雷達(dá)目標(biāo)識(shí)別

雷達(dá)目標(biāo)識(shí)別提綱1.雷達(dá)目標(biāo)識(shí)別2.雷達(dá)目標(biāo)識(shí)別模型3.雷達(dá)目標(biāo)識(shí)別技術(shù)回顧4.用于雷達(dá)目標(biāo)識(shí)別中的模式識(shí)別技術(shù)5.結(jié)語1.雷達(dá)目標(biāo)識(shí)別雷達(dá)目標(biāo)識(shí)別是指雷達(dá)對目標(biāo)進(jìn)行探測，對所獲取的回波信息進(jìn)行分析，從而確定目標(biāo)的種類、型號(hào)等屬性的技術(shù)。盡管雷達(dá)目標(biāo)識(shí)別應(yīng)用范圍很廣，并且在某些層面有了成功的應(yīng)用，但是雷達(dá)目標(biāo)識(shí)別技術(shù)還未形成完整的理論體系，現(xiàn)有的雷達(dá)目標(biāo)識(shí)別系統(tǒng)在功能上尚存在一定的局限性，其主要原因是目標(biāo)類型和雷達(dá)體制的多樣化及所處環(huán)境的極端復(fù)雜性。2.雷達(dá)目標(biāo)識(shí)別模型

雷達(dá)目標(biāo)識(shí)別需要從目標(biāo)的雷達(dá)回波中提取目標(biāo)的有關(guān)信息標(biāo)志和穩(wěn)定特征并判明其屬性。對獲取的目標(biāo)信息進(jìn)行計(jì)算機(jī)處理，與已知目標(biāo)的特性進(jìn)行比較，從而達(dá)到自動(dòng)識(shí)別目標(biāo)的目的。2.雷達(dá)目標(biāo)識(shí)別模型識(shí)別過程分成三個(gè)步驟：目標(biāo)的數(shù)據(jù)獲取、特征提取和分類判決。相應(yīng)模型如圖所示：3.雷達(dá)目標(biāo)識(shí)別技術(shù)回顧雷達(dá)目標(biāo)識(shí)別的研究始于20世紀(jì)50年代。早期雷達(dá)目標(biāo)特征信號(hào)的研究工作主要是研究雷達(dá)目標(biāo)的有效散射截面積。但對形狀不同、性質(zhì)各異的各類目標(biāo)，籠統(tǒng)用一個(gè)有效散射截面積來描述，就顯得過于粗糙，也難以實(shí)現(xiàn)有效識(shí)別。近年來理論研究和實(shí)際應(yīng)用比較成功的目標(biāo)識(shí)別方法有以下4類。

3.1基于目標(biāo)運(yùn)動(dòng)的回波起伏和調(diào)制譜特性的目標(biāo)識(shí)別這類方法大都基于目前廣泛使用的雷達(dá)時(shí)域一維目標(biāo)回波波形，抽取波形序列中包含的目標(biāo)特征信息來實(shí)現(xiàn)目標(biāo)分類。這類研究已獲得一些成功應(yīng)用。3.1基于目標(biāo)運(yùn)動(dòng)的回波起伏和調(diào)制譜特性的目標(biāo)識(shí)別1)利用目標(biāo)回波起伏特性的識(shí)別空中目標(biāo)對低分辨率雷達(dá)來講可以看作點(diǎn)目標(biāo)，其運(yùn)動(dòng)過程中，目標(biāo)回波的幅度和相位將隨目標(biāo)對雷達(dá)的相對姿態(tài)的不同而變化，根據(jù)目標(biāo)回波的幅度與相位的變化過程，判斷其形狀，對復(fù)信息數(shù)據(jù)進(jìn)一步分析，可以判斷目標(biāo)的運(yùn)動(dòng)情況。3.1基于目標(biāo)運(yùn)動(dòng)的回波起伏和調(diào)制譜特性的目標(biāo)識(shí)別2)利用動(dòng)態(tài)目標(biāo)的調(diào)制譜特性的識(shí)別動(dòng)態(tài)目標(biāo)如飛機(jī)的螺旋槳或噴氣發(fā)動(dòng)機(jī)旋轉(zhuǎn)葉片、直升機(jī)的旋翼等目標(biāo)結(jié)構(gòu)的周期運(yùn)動(dòng)，產(chǎn)生對雷達(dá)回波的周期性調(diào)制。