基于灰色關(guān)聯(lián)和不確定推理的HRRP目標(biāo)識別

吳 杰，楊 娟，周建江

(1. 金陵科技學(xué)院 a. 網(wǎng)絡(luò)與通信工程學(xué)院; b. 電子信息工程學(xué)院, 南京 211169) (2. 南京航空航天大學(xué) 電子與信息工程學(xué)院， 南京 210016)

·信號處理·

基于灰色關(guān)聯(lián)和不確定推理的HRRP目標(biāo)識別

吳 杰1a，楊 娟1b，周建江2

(1. 金陵科技學(xué)院 a. 網(wǎng)絡(luò)與通信工程學(xué)院; b. 電子信息工程學(xué)院, 南京 211169) (2. 南京航空航天大學(xué) 電子與信息工程學(xué)院， 南京 210016)

由于HRRP固有的信息有損壓縮，利用單幀HRRP樣本進(jìn)行目標(biāo)識別時(shí), 存在經(jīng)典算法識別率較低而改進(jìn)后的算法一般復(fù)雜度較高的問題。為獲得更加穩(wěn)健、可信的識別效果，文中基于MYCIN模型，引入灰色關(guān)聯(lián)算子，構(gòu)造了不確定因子，提出了一種基于HRRP序列的雷達(dá)目標(biāo)識別方法?；谖宸N飛機(jī)模型高分辨距離像數(shù)據(jù)的仿真實(shí)驗(yàn)表明：與單樣本的識別算法相比，所提出的算法具有識別精度高、穩(wěn)定性好、抗干擾能力強(qiáng)等優(yōu)點(diǎn)，具有較好的工程應(yīng)用前景。

雷達(dá)；自動目標(biāo)識別；高分辨距離像；灰色關(guān)聯(lián)算子；序列識別

0 引 言

雷達(dá)目標(biāo)高分辨距離像(HRRP)具有豐富的目標(biāo)結(jié)構(gòu)信息，和雷達(dá)目標(biāo)的二維像相比更容易獲取，因此，利用單次高分辨距離像進(jìn)行目標(biāo)識別一直是寬帶雷達(dá)目標(biāo)識別技術(shù)領(lǐng)域研究的重要內(nèi)容[1-6]。當(dāng)前，對利用HRRP進(jìn)行目標(biāo)識別技術(shù)的研究主要集中在對單幀像信息的研究與利用方面，識別種類、識別準(zhǔn)確度和算法抗干擾能力等方面都難以克服HRRP固有的信息壓縮與損失特性帶來的影響，無法滿足實(shí)際應(yīng)用需求。

當(dāng)寬頻雷達(dá)對特定的目標(biāo)進(jìn)行不間斷地探測時(shí)，每次回波都能形成有效的高分辨距離像，這些距離像按時(shí)間進(jìn)行排列，即形成HRRP序列。利用HRRP序列進(jìn)行目標(biāo)識別，對具體樣本的依賴性大幅度降低，更能突出雷達(dá)目標(biāo)的固有特征，可以獲得更準(zhǔn)確更穩(wěn)健的識別性能。目前，國內(nèi)外針對基于HRRP序列目標(biāo)識別的研究大多是利用目標(biāo)的空時(shí)信息，文獻(xiàn)[5]利用RELAX算法提取HRRP特征，借助隱馬爾科夫鏈(HMM)分類器對多視角下的HRRP樣本作聯(lián)合識別；文獻(xiàn)[6]利用HMM模型鏈描述飛機(jī)方位角大范圍變化過程，也相當(dāng)于用順序多視角信息關(guān)聯(lián)識別一個(gè)飛機(jī)?，F(xiàn)有文獻(xiàn)中對多個(gè)姿態(tài)角下HRRP序列的識別問題研究較少。

不確定推理是指在前提知識不確定、不完全、會有例外發(fā)生甚至是各知識間有矛盾存在的情況下，依據(jù)某些合理性標(biāo)準(zhǔn)得到的結(jié)論[7]。利用HRRP幀關(guān)聯(lián)特性，引入不確定推理方法，可以充分利用HRRP信息，有效降低信息損失和噪聲干擾給識別帶來的影響，

