含N个距离单元,我们就构造N个原子,分别表示不同距离单元里的散射点所反射的回波信号构造N个原子,分别表示不同距离单元里的散射点所反射的回波信号,即 其中,τ表示奈奎斯特采样间隔,n=1,2,...N;
S215、选取ψn=y(nτ),则匹配字典为Ψ={ψ1,ψ2,....ψN},其中,ψn为在第n个距离单元存在强散射中心所产生的雷达回波信号;
S22、对处理后的样本数据进行压缩感知得到观测信号,具体为:
S221、对待处理数据进行压缩感知,就是选择合适的观测矩阵进行投影。本发明选择高斯随机矩阵作为观测矩阵,这一过程也称作随机投影(Random Projection,RP)。随机投影是降低维数、压缩高维数据的强而有力的变换工具,它是一种维持原始高维数据结构特性而不引入重大数据奇异,简单而有效的投影变换方法。压缩感知理论指出,对于在某个变换域上稀疏的信号,通过特定的观测矩阵将信号投影到低维的信号空间上,如果观测矩阵满足与稀疏基不相关的条件,我们就可以用少量数据在低维空间中重构出原始信号。随机投影就满足以上条件,所以选择随机矩阵作为观测矩阵实现数据降维。选择随机投影矩阵作为观测矩阵实现数据降维,得到观测信号S'=RS,其中,R为随机投影矩阵,所述R的维数为I×J,J为原子的维数,与待测信号长度N相同,I为测量次数,I=O(Plog(J)),P为信号的稀疏度;
S3、稀疏重构获得稀疏系数向量:用MP算法对S2所述观测信号进行重构,求得原始数据相对于匹配字典的最稀疏表达,得到一维稀疏系数向量a,所述一维稀疏向量a是通过匹配追踪(Matching Pursuit,MP)算法对arg min||a||0,s.t.S'=RS=RΨa=Aa求解所得,其中Ψ={ψ1,ψ2,....ψN}是匹配字典,所述一维稀疏向量就是用于最终识别的特征向量,其中,一个模区得到一个一维稀疏向量,具体为:
S31、寻求稀疏系数向量的过程其实是要求解一个优化问题,采用匹配追踪MP算法对arg min||a||0,s.t.S'=RΨa=Aa进行优化求解,字典更新为A=RΨ;
S32、在S31所述字典A中选择一个最匹配的原子,满足|<S',Ar0>|=supn∈(1,2,...N)|<S',An>|,其中,r0表示字典中原子的索引,Ar0表示字典A中r0所指向的原子;
S33、S2所述观测信号在S32所述原子上进行投影,分解成为垂直投影分量和残差两部分,S'=<S',Ar0>Ar0+R1,其中,<S',Ar0>Ar0表示垂直投影分量,R1表示第一次迭代后的残差;
S34、对S33所述残差进行分解,在第k+1次迭代时可以得到Rk=<Rk,Ark>Ark+Rk+1,k=1,2,...,K,Ark满足|<Rk,Ark>|=supn∈(1,2,...N)|<Rk,An>|;
S35、设定一个阈值Q,当残差||Rk+1||2≤Q时,迭代结束,若迭代次数为K时,迭代过程结束,此时观测信号被分解为即得到稀疏系数向量a=[<R0,Ar0>,<R1,Ar1>,...,<RK,ArK>]T,其中,Q=0.1*||S'||2。
S4、根据S1的模区划分方法,对不同种类不同模区内的训练样本所求得的特征向量计算平均值,得到该种类在该模区下的模板矢量组合成模板矢量库。设所述训练样本分别属于C个种类。将每类的训练样本数据按照姿态角分为L个模区。设第c类第l个模区内有Ncl幅一维像,分别为对每幅一维像进行特征提取,得到相对于匹配字典的稀疏系数为取其平均值即为第c类第l个模区的模板矢量。求出各个种类各个模板的模板矢量为a11,a12,...,a1L,a21,a22,...,a2L,...,ac1,ac2,...acL,组合成模板矢量库。
S5、对测试样本进行特征提取,根据S4所述模板矢量库对所述测试样本的特征向量进行目标识别,所述目标识别采用最近中心邻法。假设待识别信号为S0,它属于第l0个模区。信号的稀疏重构系数是a0,计算出a0与模板矢量库中各类目标第l0个模区的模板矢量的欧氏距离为最后选取dc最小的那类目标,即可将待识别目标识别为这一类,即其中,c=1,2,...,C。
本发明的实施例采用的是国外某雷达回波仿真软件生成六种飞机(B-1B,B-52,F-15,Tu-16,An-26,Mig-21)的雷达回波数据。取两组仿真数据,飞机相对于雷达的俯仰角分别是0°和357°。雷达工作参数是:中心频率6GHz,信号带宽400MHz,采样频率1600MHz。目标姿态角设定是姿态角间隔是0.1°。每幅距离像包含320个距离单元,即信号长度为320。我们从0°开始每隔一度取一幅距离像作为训练样本,每隔一点三度取一幅距离像作为测试样本。
