Haute Résolution Plage (Haute Résolution Profil Plage, HRRP) l'échantillon cible contient des informations importantes, mais par sa propre limitation de visibilité, ces informations ne sont pas directement appropriés pour identifier . Par conséquent, nous devons analyser soigneusement les échantillons HRRP, l'accès à des informations importantes aussi précisément que possible les données complexes, avant l'identification précise des cibles.
Analyse mathématique basé sur le signal conventionnel peut prendre un certain nombre de fonctions de base dans un espace (domaine) est exprimé. Ainsi, de façon classique, de nombreux essais d'algorithme de reconnaissance à la carte à une cible spécifique art HRRP, par une transformation appropriée pour compléter l'analyse de son expression, en particulier l'expression de la réduction de dimensionnalité . Ces dernières années, l'étude a révélé la théorie clairsemée, veut réaliser une analyse plus précise d'une réduction de dimension de signal particulier, et en fait peut être considéré comme une mesure du signal sur la base de ses caractéristiques propres, sur la base d'une des fonctions de base de plus combinées à une redondance complète. Cet article suit l'idée d'identifier les caractéristiques représentées, selon la théorie clairsemée, être en mesure d'explorer plus simple et forte augmentation méthode HRRP reconnaissance cible.
1 clairsemés Techniques d'analyse
De nombreux types de dictionnaire composé de base orthogonale classique et des avantages distincts. À l'heure actuelle, en fait, il existe de nombreuses études pour des applications spécifiques, trouver un ajustement avec eux, base orthogonale bien définie, pour compléter la décomposition du signal et l'expression du travail requis. Mais l'analyse conclusion est pas obtenue peut favoriser ou faire référence. En d'autres termes, le signal réel est relativement complexe, et peut avoir un cas où les caractéristiques inconnues, en se fondant uniquement par un groupe de configuration orthogonale déterminant le dictionnaire, il est souvent difficile d'assurer la précision du signal d'expression, et ne peut naturellement pas garantie la transformation, l'expression sparsity.
Pour compenser les inconvénients du dictionnaire simples orthogonaux, tout en conservant ses avantages, ou au moyen d'une pluralité de groupes orthogonaux peuvent essayer structure en cascade dictionnaire redondant, pour obtenir l'effet désiré d'expression. En fait, ces études et des idées ont été appliquées pour vérifier dans le traitement du signal d'image. Les chercheurs ont autour commun (par exemple: le temps - fréquence, Fourier Meyer-Lemarié et par ondelettes, etc.) pour explorer la conception des dictionnaires en cascade décomposition et idées connexes, mais dans le passé, la plupart de ces dictionnaires que par une combinaison de deux bases orthogonales configuration, donc pour améliorer encore l'expression de ce dictionnaire, qui peut être étendue à envisager plusieurs combinaisons de groupes, pour construire une combinaison basée sur un dictionnaire des deux orthogonalité et caractéristiques trop complet, et de réaliser un radar à une dimension analyse clairsemée signal de HRRP.
1.1 United dictionnaire
Afin de résoudre la seule condition est satisfaite, et à la fois une meilleure expression, combinée dictionnaire compte tenu de la sélection d'un type décrit ici ont une bonne régularité des ondelettes de Daubechies (DBN, N est l'ordre). Pour DBN ondelettes, en général lorsque N augmente, l'énergie de signal de telle sorte que, après transformation en fonction de leur concentration croissante, le taux de compression de données plus élevé. Cependant, N augmente en même temps apporter les avantages de la compression, mais affaibli support compact leur impact temporel sur la quantité de calcul portaient sur des échantillons rares d'expression, limite l'analyse opérationnelle en temps réel.
Pour cette raison, l'analyse de texte est effectuée en utilisant la HRRP clairsemée configuré dictionnaire combiné, seul le processus de sélection compromis approprié sous-dictionnaire (N = 1 ~ 10), en essayant également de découvrir la stratégie de décomposition plus efficace.
1.2 Stratégie de décomposition
Joint dictionnaire selon la politique étape de poursuite de correspondance des paquets améliorée DETAILLE assortissant Partition Pursuit (IPMP) décomposition comme suit:
Sur la base d'une expression commune du dictionnaire de reconnaissance clairsemés cible 2
L'algorithme de reconnaissance sera divisé en deux étapes de traitement: la partie avant d'un accent sur la manière dont les données de la forme caractéristique cible HRRP criblage; ce dernier problème est l'utilisation de la cible de reconnaissance de la liaison obtenue.
2.1 sessions de formation
(1) en utilisant la construction ondelettes famille Daubechies dictionnaire commun.
