逆合成孔径雷达信号处理方法研究进展

在简要评述国内外现有的逆合成孔径雷达（ISAR）信号处理的运动补偿和成象方法之后，介绍了南京航空航天大学ISAR课题组近年来在ISAR信号处理方法研究中取得的主要进展，包括基于多散射点定位观点的雷达成象观测模型，基于最大似然原理的同时运动补偿和成象方法，基于最大似然原理的多目标成象方法和基于时频分析的多目标成象方法，以及超分辩成象方法，文末指出了在ISAR信号处理方面有待进一步研究的问题。     

微小卫星雷达隐身性能的在轨逆合成孔径雷达成像验证

成像雷达是空间目标监视系统中的重要组成部分.为深入评估某微小卫星的隐身性能,对卫星的逆合成孔径雷达(ISAR)成像效果进行预测,从雷达成像角度评估卫星的隐身效果.首先简述用于空间目标成像的ISAR成像的基本原理.然后构造卫星的散射点模型,散射系数采用微波暗室的实际测量值.依据仿真雷达系统参数和卫星实际在轨运行参数,计算卫星ISAR成像所需成像时间.对卫星3种飞行姿态,即卫星顶部指向地球表面的隐身姿态、卫星顶部与飞行方向一致和卫星底部指向地球表面两种非隐身姿态,以及不同信噪比情况,进行ISAR仿真,详细分析每种情况下的运动补偿效果和最终ISAR成像效果,说明了卫星隐身设计的有效性.     

一种改进的逆合成孔径雷达运动补偿法

运动补偿是逆合成孔径雷达成象处理的关键，它包括距离对准和相位补偿两个环节，现有的ＩＳＡＲ运动补偿方法都是将距离对准和相位补偿分开进行的，本文在ＩＳＡＲ距离对准频域法的基础上，提出了一种同时距离对准和相位补偿的ＩＳＡＲ运动补偿法，与其他方法相化，它能简化运动补偿环节，减少运动补偿计算量，文中证明所采用的相位补偿法与多普勒中心跟踪法是等效的，ＩＳＡＲ外场实测数据和微波暗室数据的运动补偿和成象结果验证了     

基于神经网络的机器姿态逆解

首次实现自组织神经网络求解机器人姿态逆解，突破了文献局限于研究益逆解的状况，应用本文创新的自组织神经网络训练方法机器人运动学特性，建立了工业机器人姿态逆解的神经网络方法，对ＰＵＭＡ５６０机器人的计算机仿真结果表明，该方法姿态控制精度高。     

基于函数链神经网络的深度分类器

目前的宽度学习系统（Broad learning system,BLS）通过所建立的一系列映射节点和增强节点来形成联合节点。因为联合节点与输出层的线性连接,网络权值可以用求解伪逆的方法快速求得,避免了耗时的训练过程,从而成为快速而高效的学习方法。然而在追求高精度结果的过程中,BLS对于增强节点数量的需求过于巨大,容易造成过拟合问题。为此,本文提出了基于函数链神经网络（Functional-link neural network,FLNN）的深度分类器（FLNN based deep classifier,FLNNDC）,旨在提供一种更加简单却又不失精度的BLS变体结构。FLNNDC将几个轻量级的BLS子系统堆积成栈式结构,每一个轻量级的BLS子系统随机选择一部分映射节点生成增强节点,而不是全部映射节点。和原宽度结构相比,在几个主流数据集上的实验结果表明本文所提出的FLNNDC分类器具有网络结构更小且学习速度更快的优势。     

基于神经网络的机器人姿态逆解

首次实现自组织神经网络求解机器人姿态逆解，突破了文献局限于研究位置逆解的状况。应用本文创新的自组织神经网络训练方法，结合工业机器人运动学特性，建立了工业机器人姿态逆解的神经网络方法，对PUMA560机器人的计算机仿真结果表明，该方法姿态控制精度高。     

机载合成孔径雷达动目标检测与成像技术的发展(英文)

基于机载合成孔径雷达 (SAR)的地面运动目标检测与成像技术已经成为现代雷达技术发展的一个重点。本文首先建立了运动目标回波的数学模型 ,在此基础上分析了机载 SAR对运动目标成像的特点 ,然后对近年来这一技术的发展过程和研究现状进行了全面的综述 ,最后对这一领域今后的发展方向进行了展望。     

基于深度神经网络的流场时空重构方法

针对流场粒子图像测速实验中时间和空间高分辨率测量代价高的问题,研究了数据驱动的流场时空重构方法。为了对实验测得的低分辨率数据进行时空高分辨率重构,提出了一种基于深度神经网络的流场时空重构方法,并构建了一种基于卷积神经网络和长短时记忆神经网络的混合深度神经网络。该混合深度神经网络能够学习流场的时空演化特征,训练完成后可实现对实验数据的时空高分辨率重构。测试结果表明:只进行流场空间高分辨率重构时,重构出的流场与真实流场之间的均方根误差为0.0065左右,流场数据点数是原来的51倍;同时进行流场时间和空间高分辨率重构时,重构出的流场与真实流场之间的均方根误差可保持在0.065左右,流场时间维度的密度是原来的5倍,可极大提高实验效率,节约实验成本。     

