基于相对马氏距离的非均匀杂波抑制方法

由于天基雷达覆盖范围广、探测背景复杂，雷达回波会呈现出明显的非均匀特性，从而导致杂波协方差矩阵（clutter covariance matrix, CCM）估计与实际情况出现偏差，从而恶化天基雷达对空中动目标的检测性能。针对上述问题，提出了一种基于相对马氏距离的非均匀样本抑制方法，该方法首先计算所有样本的广义内积（generalized inner product, GIP），在此基础上选取一个合适的样本作为参考。通过比较场景中所有样本与参考样本的马氏距离，将相对马氏距离大于判定门限的样本作为非均匀样本剔除。用筛选后的样本进行杂波协方差矩阵估计，从而提高天基雷达在复杂环境下对空中动目标的检测性能。理论分析和实测数据结果表明，所提算法能够在非均匀环境下有效检测出空中动目标。     

空间变化场景下卫星部组件域适应识别研究

针对小样本限制下卫星部组件识别域适应困难的问题,提出一种变化场景下自适应迁移的目标识别算法.卫星部组件的识别模型框架为YOLO,迁移算法包括3个策略:基于特征关联性的样本加权策略,基于模型的参数自适应策略和最优特征变换自适应迁移策略.基于以上策略,YOLO模型建立域特征空间的相似性,选择性地迁移源域知识,同时在适应过程...     

基于极化神经网络的雷达舰船检测识别方法

相参雷达捕获的全极化海面目标距离-多普勒(RD)回波数据中，目标区域占比小、信噪比低，且海况环境与干扰种类多变，使得经典的深度神经网络在此种条件下检测识别精度较低。为此，本文提出了一种基于极化深度神经网络的全极化相参雷达海面目标检测识别算法。首先，引入极化特征提取模块挖掘目标与干扰的差异化特征;其次，通过特征金字塔网络解决小目标检测识别的问题;最后，使用级联结构进一步提升算法性能。在全极化相参雷达回波数据集上的测试结果表明:基于特征值与特征矢量的极化特征对于数据集中两类舰船目标的平均精度分别达到0.907 9与1.0，相比不采用极化特征有着显著提高。     

基于复数域拓扑描述的航迹对准关联算法

研究了在组网雷达存在系统误差情况下的目标航迹关联问题,提出了一种基于复数域拓扑描述的系统误差配准前目标航迹对准关联算法。该算法通过构建粗关联波门来对目标航迹进行试验关联,以此建立航迹对准关联信息矩阵,并在对该矩阵进行合理拆分的基础上获得可行对准关联矩阵集合;由于目标航迹间的相对拓扑关系不受量测系统误差影响,算法可用来描述复数域中目标航迹的拓扑关系,并以此计算各可行对准关联矩阵的可行度,从而获得最终航迹对准关联关系。蒙特卡罗仿真结果说明,算法不依赖于估计雷达量测系统误差,实现了误差配准前的航迹准确关联,能够为后端的系统误差配准提供可靠的关联航迹数据。     

基于域适应Faster RCNN的复杂背景目标检测

本文提出的算法实现了对复杂多变环境下目标的稳定识别,通过改进模型训练算法,有效提升了深度学习模型对不同环境条件下的目标检测准确率。同时,本文在网络域适应部分设计了类别平衡多分类判别器算法应对多种环境条件下收集样本难易度不同的问题;在RPN网络分类器及输出分类器中引入Focal Loss算法,解决不同环境条件下目标检测难易度差别较大的问题;数据集制作过程中采用局部标注策略加以辅助。实验结果表明改进后的域适应Faster RCNN算法训练出的模型不仅增强了对复杂环境条件下目标检测的鲁棒性,还明显提升了对目标在不良环境条件下的检测准确率,这给遥感任务图像中复杂地理环境背景下的目标检测方法提供了一种新的思路。     

复杂电磁环境下组网雷达对隐身目标的跟踪研究

在复杂电磁环境背景下,研究了组网雷达基于粒子滤波算法对隐身目标的跟踪滤波问题,建立了雷达观测方程和隐身目标的多基地雷达截面积模型,分析了基于U PF的组网雷达目标跟踪滤波算法。利用计算机仿真验证了复杂电磁环境下组网雷达利用粒子滤波技术跟踪隐身目标的有效性,并对几种跟踪算法的效率进行了比较。     

基于泛化熵随机森林的雷达目标航迹起始方法

文章提出了一种基于泛化熵随机森林的雷达目标航迹起始方法,通过引入一种泛化熵可调参数,解决了传统随机森林算法对差异数据集泛化能力和适应性差且难以确定全局最优解的难题。首先利用雷达多周期回波数据构建随机森林算法决策模型,其次基于设计的泛化熵处理规则对实测数据进行分类处理得到所需测试样本,最后将测试样本输入完成模型训练的随机森林进行迭代寻优和自主决策以获取雷达目标的航迹起始结果。雷达实测数据验证表明,文章所提出的方法相比于传统随机森林方法具有更为优越的目标航迹起始性能。     