(2) sur la base d'un échantillon de frapper le dictionnaire de la catégorie.
des moyens IPMP algorithme, selon les échantillons HRRP dictionnaire United se décomposent pour éliminer les composants inutiles dans l'échantillon, dans lequel la rétention de base cible, alors que la réalisation de la réduction des données est obtenue pour chaque catégorie cible dictionnaire Gl (l = 1,2, ..., N) .
2.2 séance d'essais
Dans cette partie, le dictionnaire de catégorie par Gl (l = 1,2, ..., N) pour effectuer l'analyse d'un échantillon de HRRP cible respectives creuses pour déterminer sa catégorie. Des mesures spécifiques sont les suivantes:
Initialisation: Le type de données, celui-ci détermine la stratégie d'étalonnage, et l'échantillon d'essai obtenu à y.
3 Simulation
3.1 Description des données Simulation
Simulation Environnement: Windows 7, la fréquence du processeur de 1,5 GHz, RAM 2 Go. Logiciel de simulation MATLAB 2012b. les données de simulation HRRP utilisés dans la simulation 3 types d'avions (B-1b, B-52, de type F-15), ensemble de données: la fréquence centrale du radar 5520 MHz, la largeur de bande de 400 MHz, un angle d'azimut de 0 ° à commande entre 180 °, 0,1 ° tous les temps d'acquisition d'écho, lorsque l'angle de tangage et l'angle de roulis sont de 0 °, les échantillons résultants 600 à des intervalles égaux choisis pour la phase de formation, lors du réglage de l'angle d'inclinaison de 3 °, angle de roulis quand aussi ajusté à 3 °, les pièces d'écartement de taille échantillon résultant 300 choisis pour l'essai. De plus, le bruit blanc est également ajouté dans l'échantillon de test pour simuler différents SNR.
Analyse expérimentale 3.2
3.2.1 Simulation de formation
Pour l'analyse du signal efficace HRRP clairsemée, sélectionnez le dictionnaire critique, et le choix de la coordination avec l'algorithme de décomposition est également très important. Cet article basé sur un dictionnaire commun, discute d'une classe de stratégie de décomposition IPMP applicable. Afin d'illustrer les différents dictionnaires et l'effet de décomposition des différences d'expression de mesure de l'échantillon, est représenté sur la Fig. 1 pour le même ensemble de signaux d'échantillons HRRP modèle F-15, respectivement, ou une combinaison selon l'dictionnaire Harr Wavelet, additionné de différentes stratégies de décomposition, peu Analyse l'effet résultant de l'après approximation du résultat de la comparaison.
On voit par la figure 1, tout d'abord, peu importe quel type de stratégie dictionnaire et la décomposition, avec l'augmentation des coefficients rares sélectionnés, les données originales exprimées dans l'erreur diminuera progressivement. Mais diminue ensuite dans une certaine mesure, cette tendance aura tendance à ralentir, et ont tendance à être stables. Ensuite, comparer la précision du résultat trois illustrated exprimé méthode d'approximation, lorsqu'il est utilisé en combinaison peut être vu dans le dictionnaire, en raison de sa capacité à exprimer une variété de caractéristiques ont, portée donc plus large, l'expression est relativement meilleurs résultats, la décomposition résidus retenus seront plus petits. Encore une fois, le chiffre est également basé sur le même dictionnaire commun est différent des performances de l'algorithme de décomposition a été comparée. Compte tenu de la méthode de décomposition IPMP discuté dans le présent document est faite sur la base des méthodes classiques de MP sur les modifications correspondantes ont permis d'améliorer la résolution de problèmes d'adaptation peuvent faire face lorsque celui-ci, de sorte que l'utilisation de la vitesse de décomposition résultant IPMP sera approprié d'exprimer avec précision que d'utiliser le MP résultant .
La suppression des différences d'expression externes, plus important encore, nous serons en mesure de compléter avec l'algorithme de décomposition de l'échantillon IPMP plus rapide. Le tableau 1 montre le nombre de système clairsemée 100, SNR 15 dB, la même cible les mêmes échantillons ont été analysés par la méthode de décomposition rare et un dictionnaire dans le tableau, le contraste entre le temps.
3.2.2 Simulation d'essai
Quel que soit le contexte d'application, lorsqu'un échantillon SNR élevé, l'effet est souvent relativement meilleure analyse de reconnaissance. Cependant, dans la pratique, il est difficile d'assurer la qualité du signal reçu, en identifiant la politique utilisée à cet effet devrait avoir une bonne résistance de bruit de modèle, les interférences. Cette expérience a procédé à une analyse comparative entre l'algorithme et les résultats sont donnés comme indiqué sur la figure.