为了克服一维像的姿态敏感性,将训练样本每个种类按六度一个模区分成30个模区。然后对每个种类每个模区里面的一维像分别提取相对匹配字典的稀疏系数作为特征向量,并取其均值作为模板矢量,最后组合成模板矢量库。提取训练样本的特征向量,判断其姿态角所在模区,用最近中心邻分类器对该训练样本进行识别。
本实施例的识别率如表1所示。
表1
Claims (5)
1.基于匹配字典和压缩感知的雷达一维距离像目标识别方法,其特征在于,包括以下步骤:
S1、进行数据预处理,划分模区:根据雷达回波一维距离像的姿态角对训练样本中不同种类的目标的雷达回波一维距离像进行模区划分;
S2、压缩感知:根据雷达回波模型构造匹配字典Ψ作为稀疏基,高斯随机矩阵作为测量矩阵,对处理后的样本数据进行压缩感知得到观测信号,包括:
S21、构造匹配字典,具体为:
S211、选择点散射中心模型,将目标回波表示为 其中,M为散射中心的数目,rk代表第k个散射中心的雷达径向距离,τk代表第k个散射中心的波达时间,αk代表第k个散射中心的散射强度,c为光速,f为雷达发射信号频率,exp(*)表示以自然常数e为底的指数函数;
S212、设雷达发射信号为 通过S211所述的回波模型可以得到雷达回波信号为 所述雷达回波信号so(t)经过相干检波和匹配滤波器后可得到信号 其中,t是所述雷达回波信号的接收时间,T为所述雷达发射信号s(t)的脉冲宽度,B为所述雷达发射信号s(t)的频带宽度,fc为所述雷达发射信号s(t)的载波频率,为所述雷达发射信号s(t)的调频斜率,为矩形窗函数,ak代表第k个散射中心的复幅度,Sa(*)是辛克函数;
S213、根据S212所述回波模型建立匹配字典:假设目标为单个距离单元的单一散射点,原子是由雷达信号经过该单个散射点所反射的回波产生,单个散射点的回波信号经过脉冲压缩后为 其中,τ'是雷达发射信号经散射点散射后到达雷达接收端的时间延迟;
S214、构造N个原子,分别表示不同距离单元里的散射点所反射的回波信号,即 其中,τ表示奈奎斯特采样间隔,N表示信号长度,n=1,2,...N;
S215、选取ψn=y(nτ),n=1,2,...,N,则匹配字典为Ψ={ψ1,ψ2,....ψN},其中,ψn为在第n个距离单元存在强散射中心所产生的雷达回波信号;
S22、对处理后的样本数据进行压缩感知得到观测信号,具体为:
S221、选择随机投影矩阵作为观测矩阵实现数据降维,得到观测信号S'=RS,其中,R为随机投影矩阵,所述R的维数为I×J,J为原子的维数,与待测信号长度N相同,I为测量次数,I=O(Plog(J)),P为信号的稀疏度,将观测信号表示为S'=RS=RΨa,a是待处理信号S在匹配字典Ψ上的稀疏系数,其维数是N×1,需要通过下面步骤求得;
S3、稀疏重构获得稀疏系数向量:用MP算法对S2所述观测信号进行重构,求得原始数据相对于匹配字典的最稀疏表达,得到一维稀疏系数向量a,所述一维稀疏向量a是通过匹配追踪MP算法对arg min||a||0,s.t.S'=RΨa=Aa优化所得,所述一维稀疏向量就是用于最终识别的特征向量,其中,一个模区得到一个一维稀疏向量;
S4、根据S1的模区划分,对不同种类不同模区内的训练样本所求得的特征向量计算平均值,得到该种类在该模区下的模板矢量组合成模板矢量库;
S5、对测试样本进行特征提取,根据S4所述模板矢量库对所述测试样本的特征向量进行目标识别。
2.根据权利要求1所述的基于匹配字典和压缩感知的雷达一维距离像目标识别方法,其特征在于:
S1所述模区划分具体如下:设训练样本姿态角的范围为[0°,360°],取d度为一个模区,即将目标所有的一维距离像划分为个模区,若目标某一维距离像的姿态角在[(n-1)d,nd)内,则认为所述目标某一维距离像属于第n个模区,d=6,ceil(*)表示对x往正方向取整。
3.根据权利要求1所述的基于匹配字典和压缩感知的雷达一维距离像目标识别方法,其特征在于:
S3所述稀疏重构获得稀疏系数向量a,具体如下:
S31、采用匹配追踪MP算法对arg min||a||0,s.t.S'=RΨa=Aa进行优化求解,字典更新为A=RΨ;
S32、在S31所述字典A中选择一个最匹配的原子,满足|<S',Ar0>|=supn∈(1,2,...N)|<S',An>|,其中,r0表示字典中原子的索引,Ar0表示字典A中r0所指向的原子;
