研究了核主分量分析(KPCA,Kernel Principal Component Analysis)在高分辨雷达目标特征提取与识别中的应用。首先讨论了KPCA算法原理,然后将KPCA应用于雷达目标距离像特征提取,并采用支持向量机进行分类,提出了基于核主分量分析的高分...研究了核主分量分析(KPCA,Kernel Principal Component Analysis)在高分辨雷达目标特征提取与识别中的应用。首先讨论了KPCA算法原理,然后将KPCA应用于雷达目标距离像特征提取,并采用支持向量机进行分类,提出了基于核主分量分析的高分辨雷达目标特征提取与识别方法。在核函数的选取上构造了一个组合核函数,最后用4类目标数据进行了实验,并与采用高斯核函数方法进行了比较,实验结果表明,该方法能够提高目标识别性能。展开更多
针对雷达目标高分辨距离像(High-Resolution Range Profile,HRRP)识别中等角域划分造成的目标散射特性失配问题,提出一种基于核主分量分析重构的雷达目标识别方法。该方法在等角域划分下利用核主分量分析提取每个角域内HRRP的特征子空间...针对雷达目标高分辨距离像(High-Resolution Range Profile,HRRP)识别中等角域划分造成的目标散射特性失配问题,提出一种基于核主分量分析重构的雷达目标识别方法。该方法在等角域划分下利用核主分量分析提取每个角域内HRRP的特征子空间,再将测试样本投影到各角域特征子空间中进行重构,最后通过计算最小重构误差来判别测试样本的类别。基于5种飞机目标的仿真实验表明,核主分量分析重构方法可以松弛角域划分范围,降低角域划分的精度要求,相比主分量分析重构方法和最大相关系数模板匹配法有效提高了识别性能。展开更多
文摘研究了核主分量分析(KPCA,Kernel Principal Component Analysis)在高分辨雷达目标特征提取与识别中的应用。首先讨论了KPCA算法原理,然后将KPCA应用于雷达目标距离像特征提取,并采用支持向量机进行分类,提出了基于核主分量分析的高分辨雷达目标特征提取与识别方法。在核函数的选取上构造了一个组合核函数,最后用4类目标数据进行了实验,并与采用高斯核函数方法进行了比较,实验结果表明,该方法能够提高目标识别性能。
文摘针对雷达目标高分辨距离像(High-Resolution Range Profile,HRRP)识别中等角域划分造成的目标散射特性失配问题,提出一种基于核主分量分析重构的雷达目标识别方法。该方法在等角域划分下利用核主分量分析提取每个角域内HRRP的特征子空间,再将测试样本投影到各角域特征子空间中进行重构,最后通过计算最小重构误差来判别测试样本的类别。基于5种飞机目标的仿真实验表明,核主分量分析重构方法可以松弛角域划分范围,降低角域划分的精度要求,相比主分量分析重构方法和最大相关系数模板匹配法有效提高了识别性能。