提升識別精度和識別種類。本文基于概率推理理論，引入灰色關(guān)聯(lián)算子，提出了一種基于HRRP序列的雷達(dá)目標(biāo)識別方法。

1 MYCIN不確定性推理方法

1975年，醫(yī)療診斷專家系統(tǒng)(MYCIN)由Shortliffe和Buchanan 首度提出，引入非精確推理技術(shù)，在醫(yī)療診斷中獲得了較為成功的應(yīng)用。它是專家系統(tǒng)的經(jīng)典實(shí)現(xiàn)，近年來已廣泛應(yīng)用于信息融合決策領(lǐng)域[8-9]。

在雷達(dá)目標(biāo)識別中，由于受到目標(biāo)種類增加、目標(biāo)外形特征變化(如掛載彈藥)以及環(huán)境變化(如云層、地面物體等)的影響，識別結(jié)果具有一定的不確定性。而當(dāng)雷達(dá)鎖定目標(biāo)進(jìn)行連續(xù)跟蹤探測后，目標(biāo)對象具有唯一性，目標(biāo)姿態(tài)的變化具有連續(xù)性，無論采用何種算法，其識別結(jié)果都應(yīng)當(dāng)支持正確的結(jié)論。相比較于主觀貝葉斯概論推理方法，MYCIN模型對證據(jù)和假設(shè)可信度的賦值容易獲得，對證據(jù)和假設(shè)不確定性的融合方法也較為簡單。因此，建立基于MYCIN模型的HRRP序列識別專家系統(tǒng)，通過信息融合可望克服單幀HRRP算法的缺陷，獲得較為理想的識別結(jié)果。

在MYCIN模型中用信任度MB(h/e)和不信任度MD(h/e)來度量對證據(jù)和假設(shè)的信任程度[7]

(1)

(2)

式中：h表示假設(shè)隨機(jī)變量；e表示證據(jù)隨機(jī)變量；P(h)表示假設(shè)隨機(jī)變量h的先驗(yàn)概率；P(h/e)為證據(jù)e下假設(shè)隨機(jī)變量h的條件概率；符號“∨”和“∧”分別表示“或”運(yùn)算和“與”運(yùn)算。MB(h/e)反映了假設(shè)h在證據(jù)e下信任增加的程度，MD(h/e)反映了假設(shè)h在證據(jù)e下信任減少的程度，二者的取值范圍均為[0,1]，具有互斥性。

給定證據(jù)e下的不確定因子CF(h/e)定義為MB(h/e)和MD(h/e)的標(biāo)準(zhǔn)化差值[10]

CF(h/e)= MB(h/e)-MD(h/e)=

(3)

不確定因子CF(h/e)可以表征當(dāng)證據(jù)e為真時(shí)對假設(shè)h的信任度變化，其取值范圍為[-1,1]。CF(h/e)>0時(shí)說明假設(shè)h有較高的可信度，CF(h/e)=1表示在證據(jù)e下假設(shè)h為真(假設(shè)被確認(rèn))；CF(h/e)<0時(shí)假設(shè)h可信度較差，CF(h/e)=-1表示在證據(jù)e下假設(shè)h為假(假設(shè)被否認(rèn))；特別的，當(dāng)CF(h/e)=0時(shí)，表示證據(jù)e與假設(shè)h無關(guān)，也就是說在證據(jù)e下假設(shè)h完全不能確定。

(4)

即存在函數(shù)f：[-1,1]2→[-1,1]，使CF(h/e1,e2)=f[CF(h/e1),CF(h/e2)]，實(shí)現(xiàn)了信息融合和推理過程中證據(jù)與假設(shè)不確定性的有效組合和傳播。

2 基于不確定推理的HRRP序列識別算法

建立基于MYCIN模型的HRRP序列雷達(dá)目標(biāo)識別方法，需要從HRRP識別算法應(yīng)用特點(diǎn)出發(fā)，重點(diǎn)解決生成函數(shù)構(gòu)造、多證據(jù)推理擴(kuò)展和信任度計(jì)算等問題。

2.1 生成函數(shù)構(gòu)造與多證據(jù)推廣

假設(shè)函數(shù)F：[0,∞)→[-1,1]，滿足：

(1)F(0)=-1，F(xiàn)(∞)=1,F(x)是單調(diào)增的；

則稱F為生成函數(shù)。若存在二元函數(shù)f滿足F(x·y)=f(F(x), F(y))，則生成函數(shù)F是可以合成的生成函數(shù)[7]。

(5)

(6)

