长时间积累下雷达高速目标检测算法综述

隐身技术与高速飞行器的发展给雷达探测目标带来了严峻挑战,而长时间积累技术就是在信号处理领域帮助雷达进行目标检测时提高信噪比的一种有效方法。对于高速高机动目标而言,信号在长时间累积中会在距离域和多普勒域引起跨距离单元走动和跨多普勒单元走动问题。“两跨”问题会严重影响积累增益,传统的MTD（Moving Target Detection,运动目标检测）方法已经无法对信号进行能量累积。为了解决“两跨”问题,提高雷达对高速目标的探测性能,近些年已涌现很多方法,本文将依据目标运动模型把长时间积累下分为径向匀速运动下的长时间积累、径向加速运动下的长时间积累、径向高阶复杂运动下的长时间积累三类进行分析,对相应模型下的“两跨”问题与解决方法进行综述和总结,意在为后续研究提供参考。     

基于OARO-GRU网络的高频地波雷达电离层杂波短期预测

电离层杂波的精确预测对提升高频地波雷达的目标探测性能具有重要推动作用。为此，提出了一种基于改进人工兔子算法优化门控循环单元 （Opposite Artificial Rabbits Optimization optimized Gated Recurrent Unit， OARO-GRU）网络的电离层杂波短期预测模型。首先，依据高频地波雷达接收到的电离层杂波具有混沌特性这一先验知识，通过相空间重构技术构造GRU网络的输入和输出样本集；然后，融入反向学习和柯西变异两种改进策略用于改善标准ARO的寻优能力，并将其用于执行GRU网络的包含隐层节点个数、初始学习速率和最大迭代次数在内的三个超参数值的优选；最后，重新训练优化后的GRU网络，输入测试样本集进行测试，并依据给定的评价指标评估模型。实测结果表明：相较于其他7种对照模型，所提出的OARO-GRU网络预测模型在预测精度和可靠性上均具有明显的优越性，为有效改善高频地波雷达的目标探测性能提供了一种新的思路与方法。