基于压缩传感特征提取的低分辨雷达目标识别

doi:10.3724/SP.J.1087.2011.02105

计算机应用 ›› 2011, Vol. 31 ›› Issue (08): 2105-2107.DOI: 10.3724/SP.J.1087.2011.02105

基于压缩传感特征提取的低分辨雷达目标识别

米红妹,邱天爽

大连理工大学电子信息与电气工程学部，辽宁大连116024

收稿日期:2011-01-27 修回日期:2011-03-02 发布日期:2011-08-01 出版日期:2011-08-01
通讯作者: 邱天爽
作者简介:米红妹(1987-)，女，河北保定人，硕士研究生，主要研究方向：雷达特征信号提取与识别；邱天爽(1954-)，男，江苏海门人，教授，博士生导师，主要研究方向：信号与信息处理、生物医学工程。
基金资助:
国家自然科学基金资助项目(60672130)

Target recognition for low-resolution radar based on compressed sensing

Hong-mei MI,Tian-shuang QIU

Faculty of Electronic Information and Electrical Engineering, Dalian University of Technology, Dalian Liaoning 116024, China

Received:2011-01-27 Revised:2011-03-02 Online:2011-08-01 Published:2011-08-01
Contact: Tian-shuang QIU

摘要/Abstract

摘要： 根据低分辨雷达目标回波的特点，提出了一种基于压缩传感的回波特征提取方法。选择小波基为稀疏基，高斯随机矩阵为测量矩阵，由较少的测量值构成识别特征向量，不仅可以获得雷达回波信号的本质驱动源，而且能够保持原始雷达回波信号的结构和足够多的目标信息。实验结果表明，该算法提取的回波特征向量维数低，且信息密度高，可以得到较好的目标识别结果。

关键词: 压缩传感, 特征提取, 低分辨雷达, 目标识别

Abstract: According to the target echo of low-resolution radar, a feature extraction method based on the theory of compressed sensing was proposed in this paper. An orthonormal wavelet basis was selected as the sparsity basis and a random sub-Gaussian matrix as the measurement matrix, and the feature extraction vector was composed of a few measurements. The proposed algorithm can not only get the intrinsic driving source of radar echo signal, but also keep the structure of the original signal and enough target information. The experimental results show that the feature extraction approach offers low dimension and high information density, and gets better result.

Key words: compressed sensing, feature extraction, low-resolution radar, target recognition

中图分类号:

米红妹邱天爽. 基于压缩传感特征提取的低分辨雷达目标识别[J]. 计算机应用, 2011, 31(08): 2105-2107.

Hong-mei MI Tian-shuang QIU. Target recognition for low-resolution radar based on compressed sensing[J]. Journal of Computer Applications, 2011, 31(08): 2105-2107.

参考文献

[1] 张静,宋锐,郁文贤,等.基于视觉效果的雷达目标动态回波序列特征提取方法[J].信号处理,2005,21(4):392-396.

[2] 喻玲娟,谢晓春.压缩感知理论简介[J].电视技术,2008,32(12):16-18.

[3] CANDES E, ROMBERG J, TAO T. Robust uncertainty principles: Exact signal reconstruction from highly incomplete frequency information [J]. IEEE Transactions on Information Theory, 2006, 52(4): 489-509.

[4] CANDES E J. Compressed sampling [C]// ICM'06: Proceedings of International Congress of Mathematicians. Madrid, Spain: European Mathematical Society Publishing House, 2006: 1433-1452.

[5] JOUNY I. Compressed sensing for UWB radar target signature reconstruction [C]// DSP/SPE 2009: IEEE 13th Digital Signal Processing Workshop and 5th IEEE Signal Processing Education Workshop. Washington, DC: IEEE Computer Society, 2009: 714-719.

[6] 李凯.基于压缩传感的雷达图像重构方法研究[D].秦皇岛:燕山大学,2010.

[7] 杜小勇.稀疏成分分析及在雷达成像处理中的应用[D].长沙:国防科学技术大学,2005.

[8] 路军,郁文贤,郭桂蓉.一种基于紧支子波的雷达船目标特征抽取方法[J].系统工程与电子技术,1994(8):46-53.