2.2 利用灰色關(guān)聯(lián)算子構(gòu)造不確定因子

假設(shè)目標(biāo)模板庫中共有m個(gè)目標(biāo)，每個(gè)目標(biāo)相當(dāng)于決策過程中的一個(gè)決策方案，對第i個(gè)決策方案的假設(shè)記為：hi,i=1,2,…,m；每一次的單個(gè)待識別樣本作為一個(gè)證據(jù)ej,j=1,2,…,n，借助HRRP目標(biāo)識別的經(jīng)典方法——最大相關(guān)系數(shù)模板匹配法[11]獲得單個(gè)待識別樣本屬于目標(biāo)模板庫中每一種目標(biāo)類型的概率(即：待識別樣本相對于某目標(biāo)類型的隸屬度ρij)，作為MYCIN模型中給定證據(jù)ej下對假設(shè)hi的信任程度的增量MB(hi/ej)。該方法屬于基于統(tǒng)計(jì)模型目標(biāo)識別的范疇，顯然，對于任意的證據(jù)e有MB(hi/ej)。由于信任度MB(h/e)和不信任度MD(h/e)之間需要滿足互斥性，當(dāng)MB(h/e)>0時(shí)，MD(h/e)=0。根據(jù)式(3)，不確定因子CF′(hi/ej)=MB(hi/ej)。

考慮證據(jù)ej不確定為真的情況，在對證據(jù)進(jìn)行合成推理時(shí)，需要求取證據(jù)自身的可信度。根據(jù)決策理論，在評價(jià)環(huán)境一定的情況下，如果相對于其他的評價(jià)指標(biāo)，某評價(jià)指標(biāo)信息與指標(biāo)體系的平均信息匹配度越高，或者在各個(gè)決策方案下該指標(biāo)信息分布越集中，說明該評價(jià)指標(biāo)越有利于決策，或者說該指標(biāo)信息的可信度越高。文獻(xiàn)[12]依據(jù)大量實(shí)例研究了ShanNon信息熵算子、KulBack相對信息熵算子、不確信L-算子、灰關(guān)聯(lián)算子以及模糊算子五種不確信度的提取方法，指出ShanNon信息熵算子適合于信息完備的情況，而當(dāng)方案比較多的時(shí)候，KulBack相對信息熵算子和模糊算子會“淡化”個(gè)體信息。結(jié)合基于HRRP序列目標(biāo)識別的實(shí)際情況，選擇如式(7)所示的灰關(guān)聯(lián)算子[12]來計(jì)算證據(jù)ej自身的q階的可信度p(ej)(q=2時(shí)對應(yīng)于歐式距離)。

(7)

其中，rij為灰色均值關(guān)聯(lián)度

i=1,2,…,m; j=1,2,…,n

式中：ζ為分辨系數(shù)，ζ越小分辨率越大，一般令ζ=0.5；X={xij}m×n是一個(gè)m×n維的評價(jià)指標(biāo)數(shù)據(jù)矩陣，在基于HRRP序列的目標(biāo)識別中把單次HRRP樣本的識別結(jié)果作為評價(jià)指標(biāo)，即：xij=ρij。

根據(jù)上述分析，定義證據(jù)ej不確定為真的情況下，不確定因子CF(hi/ej)為

CF(hi/ej)=CF(ej/hi)p(ej)

(8)

2.3 算法步驟

假設(shè)算法中所使用的訓(xùn)練樣本和測試樣本都已經(jīng)進(jìn)行過平移匹配和強(qiáng)度歸一化處理，則基于不確定推理的HRRP序列識別方法步驟為：

步驟1：設(shè)定序列長度n；

步驟2：根據(jù)3.1介紹的方法構(gòu)造MYCIN模型的不確定因子矩陣CF={CF(hi/ej))m×n；

步驟3：利用式(6)所示的證據(jù)合成公式實(shí)現(xiàn)證據(jù)的信息融合，得到融合后n個(gè)證據(jù)下的可信度向量記作：F={CF(hi/e1,e2,…,en)}m×1；

綜上可以看出，算法首先利用單幀HRRP目標(biāo)識別算法獲得該次探測樣本屬于某類目標(biāo)的概率；然后，通過灰色關(guān)聯(lián)算子獲得當(dāng)前決策對正確結(jié)論的支持程度，實(shí)現(xiàn)信息融合；最后，通過MYCIN不確定推理模型獲得最終的決策結(jié)論。

