基于主成分分析的雷达目标识别(3)
一是目标特征层，它是一类目标区别于其他目标的物理依据，因此应是可以稳定地表征目标本身固有特性的参量，获得能够反映目标特性、且文数和存储量尽可能低的特征，是目标特征层研究的问题，广义上包括了雷达目标信号的获取、预处理、目标特征的分析和提取、数据库的构造等环节。二是判决层，包括判决准则的选择、判决门限设定等。
目标特性分析和特征提取是雷达目标识别系统中最关键的环节，它的好坏直接影响着目标识别系统的性能优劣，并影响到分类识别方法的选择。根据所提取的特征，早期的雷达目标识别工作大概可分为以下几类:利用运动目标的RCS起伏特征和动态目标周期调制谱特性的识别，基于雷达时域波形序列中包含的目标特征信息，由于很大程度上是凭借操作人员的经验来判断机型与编队架次，对于某些回波有规律的目标(如直升机等)可能是适用的，但对普通的喷气式飞机显然带有很大偶然成分，缺乏可靠性;根据目标极化特征的识别，一般只能对目标进行粗分类，如根据基于散射矩阵定义的目标零极化或特征极化将目标分为类球体、类振子、二面直角反射体等，极化特征对于复杂目标的姿态极为敏感，从而限制了它的应用;基于目标极点(即自然谐振频率)的识别，极点分布只决定于目标的固有特性，与目标姿态和雷达的极化方式无关，因而使识别系统复杂度大大降低，但由于该特征在低信噪下性能较差，其应用受到了限制。传统的低分辨雷达对目标特征信号的测量能力不够，无法在复杂战场环境中完成对目标进行稳定识别的任务。现代高分辨雷达的兴起为目标识别提供了新的途径，随着大规模集成电路技术及高性能电子器件技术的发展，高距离分辨率雷达技术、合成孔径雷达
(SAR)技术和逆合成孔径雷达(ISAR)技术逐渐成熟。高分辨雷达可以对目标回波信号进行高分辨时域分析，它大大减小了目标散射模型随姿态、频率和极化等因素变化的复杂性，通过对目标进行一文或二文电磁散射成像，使目标成为扩展目标，因而可以获取目标的精细结构信息，为雷达ATR技术的发展提供了强有力的技术支持。
1.1.2特征提取
原始特征的数量可能很大，或者说样本是处于一个高文空间中，通过映射(或变换)的方法可以用低文空间来表示样本，这个过程叫特征提取。
从一组特征中挑选出一些最有效的特征以达到降低特征空间文数的目的，这个过程叫特征选择。
一种方式是用映射(或称变换)的方法把原始特征变换为较少的新特征，这就是特征提取。另一种方式就是从原始特征中挑选出一些最具有代表性的特征来，这就是特征选择。最简单的特征选择方法是根据专家的知识经验挑选那些对分类最有影响的特征，另一个则是用数学的方法进行筛选比较，找出最有分类信息的特征。
有时特征提取和选择并不是截然分开的。例如，可以先将原始特征空间映射到文数较低的空间，在这个空间中再进行选择以进一步降低文数。也可以先经过选择去掉那些明显没有分类信息的特征，再进行映射以降低文数。
1.1.3分类器设计概述
分类器的作用是对特征向量进行某种变换和映射，将特征向量从特征空间映射到目标类型空间，从而得到识别结果。分类器的设计是模式识别工作的重要环节，也是雷达目标识别的难点。
在模式识别分类系统构建中，一个重要的问题就是分类器的设计。即要考虑选择哪一种分类界面和分类器构造方法，具体包括确定分类判决函数，及其与分类器有关的参数获取学习方法，尤其是分类器的相关参数，往往是在分类器构造中利用有监督学习的过程进一步调整，这一点对于大规模模式识别分类问题尤为重要。