基于时频子空间的DOA估计

提出了一种基于时频子空间的到达角 (DOA)估计新方法。传统的子空间测向方法由于本身固有的原因 ,存在三个缺陷 :无法分辨到达角相近甚至重合的信号 ;信号个数必须小于阵元个数 ;对多个不同中心频率的窄带信号测角时 ,必须进行频域搜索。把时频分析用于阵列信号处理 ,利用信号的时频脊点构造空域时频分布矩阵 (STFD) ,以代替传统的阵列相关矩阵 ,同时可以确定信号的导向矢量。通过对STFD矩阵进行特征分解来估计出信号子空间和噪声子空间 ,从而估计出信号的到达角。克服了传统子空间测向方法的缺陷 ,提高了测向能力。最后对非平稳信号进行了仿真 ,证实了时频子空间测向的优越性。     

基于奇异值分解的双谱降维研究

在基于雷达高分辨距离像(HRRP)的目标识别中,双谱特征是一种有效的识别特征,但维数过高限制了它的应用。对双谱矩阵进行奇异值分解,提取奇异值向量以及大奇异值对应的奇异向量作为识别特征,与挑选双谱法相比,不仅识别率有所提高,而且克服了挑选双谱特征每有新目标加入都需重新挑选双谱频点的缺点,基于实测数据的识别结果验证了所提方法的有效性。     

基于卷积神经网络技术的直升机旋翼谱识别方法

针对直升机雷达回波在时频二维分布图上的分布特性,提出一种基于卷积神经网络技术的直升机旋翼谱识别方法,实现了直升机旋翼谱与其他类型目标的区分,从而有效识别直升机。当雷达工作在低重复频率(LPRF)时,直升机旋翼回波在时频分布图上呈现明显的扩展特征。通过仿真与实测数据分析,表明该特征与其他目标回波在频率维分布特性存在较大差异。利用卷积神经网络中的卷积核技术,将实测数据与卷积核矩阵进行二维卷积运算,依据输出矩阵实现了直升机旋翼谱的识别。利用实际采集的直升机回波数据进行验证,证明该方法是有效的,可应用于各种采用脉冲多普勒工作体制的雷达系统。     

低波段天基雷达射频干扰机理及抑制方法

天基合成孔径雷达(SAR)是一种重要的主动遥感设备,在测绘、目标警戒、资源探测等方面具有独特的全天时、全天候优势。但由于低波段电磁频谱异常拥挤复杂,也容易受到其他无线电设备的非蓄意射频干扰(RFI)。本文针对工作于P、L波段的天基SAR系统,分析其常见的地面射频干扰源及其干扰机理,并构建典型的窄带与宽带干扰模型,比较分析了频域陷波、最小均方(LMS)算法、自适应线谱增强(ALE)、特征子空间分解与时频滤波等多种干扰抑制算法,并在卫星实测数据的基础上进行仿真验证抑制宽带干扰的有效性。仿真结果表明:时频滤波算法抑制宽带干扰效果最好,造成的信号损失最小,能够为后续天基合成孔径雷达的抗干扰算法设计提供决策依据。     

基于NMF、ICA和复Contourlet变换的红外小目标检测

针对存在背景干扰和噪声情况下的红外弱小目标检测问题,提出了一种基于非负矩阵分解(NMF)、独立分量分析(ICA)和复Contourlet变换的检测方法。首先通过非负矩阵分解和独立分量分析分别抑制原始图像的背景,得到不同的小目标残差图像;接着采用复Contourlet变换对残差图像进行去噪;再对上述去噪后的小目标残差图像求和,得到了预处理图像;最后提出基于模糊灰度熵阈值选取方法分割预处理图像,从而实现了复杂背景下的红外弱小目标检测。针对红外小目标图像进行了大量实验,并与基于新型Top-hat变换、基于快速独立分量分析的目标检测方法进行了比较,结果表明所提出的方法抗噪性强,具有更为优越的检测性能。     

雷达寻的技术在远程精确制导导弹中的应用

论述了远程精确制导导弹末段雷达寻的装置的制约因素．分析了末段可机动最小距离、探测域、电磁静默、杂波和目标识别等的影响。在比较时域一维、频域一维、时频二维和合成孔径雷达(SAR)等高分辨处理的基础上．提出了高分辨探测的主要技术途径。最后给出了一个主被动复合寻的系统和SAR探测装置的工作模式。     

