临近空间短波红外多光谱成像技术

伪装、隐身技术的发展,使传统的探测、侦察手段已难以适应要求.在临近空间平台上进行多光谱、高光谱对地探测,可以在敌方一定程度的伪装、隐身条件下完成对目标区域的成像侦察,有效地识别地面的各类伪装、空中隐身飞行器等军事目标.开展了临近空间机栽短波红外多光谱成像技术探索性研究,取得了初步成果.     

海洋目标探测卫星的通用效能模型初探

为有效构建海洋目标探测卫星体系，建立一套能对各类卫星的海洋目标探测效果进行分析与评估的通用效能模型非常重要。初步建立了以目标探测概率为度量的海洋目标探测卫星通用效能模型，可用于光学成像、雷达成像和电子侦察卫星等。模型考虑了影响目标探测概率的三类主要因素即观测区域与目标特性、卫星平台参数和卫星有效载荷特性，分析了卫星技术性能指标和作战性能指标的相互关系，可作为海洋目标探测卫星体系需求分析、顶层设计以及效能评估的依据。并以大型舰船为探测目标用仿真结果说明了模型的适用性。     

基于远程预警雷达的临近空间无源相干定位系统

针对空中高价值隐身目标的探测问题,研究了基于远程预警雷达的临近空间无源相干定位技术。对目标探测距离进行了简单分析计算,给出了系统工作信号处理流程,对其中的主要关键技术进行了梳理。该技术可应用于无线电静默状态下的非协同探测定位系统项目,通过与电子侦察系统多传感器融合可以进一步完善防空体系无源探测网,完成对侦察目标在电子静默情况下的态势判断。     

新一代航天侦察遥感设备：成像光谱仪

随着探测技术,信息记录技术,计算机技术,以及图像处理技术等现代科学技术的发展,一种新的航天侦察遥感技术设备——成像光谱仪,正跃跃欲试。 成像光谱技术是集成像技术与光谱技术于一体的一种新的综合性的探测技术,成像光谱仪是成像仪和光谱仪相结合的产物。然而,成像技术和光谱技术是两种性质和范筹不同的技术,成像仪和光谱仪是两种性质不同的遥感仪器。前者以获取目标物的空间影像为目的,后者则为了获得目标物体的物理特性。70年代     

高光谱遥感技术发展与展望

高光谱遥感技术是在成像光谱学基础上发展起来的一种遥感信息获取技术,因其高光谱分辨率及光谱和图像同时获取的能力,在大气探测、航天遥感、地球资源普查、军事侦察、环境监测、农业和海洋遥感等领域有着广泛和重要的应用。文章对高光谱遥感技术的发展概况进行了回顾,详细介绍了典型的高光谱遥感仪器的发展历程及其主要参数,对比了不同时期各个国家高光谱遥感载荷的性能特点,分析了中国高光谱遥感技术发展现状,并归纳了国际上未来高光谱遥感技术发展计划。文章结合当前信息时代的发展特点,对高光谱遥感技术未来发展进行了展望,指出了高光谱遥感技术探测波段进一步拓宽,时间、空间及光谱分辨率进一步提高,高光谱遥感技术种类进一步丰富,图像、光谱、偏振多元信息一体化获取,智能化、网络化以及小型轻量化的发展趋势,可为中国高光谱遥感技术的进一步成熟化和实用化提供参考。     

目标与背景的对比度分析及其应用

较深入地分析了目标与背景的对比度及其时间、空间和光谱特性,介绍了基于目标与背景的对比度的红外对抗和反对抗措施,如变频技术、变向技术、假目标等红外对抗措施以及太赫兹波探测、时间鉴别法和光谱鉴别法等红外反对抗措施.     