[9] 葛哲学,沙威.小波分析理论与MATLABR2007实现[M].北京:电子工业出版社,2007.

[10] CANDES E, TAO T. Decoding by linear programming [J]. IEEE Transactions on Information Theory, 2005, 51(12): 4203-4215.

[11] CANDES E, ROMBERG J, TAO T. Stable signal recovery from incomplete and inaccurate measurements [J]. Communications on Pure and Applied Mathematics, 2006, 59(8): 1207-1223.

[12] TROPP J A, GILBERT A C. Signal recovery from random measurements via orthogonal matching pursuit [J]. IEEE Transactions on Information Theory, 2007, 53(12): 4655-4666.

[13] CANDES E, ROMBERG J. Sparsity and incoherence in compressive sampling [J]. Inverse Problems, 2007, 23(3): 969-985.

[14] 施建礼,单岳春,王波.基于多分辨分解的低分辨雷达特征提取[J].海军航空工程学院学报,2004,19(4):413:416.

[15] 王伟,张汉华,姜卫东,等.低分辨雷达的目标特征提取方法[J].国防科技大学学报, 2002,24(2):31-35.

[16] 陈娟.基于多特征融合的雷达目标识别[D].西安:西安电子科技大学,2010.

基于压缩传感特征提取的低分辨雷达目标识别

Target recognition for low-resolution radar based on compressed sensing

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	郑志强, 胡鑫, 翁智, 王雨禾, 程曦. 基于改进DenseNet的牛眼图像特征提取方法[J]. 计算机应用, 2021, 41(9): 2780-2784.
[2]	佘玉龙, 张晓龙, 程若勤, 邓春华. 基于边缘关注模型的语义分割方法[J]. 计算机应用, 2021, 41(2): 343-349.
[3]	赵津, 宋文爱, 邰隽, 杨吉江, 王青, 李晓丹, 雷毅, 邱悦. 儿童阻塞性睡眠呼吸暂停计算机人脸辅助诊断综述[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3394-3401.
[4]	朱新成, 何坤金, 倪娜, 郝博. 基于改进迭代最近点算法的接骨板贴合性快捷计算方法[J]. 计算机应用, 2021, 41(10): 3033-3039.
[5]	黄学雨, 徐浩特, 陶剑文. 具有特征选择的多源自适应分类框架[J]. 计算机应用, 2020, 40(9): 2499-2506.
[6]	尹春勇, 何苗. 基于改进胶囊网络的文本分类[J]. 计算机应用, 2020, 40(9): 2525-2530.
[7]	周云, 陈淑荣. 基于双流非局部残差网络的行为识别方法[J]. 计算机应用, 2020, 40(8): 2236-2240.
[8]	张家岗, 李达平, 杨晓东, 邹茂扬, 吴锡, 胡金蓉. 基于深度卷积特征光流的形变医学图像配准算法[J]. 计算机应用, 2020, 40(6): 1799-1805.
[9]	徐代, 岳璋, 杨文霞, 任潇. 基于改进的三向流Faster R-CNN的篡改图像识别[J]. 计算机应用, 2020, 40(5): 1315-1321.
[10]	刘尚旺, 刘承伟, 张爱丽. 基于深度可分卷积神经网络的实时人脸表情和性别分类[J]. 计算机应用, 2020, 40(4): 990-995.
[11]	沈亮, 王鑫, 陈曙晖. 面向移动应用识别的结构化特征提取方法[J]. 计算机应用, 2020, 40(4): 1109-1114.
[12]	张俊升, 徐晶晶, 余伟. 面部美化图像质量无参考评价方法[J]. 计算机应用, 2020, 40(4): 1184-1190.
[13]	郭志强, 胡永武, 刘鹏, 杨杰. 基于特征融合的室外天气图像分类[J]. 计算机应用, 2020, 40(4): 1023-1029.
[14]	朱喆, 许少华. 降噪自编码器深度卷积过程神经网络及在时变信号分类中的应用[J]. 计算机应用, 2020, 40(3): 698-703.
[15]	陈梅婕, 谢振平, 陈晓琪, 许鹏. 专利新词发现的双向聚合度特征提取新方法[J]. 计算机应用, 2020, 40(3): 631-637.