高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于非参数化概率密度估计的雷达目标识别

赵峰 张军英 刘敬 梁军利

赵峰, 张军英, 刘敬, 梁军利. 基于非参数化概率密度估计的雷达目标识别[J]. 电子与信息学报, 2008, 30(7): 1740-1743. doi: 10.3724/SP.J.1146.2006.01925
引用本文: 赵峰, 张军英, 刘敬, 梁军利. 基于非参数化概率密度估计的雷达目标识别[J]. 电子与信息学报, 2008, 30(7): 1740-1743. doi: 10.3724/SP.J.1146.2006.01925
Zhao Feng, Zhang Jun-ying, Liu Jing, Liang Jun-li. Radar Target Recognition Based on Nonparametric Density Estimation[J]. Journal of Electronics and Information Technology, 2008, 30(7): 1740-1743. doi: 10.3724/SP.J.1146.2006.01925
Citation: Zhao Feng, Zhang Jun-ying, Liu Jing, Liang Jun-li. Radar Target Recognition Based on Nonparametric Density Estimation[J]. Journal of Electronics and Information Technology, 2008, 30(7): 1740-1743. doi: 10.3724/SP.J.1146.2006.01925

基于非参数化概率密度估计的雷达目标识别

doi: 10.3724/SP.J.1146.2006.01925
基金项目: 

国家自然科学基金(60371044,60574039)和国家部级基金资助课题

Radar Target Recognition Based on Nonparametric Density Estimation

  • 摘要: 针对雷达目标识别中,参数化方法估计高分辨距离像的概率密度存在的模型失配问题,提出一种非参数化方法基于累计量的随机学习算法,估计距离像的概率密度。该算法运用多层感知器估计训练样本的分布函数,然后求导得到概率密度。该算法不仅能全面、精确地估计概率密度,而且回避了许多其他非参数方法面临的窗宽敏感性问题。基于外场实测数据的实验证明了该文方法的有效性。
  • Xing M D, Bao Z, and Pei B N. Properties of high-resolutionrange profiles [J].Optical Engineering.2002, 41(2):493-504[2]Willis C. Aircraft recognition using high-resolution radarrange profiles [A]. Proc SPIE Int Soc Opt Eng[C]. Orlando,United States, 2003: 200-209.[3]Du L, Liu H W, and Bao Z. Radar HRRP target recognitionbased on higher order spectra [J].IEEE Trans. on SignalProcess.2005, 53(7):2359-2368[4]时宇, 张贤达. 基于局部双谱的高分辨距离像雷达目标识别[J]. 清华大学学报,2002, 42(3): 407-410.Shi Y and Zhang X D. Local bispectra-based high-resolutionradar target recognition with range profiles [J]. Journal ofTsinghua Univ., 2002, 42(3): 407-410.[5]叶炜. 逆合成孔径雷达运动补偿与成像研究[D]. 西安:西安电子科技大学.[J].1996.Ye W. Study of the inverse synthetic aperture radar imagingand motion compensation [D]. Xian: Xidian Univ.1996,:-[6]刘宏伟, 杜兰, 袁莉. 雷达高分辨距离像目标识别研究进展[J].电子与信息学报.2005, 27(8):1328-1334浏览[7]Kim K T, Seo D K, and Kim H T. Efficient radar targetrecognition using the MUSIC algorithm and invariantfeatures [J].IEEE Trans. on Antennas Propagation.2002,50(3):325-337[8]Webb A R. Gamma mixture models for target recognition [J].Pattern Recognition.2000, 33(12):2045-2054[9]Copsey K and Webb A R. Bayesian Gamma mixture modelapproach to radar target recognition [J].IEEE Trans. onAerospace and Electronic Systems.2003, 39(4):1201-1217[10]Jacobs S P. Automatic target recognition usinghigh-resolution radar range profiles [D]. Washington:Washington University, 1999.[11]Heiden R V and Groen F C A. The box-cox metric for nearestneighbor classification improvement [J].Pattern Recognition.1997, 30(2):273-279[12]Steinberg B D. Microwave Imaging with Large AntennaArrays: Radio Camera Principle and Technique [M]. NewYork: John Wiley and Sons, 1983: 746-852.[13]Duda R O, Hart P E, and Stork D G著. 李宏东, 姚天翔译.模式分类 [M].北京:机械工业出版社, 2003: 132-163.[14]张炤, 张素, 章琛曦. 基于支撑向量机的概率密度估计方法[J].系统仿真学报, 2005, 17(10): 2355-2357.Zhang Z, Zhang S, and Zhang C X. Density estimation basedon support vector machines [J]. Journal of System Simulation,2005, 17(10): 2355-2357.[15]Malik M I and Amir A. Density estimation and randomvariate generation using Multilayer networks [J].IEEE Trans.on Neural Networks.2002, 13(3):497-520[16]Fukunage K. Introduction to Statistic Pattern Recognition[M]. Boston MA: Academic, 1990: 368-424.[17]Skolnik M. Introduction to Radar Systems [M]. New York:McGraw-Hill, 1980: 523-614.[18]Haykin S著. 叶世伟, 史忠植译. 神经网络原理 [M].北京:机械工业出版社, 2004: 110-181.
  • 加载中
计量
  • 文章访问数:  3368
  • HTML全文浏览量:  61
  • PDF下载量:  1084
  • 被引次数: 0
出版历程
  • 收稿日期:  2006-12-04
  • 修回日期:  2007-07-19
  • 刊出日期:  2008-07-19

目录

    /

    返回文章
    返回

    官方微信,欢迎关注