联合Cameron分解和融合RKELM的全极化HRRP目标识别方法
该文针对传统全极化高分辨一维距离像(HRRP)雷达目标识别问题,提出了结合Cameron分解和融合简化核极限学习机(RKELM)的目标识别方法,旨在提高全极化HRRP目标识别性能.在特征提取阶段,所提方法利用Cameron分解定义了目标在各个标准散射体上的投影分量.通过分析,将目标在三面角、二面角和1/4波长器件这3个散射基上沿距离维的投影分量作为目标特征,实现对目标散射特性更加精细化的描述.在分类阶段,考虑到RKELM算法识别性能的不稳定性,提出了一种基于原型聚类预处理的RKELM方法,并在此基础上设计了特征级融合RKELM网络和决策级融合RKELM网络,以对投影特征进行融合分类.实验部分利用10类民用车辆的全极化HRRP数据将所提识别方法和现有方法进行了对比,结果表明:(1)所采用的Cameron分解投影特征表现出了较高的可分性和噪声稳健性;(2)当训练样本数较多时,特征级融合RKELM算法的泛化性能较好;当训练样本数较少时,决策级融合RKELM的泛化性能较好.
雷达目标识别;高分辨一维距离像;全极化;Cameron分解;简化核极限学习机;信息融合
10
TN95
国家自然科学基金;中国博士后基金面上项目
2022-01-12(万方平台首次上网日期,不代表论文的发表时间)
共12页
944-955