雷达目标识别

雷达目标识别提纲1.雷达目标识别2.雷达目标识别模型3.雷达目标识别技术回顾4.用于雷达目标识别中的模式识别技术5.结语1.雷达目标识别雷达目标识别是指雷达对目标进行探测，对所获取的回波信息进行分析，从而确定目标的种类、型号等属性的技术。尽管雷达目标识别应用范围很广，并且在某些层面有了成功的应用，但是雷达目标识别技术还未形成完整的理论体系，现有的雷达目标识别系统在功能上尚存在一定的局限性，其主要原因是目标类型和雷达体制的多样化及所处环境的极端复杂性。2.雷达目标识别模型

雷达目标识别需要从目标的雷达回波中提取目标的有关信息标志和稳定特征并判明其属性。对获取的目标信息进行计算机处理，与已知目标的特性进行比较，从而达到自动识别目标的目的。2.雷达目标识别模型识别过程分成三个步骤：目标的数据获取、特征提取和分类判决。相应模型如图所示：3.雷达目标识别技术回顾雷达目标识别的研究始于20世纪50年代。早期雷达目标特征信号的研究工作主要是研究雷达目标的有效散射截面积。但对形状不同、性质各异的各类目标，笼统用一个有效散射截面积来描述，就显得过于粗糙，也难以实现有效识别。近年来理论研究和实际应用比较成功的目标识别方法有以下4类。

3.1基于目标运动的回波起伏和调制谱特性的目标识别这类方法大都基于目前广泛使用的雷达时域一维目标回波波形，抽取波形序列中包含的目标特征信息来实现目标分类。这类研究已获得一些成功应用。3.1基于目标运动的回波起伏和调制谱特性的目标识别1)利用目标回波起伏特性的识别空中目标对低分辨率雷达来讲可以看作点目标，其运动过程中，目标回波的幅度和相位将随目标对雷达的相对姿态的不同而变化，根据目标回波的幅度与相位的变化过程，判断其形状，对复信息数据进一步分析，可以判断目标的运动情况。3.1基于目标运动的回波起伏和调制谱特性的目标识别2)利用动态目标的调制谱特性的识别动态目标如飞机的螺旋桨或喷气发动机旋转叶片、直升机的旋翼等目标结构的周期运动，产生对雷达回波的周期性调制。不同目标的周期性调制谱差异很大，因而可用于目标识别。Bell等详细分析了喷气发动机的调制(JEM)现象，并建立了相应的数学模型，为利用JEM效应进行目标识别奠定了理论基础。3.2基于极点分布的目标识别目标极点分布只决定于目标形状和固有特性，与雷达的观测方向(目标姿态)及雷达的极化方式无关，因而给雷达目标识别带来了很大方便。1975年，Blaricum等首先提出了直接从一组瞬态响应时域数据来提取目标极点的Prony方法，使用提取出的目标极点作为目标特征，而通过将提取到的目标极点与目标库的目标极点进行匹配完成目标识别过程。3.2基于极点分布的目标识别80年代以来，关于目标极点的研究主要集中在如何提高算法本身的抗噪能力和估算精度方面。提取目标极点的函数束法（POF）以及广义函数束法(GPOF)等，在极点的估计精度以及抗噪能力方面均优于Prony法。由目标的频域响应来识别目标的方法：①从目标的频域响应来识别目标的方法；②获取目标极点的频域Prony法(FDPM)；③由于频域法的目标极点估算精度同样受到噪声和杂波的限制，具有改善作用的数据多重组合法。3.3基于高分辨率雷达成像的目标识别借助高分辨率雷达对目标进行一维或二维距离成像，或采用合成孔径雷达或逆合成孔径雷达对目标成像得到二维雷达图像，可获取目标的形状结构信息。基于一维距离像的目标识别方法，在舰船目标、坦克、车辆等地面目标、飞机目标识别中分别获得了较高的正确识别率。对于基于二维雷达图像的目标识别，可利用图象识别技术来进行，这是目标识别领域中最为直观的识别方法，但是如何获得高质量的目标二维图像是进行目标识别的首先要解决的问题。3.4基于极化特征的目标识别极化特征是与目标形状本质有密切联系的特征。任何目标对照射的电磁波都有特定的极化变换作用，其变换关系由目标的形状、尺寸、结构和取向所决定。测量出不同目标对各种极化波的变极化响应，能够形成一个特征空间，就可对目标进行识别。极化散射矩阵（复二维矩阵）完全表征了目标在特定姿态和辐射源频率下的极化散射特性。对目标几何形状与目标极化特性的关系的研究结果表明，光学区目标的极化散射矩阵反映了目标镜面曲率差等精密物理结构特性。

