李 龙， 刘 峥

(西安电子科技大学 雷达信号处理国家重点实验室，陕西 西安 710071)

雷达高分辨一维距离像(High Range Resolution Profile，HRRP)可有效应用在雷达目标识别中，基于HRRP的雷达目标识别一般由训练阶段与测试阶段组成[1]．为提高目标识别系统的总体性能，其中需要重点解决如下3个问题：应用于训练的目标HRRP样本通常在高信噪比条件下获得的，但是针对测试数据，由于在实际中测试目标的非合作性，且实际的目标环境通常存在噪声干扰，所以理想的高信噪比(Signal-to-Noise Ratio，SNR)条件无法保证;在保证HRRP识别噪声稳健性的基础上，提高特征向量的可分性可以有效地减少目标识别系统中分类器的计算复杂度，提高目标识别系统的总体性能与效率；在完成高可分性与噪声稳健的特征提取的基础上，对分类超平面的准确获得，也是HRRP目标识别中需要解决的关键问题之一．在实际应用中，最典型的HRRP目标识别方法为快速傅里叶逆变换模板匹配方法(Inverse Fast Fourier Transform Template Matching Method，IFFT-TMM)[2]与稀疏表示分类(Sparse Representation Classification，SRC)方法[3]．然而上述两种方法对噪声不稳健，在低SNR条件下目标HRRP识别性能大幅下降．为解决低SNR下的HRRP目标识别问题，文献[4]提出一种基于改进高斯模型的噪声稳健目标识别方法(Truncated Stick-Breaking Hidden Markov Model，TSB-HMM)．该方法基于时域特征截断Stick-Breaking过程的隐马尔可夫模型来实现对被噪声污染的目标HRRP样本的识别．文献[5]提出一种噪声稳健的多任务学习因子分析方法(noise-robust MultiTask Learning based on Factor Analysis model，noise-robust MTL-FA)，该方法通过对HRRP的FFT复幅度的提取作为特征向量进行识别．此外，文献[6]提出一种基于Hausdorff距离的正交匹配追踪……