不同目標(biāo)的周期性調(diào)制譜差異很大，因而可用于目標(biāo)識(shí)別。Bell等詳細(xì)分析了噴氣發(fā)動(dòng)機(jī)的調(diào)制(JEM)現(xiàn)象，并建立了相應(yīng)的數(shù)學(xué)模型，為利用JEM效應(yīng)進(jìn)行目標(biāo)識(shí)別奠定了理論基礎(chǔ)。3.2基于極點(diǎn)分布的目標(biāo)識(shí)別目標(biāo)極點(diǎn)分布只決定于目標(biāo)形狀和固有特性，與雷達(dá)的觀測方向(目標(biāo)姿態(tài))及雷達(dá)的極化方式無關(guān)，因而給雷達(dá)目標(biāo)識(shí)別帶來了很大方便。1975年，Blaricum等首先提出了直接從一組瞬態(tài)響應(yīng)時(shí)域數(shù)據(jù)來提取目標(biāo)極點(diǎn)的Prony方法，使用提取出的目標(biāo)極點(diǎn)作為目標(biāo)特征，而通過將提取到的目標(biāo)極點(diǎn)與目標(biāo)庫的目標(biāo)極點(diǎn)進(jìn)行匹配完成目標(biāo)識(shí)別過程。3.2基于極點(diǎn)分布的目標(biāo)識(shí)別80年代以來，關(guān)于目標(biāo)極點(diǎn)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。提取目標(biāo)極點(diǎn)的函數(shù)束法（POF）以及廣義函數(shù)束法(GPOF)等，在極點(diǎn)的估計(jì)精度以及抗噪能力方面均優(yōu)于Prony法。由目標(biāo)的頻域響應(yīng)來識(shí)別目標(biāo)的方法：①從目標(biāo)的頻域響應(yīng)來識(shí)別目標(biāo)的方法；②獲取目標(biāo)極點(diǎn)的頻域Prony法(FDPM)；③由于頻域法的目標(biāo)極點(diǎn)估算精度同樣受到噪聲和雜波的限制，具有改善作用的數(shù)據(jù)多重組合法。3.3基于高分辨率雷達(dá)成像的目標(biāo)識(shí)別借助高分辨率雷達(dá)對目標(biāo)進(jìn)行一維或二維距離成像，或采用合成孔徑雷達(dá)或逆合成孔徑雷達(dá)對目標(biāo)成像得到二維雷達(dá)圖像，可獲取目標(biāo)的形狀結(jié)構(gòu)信息。基于一維距離像的目標(biāo)識(shí)別方法，在艦船目標(biāo)、坦克、車輛等地面目標(biāo)、飛機(jī)目標(biāo)識(shí)別中分別獲得了較高的正確識(shí)別率。對于基于二維雷達(dá)圖像的目標(biāo)識(shí)別，可利用圖象識(shí)別技術(shù)來進(jìn)行，這是目標(biāo)識(shí)別領(lǐng)域中最為直觀的識(shí)別方法，但是如何獲得高質(zhì)量的目標(biāo)二維圖像是進(jìn)行目標(biāo)識(shí)別的首先要解決的問題。3.4基于極化特征的目標(biāo)識(shí)別極化特征是與目標(biāo)形狀本質(zhì)有密切聯(lián)系的特征。任何目標(biāo)對照射的電磁波都有特定的極化變換作用，其變換關(guān)系由目標(biāo)的形狀、尺寸、結(jié)構(gòu)和取向所決定。測量出不同目標(biāo)對各種極化波的變極化響應(yīng)，能夠形成一個(gè)特征空間，就可對目標(biāo)進(jìn)行識(shí)別。極化散射矩陣（復(fù)二維矩陣）完全表征了目標(biāo)在特定姿態(tài)和輻射源頻率下的極化散射特性。對目標(biāo)幾何形狀與目標(biāo)極化特性的關(guān)系的研究結(jié)果表明，光學(xué)區(qū)目標(biāo)的極化散射矩陣反映了目標(biāo)鏡面曲率差等精密物理結(jié)構(gòu)特性。