S33、S2所述观测信号在S32所述原子上进行投影,分解成为垂直投影分量和残差两部分,S'=<S',Ar0>Ar0+R1,其中,<S',Ar0>Ar0表示垂直投影分量,R1表示第一次迭代后的残差;
S34、对S33所述残差进行分解,在第k+1次迭代时可以得到Rk=<Rk,Ark>Ark+Rk+1,k=1,2,...,K,Ark满足|<Rk,Ark>|=supn∈(1,2,...N)|<Rk,An>|;
S35、设定一个阈值Q,当残差||Rk+1||2≤Q时,迭代结束,若迭代次数为K时,迭代过程结束,此时观测信号被分解为即得到稀疏系数向量a=[<R0,Ar0>,<R1,Ar1>,...,<RK,ArK>]T。
4.根据权利要求3所述的基于匹配字典和压缩感知的雷达一维距离像目标识别方法,其特征在于:S35所述Q=0.1*||S'||2。
5.根据权利要求1所述的基于匹配字典和压缩感知的雷达一维距离像目标识别方法,其特征在于:S5所述目标识别采用最近中心邻法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410371180.4A CN104122540B (zh) | 2014-07-31 | 2014-07-31 | 基于匹配字典和压缩感知的雷达一维距离像目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410371180.4A CN104122540B (zh) | 2014-07-31 | 2014-07-31 | 基于匹配字典和压缩感知的雷达一维距离像目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104122540A true CN104122540A (zh) | 2014-10-29 |
CN104122540B CN104122540B (zh) | 2016-06-08 |
Family
ID=51768029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410371180.4A Expired - Fee Related CN104122540B (zh) | 2014-07-31 | 2014-07-31 | 基于匹配字典和压缩感知的雷达一维距离像目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104122540B (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104535991A (zh) * | 2014-12-31 | 2015-04-22 | 中国电子科技集团公司第五十研究所 | 基于模型匹配的脉冲雷达的超分辨率距离检测方法 |
CN106443625A (zh) * | 2016-09-19 | 2017-02-22 | 电子科技大学 | 基于高分辨一维像信息融合的目标识别方法 |
CN106526564A (zh) * | 2016-11-28 | 2017-03-22 | 天津昕黎科技有限公司 | 一种机电一体化探测雷达 |
CN106559744A (zh) * | 2016-11-24 | 2017-04-05 | 湖北文理学院 | 一种基于稀疏识别与压缩感知的体域网节能方法 |
CN106778564A (zh) * | 2016-12-02 | 2017-05-31 | 中国船舶重工集团公司第七二四研究所 | 基于多视角下一维像特征层融合的舰艇与货船分类方法 |
CN106872778A (zh) * | 2017-02-28 | 2017-06-20 | 电子科技大学 | 基于压缩感知的微弱信号检测方法 |
CN106951822A (zh) * | 2017-01-24 | 2017-07-14 | 南京航空航天大学 | 一种基于多尺度稀疏保持投影一维距离像融合识别方法 |
CN106990392A (zh) * | 2017-02-15 | 2017-07-28 | 中国人民解放军国防科学技术大学 | 一种基于随机步进频信号的空间目标微动信息获取方法 |
CN107132518A (zh) * | 2017-06-07 | 2017-09-05 | 陕西黄河集团有限公司 | 一种基于稀疏表示和时频特征的距离扩展目标检测方法 |