真实数据SAR成像的实现

作者用SIR－C／X－SAR的X波段SAR的原始数据，实现了真实数据SAR的成像。本文给出了成像实现的完整过程、具体步骤以及各步骤间的关系，包括成像算法选择、距离向线性调频脉冲压缩、多普勒中心估计、多普勒频率变化率估计、方位向压缩处理、降低相干斑的多视处理以及改善图像层次的后处理等，对各步骤等进行了扼要叙述，并以框图的形式明确表示了成像几何参数、雷达系统参数、多普勒参数等与各步骤间的关系。此外还给出了部分主要中间结果与参数，以及最后的成像结果。     

基于多普勒频率反投影的NCW-SAR动目标成像方法

传统合成孔径雷达(Synthetic aperture radar,SAR)成像依赖大带宽发射信号,研究证明SAR也可利用窄带连续波形(Narrowband continuous wave,NCW)具有的高多普勒分辨率实现场景的高分辨成像。NCW-SAR成像的优势在于占有很少的频带资源、降低系统成本和规模,更适用于通常带宽较窄的利用外辐射源波形的无源SAR。文中首先指出NCW-SAR的应用前景,简要回顾窄带动目标成像的发展,并分析NCW-SAR成像技术的现状。然后给出通用的SAR回波模型,提出NCW-SAR动目标成像方法,实现静止场景中动目标的聚焦,获得目标的速度估计,并分析速度分辨率。实验验证了NCW-SAR动目标成像方法的有效性。     

基于深度卷积网络的海洋涡旋检测模型

传统的利用遥感数据检测涡旋的方法通常是基于物理参数、几何特征、手工特征或专家知识。本文重点研究了基于深度学习技术从海表面高度图中识别海洋涡旋的方法。针对海洋卫星拍摄的海洋表面高度图中的涡旋检测问题,提出了一种基于卷积神经网络的多涡旋检测模型,该模型能够准确提取涡旋的特征信息,拟合语义信息与海面高度之间的关系。同时,在用于涡旋检测的最新公开数据集SCSE-Eddy上进行模型训练,以评估基于人工智能的涡旋检测方法性能,该数据集涵盖了15年来位于中国南海及其东部部分海域的每日卫星遥感海表面高度数据。实验结果表明,与现有的方法相比,本文模型取得了更好的检测结果,能够更好地区分相距较近的涡旋。     

基于神经网络的非线性自适应输出反馈控制

针对能够采用仿射非线性表示的含有未建模动态的SISO非线性系统，讨论了一种基于神经网络的自适应控制方法，该方法对受控对象的已知部分，有用反馈线性化方法设计控制器，用神经网络在线补偿未建模动态及外部干扰等引起的误差，从而实现自适应控制。对具有未建模动态的双车倒立摆设计了输出反馈自适应控制系统，仿真表明该方法是有效的。     

Risk Index Prediction of Civil Aviation Based on Deep Neural Network

Safety is the foundation of sustainable development in civil aviation. Although catastrophic accidents are rare,indicators of potential incidents and unsafe events frequently materialize. Therefore,a history of unsafe data are considered in predicting safety risks. A deep learning method is adopted for extracting reactions in safety risks. The deep neural network(DNN)model for safety risk prediction is shown to extract complex data characteristics better than a shallow network model. Using extended unsafe data and monthly risk indices,hidden layers and iterations are determined. The effectiveness of DNN is also revealed in comparison with the traditional neural network. Through early risk detection using the method in the paper,airlines and the government can mitigate potential risk and take proactive measures to improve civil aviation safety.     

采用DSP实现的神经网络实时仿真系统

采用DSP设计完成了神经网络实时仿真系统，从神经网络协处理器的硬件结构，协处理器中的神经网络算法，神经网络协处理器及其宿主机间数值交换等方面系统地描述了该仿真系统，在神经网络在线算法的实现中，利用DSP能与其宿 主机实现并行工作的特点，采用DSP和计算机并行工作，在宿 主机中实现BP网络对受控对象的辩识，在神经网络处处理中完成模糊神经网络在线控制算法，从而加快了神经网络运算速度，使其能达到在线控制的要求，文末给出了一个直升机总矩通道在本仿真系统的仿真实例，说明了本系统的实用性。     

非线性系统的动态神经网络自适应辨识

提出了用双层动态神经网络在线辨识非线性动态系统的方法。神经网络的权重在线学习,不需要离线训练。在无逼近误差和扰动的理想情况下,所提出的在线算法能保证辨识误差趋于零,基函数持续激励条件能保证权重趋于零。在非理想情况下,权重调整律采用ｅ修正权重算法,它是ＢＰ算法的推广,不需要基函数的持续激励条件。基于李雅普诺夫稳定性理论保证了自适应辨识系统的稳定性。仿真算例说明了所提出的动态神经网络自适应辨识的有效性     

含腔复杂军事目标RCS综合计算方法

根据飞行器等含腔复杂军事目标 RCS计算的需要,改进了射线跟踪法,并针对不同高频算法的特点,将像素法、射线跟踪法和边缘等效电磁流法结合运用,不同类别散射中心采用不同的方法计算,然后将复数量叠加得出目标的RCS,并充分考虑算法的协调.结合算例对方法进行验证,并将结果与矩量法等精确算法计算得到的结果进行了对比验证;运用本文方法对美国暗星无人机RCS进行了计算和分析.