雷达目标识别技术(刘宏伟)

Feature robustness, selection; Fixed templates
r r min r dist( y, Predictor( x ))
Massive computational requirements
Predictor
}
7、雷达目标识别评价指标
1、识别性能——average classification rate 2、推广能力——generalization performance 3、拒判能力——rejection capability 4、计算量 ——computation complexity
雷达信号处理试验室
2004年6月
二、 雷达HRRP特性
目标散射模型： 几何绕射理论（GTD)
ω s (ω , φ ) = ∑ a n jω n =1 c
N
αn
ω sinc L n (φ − φ n ) c
2ω R n ⋅ exp( −ωγ n sin φ ) ⋅ exp j c
雷达信号处理试验室
2004年6月
雷达HRRP姿态敏感性
1、散射点越距离单元走动 ——MTRC（motion through resolution cells ） 转角限制
δθ = c 2 BL
其中B为信号带宽，L为目标横向尺寸。
雷达信号处理试验室
2004年6月
雷达HRRP姿态敏感性（续）
2、HRRP闪烁 ——speckle
∑
N
n =1
x ( n)
N
m1 = ∑ np (n)
n =1
N
ml = ∑ (n − m1 ) l p (n)
n =1
l = 2,3...L
6、散射点特征： scatterers position & amplitude, statistical property of scatterers position & amplitude (relax algorithm, matching pursuit )
雷达信号处理试验室
2004年6月
雷达HRRP特性（续）
2、平移敏感性 解决方法：相关匹配、平移不变特征提取 3、幅度敏感性 解决方法：幅度归一化
雷达信号处理试验室
2004年6月
三、 特征提取与选择方法
特征提取(feature extraction): 原始数据域 特征域
特征选择(feature selection): 高维特征 低维特征
对ui求导： 均方误差：
雷达信号处理试验室
( R − λi I )ui = 0, i = D + 1,....., I
ξ=
i = D +1
∑λ
I
i
2004年6月
K－L变换（Karhunen-Loeve transform) 特征映射：
X → [a1 , a2 ,...a D ]
T
其它非监督类特征选择方法： principal component analysis (PCA), independent component analysis (ICA), etc.
雷达信号处理试验室
2004年6月
美国捕食者（predator)无人机
雷达信号处理试验室
2004年6月
MSTAR目标库
Model-based approach in MSTAR
MSTAR Team
5、主要技术路线
1、基于低分辨率雷达信号 极点、谐振频率、极化信息、回波波形等 2、基于高分辨率雷达信号 High resolution range profile (HRRP) target ISAR images target SAR images 3、两者结合
（2）轴向积分双谱 （3）圆周积分双谱 （4）选择双谱
~ AIB(ω ) = ∫ X (ω1 , ω )dω1
~ CIB (r ) = ∫ X (r , θ )dθ
Xian-Da Zhang, ， Yu Shi, and Zheng Bao, A New Feature Vector Using Selected Bispectra for Signal Classification With Application in Radar Target Recognition，IEEE TRANSACTIONS ON SP，VOL. 49, NO. 9, SEPTEMBER 2001
Templates
min ∫∫ [ f − g i ]
i
2
r r min x − wi
i
Hypo1 M Hypom
x
r r {x L , x 11 1n } M r {x r m1 , L xmnm
Limitations: Massive storage;
Fixed templates; Amplitude, noise sensitive
雷达信号处理试验室
2004年6月
雷达HRRP 特征提取方法
1、距离像特征 幂变换（power transformation): 平均距离像：可提高方位稳定性
y n = xn
v
0 < v <1
雷达信号处理试验室
2004年6月
雷达HRRP 特征提取方法
2、谱域特征
x (t )
X (ω )
Χ (ω ) exp(− jωτ )
x(i) = ∑an s(∆t ⋅ i −
n=1 N
2Rn ) exp(jϕ ) c
雷达信号处理试验室
2004年6月
雷达HRRP 特征提取方法（续） 7、线性预测编码（LPC）特征——AR模型系数特征 信号模型
ˆ ( n) = ∑ ak x (n − k ) x
k =1 K
系数求解
R(1) R(0) R(1) R ( 0) ... ... R( K − 1) R( K − 2)
简单散射点模型
若散射中心为简单的孤立散射点， 则 α n = Ln = γ n = 0 ， GTD模型等效于
距离单元
2 Rn 2 Rn ) exp( − j 2πf c ) x(i ) = ∑ an s (∆t ⋅ i − c c n =1
N
其中i为HRRP距离单元序号。N为该距 离单元中散射点的个数。fc为载频，Rn 为第n个散射点距雷达的径向距离。
雷达信号处理试验室
2004年6 5月
6、雷达目标识别基本框架
训练 数据
预 处理
特征 提取
特征 选择
识别器 训练
训练过程
数据 获取
预 处理
特征 提取
特征 选择
识别 器
Βιβλιοθήκη Baidu判决
工作过程（测试过程）
雷达信号处理试验室
2004年6月
ATR 基本方法
Pattern Recognition Template Matching
N −1− k m =0
R( K − 1) a1 R(1) a R(2) ... R( K − 2) 2 = ... ... ... ... ... R ( 0) a K R ( K ) ...