CN107610314A (zh) * | 2017-08-23 | 2018-01-19 | 宁波术有电子科技有限公司 | 一种对冠字号识别中模版匹配进行加速的方法 |
CN108983600A (zh) * | 2018-04-27 | 2018-12-11 | 常熟理工学院 | 一种混合域压缩采样控制***及其控制方法 |
CN108983159A (zh) * | 2018-04-27 | 2018-12-11 | 常熟理工学院 | 基于混合脉冲积累观测的压缩感知雷达目标参数估计方法 |
CN109061600A (zh) * | 2018-09-28 | 2018-12-21 | 上海市刑事科学技术研究院 | 一种基于毫米波雷达数据的目标识别方法 |
CN109343018A (zh) * | 2018-08-27 | 2019-02-15 | 南京理工大学 | 基于单比特压缩感知雷达的目标时延估计方法 |
CN109738878A (zh) * | 2019-02-27 | 2019-05-10 | 电子科技大学 | 基于压缩感知和频率步进波形的雷达一维距离像识别方法 |
CN109917347A (zh) * | 2019-04-10 | 2019-06-21 | 电子科技大学 | 一种基于时频域稀疏重构的雷达行人检测方法 |
CN110068799A (zh) * | 2019-04-22 | 2019-07-30 | 电子科技大学 | 一种稀疏邻域中心保持rcs序列特征提取方法 |
CN110221267A (zh) * | 2019-06-17 | 2019-09-10 | 电子科技大学 | 一种目标库属性判别邻域保持学习子空间特征提取方法 |
CN112098965A (zh) * | 2020-11-04 | 2020-12-18 | 长沙莫之比智能科技有限公司 | 一种基于毫米波雷达的载体姿态角解算方法 |
CN112114300A (zh) * | 2020-09-14 | 2020-12-22 | 哈尔滨工程大学 | 一种基于图像稀疏表示的水下弱目标检测方法 |
CN112731399A (zh) * | 2020-12-22 | 2021-04-30 | 中国人民解放军空军预警学院 | 一种基于二维稀疏结构的宽带雷达飞机目标架次识别方法 |
CN113075633A (zh) * | 2021-03-26 | 2021-07-06 | 西北工业大学 | 一种基于距离-俯仰联合字典的目标定位方法 |
CN113156416A (zh) * | 2021-05-17 | 2021-07-23 | 电子科技大学 | 一种基于多重核字典学习的未知目标判别方法 |
CN113281776A (zh) * | 2021-01-08 | 2021-08-20 | 浙江大学 | 针对复杂水下动态目标的激光雷达目标智能检测仪 |
CN113743180A (zh) * | 2021-05-06 | 2021-12-03 | 西安电子科技大学 | 一种基于cnnkd的雷达hrrp小样本目标识别方法 |
CN113960580A (zh) * | 2021-10-14 | 2022-01-21 | 电子科技大学 | 一种真假目标一维距离像的变换域不变特征提取方法 |
CN115790815A (zh) * | 2023-01-17 | 2023-03-14 | 常熟理工学院 | 一种分布式光纤传感***的扰动快速鉴别方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102288951A (zh) * | 2011-07-17 | 2011-12-21 | 西安电子科技大学 | 基于aic压缩信息获取和fbmp的雷达目标参数估计方法 |
US20140022113A1 (en) * | 2012-07-18 | 2014-01-23 | Sony Corporation | Radar apparatus and method |
-
2014
- 2014-07-31 CN CN201410371180.4A patent/CN104122540B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102288951A (zh) * | 2011-07-17 | 2011-12-21 | 西安电子科技大学 | 基于aic压缩信息获取和fbmp的雷达目标参数估计方法 |
