导读:本文包含了目标一维距离像论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:距离,目标,特征,无源,判决,准则,识别率。
目标一维距离像论文文献综述
司进修[1]（2019）在《基于深度学习的雷达一维距离像目标识别方法研究与实现》一文中研究指出随着现代战争环境复杂化,敌对目标及任务的多元化,如何在恶劣的环境中对目标进行精准识别,是雷达领域研究的热点问题。在雷达目标识别的研究中,高分辨一维距离像(High Resolution One-Dimensional Range Profile,HRRP)因其能够较好的反映雷达目标的几何结构信息,以及具有易获取和实时性强的特点,而被广泛关注。本文主要研究了基于深度学习算法的HRRP雷达目标识别,其中主要研究内容包括:首先,通过对深度学习算法和HRRP数据特征的分析,设计了新的深度级联神经网络(CDNN)模型,实现了目标的有效识别。在CDNN模型的构建中,通过级联多组浅层子网络来加深网络深度,以提取HRRP的高阶抽象的特征;并通过网络参数迁移的方式,初始化子网络,以加速CDNN模型的训练过程。另外,针对HRRP的姿态敏感性问题,提出了二级标签(SL)编码方案,通过对目标姿态范围的划分,分别为各类目标的样本,在各姿态角范围内设定相应的主副标签。该编码方式使得在训练的过程中,不仅仅考虑了目标的类间差异,还考虑了类内的差异。在模型测试阶段,采用决策融合策略,对连续HRRP样本进行综合识别。其次,针对小样本HRRP雷达目标识别问题,通过对迁移网络进行改进,提出了基于特征域的迁移模型(DTNN)。在DTNN模型中共包含两个同型子网络,利用仿真HRRP数据,优化模型对实测HRRP数据的识别率。在模型的训练过程中,两个子网络交替训练且实现参数共享,同时通过设置联合域特征距离,在最小化模型识别误差时,最小化源域和目标域的特征分布之间的差异性。以此,实现源域和目标域之间的特征域迁移,以达到仅用少量的实测数据获得较高识别率的目的。最后,针对HRRP雷达目标识别中不同目标之间数据量不均衡的问题,设计了改进的生成对抗网络(GAN)用于数据增强。即通过WGAN和CWGAN生成所需样本,使目标样本数均衡。在WGAN模型的设计中,引入了EM距离作为生成模型的训练指标,提升模型生成样本的质量;在CWGAN模型的设计中又通过引入标签约束,提升WGAN模型生成样本的效率。通过对深度学习的研究,本文进一步拓宽了神经网络算法在HRRP雷达目标方面的应用,这也为以后雷达识别的研究提供了新思路。(本文来源于《电子科技大学》期刊2019-03-28）
段云鹏,李国光[2]（2018）在《目标速度对合成一维距离像的影响分析》一文中研究指出一维距离像是目标二维像在其径向上所有回波的投影(矢量和),它是通过距离徙动校正,将距离向和方位向分离,单独对距离向进行脉冲压缩处理得到的。未对目标速度进行补偿,一维距离像将产生失真,在得到目标速度和距离的估计值的前提下,这种失真可以通过修订正交分量相位得以消除。(本文来源于《制导与引信》期刊2018年03期）
袁伟[3]（2018）在《基于一维距离像稀疏表达的无源假目标识别》一文中研究指出为了解决敌方释放箔条干扰我方防空反击任务或者敌方舰船设置角反射器阵列干扰我方对海目标打击任务中的雷达抗干扰问题,提出了一种基于雷达一维距离像的稀疏表达的无源假目标识别的方法。首先,分别利用大量关注目标和无源欺骗干扰的雷达一维距离像数据进行稀疏字典学习,分别得到目标和干扰的稀疏字典;然后利用两种稀疏字典分别对未知的雷达一维距离像信号进行稀疏表达;最后分别计算两种稀疏字典对未知信号稀疏表达的重构误差,利用重构误差比值识别目标和干扰类别。仿真结果表明,在目标与无源假目标干扰的回波不混迭、目标与干扰噪声比3 d B条件下,识别无源假目标欺骗干扰的准确率超过90%,证明了该方法抗无源假目标干扰的有效性。(本文来源于《电讯技术》期刊2018年07期）
