高信噪比情况下,利用概率主成分分析(PPCA,probabilistic principal component analysis)模型识别雷达高分辨距离像(HRRP,high resolution range profile)取得了较高的识别率。但在实际工作环境中,测试阶段获取的HRRP常为低信噪比样本,...高信噪比情况下,利用概率主成分分析(PPCA,probabilistic principal component analysis)模型识别雷达高分辨距离像(HRRP,high resolution range profile)取得了较高的识别率。但在实际工作环境中,测试阶段获取的HRRP常为低信噪比样本,由此造成的模型失配问题极大影响了识别性能。为此文章利用不同噪声来源造成的模型失配先验信息,在模型空间针对不同信噪比的测试样本补偿PPCA模型参数,以达到稳健识别的目的。另一方面,利用2种方法通过直接估计测试样本的噪声功率省去最优化计算的步骤,避免了求解最优补偿参数时需要大量计算的问题,提高了识别效率。最后,利用最大后验概率确定目标所属类别,证明了2种方法在信噪比低于20 d B时的可行性。展开更多
文摘高信噪比情况下,利用概率主成分分析(PPCA,probabilistic principal component analysis)模型识别雷达高分辨距离像(HRRP,high resolution range profile)取得了较高的识别率。但在实际工作环境中,测试阶段获取的HRRP常为低信噪比样本,由此造成的模型失配问题极大影响了识别性能。为此文章利用不同噪声来源造成的模型失配先验信息,在模型空间针对不同信噪比的测试样本补偿PPCA模型参数,以达到稳健识别的目的。另一方面,利用2种方法通过直接估计测试样本的噪声功率省去最优化计算的步骤,避免了求解最优补偿参数时需要大量计算的问题,提高了识别效率。最后,利用最大后验概率确定目标所属类别,证明了2种方法在信噪比低于20 d B时的可行性。