3.4基于極化特征的目標(biāo)識(shí)別利用極化信息進(jìn)行雷達(dá)目標(biāo)識(shí)別的方法，其主要方法分為：1）根據(jù)極化散射矩陣識(shí)別目標(biāo)根據(jù)極化散射矩陣來識(shí)別目標(biāo)是利用極化信息識(shí)別目標(biāo)的基本方法。具體分為：①根據(jù)不同極化狀態(tài)下目標(biāo)截面積的對比來識(shí)別目標(biāo)；②根據(jù)從目標(biāo)極化散射矩陣中導(dǎo)出的目標(biāo)極化參數(shù)集（極化不變量）來識(shí)別目標(biāo)；③根據(jù)目標(biāo)的最佳極化或極化叉來識(shí)別目標(biāo)。3.4基于極化特征的目標(biāo)識(shí)別2）利用目標(biāo)形狀的極化重構(gòu)識(shí)別目標(biāo)對低分辨率雷達(dá)，不能區(qū)分目標(biāo)上各個(gè)散射中心的回波，只能從它們的綜合信號(hào)中提取極化特征，因而只能從整體上對簡單形體的目標(biāo)加以粗略的識(shí)別。對高分辨率雷達(dá)，目標(biāo)回波可分解為目標(biāo)上各個(gè)主要散射中心的回波分量。對復(fù)雜形狀目標(biāo)的極化重構(gòu)，就是利用高分辨率雷達(dá)區(qū)分出各個(gè)散射中心的回波，分別提取其極化信息。3.4基于極化特征的目標(biāo)識(shí)別3）利用瞬態(tài)極化響應(yīng)識(shí)別目標(biāo)Chamberlain等將極化信息與沖激響應(yīng)結(jié)合起來，提出了利用目標(biāo)瞬態(tài)極化響應(yīng)（TPR）進(jìn)行目標(biāo)識(shí)別。利用TPR識(shí)別目標(biāo)是將極化識(shí)別與時(shí)（頻）域識(shí)別相結(jié)合的很好范例。在Chamberlain的基礎(chǔ)上，通過TPR特征提取，把復(fù)雜目標(biāo)在結(jié)構(gòu)上分解成由散射中心對應(yīng)的多個(gè)子結(jié)構(gòu)來分別描述，對飛機(jī)目標(biāo)識(shí)別獲得了較好的效果。3.4基于極化特征的目標(biāo)識(shí)別4）與成像技術(shù)相結(jié)合的目標(biāo)識(shí)別結(jié)合SAR和ISAR成像，在相應(yīng)雷達(dá)上加裝變極化裝置，從而可以利用極化信息或?qū)O化信息與已有的圖象識(shí)別技術(shù)相結(jié)合，對每一像素進(jìn)行更有效的識(shí)別。4.用于雷達(dá)目標(biāo)識(shí)別中的模式識(shí)別技術(shù)進(jìn)行雷達(dá)目標(biāo)識(shí)別，必須依靠有效的目標(biāo)特征分類技術(shù)（模式識(shí)別技術(shù)）。模式識(shí)別技術(shù)的發(fā)展為雷達(dá)目標(biāo)識(shí)別的研究提供了有利的條件。統(tǒng)計(jì)模式識(shí)別方法、模糊模式識(shí)別方法、基于模型和基于知識(shí)的模式識(shí)別方法以及神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法等在雷達(dá)目標(biāo)識(shí)別中均有成功的應(yīng)用。4.1統(tǒng)計(jì)模式識(shí)別方法統(tǒng)計(jì)模式識(shí)別是傳統(tǒng)的模式識(shí)別方法，也是雷達(dá)目標(biāo)識(shí)別中最常用到的特征分類方法，它是一種根據(jù)已知樣本的統(tǒng)計(jì)特性來對未知類別樣本進(jìn)行分類的方法。其基本思想是用N維特征矢量表征目標(biāo)模式，并通過對樣本的學(xué)習(xí)，估計(jì)出特征矢量的概率分布密度函數(shù)，在某種最優(yōu)準(zhǔn)則下，利用特征矢量的統(tǒng)計(jì)知識(shí)來構(gòu)造判別函數(shù)，從而在保證分類誤差概率最小的條件下，對目標(biāo)進(jìn)行分類。4.1統(tǒng)計(jì)模式識(shí)別方法最近鄰域法、相關(guān)匹配法、多維相關(guān)匹配方法、Bayes最大似然Bayes分類器、Bayes優(yōu)化決策規(guī)則、最大似然函數(shù)等都被用于了目標(biāo)特征的分類決策。