陈宏昆,卢建斌[4]（2018）在《舰船目标一维距离像特性分析》一文中研究指出针对舰船一维距离像目标识别中目标位置、海面起伏和雷达信号形式等参数不确定造成识别困难的问题,建立了舰船散射中心模型,对舰船目标的一维距离像进行仿真,研究了距离像对姿态角、海面起伏、雷达带宽以及加窗处理的敏感性,并通过CST微波工作室对仿真结果进行验证。结果显示,一维距离像对方位角具有强敏感性,但在一定角度范围内,一维距离像具有相似性;雷达带宽越窄,一维距离像的方位角敏感度越低;海面起伏越小,海面的多径效应越显着;加窗处理可以抑制距离旁瓣,但同时展宽主瓣,降低了雷达距离分辨力。(本文来源于《电子科技》期刊2018年04期）
但瑞[5]（2018）在《基于SVDD的一维距离像未知目标判别研究》一文中研究指出以目标一维距离像(High Resolution Range Profiles,HRRP)进行识别的先决条件是能够取得识别目标的特征数据,建立目标特征库。在实际应用中,待识别目标可能是未知目标,即没有参与训练的目标,由于缺乏未知目标对应的特征库模板,传统识别方法将导致错误的判别结果。因此,在进行常规的目标识别之前,有必要首先进行未知目标的判别,以确定待识别目标的库属性。本文针对未知目标判别方法开展研究,主要内容包括:1.支持向量数据域描述(Support Vector Domain Description,SVDD)在构造分类边界时,容易出现过拟合或欠拟合的问题。因此本文研究了两种基于训练样本分布的SVDD一维距离像判别方法,通过计算训练样本的分布参数,并将其作为加权因子来改进分类器的优化函数,实现对分类边界的调整,避免出现过拟合或欠拟合的情况;同时采用粒子群参数优化方法解决了训练过程中参数难以确定的问题。仿真结果表明,两种基于训练样本分布的判别方法相对于SVDD在判别效果、抗噪声、方位角敏感性等方面都有比较好的效果。2.支持向量数据域描述要求训练数据尽可能满足球形分布,但大多数实测数据无法满足。因此本文研究了叁种基于聚类的SVDD判别方法。该类方法首先根据相应的聚类准则对训练数据集进行聚类,然后对各个子类进行SVDD训练,得到相应的边界支持向量,最终对支持向量集合再次进行SVDD训练,得到最终的判决边界。这类方法考虑了样本的分布并且采用多次SVDD训练,提高了算法的判别精度。同时利用差分进化算法(Differential Evolution,DE)解决了判别方法参数设定问题。仿真结果表明,上述方法相对于SVDD在判别效果、抗噪声、方位角敏感性等方面都有比较好的效果。3.由于传统SVDD只能利用一类样本数据进行训练,当能够获取部分未知目标信息时,则无法使用,而含有负类样本的SVDD方法(NSVDD)没有考虑训练数据的分布情况,易导致判别边界向某一类倾斜。因此本文研究了一种基于核密度权重的NSVDD方法(DFS-NSVDD),该方法通过计算核空间中样本在NSVDD分类边界周围的密度分布,将其作为加权因子来改进NSVDD的优化函数,使构造的边界紧凑平滑,避免向某一类数据集倾斜。同时提出了一种新的参数优化方法,解决了DFS-NSVDD方法中参数设定困难和其它寻优算法易陷入局部最优的问题。仿真实验验证了上述方法的可行性和有效性。(本文来源于《电子科技大学》期刊2018-03-31）
周毅[6]（2018）在《基于高分辨一维距离像的目标特征提取及融合识别研究》一文中研究指出雷达目标识别是现代雷达信息处理中的一项关键技术,已被广泛应用于军用和民用领域。从宽带雷达中获取的雷达高分辨距离像(HRRP)能够较好地表征目标散射中心沿雷达视线的分布情况,包含了目标大量的结构与形状信息,与雷达二维像和叁维像比较,其易于获取与存储,并且在实时处理上具有一定优势。因此,基于一维高分辨距离像的雷达目标识别是一种非常有潜力的目标识别手段。本文针对空中飞机目标,以高分辨距离像为研究对象,主要针对目标识别中的特征提取与选择、多特征综合和分类器设计等方面展开了理论研究和实验验证工作。论文主要工作概括如下:1.距离像特性研究。介绍了一维距离像的获取方式以及基本模型,总结了一维距离像的特点,针对一维距离像的姿态敏感性,强度敏感性与平移敏感性给出了相应的处理方式。2.特征提取方法研究。