La figure 2 sera dans l'exécution de plusieurs types d'algorithmes que le droit, qui examine la méthode proposée pour identifier et réaliser l'APC peuvent être classés en fonction de réaliser le type d'identification et l'analyse selon le modèle de reconstruction. La différence est qu'il élargit l'analyse clairsemée de la base du dictionnaire joint HRRP, la réduction de dimensionnalité, afin d'atteindre l'objectif de l'analyse d'identification. En revanche, en fait, ces derniers ont même « à la redondance » capacité peut être des échantillons de HRRP de grande dimension à la carte de faible dimension, et qui conserve sa structure de données sous-jacentes, telles que les données de faible dimension redondant il y a Maintenu les principales caractéristiques du signal original. Toutefois, selon des études antérieures, l'application peut également être appris, même si l'algorithme PCA est essentiel de choisir la base, mais cela en soi est quelque peu limitée, non seulement, le nombre de composantes principales est également limitée par la taille de la dimension du signal. Il est évident que, par rapport aux deux dictionnaires communs utilisés ici non seulement la redondance, mais aussi plus faible contrainte, selon donc leur résultante de meilleures performances de reconnaissance.
En outre, la présente expérience a également comparé le MCC, la performance algorithme de reconnaissance de SVM, les résultats montrent: Effet sur le SNR de la performance de reconnaissance des différents algorithmes sont évidents. Plus précisément, l'algorithme SVM, par rapport au papier, bien que peu de différence dans les performances des SNR élevé, mais inférieur SNR Shique éloignés, ce dernier est nettement plus l'immunité au bruit. Et la précision de la reconnaissance obtenue méthode MCC est généralement faible, l'algorithme en fonction du résultat de reconnaissance obtenu est également supérieur au MCC résultant. Cependant, des études ont montré que , dans certains cas, peut effectivement être le premier au moyen d'un pré-traitement de données HRRP de conversion de puissance appropriée, puis d'obtenir de bons résultats de reconnaissance en utilisant la méthode MCC. Cependant, une telle conversion de puissance peut provoquer Amplifier le niveau de bruit, l'affaiblissement de la composante cible, mais affecté les performances anti-bruit de la méthode d'analyse de la reconnaissance du MCC.
4 Conclusion
Cet article théorie de l'analyse de rares dans la reconnaissance des cibles, l'analyse et des stratégies rares par paquets pour mener à bien l'analyse et l'identification des échantillons de HRRP. Les expériences montrent que: l'idée d'une analyse clairsemée par paquets système d'identification cible est réalisable, il est possible d'atteindre le son cible et la reconnaissance effective, par rapport à des algorithmes de reconnaissance conventionnels, le texte de la méthode proposée a la capacité de reconnaître et de résister à la précision de fouillis et le bruit ils étaient meilleurs. Dans le contexte actuel des applications radar à large bande largement répandues, le texte du processus de mise en uvre de l'algorithme proposé est simple, une grande quantité d'analyse de l'échantillon comprimé, ce qui facilite le traitement des données complexes défis cette identification est lié à face.
références
Tulane. Distance de reconnaissance d'objets d'image radar haute résolution Xi'an: Xi'an Université des sciences et de la technologie électronique, 2007.
Feng Bo, Duran, Zhang Xuefeng, etc. que la reconnaissance cible du dictionnaire d'apprentissage basé sur le radar de haute résolution . Radio Science, 2012,27 (5): 897-905.
Premier Rong, Zhang Qi jours, Junxia, etc. méthode d'analyse de fréquence basée sur une décomposition parcimonieuse de la gestion durable des forêts du signal Technologie électronique, 2016,42 (6): 87-90.
BI D, XIF Y, Y ZHENG R.Synthetic ouverture imagerie radar utilisant détection comprimé de sélection de base .Circuits Systèmes et traitement du signal, 2015,34 (8): 2561-2576.
LIU X, FAN J, la minimisation LI W.Concave des solutions d'équations creuses de valeur absolue .Transactions de l'Université de Tianjin, 2016,22 (1): 89-94.
Chenfa Tang, Dingyue Vous, M. Fung beau clairsemés algorithme de détection GSSK basé sur un système à grande échelle, le MIMO Technologie électronique, 2016,42 (7): 107-110.
Informations sur l'auteur:
Peipei segments 1,2, 1 Li Hui, Luo Ming Shi 2
(1. École de l'information électronique, Université Northwestern Polytechnical, Xi'an 7100292. École d'informatique, Xi'an Petroleum University, Xi'an 710065, Chine)