US20140022113A1 (en) * | 2012-07-18 | 2014-01-23 | Sony Corporation | Radar apparatus and method |
Non-Patent Citations (3)
Title |
---|
CHUNDAN ZHENG ET AL.: "Radar high resolution range profiles analysis based on sparse decomposition", 《IWEM 2012 PROCEEDINGS》 * |
周代英: "雷达目标一维距离像识别研究", 《中国优秀博硕士学位论文全文数据库 (博士) 信息科技辑》 * |
郑纯丹 等: "稀疏分解在雷达一维距离像中的应用", 《雷达科学与技术》 * |
Cited By (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104535991A (zh) * | 2014-12-31 | 2015-04-22 | 中国电子科技集团公司第五十研究所 | 基于模型匹配的脉冲雷达的超分辨率距离检测方法 |
CN104535991B (zh) * | 2014-12-31 | 2017-04-12 | 中国电子科技集团公司第五十研究所 | 基于模型匹配的脉冲雷达的超分辨率距离检测方法 |
CN106443625A (zh) * | 2016-09-19 | 2017-02-22 | 电子科技大学 | 基于高分辨一维像信息融合的目标识别方法 |
CN106443625B (zh) * | 2016-09-19 | 2018-10-12 | 电子科技大学 | 基于高分辨一维像信息融合的目标识别方法 |
CN106559744A (zh) * | 2016-11-24 | 2017-04-05 | 湖北文理学院 | 一种基于稀疏识别与压缩感知的体域网节能方法 |
CN106526564A (zh) * | 2016-11-28 | 2017-03-22 | 天津昕黎科技有限公司 | 一种机电一体化探测雷达 |
CN106778564A (zh) * | 2016-12-02 | 2017-05-31 | 中国船舶重工集团公司第七二四研究所 | 基于多视角下一维像特征层融合的舰艇与货船分类方法 |
CN106951822B (zh) * | 2017-01-24 | 2020-12-01 | 南京航空航天大学 | 一种基于多尺度稀疏保持投影一维距离像融合识别方法 |
CN106951822A (zh) * | 2017-01-24 | 2017-07-14 | 南京航空航天大学 | 一种基于多尺度稀疏保持投影一维距离像融合识别方法 |
CN106990392A (zh) * | 2017-02-15 | 2017-07-28 | 中国人民解放军国防科学技术大学 | 一种基于随机步进频信号的空间目标微动信息获取方法 |
CN106990392B (zh) * | 2017-02-15 | 2019-06-25 | 中国人民解放军国防科学技术大学 | 一种基于随机步进频信号的空间目标微动信息获取方法 |
CN106872778A (zh) * | 2017-02-28 | 2017-06-20 | 电子科技大学 | 基于压缩感知的微弱信号检测方法 |
CN106872778B (zh) * | 2017-02-28 | 2019-09-13 | 电子科技大学 | 基于压缩感知的微弱信号检测方法 |
CN107132518B (zh) * | 2017-06-07 | 2019-11-22 | 陕西黄河集团有限公司 | 一种基于稀疏表示和时频特征的距离扩展目标检测方法 |
CN107132518A (zh) * | 2017-06-07 | 2017-09-05 | 陕西黄河集团有限公司 | 一种基于稀疏表示和时频特征的距离扩展目标检测方法 |
CN107610314A (zh) * | 2017-08-23 | 2018-01-19 | 宁波术有电子科技有限公司 | 一种对冠字号识别中模版匹配进行加速的方法 |
CN107610314B (zh) * | 2017-08-23 | 2019-12-06 | 成都术有科技有限公司 | 一种对冠字号识别中模板匹配进行加速的方法 |
CN108983159B (zh) * | 2018-04-27 | 2021-03-19 | 常熟理工学院 | 基于混合脉冲积累观测的压缩感知雷达目标参数估计方法 |