3 仿真結(jié)果與分析

仿真實(shí)驗(yàn)將借助J8II、F16、M2000、Su27和J6五種戰(zhàn)斗機(jī)全姿態(tài)角轉(zhuǎn)臺數(shù)據(jù)來研究論文所提出的HRRP序列識別算法的可行性、收斂性以及全方位角下的目標(biāo)識別效果。實(shí)驗(yàn)中最大相關(guān)系數(shù)模板匹配法中每種飛機(jī)等間隔選取900個(gè)訓(xùn)練樣本和1 800個(gè)測試樣本。所選訓(xùn)練和測試數(shù)據(jù)中，目標(biāo)的姿態(tài)角為0°～180°，每幅HRRP包含128個(gè)距離單元。

3.1 可行性分析

第2節(jié)中給出了基于MYCIN不確定因子概率推理方法應(yīng)用于HRRP序列的理論推導(dǎo)，這里將從實(shí)驗(yàn)的角度進(jìn)一步驗(yàn)證其可行性。表1給出了J8II飛機(jī)在某方位角范圍內(nèi)(共五個(gè)測試樣本，每個(gè)測試樣本間的方位角間隔為0.1°)單個(gè)待識別樣本相對于目標(biāo)模板庫中每一種目標(biāo)類型的隸屬度及判決結(jié)果。

表1 J8II飛機(jī)在某方位角范圍內(nèi)單次HRRP樣本識別結(jié)果

從表1可以看出在五次識別中只有兩次被正確識別，出現(xiàn)了三次誤判情況，其中，測試樣本2和樣本3次均被誤判為M2000目標(biāo)，樣本4被誤判為F16目標(biāo)，而且樣本2的識別結(jié)果中待識別樣本屬于誤判目標(biāo)的隸屬度高達(dá)0.935 6。如果利用舉手表決的方法判決多次識別的結(jié)果，序列長度分別取n=2,3,4,5，由于舉手表決只利用了單次識別中的判決結(jié)果，沒有利用單次識別的隸屬度信息，當(dāng)n=3、4時(shí)會把待識別目標(biāo)誤判為M2000，而n=2、5時(shí)則會出現(xiàn)無法判決的情況。

把每一列的單次識別結(jié)果作為一個(gè)證據(jù)，分別取序列長度n=2,3,4,5時(shí)，利用MYCIN不確定因子概率推理方法對表1的數(shù)據(jù)進(jìn)行信息融合，信息融合后的隸屬度及判決結(jié)果如表2所示。由表2可以看出用于融合算法充分利用了單次識別的隸屬度信息，四次信息融合均得到了正確的識別結(jié)果，驗(yàn)證了基于MYCIN不確定因子概率推理方法應(yīng)用于HRRP序列識別的可行性。

表2 不同序列長度下對表1中識別結(jié)果的信息融合

3.2 算法性能分析

為了說明本文所提出的信息融合的雷達(dá)HRRP目標(biāo)識別方法的識別性能，表3給出了五種飛機(jī)目標(biāo)分別在三種識別方法下的識別結(jié)果(%)：方法1投票法，實(shí)驗(yàn)中設(shè)置投票表決的人數(shù)為3，對最大相關(guān)系數(shù)模板匹配法(MCC-TMM)的單次識別結(jié)果進(jìn)行投票表決。方法2為多幀平均一維像識別，仿真中將連續(xù)三幀HRRP的平均距離像作為測試數(shù)據(jù)，MCC-TMM作為識別算法的分類器。方法3為本文提出的基于灰色關(guān)聯(lián)和不確定推理的目標(biāo)識別方法，把MCC-TMM算法的單次識別結(jié)果作為一個(gè)證據(jù)，序列長度N=3。

表3 3種方法的識別結(jié)果比較 %

J8IIF16M2000Su27J6平均識別率投票法59.2358.4574.2579.4254.7865.23多幀平均一維像識別80.0581.0790.4790.4582.0384.81本文識別算法83.5083.1793.3392.3386.3387.73

由識別結(jié)果可以看出：投票法只利用了單次識別中的判決結(jié)果，沒有利用單次識別的隸屬度信息，因此識別率較低；多幀平均一維像識別，將連續(xù)幀HRRP的平均距離像作為測試數(shù)據(jù)有效抑制了單幀HRRP中的交叉項(xiàng)，增強(qiáng)了主散射點(diǎn)信息，平均識別率有所提高；本文提出的融合算法充分利用了單次識別的隸屬度信息，平均識別率和單個(gè)飛機(jī)的識別率都明顯優(yōu)于前兩種算法。

