科研之友
微信
新浪微博
Facebook
分享链接
摘要
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。
- 单位
