简介：特征提取是合成孔径雷达目标识别关键技术与核心任务。为了更好地提取目标特征，稀疏约束将被添加在非负矩阵分解法中，并应用于图像目标特征提取，通过利用稀疏约束的非负矩阵分解方法对sAR目标图像进行分解，构建具有稀疏性的目标特征矢量，提高了特征矢量的类内相似性与类间差异性。利用基于支持向量机的分类方法对MSTAR数据进行目标识别试验，试验结果表明，添加稀疏约束的NMF方法与PCA、ICA以及一般NMF特征提取方法相比，能够显著提高目标识别的稳定性和准确率。

简介：对于极化敏感L型阵列的多参数联合估计问题，采用传统的多重信号分类（MUSIC）算法所需计算量大，采用旋转不变子空间（ESPRIT）算法需要考虑参数配对问题。提出了模值约束下的求根多重信号分类（root-MUSIC）算法，首先利用L型阵列中两个相互垂直的线阵构造两子阵接收数据的自相关函数，采用root—MUSIC算法进行波达方向角（DOA）估计，然后根据模值约束条件构造代价函数，通过闭合式解得到极化参数估计。该算法与传统MUSIC算法相比，大大减少了计算量，同时能够实现参数自动配对，避免了ESPRIT算法的不足。计算机仿真结果表明，该算法的角度估计性能与传统MUSIC算法接近，优于ESPRIT算法，且算法收敛速度快。

简介：提出了一种基于线性约束最小方差波束形成（LCMV）的自适应方向图控制方法。该方法通过在原有线性约束基础上构造新的线性约束,然后根据新组成的线性约束进行LCMV自适应波束形成,所得到的自适应方向图在固定零点方向和干扰方向形成零陷的同时保留了期望静态方向图的副瓣电平特性,从而能够减小快变干扰的影响,并且计算十分简便。计算机仿真证明了本文方法的有效性。