高轨目标监视系统星座设计和探测效能分析

针对高轨目标编目与成像的应用需求，提出一种运行于亚同步轨道、兼具对同步带目标远距离探测编目和近距离成像侦察的高轨天基星座。根据同步带目标探测编目要求，推导和分析了星座的轨道部署和光学相机扫描方式对目标探测效能的影响，确定了顺行轨道的双星星座可行解更多，综合探测效能更高。设计了一种符合顺光观测约束的姿态导引律，结合可行解中选取一组解进行仿真，结果表明：在夏至和秋分两种工况下，采用顺行轨道的双星星座，可对轨道倾角不大于相机半视场的所有同步带目标进行无缝遍历，且每天的探测次数不小于4次，观测弧长不小于1分钟，与理论推导一致。     

外辐射源探测系统关键技术研究

针对空中高价值目标的探测问题,给出了信号模型,并对外辐射源探测的关键技术进行了归纳.该研究可应用于无线电静默状态下的非协同探测定位系统,通过与电子侦察系统多传感器融合可进一步完善防空体系.     

空中隐身目标天基探测技术浅析

空中目标尤其是隐身目标，在局部战场发挥极其重要的作用，对此类目标的探测问题备受关注。天基探测具有"站得高，看得远"特点，对空中高速目标探测具有优势。本文基于空中典型隐身目标特性调研分析，结合天基探测特点，分析了天基探测的目标及背景特性，基于目标背景特性分析及空中目标探测任务特点，提出了天基采用红外点目标探测技术。针对强背景下的弱隐身目标探测难点，分析了天基探测的关键技术发展方向，分别是复杂背景抑制技术研究，高灵敏度探测技术研究以及加强目标背景耦合特性研究，为后续天基探测技术及探测系统论证研究提供参考。     

协同侦察系统增加猝发探测功能的定位技术

协同侦察系统增加猝发式有源探测功能,使系统既具隐蔽性又可精确定位,是一个值得研究的问题。分析对远距离目标的多平台协同侦察定位和单站猝发式有源定位的定位误差分布特点,提出了协同侦察增加猝发式有源探测的综合探测体制,描述了系统工作流程,给出了协同侦察增加猝发探测的最大似然定位算法,仿真分析了定位性能。仿真结果表明,多平台协同侦察系统有较高的切向定位精度,猝发式有源定位有较高的径向定位精度,综合定位能将二者定位性能进行优势互补,一定程度上提高定位精度。     

电子侦察卫星反电子干扰措施分析

由于电子侦察卫星侦察的特殊性,针对其侦察特点,衍生了很多以削弱电子侦察卫星侦察效能为目的的卫星电子干扰。文章针对卫星电子侦察存在的弱点,分析了提高卫星侦察截获辐射源信号的功率措施,星载设备完全截获辐射源信号的测量条件措施,卫星完全截获到辐射源信号后的分析,以及对可能受到的反电子假目标干扰而提出的对抗措施,最终目的就是为了有效提高卫星侦察效能。     

高光谱图像全局异常检测RFS-SVDD算法

针对SVDD用于高光谱图像全局异常检测时存在虚警率高的问题,提出RFS-SVDD算 法。RFS-SVDD将空间相邻且光谱相似的像元分为同一区域,根据区域大小将图像在空间上分 成潜在异常区域与背景区域,用背景区域中所有子区域的平均光谱RFS作为SVDD训练样本求 取支持向量。RFS是每个子区域中像元光谱的统计结果且不包含奇异像元,可以避免奇异像 元光谱和图像随机噪声对背景建模的影响。对HYMAP和AVIRIS图像数据的仿真结果表明：RFS -SVDD算法能抑制异常目标像元光谱和图像随机噪声对背景建模的干扰,降低SVDD用于高光 谱图像全局异常检测的虚警率。
     

基于增量学习的高光谱图像目标检测

高光谱图像目标检测是高光谱图像分析中的重要研究内容之一。本文从经典有效的约束能量最小化算法出发,提出了一种基于增量学习的高光谱目标检测方法。当获得新的样本时,不需要重新计算所有样本的自相关矩阵即可对检测器模型进行更新,减轻了星上有限计算资源的负担。实验结果表明:本文提出的目标检测算法在压制背景光谱的同时可以更好地适应目标光谱,提高了算法的检测性能。     