利用深度神经网络对一维距离像进行特征提取,同时使用经典子空间方法提取了一维距离像的子空间特征,比较了各特征的分类能力,分析了各特征的特性。3.特征级融合识别方法研究。基于遗传算法对不同特征进行了特征级融合,改进了传统遗传算法的种群初始化策略,针对遗传算法进化过程中的交叉概率和变异概率,提出了一种自适应参数确定方法。实验结果表明该方法提取的融合特征维度较低且能保留较多有效信息,目标识别性能较优。4.决策级融合识别方法研究。基于同一分类器对不同样本分类能力不同的思想,利用多分类相关向量机输出的后验概率,设计了一种基于一维距离像的自适应加权投票融合识别模型。实验结果表明这种融合策略能够有效提高识别率。5.研究了基于神经网络的蒙特卡洛融合目标识别方法。在遗传算法特征级融合的基础上,使用蒙特卡洛法在决策级进行融合识别。实验表明该方法可以进一步提高系统识别性能。(本文来源于《电子科技大学》期刊2018-03-30）
戴为龙[7]（2018）在《雷达一维距离像目标识别研究》一文中研究指出雷达高分辨率一维距离像(HRRP)是宽带雷达目标散射点回波在雷达视线方向上的向量和,反映了目标的结构信息,对目标的识别与分类具有重要价值。因其获取简单,实时性好,是实际工程中最具前景的雷达目标识别技术。HRRP识别过程中,方位敏感性问题、HRRP维度过高和单一分类器低信噪比环境下的识别稳定性问题是影响HRRP实际目标识别效果的重要因素。本文针对这些问题分别提出了自适应分帧、低维特征提取和多分类器决策融合方法以提高HRRP识别的精确度和鲁棒性。主要工作如下:(1)研究了HRRP识别中敏感性问题的产生原因,分析HRRP频谱幅度特征统计特性,结合因子分析模型和Jensen-Shannon(JS)距离提出了一种基于因子分析模型的自适应分帧方法,能根据目标姿态角的变化速率自适应调整分帧间隔,基于实测飞机数据的分帧和识别率结果验证了本方法能够有效降低方位敏感性对识别的影响,为后续识别工作奠定基础。(2)针对HRRP信号维度过高、冗余信息较多而产生的识别效率问题,基于稀疏保持投影,提出了一种多尺度稀疏保持投影法和一种自适应最大间距稀疏保持投影法用于特征降维。多尺度稀疏保持投影法从多尺度理论角度分析信号特性,可有效挖掘HRRP多尺度空间内在稀疏结构信息,丰富特征信息量;自适应最大间距稀疏保持投影法则将自适应最大间距准则融入降维约束中,有效融合HRRP稀疏结构信息和样本标签信息,在原尺度空间中有效探索信号内在特性。基于实测数据的实验结果表明,上述算法提取的特征维度低、识别性好、鲁棒性强。(3)针对单一分类器在低信噪比等复杂环境下识别精度较低、稳定性较差的问题,研究了HRRP多分类器决策融合识别,提出了一种基于自适应类别权重的多分类器决策融合法,通过近邻样本和多分类器间取舍及权重的自适应变换,实现了多分类器识别结果的高效融合。基于实测飞机数据的实验证明了该方法的优越性。(本文来源于《南京航空航天大学》期刊2018-03-01）
梁菁,余萧峰,毛诚晨,熊金涛,万群[8]（2018）在《雷达目标一维距离像识别创新课程设计》一文中研究指出为了提高雷达原理与系统课程的教学质量与效果,该文基于多次样本的高分辨雷达一维距离像设计了一个雷达目标识别的仿真验证课程项目,即一种针对最小K-L距离判决准则的不对称性而利用最小R-A距离判决准则的改进方案,并具体阐述了K-L和R-A方法的原理及实施方式,给出了试验流程图和仿真过程中各参数的选择。实践表明,该课程设计形象生动、易于掌握,涵盖了雷达原理,目标识别等技术,满足了教学与科研的需要。(本文来源于《实验科学与技术》期刊2018年01期）