一种SAR运动目标时频检测方法

合成孔径雷达(SAR)主瓣杂波在时频平面中呈带状分布,散布宽度与雷达波束有关;目标距离向速度引起回波信号中心频率的偏移,当此速度较大时则导致目标在时频平面内偏出主瓣杂波散布范围;目标方位向速度引起它与杂波调频率的差异,当沿着动目标调频率方向进行相干积累时检测效果最佳,主、副瓣杂波得到一定的抑制,抑制效果还与雷达相干积累时间、目标方位向速度有关。针对动、静目标如此之不同,文章提出以动、静目标调频率、中心频率之间的差异为核心的杂波抑制方法,最后在低信杂比的条件下进行了SAR模拟场景仿真研究,在时频域实现杂波抑制和动目标信号的有效积累。     

基于时频原子方法的雷达辐射源个体识别

针对雷达辐射源个体识别问题,提出一种时频原子分解的特征提取方法.该方法针对主振放大式发射机,首先根据锁相环频率合成器相位噪声的功率谱,模拟含有特定相位噪声的辐射源信号.然后基于时频原子分解原理并采用膜算法将带有相位噪声的辐射源信号在正弦原子库中进行一次分解.最后利用分解后的原子提取出正弦原子能量特征和原子频率偏差特征,...     

基于目标分解和SVM的极化SAR图像分类方法

极化SAR图像分类是新体制雷达应用研究中的一类基础前沿问题。文章提出了一种基于目标分解及支持矢量机(Support Vector Machine,SVM)的极化SAR图像分类方法。首先根据Cloude分解和Freeman分解两种方法提取极化SAR图像的多类散射特征,从而构造出图像各像素的特征向量。接着利用样本区域像素的特征向量对SVM进行训练,获得经训练的SVM。最后,以各待分类像素的特征向量为输入,利用经训练的SVM即可完成极化SAR图像的分类。对两幅AIRSAR实测极化SAR图像数据分类的结果表明,文章方法能够有效地利用多类散射特征的互补信息,具有较高的分类精度。     

一种空间目标翻滚周期估计的新方法

针对传统自相关和频谱周期估计方法常会出现虚假周期,提出一种基于非参数检验经验模态分解的周期估计方法。首先对空间翻滚目标的RCS序列进行形态学闭运算提取趋势特征,然后对闭运算后的RCS序列进行经验模态分解,对分解得到的每个本征模态函数(IMF)进行谱分析得到其IMF周期,最后基于非参数检验理论,对每个IMF周期进行分组求秩检验得到目标的翻滚周期。仿真和实测试验结果表明,该方法不仅能够克服虚假周期的影响,而且能够明显改善对翻滚周期的估计精度。     

基于CS的SAR图像自动目标分割算法

图像目标分割是SAR图像目标超分辨处理和自动目标识别的重要步骤。针对图像固有的稀疏结构,提出了一种SAR图像自动目标分割算法。通过构造变换字典将SAR图像数据投影到高维空间,实现了图像局部特征的稀疏表示,然后利用随机矩阵获得稀疏域局部特征的压缩采样,并对多组采样数据运用Mean-shift 算法并行处理,最后通过符号检验法,实现了对目标像素与背景像素的分类。试验表明,该算法对硬目标具有较好的目标分割性能。     

构件裂纹缺陷的超声识别

将小波包多分辨率分析与能量谱相结合,提出了金属材料缺陷特征提取的方法(小波包子带能量比较法)及不同缺陷的识别方法(小波分形神经网络法)。选取最能反映缺陷特征的参数——"能量特征向量"作为特征参数,进行缺陷的特征提取。缺陷的识别方法将小波包分解后各子带系数的分形维数作为特征矢量,对其进行径向基神经网络训练,从而可很明显区分出有无裂纹以及不同裂纹信号。以航天发射塔架钢连接构件疲劳裂纹超声检测信号为例,使用所提出的特征提取和模式识别方法,结果表明是行之有效的新方法,为金属材料缺陷检测与识别开拓了新思路。     

基于YOLOv6框架实现典型通信信号调制快速识别方法

随着战场通信侦察对抗系统的快速发展,通信信号体制变得非常复杂,给非合作接收条件下的通信信号检测、调制识别及信号辐射源个体识别带来困难。为了全面掌握信号先验信息,对复杂多样的通信信号体制进行盲检与识别,本文提出基于时频图分析和深度神经网络的多种通信信号自动调制识别方法。首先,利用时频分析将不同典型通信信号转换为时频图像,再将标注后的时频图输入基于深度学习的YOLOv6（目标检测模型）网络中进行特征学习;然后,通过设计YOLOv6更高效的网络结构,使其能够对信号的时频图进行快速识别;最后,将训练后的网络权重对典型通信交叠信号进行测试,对提取的特征向量进行分类识别,完成6种调制方式识别与位置的快速确定,实现在非合作接收条件下的多个典型通信信号调制方式的检测和识别。     