CN108983600A (zh) * | 2018-04-27 | 2018-12-11 | 常熟理工学院 | 一种混合域压缩采样控制***及其控制方法 |
CN108983159A (zh) * | 2018-04-27 | 2018-12-11 | 常熟理工学院 | 基于混合脉冲积累观测的压缩感知雷达目标参数估计方法 |
CN108983600B (zh) * | 2018-04-27 | 2021-03-19 | 常熟理工学院 | 一种混合域压缩采样控制***及其控制方法 |
CN109343018B (zh) * | 2018-08-27 | 2023-11-10 | 南京理工大学 | 基于单比特压缩感知雷达的目标时延估计方法 |
CN109343018A (zh) * | 2018-08-27 | 2019-02-15 | 南京理工大学 | 基于单比特压缩感知雷达的目标时延估计方法 |
CN109061600A (zh) * | 2018-09-28 | 2018-12-21 | 上海市刑事科学技术研究院 | 一种基于毫米波雷达数据的目标识别方法 |
CN109738878B (zh) * | 2019-02-27 | 2022-05-13 | 电子科技大学 | 基于压缩感知和频率步进波形的雷达一维距离像识别方法 |
CN109738878A (zh) * | 2019-02-27 | 2019-05-10 | 电子科技大学 | 基于压缩感知和频率步进波形的雷达一维距离像识别方法 |
CN109917347A (zh) * | 2019-04-10 | 2019-06-21 | 电子科技大学 | 一种基于时频域稀疏重构的雷达行人检测方法 |
CN110068799B (zh) * | 2019-04-22 | 2022-04-22 | 电子科技大学 | 一种稀疏邻域中心保持rcs序列特征提取方法 |
CN110068799A (zh) * | 2019-04-22 | 2019-07-30 | 电子科技大学 | 一种稀疏邻域中心保持rcs序列特征提取方法 |
CN110221267A (zh) * | 2019-06-17 | 2019-09-10 | 电子科技大学 | 一种目标库属性判别邻域保持学习子空间特征提取方法 |
CN110221267B (zh) * | 2019-06-17 | 2022-08-05 | 电子科技大学 | 一种目标库属性判别邻域保持学习子空间特征提取方法 |
CN112114300A (zh) * | 2020-09-14 | 2020-12-22 | 哈尔滨工程大学 | 一种基于图像稀疏表示的水下弱目标检测方法 |
CN112098965B (zh) * | 2020-11-04 | 2021-02-19 | 长沙莫之比智能科技有限公司 | 一种基于毫米波雷达的载体姿态角解算方法 |
CN112098965A (zh) * | 2020-11-04 | 2020-12-18 | 长沙莫之比智能科技有限公司 | 一种基于毫米波雷达的载体姿态角解算方法 |
CN112731399B (zh) * | 2020-12-22 | 2023-06-02 | 中国人民解放军空军预警学院 | 一种基于二维稀疏结构的宽带雷达飞机目标架次识别方法 |
CN112731399A (zh) * | 2020-12-22 | 2021-04-30 | 中国人民解放军空军预警学院 | 一种基于二维稀疏结构的宽带雷达飞机目标架次识别方法 |
CN113281776A (zh) * | 2021-01-08 | 2021-08-20 | 浙江大学 | 针对复杂水下动态目标的激光雷达目标智能检测仪 |
CN113075633A (zh) * | 2021-03-26 | 2021-07-06 | 西北工业大学 | 一种基于距离-俯仰联合字典的目标定位方法 |
CN113743180A (zh) * | 2021-05-06 | 2021-12-03 | 西安电子科技大学 | 一种基于cnnkd的雷达hrrp小样本目标识别方法 |
CN113743180B (zh) * | 2021-05-06 | 2024-05-07 | 西安电子科技大学 | 一种基于cnnkd的雷达hrrp小样本目标识别方法 |
CN113156416A (zh) * | 2021-05-17 | 2021-07-23 | 电子科技大学 | 一种基于多重核字典学习的未知目标判别方法 |