3.4基于极化特征的目标识别利用极化信息进行雷达目标识别的方法，其主要方法分为：1）根据极化散射矩阵识别目标根据极化散射矩阵来识别目标是利用极化信息识别目标的基本方法。具体分为：①根据不同极化状态下目标截面积的对比来识别目标；②根据从目标极化散射矩阵中导出的目标极化参数集（极化不变量）来识别目标；③根据目标的最佳极化或极化叉来识别目标。3.4基于极化特征的目标识别2）利用目标形状的极化重构识别目标对低分辨率雷达，不能区分目标上各个散射中心的回波，只能从它们的综合信号中提取极化特征，因而只能从整体上对简单形体的目标加以粗略的识别。对高分辨率雷达，目标回波可分解为目标上各个主要散射中心的回波分量。对复杂形状目标的极化重构，就是利用高分辨率雷达区分出各个散射中心的回波，分别提取其极化信息。3.4基于极化特征的目标识别3）利用瞬态极化响应识别目标Chamberlain等将极化信息与冲激响应结合起来，提出了利用目标瞬态极化响应（TPR）进行目标识别。利用TPR识别目标是将极化识别与时（频）域识别相结合的很好范例。在Chamberlain的基础上，通过TPR特征提取，把复杂目标在结构上分解成由散射中心对应的多个子结构来分别描述，对飞机目标识别获得了较好的效果。3.4基于极化特征的目标识别4）与成像技术相结合的目标识别结合SAR和ISAR成像，在相应雷达上加装变极化装置，从而可以利用极化信息或将极化信息与已有的图象识别技术相结合，对每一像素进行更有效的识别。4.用于雷达目标识别中的模式识别技术进行雷达目标识别，必须依靠有效的目标特征分类技术（模式识别技术）。模式识别技术的发展为雷达目标识别的研究提供了有利的条件。统计模式识别方法、模糊模式识别方法、基于模型和基于知识的模式识别方法以及神经网络模式识别方法等在雷达目标识别中均有成功的应用。4.1统计模式识别方法统计模式识别是传统的模式识别方法，也是雷达目标识别中最常用到的特征分类方法，它是一种根据已知样本的统计特性来对未知类别样本进行分类的方法。其基本思想是用N维特征矢量表征目标模式，并通过对样本的学习，估计出特征矢量的概率分布密度函数，在某种最优准则下，利用特征矢量的统计知识来构造判别函数，从而在保证分类误差概率最小的条件下，对目标进行分类。4.1统计模式识别方法最近邻域法、相关匹配法、多维相关匹配方法、Bayes最大似然Bayes分类器、Bayes优化决策规则、最大似然函数等都被用于了目标特征的分类决策。4.2模糊模式识别方法在雷达目标识别中，由于噪声对目标背景的污染，目标信息转换过程中特征信息的随机交迭，目标信息时间、距离、方位和姿态等因素的变化都可引起信息的模糊及目标特征的畸变，影响目标识别的效果。在模糊集理论基础上发展起来的模糊模式识别技术，适于描述目标特征存在不同程度的不确定性。在目标识别过程中，模糊模式识别技术通过将数值变换提取的目标特征转换成由模糊集及隶属函数表征，再通过模糊关系和模糊推理等对目标的所属关系加以判定了。4.3基于模型和基于知识的模式识别方法基于模型的模式识别方法是用一种数学模型来表示从标样本空间或特征空间中获取的、描述目标固有特性的各种关系准则。在建模过程中，除了利用目标的物理特性外，还运用了特征之间的符号关系准则，如特征随姿态角变化的规律等，因此，基于模型的的模式识别方法在一定程度上改善了传统的统计模式识别方法中信息利率不高的缺点。目前也有不少人在致力于基于模型的目标识别方法的研究。4.4神经网络模式识别方法人工神经网络（ANN）和生物神经系统之间有着内在的联系，能够在有限领域内模拟人脑加工、存储与搜索信息的机制来解决某些特定的问题。它具有自适应、自组织、自学习能力，可以处理一些环境信息十分复杂、背景知识不清楚的问题，通过对样本的学习建立起记忆，然后将未知模式判为其最为接近的记忆。由于其自身的上述特点，模式识别是神经网络技术应用得最为广泛的领域之一。4.4神经网络模式识别方法采用BP算法、感知器算法的多层前向网络；径向基函数网络（RBFN）；模糊ARTMAP网络、自组织特征映射（SOFM）等自组织神经网络；以及异联想存储器神经网络、自划分神经网络、实时循环神经网络、模糊极大——极小神经网络，等等，在目标识别中都有成功的应用。总之，先进的模式识别方法对于提高、改善雷达自动目标识别系统的性能将起到至关重要的作用，对它的进一步研究将具有重要的意义。5结语到目前，研究者们已从多个方面研究了雷达目标识别技术。研究表明，用单一技术解决雷达目标识别问题都将是困难的，问题的解决有赖于多种技术的综合运用。针对单一方法存在的各自局限性，可以考虑将多种技术相结合，以提高