基于G2DPCA的SAR目标特征提取与识别

给出了基于广义二维主分量分析（G2DPCA)的合成孔径雷达（SAR）图像目标特征提取 方法。与主分量分析（PCA）相比,在寻求最优投影方向时,它直接基于二维图像矩阵而不 是一维向量,在特征提取前不必将2维图像矩阵转换成1维向量。与二维主分量分析（2DPCA ）相比,它可以同时去除图像行和列像素间的相关性。基于美国运动和静止目标获取与识别 （MSTAR）计划录取的数据的实验结果表明,结合预处理,G2DPCA在大大降低了特征 维数的同时,又改善了识别性能,并且正确识别率在97％以上,且对目标方位变化具有较 好的鲁棒性。     

SAR图像目标峰值特征提取与方位角估计方法研究

目标峰值特征是SAR图像目标识别的重要特征之一。峰值特征提取是SAR图像目标识别的一个重要步骤，为了由SAR图像快速、精确地提取目标峰值特征．本文首先研究了SAR图像目标峰值特征提取方法，提出了一种“子像素”级精度的SAR图像目标峰值特征提取方法．并通过仿真实验分析了峰值位置、峰值幅度的估计精度。由于目标SAR图像或SAR图像特征矢量对目标方位角变化的敏感性，因此，为了提高SAR图像目标识别系统的分类效率，本文还研究了SAR图像目标方位角估计方法，提出了一种利用峰值特征基于线性回归的sAR目标方位角估计方法，和现有方法相比，该方法除了计算速度快，估计精度较高之外，还能在估计方位角的同时，给出该估计的置信区间，从而更好的满足SAR ATR的实际需要。文中通过对大量实测MSTAR SAR图像目标方位角的估计实验，验证了本文目标峰值特征提取及方位角估计方法的有效性。     

基于双谱特征的个体辐射源识别

针对个体辐射源识别困难的问题,提出了一种基于双谱分析的个体辐射源识别新方法.首先用双谱分析法提取信号的双谱对角切片,利用主成分分析法(PCA)从大量训练样本特征中挑选低维、低复杂度的特征矢量,并融合对分类具有显著贡献的辐射源属性参数作为识别特征矢量.最后采用势函数分类法实现雷达辐射源识别.仿真结果表明基于双谱的识别法能...     

基于极化时频分布的改进DOA估计算法

针对雷达回波信号波达方向估计精度差和时频分析方法运算量大的问题,以极化敏感阵列为模型,结合时频分析方法,充分利用回波信号的空域、时频域和极化域信息,对雷达回波信号进行更准确的估计,并简化其计算量。分析基于空间极化时频分布的多重信号分类(MUSIC)和旋转不变子空间(ESPRIT)算法,并结合两者的优缺点提出了一种改进算法。改进算法用极化时频ESPRIT算法对来波信号确定大致的方位角,以每个方位角为中心确定一个小角度范围,在此范围内用MUSIC算法进行谱峰搜索,得到较准确的波达方向(DOA)估计值,在确保DOA估计精度的基础上节省大部分运算时间。仿真试验验证了该改进算法的有效性。     

基于图像识别的机械振动信号特征提取与寿命预测方法研究

滚动轴承作为许多机械设备的关键组件,被广泛应用于机械制造、航空航天等领域,其健康状态直接影响了相应设备的剩余寿命,因此在设备故障预测与健康管理(Prognostics and Health Management, PHM)领域,滚动轴承寿命预测具有很高的研究价值。目前基于数据驱动的轴承寿命预测方法主要利用特征提取并构造健康因子(Health Indicator, HI),然而在这一过程中特征的选择与融合依然依赖于专家先验知识,并且健康因子也很难从复杂的时序数据中进行提取。因此,提出了一种新型的数据驱动寿命预测算法,在特征提取方面,通过连续小波变换(Continuous Wavelet Transform,CWT)将传感器振动信号转换为时频谱图,再通过深度残差网络(Deep residual network, ResNet)结合时空卷积网络(Temporal Convolutional Network, TCN)将时频谱图中的时域频域特征构造成为健康因子,最后完成剩余寿命预测。本研究在PRONOSTIA数据集上与现有的数据驱动算法进行了对比,证明了该算法可以更准确地完成剩余寿命预测。