基于方位去斜的SAR/GMTI方法研究

具有同时获取静止场景高分辨率图像和检测慢速运动目标能力,是多通道SAR/GMTI雷达优于传统单通道SAR和预警雷达的重要特征之一.文章采用基于方位去斜SAR成像技术的三通道SAR/GMTI方法对地面运动目标进行检测、定位和测速,着重研究了一种结合相位补偿、图像配准和多通道多像素自适应处理的杂波抑制方法.分别在有无配准误差情况下,对比了自适应处理与直接对消方法的杂波抑制效果,说明了多消一的自适应处理针对配准误差具有更好的稳健性.最后利用对三通道SAR/GMTI系统实测数据的处理,验证了所述方法流程的可行性.     

基于全脉冲的周期信号样本提取技术

现代电子战中,传统的辐射源分选识别方法无法在密集的信号环境中快速有效地对复杂体制雷达进行分选识别,造成系统漏警。基于上述情况,提出了一种基于脉冲样本序列自提取的分选算法。这种算法利用雷达信号脉冲序列的周期性和相关性,实现对模板序列的自动提取,从而可实现全脉冲序列中小样本数或脉间规律复杂的雷达信号的分选。仿真实验表明,在全脉冲数据量级适中的情况下,该算法可以有效提取目标模板序列。     

令牌环网总线在雷达信号处理器中的实现

雷达信号模拟主要是对雷达目标和环境回波信号的模拟.雷达信号处理器可用于产生雷达回波模拟信号,以达到真实复现雷达目标回波和环境回波的目的.针对雷达信号高速实时处理的要求,提出了基于LVDS的令牌环网总线设计,阐述了其原理及设计实现,硬件电路测试结果表明:数据通过背板总线可实现高速传输且确保系统具有较高可靠性.     

用自适应INS、单脉冲MUSIC和STAR（AIMS）进行目标瞄准

利用目标信号估计目标角度会受到主波束干扰的影响，解决该问题的一个办法就是综合多个传感器的数据。自适应单脉冲多信号分类（MUSIC）算法可以在干扰中区辨出目标方位角估值和俯仰角估或真实频谱。但在进行目标识别和分类时，仅依靠这种算法不能得到理想的误差概率。通过综合综合导航系统（INS）和单脉冲雷达的方位与俯仰信号，能提高精确检测目标位置的概率。设计AIMS算的目的是进行目标瞄准，并综合自适应INS系统、四孔径单脉冲雷达和空时自适应信号处理器的信号。自适应INS系统不断测量地基目标的位置变化；四孔径单脉冲雷达用MUSIC算法自适应地降低主波束干扰，实现可靠的角度估计；空时自适应处理机（STAP）则将目标从杂波中分离出来。结果表明，AIMS算法有效地综合了传感器数据。并提出了识别正确目标信息的效率。     

SAR图像强回波目标检测的偏态分布方差方法

对复杂背景下的SAR图像强回波目标检测问题进行了研究,提出了基于偏态分布方差的自适应检测算法。首先设计一种新的基于偏态分布模型的方差滤波器,偏态分布方差滤波器可减少相干斑噪声对检测的不良影响,提高图像方差的差异性,即强目标回波边缘灰度方差相对于强目标回波灰度方差、背景杂波灰度方差更小。其次,算法改进了根据图像复杂度自动选取阈值方法,通过自适应检测小方差像素,实现强回波目标检测。仿真结果说明该算法能够对SAR图像强回波目标较快地进行准确检测。相比方差特征法(VAR)和扩展分形特征法(EF)在检测速度与虚警率方面均具有较大的优越性。     

基于实测数据的宽带雷达回波半实物仿真方法

自动目标识别技术的发展对雷达回波仿真的要求越来越高。分析了散射点回波叠加法和电磁散射建模回波生成法各自的优缺点,结合两种方法提出了基于实测数据的雷达回波半实物仿真方法。首先通过电磁散射建模预估目标的RCS信息,再从实测回波数据中提取目标的运动特征,从而仿真出雷达回波。该方法灵活性好、精度高、易于工程实现,仿真出的回波成像后具有较清晰的轮廓和明显的运动特征。     

