为了减少气动目标识别微动特征集的冗余,进一步降低特征维度,引入随机森林对多维微动特征进行重要性评估。描述了随机森林算法及其工程实施流程,给出时域、频域及时频域等18维微动特征提取方法,用VHF波段实测数据对基于随机森林的特征重要性评估算法进行验证,并分析了特征选择对Fisher、支持向量机和决策树3种分类器的性能影响,以及雷达相参积累脉冲个数对于特征重要性评估的影响。对于Fisher和支持向量机来说,随着特征维数的增加,能够一定程度地提高分类准确率;而对于决策树来说,只有重要性评分较高的特征对分类准确率有贡献。

针对预警雷达对气动目标协同识别的需求,提出一种自适应权重双输入自注意力残差融合识别方法。通过分析不同波段雷达对气动目标的微动差异性,在传统卷积块注意力模块(convolutional block attention module,CBAM)残差网络的基础上进行针对性改进,设计加权双输入CBAM(weighted double input-CBAM,WDI-CBAM)残差结构,对两种波段的时频图浅层特征自动分配权重并融合,从而均衡不同波段对目标识别的贡献度。仿真和实测数据处理结果表明,WDI-CBAM残差网络训练代价小,在信噪比较低及驻留时间较短的情况下识别率高。可视化结果进一步证明了所提方法能够合理分配不同波段输入对气动目标分类的重要性。

预警雷达探测过程中气动目标微动回波能量弱导致识别性能不稳定。针对该问题,提出一种基于稀疏约束非负矩阵分解(sparse constrained non-negative matrix factorization,SCNMF)和集成极限学习机(integrated extreme learning machine,IELM)的多频点调制谱融合增强识别方法。通过分析微动部件回波特性,对多频点频域幅度谱进行SCNMF处理实现像素级融合得到特征增强后的稀疏调制谱,并将其作为样本输入IELM,实现气动目标类型识别。仿真和实测数据表明,本文方法能够有效融合多频点微动特征,具有抗噪能力强、所需训练样本少和识别性能稳健等优势。