田西兰,郭法滨,赵洪立

(1.中国电子科技集团公司第三十八研究所,安徽合肥230088;2.孔径阵列与空间探测安徽省重点实验室,安徽合肥230088)

0 引言

弹道导弹因射程长、威力大、精度高和生存能力强等优势成为现代战争的一把利剑。对应地,弹道导弹攻防之间的博弈便决定了导弹防御系统存在非合作性强、决策时间短、监督式资源急缺等问题[1]。因助推段难以发现、再入段反应时间短等问题,弹道导弹目标识别问题往往集中在中段进行[2]。作为典型的高超声速目标,宽带识别方法因运动补偿困难、成像质量不佳等挑战,现役装备中应用相对较少,因此,本文致力于解决窄带中段弹道导弹反导识别问题,弹道目标为非合作的敌对目标,识别对象的目标特征数据事先很难被防御方获取,因此利用传统的监督式设计方法很难达到满意的识别结果。随着机器学习在各领域的广泛应用,利用先进的机器学习算法进行目标特征学习与分类识别器设计正成为雷达目标识别领域的研究热点。半监督学习算法利用少量的标定样本与大量的未标定样本进行样本空间搜索,所获取的半监督分类器能够实现对大规模真值未知数据的合理利用,进而在一定程度上缩减因非合作性强而导致的目标识别系统长研发周期[3]。本文针对反导目标识别中非合作性强、先验数据分布知识急缺的问题,设计了一种自动调整假设模型的半监督分类器。数据分析结果表明,该分类算法能明显缩减窄带弹道目标头体分辨识别任务中所需的标定样本的规模。……