弹道中段微动目标宽带回波模拟

弹道中段微动目标的回波中蕴含了目标的电磁特性和运动特性,为雷达目标识别提供了重要依据。本文研究了中段微动目标的宽带雷达回波模拟问题,提出了一种基于散射中心模型的回波模拟方法。通过对弹道中段目标的运动特性进行建模,分析了目标微动时各散射中心的位置变化规律,针对旋转对称体目标的外形特征,将目标的进动等效为二维平面内的转动,并基于物理光学法提出了一种计算散射中心遮挡效应的方法,解决了目标运动过程中姿态变化带来的遮挡问题。仿真实验与暗室测量数据的对比结果表明,所提方法可以有效模拟目标微动时各姿态的回波数据,为中段目标特征提取、目标识别提供了技术基础。     

开放世界下的雷达辐射源融合识别算法研究

针对开放世界下雷达辐射源目标库不完备的现状,对开放世界下雷达辐射源识别的信息融合模型进行了研究。建立了不同类型雷达特征参数的模糊隶属度函数,采用待测样本与模型样本匹配的方法生成广义概率指派函数,并采用修正的广义证据理论算法融合多参数信息获取识别结果。实验数据表明:该模型能在雷达辐射源目标库不完备的情况下,识别已知目标和判别未知目标,判别结果相对基于经典D-S证据理论和原始广义证据理论的融合识别方法更加可靠、有效,在雷达识别的场景中具有潜在应用价值。     

认知结构模型机动目标跟踪算法

针对复杂战场中环境特性复杂以及目标机动性能提升所带来的跟踪难题，提出一种基于人类认知机制的机动目标自适应跟踪算法。算法将人类“记忆”机制引入机动模型构建，利用神经网络对目标特征参数进行离线学习并存储，指导机动模型参数实时调整，使模型对运动状态的描述更加合理。为进一步提高跟踪性能，基于人类认知“感知-行动”循环理论，将雷达接收端经数据处理后的目标状态估计信息反馈至雷达发射端，以最小感知信息熵为代价函数，从波形库中自适应选择最佳波形来匹配目标。仿真对比实验表明，该算法对环境及目标的感知更加准确，融入波形选择的自适应目标跟踪算法要明显优于传统采用固定波形的跟踪算法。     

采用ISAR技术的MIMO雷达极坐标格式成像算法研究

对MIMO雷达的系统结构和它采用ISAR技术时的信号模型进行分析,以二次降维方式详细讨论了回波信号在波数域的分布特点,得出两条针对成像应用的MIMO雷达阵列设计准则。在此基础上,提出一种可有效聚焦的极坐标格式算法,经过对MIMO雷达回波数据逐次渐进降维重排,将其从四维转换到二维,然后通过距离向和方位向两次一维插值,把以极坐标格式记录的回波数据变换为直角坐标下均匀分布的数据。针对推导过程中因平面波假设引入的误差进行了分析,得到算法的适用条件。最后仿真验证了本文算法的有效性。     

高距离分辨像雷达目标识别

对雷达目标识别的要求是在不同的探测距离和不同的观测角下都能够达到很高的目标识别精度。雷达自身的特性及复杂背景的影响 ,使得基于距离像的雷达目标识别存在着一定的困难。由于非合作目标总是机动的 ,因而距离像也是非平移不变的 ,距离像在距离门中的位置是不确定的 ,存在不可预估的平移。同时 ,由于一维距离像某一分辨单元回波是该单元内所有散射点回波相干求和的结果 ,因而距离像的波形对目标姿态角的变化比较敏感。因此如何利用现代的信号处理技术和模式识别手段从距离像中进行可靠的特征提取和识别是至关重要的。就此对多种基于高距离分辨像的目标识别方法作了总结和回顾     

一种加速度干扰下的稳定被动定位跟踪算法

在研究一种具有误差自动解耦的观测域滤波的目标跟踪算法和自适应渐消EKF算法的基础上,提出一种匀速运动模型下,基于观测域的自适应目标跟踪算法。使用实测GPS导航数据进行数字仿真,结果表明：观测域的自适应目标跟踪算法在加速度扰动下,稳定性优于观测域滤波算法。     

基于数据扩充和特征增强的雷达回波无人机检测

针对基于雷达无人机目标识别难度高、精确度低、适应性差等问题，本文提出了利用深度学习的方法，对雷达回波进行无人机检测。首先，利用相参累积的方法生成雷达回波的距离-多普勒图像，增强目标特征并提高信噪比;其次，采用生成对抗模型对距离-多普勒图像进行数据扩充，以获得充足的图像数据减小网络的过拟合并提高网络鲁棒性;最后，使用基于位置感知的卷积神经网络增强特征，通过构建基于距离-多普勒图像的感知模块，实现对目标距离和运动速度的检测。通过在雷达回波序列中弱小飞机目标检测跟踪数据集上验证的结果表明:最终检测结果在召回率89%的情况下达到了91%的准确率。相比于基准方法，本文提出的方案具有更高的检测精度和更好的网络运行效率。