4.2模糊模式識(shí)別方法在雷達(dá)目標(biāo)識(shí)別中，由于噪聲對目標(biāo)背景的污染，目標(biāo)信息轉(zhuǎn)換過程中特征信息的隨機(jī)交迭，目標(biāo)信息時(shí)間、距離、方位和姿態(tài)等因素的變化都可引起信息的模糊及目標(biāo)特征的畸變，影響目標(biāo)識(shí)別的效果。在模糊集理論基礎(chǔ)上發(fā)展起來的模糊模式識(shí)別技術(shù)，適于描述目標(biāo)特征存在不同程度的不確定性。在目標(biāo)識(shí)別過程中，模糊模式識(shí)別技術(shù)通過將數(shù)值變換提取的目標(biāo)特征轉(zhuǎn)換成由模糊集及隸屬函數(shù)表征，再通過模糊關(guān)系和模糊推理等對目標(biāo)的所屬關(guān)系加以判定了。4.3基于模型和基于知識(shí)的模式識(shí)別方法基于模型的模式識(shí)別方法是用一種數(shù)學(xué)模型來表示從標(biāo)樣本空間或特征空間中獲取的、描述目標(biāo)固有特性的各種關(guān)系準(zhǔn)則。在建模過程中，除了利用目標(biāo)的物理特性外，還運(yùn)用了特征之間的符號(hào)關(guān)系準(zhǔn)則，如特征隨姿態(tài)角變化的規(guī)律等，因此，基于模型的的模式識(shí)別方法在一定程度上改善了傳統(tǒng)的統(tǒng)計(jì)模式識(shí)別方法中信息利率不高的缺點(diǎn)。目前也有不少人在致力于基于模型的目標(biāo)識(shí)別方法的研究。4.4神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法人工神經(jīng)網(wǎng)絡(luò)（ANN）和生物神經(jīng)系統(tǒng)之間有著內(nèi)在的聯(lián)系，能夠在有限領(lǐng)域內(nèi)模擬人腦加工、存儲(chǔ)與搜索信息的機(jī)制來解決某些特定的問題。它具有自適應(yīng)、自組織、自學(xué)習(xí)能力，可以處理一些環(huán)境信息十分復(fù)雜、背景知識(shí)不清楚的問題，通過對樣本的學(xué)習(xí)建立起記憶，然后將未知模式判為其最為接近的記憶。由于其自身的上述特點(diǎn)，模式識(shí)別是神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用得最為廣泛的領(lǐng)域之一。4.4神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法采用BP算法、感知器算法的多層前向網(wǎng)絡(luò)；徑向基函數(shù)網(wǎng)絡(luò)（RBFN）；模糊ARTMAP網(wǎng)絡(luò)、自組織特征映射（SOFM）等自組織神經(jīng)網(wǎng)絡(luò)；以及異聯(lián)想存儲(chǔ)器神經(jīng)網(wǎng)絡(luò)、自劃分神經(jīng)網(wǎng)絡(luò)、實(shí)時(shí)循環(huán)神經(jīng)網(wǎng)絡(luò)、模糊極大——極小神經(jīng)網(wǎng)絡(luò)，等等，在目標(biāo)識(shí)別中都有成功的應(yīng)用。總之，先進(jìn)的模式識(shí)別方法對于提高、改善雷達(dá)自動(dòng)目標(biāo)識(shí)別系統(tǒng)的性能將起到至關(guān)重要的作用，對它的進(jìn)一步研究將具有重要的意義。5結(jié)語到目前，研究者們已從多個(gè)方面研究了雷達(dá)目標(biāo)識(shí)別技術(shù)。研究表明，用單一技術(shù)解決雷達(dá)目標(biāo)識(shí)別問題都將是困難的，問題的解決有賴于多種技術(shù)的綜合運(yùn)用。針對單一方法存在的各自局限性，可以考慮將多種技術(shù)相結(jié)合，以提高