~ Χ(ω1 , ω 2 ) = Χ(ω1 ) Χ(ω 2 ) Χ * (ω1 + ω 2 )
I i (α ) RIB(α ) = arctan I (α ) r
x (t − τ )
3、双谱特征
F = fft ( x(n))
v
ω2
ω1
(1)径向积分双谱
~ I (α ) = I r (α ) + jI i (α ) = ∫ X (ω1 , αω1 )dω1
最大相关系数方法、最大似然分类器、隐马尔可夫模型（HMM）分类 器、支持向量机（SVM）分类器、
五、雷达目标识别技术工程实现
雷达信号处理试验室 2004年6月
一、 引言
1、研究内容 判断目标属性—分层次（classification, recognition & identification) —— 新兴学科 2、研究意义 满足现代高技术战争的需要，是雷达智能化、信息化的重 要技术支撑手段。 RADAR (Radio Detection and Ranging) —— advanced signal processing(MTI/MTD, array signal processing) —— automatic detection, CFAR (constant false alarm rate ) detector —— wideband radar technique more accurate, more powerful——more smart
雷达信号处理试验室 2004年6月
一、 引言（续）
3、应用方向 （1）指挥自动化 （2）防空反导（真假目标） （3）情报获取 （4）精确制导 （5）预警探测 （6）战场侦察（地下目标、隐蔽目标) （7）敌我识别
爱国者导弹 不分敌我就开火 (2004-02-24) （联合早报网讯）哥伦比亚广播公司（ＣＢＳ）新闻网十九日报道，美国的爱国者反导弹系统问
雷达信号处理试验室 2004年6月
特征选择方法——监督类方法（supervised）
•Fisher Discriminant Analysis (FDA or LDA) 假设特征间相互独立 c类目标，N维特征：
T
) D X = ∑ ai ui
D≤I
) T ) ξ = E (X − X ) (X − X ) =
T
[ R = E [XX ]
g (u ) =
i =1
] ∑u
I i = D +1
T i
Rui
代价函数：
i = D +1
T u ∑ i Rui −
I
i = D +1
T [ λ u ∑ i i ui − 1] I
题多多，不分敌我且命中率极低，最多只有一成。 ＣＢＳ当天的“六十分钟”节目中说，美国政府已经花费六十多亿美元在爱国者导弹系统上，然而 这种系统还是盲目不分敌我，一年来，十二次接战，可是其中三次是以友机为目标，结果干掉美、英 两国三名飞行员。 报道说，在从97年开始的测试中，美军都发现爱国者敌我不分的严重问题，其中一次，如果是 实弹射击，恐怕整队四机编队的Ｆ十六全都被干掉。
Data Data
(x1 ,L xn )
Model-based
r r {x , L x 1 n}
Data Indexing
Templates Feature Vectors
r w1 = ( x11 , L x1n ) r w2 = ( x21 ,L x2 n ) M r wN = ( x N 1 , L x Nn )
雷达信号处理试验室
2004年6月
雷达HRRP 特征提取方法
4、高阶谱特征 （1）
定义：
（2）
内积：
欧氏距离：
*平均距离像的高阶谱识别性能优于单次距离 像的高阶谱。
雷达信号处理试验室
2004年6月
雷达HRRP 特征提取方法（续） 5、中心矩特征（central moment feature):
p ( n) = x ( n)
α n 表征散射中心的表 其中ω , ω c 分别为信号频率和中心频率， 面弯曲程度，Ln 表示散射中心的长度，φ , φ n 分别为目标的方 a n 为散射中心的散射强度， Rn 为散 位角和散射点的走向， γ n 表征散射点截面积和目标姿态角的 射中心到雷达的距离。 关系。
雷达信号处理试验室
2004年6月
雷达目标识别技术
刘宏伟 hwliu@xidian.edu.cn
雷达信号处理国防科技重点实验室
雷达信号处理试验室
2004年6月
内容简介
一、引言
研究意义、应用、国外研究概况、基本方法及技术路线。
二、雷达高分辨距离像（HRRP）特性
目标散射点模型、目标姿态敏感性、平移敏感性及幅度敏感性。
三、特征提取与选择方法 四、雷达目标识别算法
其中
R(k ) =
∑ x ( m) x ( m + k )
2004年6月
雷达信号处理试验室
特征选择方法——非监督类方法（unsupervised） •K－L变换（Karhunen-Loeve transform): 将特征向量展开： 近似： 均方误差：
X = ∑ ai ui
i =1 I
ui ui = 1
雷达信号处理试验室
2004年6月
一、 引言（续）
4、国外研究概况 （1)、美国 *1986：列为20项国防关键技术之一 * SHARP: Systems-Oriented High Range Resolution (HRR) Automatic Recognition Program/AFRL *MSTAR: Moving and stationary targets acquisition and recognition /DARPA (2)、俄罗斯等