3.3 抗噪性能分析

為了分析序列識別算法的抗噪性能，在對單個(gè)HRRP樣本識別時(shí)利用HRRP目標(biāo)識別的經(jīng)典方法，即最大相關(guān)系數(shù)模板匹配法分別對五類飛機(jī)在信噪比分別為SNR=5,10,15,20,25和30 dB時(shí)的加噪數(shù)據(jù)進(jìn)行目標(biāo)識別(仿真實(shí)驗(yàn)中訓(xùn)練數(shù)據(jù)采用純凈的未加噪數(shù)據(jù)，測試數(shù)據(jù)為加噪數(shù)據(jù)，所加噪聲為高斯白噪聲)；然后分別取序列長度n=1.5、10、15、20、25、30，利用本文提出的信息融合算法對單個(gè)樣本的識別隸屬度進(jìn)行信息融合，識別結(jié)果如圖1所示。最大相關(guān)系數(shù)模板匹配法雖然單個(gè)樣本的識別率不高，但算法具有計(jì)算復(fù)雜度低，大信噪比的情況下對高斯白噪聲的抗噪性能較好等優(yōu)點(diǎn)。從圖中可以看出：在仿真實(shí)驗(yàn)中的各個(gè)信噪比下隨著序列長度的增加，五類目標(biāo)的平均識別率均呈現(xiàn)上升趨勢，并且序列長度較小時(shí)的增長速度較快；信噪比較大時(shí)，各信噪比下的識別結(jié)果相差很小，隨著序列長度的增加可以取得較好的識別效果。

圖1 不同信噪比下識別率隨序列長度增加的變化情況

分析圖中的數(shù)據(jù)可知：在仿真實(shí)驗(yàn)中設(shè)定的6種信噪比下，序列長度 從1增加到5時(shí)， 五類飛機(jī)目標(biāo)的平均識別率最多增加了9.85%( 5 dB時(shí))，最少增加了7.64%( 25 dB時(shí))，平均增加了8.35%；當(dāng)序列長度n=5時(shí)，較低信噪比下( 5 dB時(shí))5類目標(biāo)的平均識別率也達(dá)到了83.94%。進(jìn)一步說明在噪聲環(huán)境下本文提出的基于序列的HRRP目標(biāo)識別方法可以取得較好的識別效果。

4 結(jié)束語

雷達(dá)高分辨距離像(HRRP)包含了豐富的目標(biāo)結(jié)構(gòu)信息，在雷達(dá)目標(biāo)識別領(lǐng)域有良好的應(yīng)用前景。然而，由于HRRP的信息有損壓縮特性，基于單次HRRP樣本的識別算法難以避免地存在識別率低、穩(wěn)健性不好的問題。本文借助MYCIN不確定性推理模型提出了基于HRRP序列進(jìn)行雷達(dá)目標(biāo)識別的方法，算法通過證據(jù)累加和信息融合提高了識別率，保證了識別結(jié)果的穩(wěn)健性，并且具有對單幀識別算法的準(zhǔn)確度和抗干擾能力要求較為寬松的特點(diǎn)。因此，可以利用較為經(jīng)典的模板匹配法進(jìn)行單幀識別，實(shí)現(xiàn)了識別精度和算法復(fù)雜度的均衡，具有較強(qiáng)的工程實(shí)現(xiàn)價(jià)值。

[1] 孫 俊，陳亞偉，李崇誼，謝蘇道.基于雷達(dá)寬窄帶多特征信息融合的空中目標(biāo)識別[J]. 現(xiàn)代雷達(dá)，2015，37(7): 15-19. SUN Jun, CHEN Yawei, LI Chongyi. Fusion recognition of air target based on DS evidence theory with wideband and narrowband characteristics[J]. Modern Radar, 2015, 37(7): 15-19.

[2] 肇 格, 胡杰民, 張 軍. 中段目標(biāo)高分辨距離像姿態(tài)的敏感性分析[J]. 無線電工程, 2012, 42(7): 20-22. ZHAO Ge, HU Jiemin, ZHANG Jun. Gesture sensitivity analysis for high range resolution profile of midcourse target[J]. Radio Engineering, 2012, 42(7): 20-22.

[3] 吳 杰, 周建江, 朱劼昊. 基于非參數(shù)最大間隔準(zhǔn)則的雷達(dá)目標(biāo)識別方法[J]. 控制與決策, 2011, 26(12): 1835-1839(+1845). WU Jie, ZHOU Jianjiang, ZHU Jiehao. Radar target recognition method based on nonparametric maximum margin criterion[J]. Control and Decision, 2011, 26(12): 1835-1839(+1845).

