雷达目标识别：核最优变换与聚类中心算法

"这篇文章是2008年发表在《控制与决策》期刊第23卷第7期的一篇自然科学论文，由赵峰、张军英和刘敬合作完成，主要探讨了基于核最优变换与聚类中心的雷达目标识别技术。" 本文针对雷达一维高分辨距离像识别的问题，提出了一种创新的鉴别特征提取方法，即核最优变换与聚类中心算法（Kernel Optimal Transformation and Cluster Centers，简称KOT-CC）。在雷达目标识别领域，有效地提取特征至关重要，因为这些特征有助于区分不同的雷达目标。传统的特征提取方法可能对非线性关系处理不足，而本文引入的核化原理能够解决这一问题。 核最优变换是一种将原始数据非线性映射到高维核空间的技术，它利用核函数将数据点之间的相似度转化为内积操作，使得在原始空间中难以进行的线性分析在核空间中变得可能。结合聚类中心算法，该方法能够在核空间中找到最具代表性的聚类中心，这些中心可以作为识别特征，帮助区分不同的雷达目标图像。 KOT-CC算法的一个关键优势在于其在核空间执行最优变换和聚类中心计算，这使得能够提取出稳健且具有非线性的鉴别特征。同时，为了提高计算效率，文章还提出了一种基于训练样本在核空间张成子空间的一组基的快速计算方法。这种方法优化了特征提取过程，使得算法在保持识别效果的同时，运行速度得到提升。 通过微波暗室的实测数据实验，KOT-CC算法的有效性和实用性得到了验证。实验结果证明，该方法对于雷达一维高分辨距离像的识别具有较高的准确性和鲁棒性，特别是在处理复杂或非线性目标特征时，显示出优于传统方法的性能。 这篇论文为雷达目标识别提供了一个强大的工具，利用核最优变换与聚类中心算法，能够在非线性环境中有效提取特征，对于提升雷达系统的自动目标识别能力具有重要意义。这种方法不仅适用于学术研究，也对实际的雷达系统设计和改进有着直接的应用价值。