张前[9]（2017）在《基于一维距离像的舰船目标识别技术研究》一文中研究指出现代雷达不仅需要精确的完成目标检测,得到目标的位置信息,同时需要完成目标识别,在复杂环境中对目标进行分类。由于一维距离像易于获取,处理简单,因此利用一维距离像完成雷达目标识别具有现实意义和重要价值,本文主要对基于一维距离像的舰船目标识别技术展开研究。首先,针对雷达目标一维距离像的基本理论进行了研究。分析了目标散射中心模型,同时研究了一维距离像的成像原理,并对一维距离像的特性进行了分析,针对一维距离像的幅度敏感性、平移敏感性和姿态敏感性研究了相应的处理方法。其次,针对目标一维距离像的获取方法进行了研究。针对外场实测法获取一维距离像的过程,分析了当发射信号为线性调频信号时雷达对目标回波进行处理的方法,主要包括数字下变频和脉冲压缩。针对理论建模预估法获取一维距离像的过程,利用建模方法得到了舰船目标的点散射中心模型,同时仿真得到了不同姿态角下舰船目标的一维距离像,分析了不同姿态角下一维距离像之间的关系。再次,针对雷达目标一维距离像的识别方法进行了研究,主要包括特征提取和分类器设计两个方面。在特征提取方面,利用主成分分析法、线性判别分析法、核主成分分析法和核判别分析法对仿真得到的舰船目标的一维距离像进行特征提取。在分类器设计方面,利用最近中心邻分类器进行分类。对比了不同姿态角范围和不同信噪比条件下四种特征提取方法的识别效果。最后,在理论研究的基础上,设计了半实物仿真系统,对本文的研究内容进行了原理验证。根据具体算法的实现过程,结合FPGA和DSP各自的数据处理优势,设计了基于FPGA+DSP架构的雷达信号处理平台的数据处理方案。针对外场实测法获取一维距离像的过程,完成了雷达发射信号为线性调频信号时对目标回波进行数字下变频和脉冲压缩的半实物仿真,针对目标识别过程,在硬件平台上完成了线性判别分析法和最近中心邻分类器。同时对系统进行了实际调试,实验结果与理论仿真一致。(本文来源于《哈尔滨工业大学》期刊2017-06-01）
陈彬,童创明,李西敏,刘凯越[10]（2017）在《基于一维距离像的飞机目标识别》一文中研究指出针对基于多散射中心模型回波的一维距离像(High Resolution Range Profile,HRRP)难以真实反映复杂目标散射特性的问题,研究了基于电磁散射模型回波的生成方法和HRRP宽带特征提取方法。首先应用等效电磁流法(Method of Equivalent Currents,MEC)棱边修正的物理光学(Physical Optics,PO)算法解算飞机目标动静态电磁散射特性;其次基于目标散射场数据,生成目标回波、仿真HRRP序列,提取目标宽带特征信息;最后求解了目标在设定航迹下的平均识别率,量化分析了信噪比对目标识别率的影响。理论分析与仿真结果表明:当信噪比(Signal-to-Noise Ratio,SNR)大于5 dB时,基于电磁散射建模的平均识别率相对基于传统的多散射中心模型提升了20%。(本文来源于《微波学报》期刊2017年02期）
目标一维距离像论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
一维距离像是目标二维像在其径向上所有回波的投影(矢量和),它是通过距离徙动校正,将距离向和方位向分离,单独对距离向进行脉冲压缩处理得到的。未对目标速度进行补偿,一维距离像将产生失真,在得到目标速度和距离的估计值的前提下,这种失真可以通过修订正交分量相位得以消除。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
目标一维距离像论文参考文献
[1].司进修.基于深度学习的雷达一维距离像目标识别方法研究与实现[D].电子科技大学.2019
[2].段云鹏,李国光.目标速度对合成一维距离像的影响分析[J].制导与引信.2018
[3].袁伟.基于一维距离像稀疏表达的无源假目标识别[J].电讯技术.2018
[4].陈宏昆,卢建斌.舰船目标一维距离像特性分析[J].电子科技.2018
[5].但瑞.基于SVDD的一维距离像未知目标判别研究[D].电子科技大学.2018
[6].周毅.基于高分辨一维距离像的目标特征提取及融合识别研究[D].电子科技大学.2018
[7].戴为龙.雷达一维距离像目标识别研究[D].南京航空航天大学.2018
[8].梁菁,余萧峰,毛诚晨,熊金涛,万群.雷达目标一维距离像识别创新课程设计[J].实验科学与技术.2018
[9].张前.基于一维距离像的舰船目标识别技术研究[D].哈尔滨工业大学.2017
[10].陈彬,童创明,李西敏,刘凯越.基于一维距离像的飞机目标识别[J].微波学报.2017
论文知识图