[4] ZHOU D Y, SHEN X F, YANG W L. Radar target recognition based on fuzzy optimal transformation using high-resolution range profile[J]. Pattern Recognition Letters, 2013,34(3): 256-264.

[5] LIAO Xuejun, PAUL RUNKLE, LAWRENCE CARIN. Identification of ground targets from sequential high-range-resolution radar signatures[J]. IEEE Transactions on Aerospace and Electronic Systems, 2002,38(4): 1230-1242.

[6] 裴炳南, 保 錚. 基于目標(biāo)散射中心和HMM分類的多視角雷達(dá)目標(biāo)識別方法[J]. 電子學(xué)報(bào)，2003，31(5)：786-789. PEI Bingnan, BAO Zheng. Multi 2 aspect radar target recognition method based on scattering centers and HMMs classifiers[J]. Acta Electronica Sinica, 2003，31(5)：786-789.

[7] 張文修, 梁 怡, 徐 萍．基于包含度的不確定推理[M]．北京：清華大學(xué)出版社，2007: 121-126． ZHANG Wenxiu, LING Yi, XU Ping. Uncertainty reasoning based on inclusion degree[M]. Beijing: Tsinghua University Press, 2007: 121-126.

[8] WANG H Q, CHEN P. Intelligent diagnosis method for rolling element bearing faults using possibility theory and neural network[J]. Computers & Industrial Engineering, 2011, 60(4): 511-518．

[9] CHEN W B, LIU X L, LIU Y J, et al. A machine learning algorithm for expert system based on MYCIN model[C]// International Conference on Computer Engineering and Technology. [S.l.]: IEEE Press, 2010: 262-265．

[10] 鐘 文. 不確定推理在多源信息融合中的若干應(yīng)用研究[D]. 南京：南京理工大學(xué)，2002． ZHONG Wen. Studies on the methods and application of multi-sources information fusion in uncertain reasoning[D]. Nanjing: Nanjing University of Science & Technology, 2002.

[11] 杜 蘭. 雷達(dá)高分辨距離像目標(biāo)識別方法研究[D]. 西安：西安電子科技大學(xué)，2007：38-41. DU Lan. Study on radar HRRP target recognition[D]. Xi′an: Xidian University, 2007: 38-41.

[12] 眭 凌，羅本成，邵東國．基于D-S證據(jù)推理的項(xiàng)目投資綜合決策模型與應(yīng)用[J]．系統(tǒng)工程，2002, 20(1): 71-76． SUI Ling, LUO Bencheng, SHAO Dongguo. D-S based investment decision model and its application[J]. Systems Engineering, 2002, 20(1): 71-76.

吳 杰 女，1977年生，博士，副教授。研究方向?yàn)橥ㄐ判盘柼幚?、雷達(dá)目標(biāo)識別。

楊 娟 女，1976年生，博士，副教授。研究方向?yàn)殡S機(jī)信號的統(tǒng)計(jì)分形特性。

周建江 男，1962年生，教授，博導(dǎo)。研究方向?yàn)槔走_(dá)目標(biāo)特性分析與特征控制。

A HRRP Target Recognition Method Based on Grey Incidence and Uncertainty Reasoning

WU Jie1a，YANG Juan1b，ZHOU Jianjiang2

(1a. College of Network and Communication Engineering;b. College of Electronics and Information Engineering, Jinling Institute of Technology, Nanjing 211169, China) (2. College of Electronics and Information Engineering,Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China)

Due to the inherent information lossy compression of HRRP(high-resolution range profile), the methods using signal frame HRRP have some defects that the recognition rate of classical methods is low and the complexity of improved algorithm is higher generally. To achieve steadier and more reliable recognition result, a radar target recognition algorithm is proposed based on HRRP's sequence in the thesis. In this method, grey incidence operator is introduced into the probability-reasoning theory, and the calculation method of uncertain factor is given. Simulation results based on a HRRP dataset of five aircraft models demonstrate that compared with recognition algorithms with a single sample, the proposed algorithm has good prospects for engineering applications with higher recognition rate, better stability, and stronger anti-interference.

radar; automatic target recognition; high-resolution range profile; grey incidence operator；sequence recognition

10.16592/ j.cnki.1004-7859.2016.12.010

國家自然科學(xué)基金資助項(xiàng)目(61302167)；金陵科技學(xué)院基金資助項(xiàng)目(jit-b-201231)

吳杰 Email：wujie@jit.edu.cn

2016-09-12

2016-11-16

TN957.51

A

1004-7859(2016)12-0051-05