美俄空间目标监视现状与发展研究

空间对抗能力的主要标志是空间监视和预警能力、空间部署能力和空间攻防能力.探讨了空间目标面临的主要问题,介绍了美俄两国空间侦察监视技术的发展现状,指出美国正在大力扩展其空间目标监视能力.空间目标监视将在空间对抗中起着越来越关键的作用.     

基于证据理论的雷达与通信侦察目标识别算法

针对异类被动传感器中的目标识别问题,将D-S证据理论运用于雷达侦察与通信侦察的目标识别中。首先将雷达和通信侦察设备侦收到的信息分别通过识别,得到雷达和通信电台的基本概率赋值,再通过D-S证据理论算法进行融合,计算出目标平台的基本概率赋值,从而得到融合后的平台类型。仿真实验结果表明,融合后的结果具有更高的置信度。     

电子侦察卫星的情报侦察能力分析

电子侦察卫星作为现代战争中情报侦察的重要手段之一,发挥着越来越重要的作用。首先概述了电子侦察卫星的工作过程,构建了电子侦察卫星的侦察模型,采用数据仿真的方法,从瞬时侦察覆盖范围、侦察覆盖区域、飞行周期、重复侦察周期、侦察有效时间等方面对电子侦察卫星的情报侦察能力进行分析,分析结果可为电子侦察卫星的作战使用研究提供一定的理论依据。     

珠海一号高光谱影像云检测算法

珠海一号高光谱卫星具有高空间、高光谱、高时间分辨率等特点，有效推动了高光谱遥感数据在农林环境、自然资源探测等领域的广泛应用，其中高精准的云检测是遥感数据预处理的关键步骤。如何对高光谱图像有效特征提取并克服传统云检测方法特征复杂、算法参数多、计算量大、鲁棒性差等缺陷，是高光谱云检测研究的关键问题。为此，提出了一种多尺度特征融合的U型结构网络，模型首先利用残差模块进行特征编码，并将编码进行多尺度融合，在网络的跳跃连接处引入了坐标注意力机制提取有用信息，最后通过残差解码得到输出结果。实验前首先利用主成分分析降维，将高光谱数据重构为4维影像数据，然后通过数据标注与数据增强，建立珠海一号高光谱影像云检测数据集。采用了38-Cloud云数据集训练初始网络参数，随后利用构建的数据集进行迁移学习。实验结果表明，对于所建立的珠海一号高光谱云检测数据集，所提方法的像素准确率达到92.28%，可以实现高精度的高光谱遥感影像云检测。     

KDTGAN：基于Transformer-GAN和知识蒸馏的高光谱目标检测

高光谱目标检测在地球观测中至关重要,被广泛应用于军事和民用领域。然而,由于高光谱图像的背景复杂性和目标样本的有限性,该任务面临较大的挑战。本文首先采用CEM（约束能量最小化）粗检测方法提取背景数据。随之,引入了一种新的知识蒸馏模型,即KDTGAN（通过Transformer-GAN实现）。教师模型的生成器采用了Transformer编码器的结构,并结合多尺度数据融合的方法,能够准确地学习背景分布,进而通过重构背景信息实现目标检测。为了克服GAN（生成对抗网络）训练不稳定的挑战,特别是纯背景数据的稀缺性,本文提出了一种新的损失算法,以减小可疑目标样本对模型性能的负面影响。为了降低模型的计算负担,本文引入知识蒸馏,并设计新的蒸馏损失对学生模型加以约束,使模型轻量化的同时提高学生模型检测精度。实验结果表明：KDTGAN相较于当前检测方法表现更优,具有更高的检测精度和鲁棒性。