CN113156416B (zh) * | 2021-05-17 | 2022-05-17 | 电子科技大学 | 一种基于多重核字典学习的未知目标判别方法 |
CN113960580A (zh) * | 2021-10-14 | 2022-01-21 | 电子科技大学 | 一种真假目标一维距离像的变换域不变特征提取方法 |
CN115790815A (zh) * | 2023-01-17 | 2023-03-14 | 常熟理工学院 | 一种分布式光纤传感***的扰动快速鉴别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN104122540B (zh) | 2016-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104122540A (zh) | 基于匹配字典和压缩感知的雷达一维距离像目标识别方法 | |
Liu et al. | Deep learning and recognition of radar jamming based on CNN | |
CN102722892B (zh) | 基于低秩矩阵分解的sar图像变化检测方法 | |
CN107784320A (zh) | 基于卷积支持向量机的雷达一维距离像目标识别方法 | |
CN104375976B (zh) | 基于张量正则分解的欠定盲源分离中的混合矩阵识别方法 | |
CN104459668A (zh) | 基于深度学习网络的雷达目标识别方法 | |
CN110147812A (zh) | 基于扩张残差网络的雷达辐射源识别方法及装置 | |
Lu et al. | Feature extraction and automatic material classification of underground objects from ground penetrating radar data | |
CN104331583B (zh) | 一种基于实测海杂波数据的多重分形建模方法 | |
CN109709527B (zh) | 一种全波形激光测高回波信号中高斯分解的高斯波峰法 | |
CN103605121B (zh) | 基于快速稀疏贝叶斯学习算法的宽带雷达数据融合方法 | |
CN103886337A (zh) | 基于多稀疏描述的最近邻子空间sar目标识别方法 | |
CN103729462B (zh) | 一种基于稀疏表示处理遮挡的行人检索方法 | |
CN104182753A (zh) | 结合图像分割与子空间匹配追踪的目标散射中心提取方法 | |
Yang et al. | Radar emitter signal recognition based on time-frequency analysis | |
Hajipour et al. | A novel method for GPR imaging based on neural networks and dictionary learning | |
CN106443629A (zh) | 一种基于傅里叶基函数的雷达目标识别方法 | |
CN104021399B (zh) | 基于距离像时频图非负稀疏编码的sar目标识别方法 | |
CN104268565A (zh) | 基于回归学习的景象匹配区选取方法 | |
CN102254176A (zh) | 基于状态空间模型的雷达高分辨距离像目标识别方法 | |
CN102890275B (zh) | 一种基于交叉熵最小化的压缩感知雷达成像方法 | |
CN113240081B (zh) | 针对雷达载频变换的高分辨距离像目标稳健识别方法 | |
CN115932773A (zh) | 基于谱形特征的目标角度检测方法、装置、设备及介质 | |
CN102509268B (zh) | 基于免疫克隆选择的非下采样轮廓波域图像去噪方法 | |
CN107255815A (zh) | 一种基于双基地散射中心时频特征的目标曲面重构方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160608 Termination date: 20180731 |
|
CF01 | Termination of patent right due to non-payment of annual fee |