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。     

基于循环神经网络的空中目标类型识别

为解决在空中目标类型识别过程中,目标特征单一导致识别准确率低的问题,提出一种将雷达信噪比与目标航迹特征相结合的基于循环神经网络(Recurrent Neural Network,RNN)的目标识别方法。该方法利用RNN模型在处理时序数据上的优势,挖掘雷达数据隐藏在时间层面的特征;扩展目标特征属性维度,利用智能化模型有效地将雷达信噪比与目标航迹特征相结合,提高目标识别的准确率。应用真实检飞数据,对该方法进行检验,并与传统方法进行对比分析。仿真结果表明,基于RNN的目标智能化识别方法具有更高的准确率。     

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。     

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。     

基于孪生支持向量机的无人机目标检测算法

无人机属于机动目标,有时会集群出现,这对传统的目标检测与跟踪技术提出了更高的要求。如何提升目标检测与跟踪算法的性能一直是研究人员密切关注的问题。针对传统目标检测算法在低信噪比下无人机检测性能不佳的问题,提出了一种基于孪生支持向量机的无人机目标检测方法。利用仿真软件对雷达探测到的无人机回波数据进行仿真建模,得到不同信噪比下的回波数据。在此基础上,对回波数据进行预处理形成无人机目标检测数据集,并使用数据集对检测方法进行训练与测试。然后与恒虚警检测算法和基于支持向量机的雷达目标检测算法进行性能对比分析。实验结果表明,该方法不仅能保证传统算法在高信噪比下优越的检测性能,与此同时在低信噪比下也能实现精准目标检测,缓解了传统检测方法在低信噪比时的检测精度下降的问题。     

基于场景驱动的雷达航迹模拟方法研究与影响因素分析

对空中目标环境进行多元化构建是雷达装备开展日常训练与试验的基础,但空中有效目标数量短缺、目标类型单一、训练效费比较高等依然是目前部队外场训练所面临的主要问题。通过分析新时期雷达装备军事训练的特点及需求,在外场实装训练场景下提出了一种可操作的、基于场景驱动的雷达航迹模拟方法,涵盖基础理论模型、航迹模拟方法等方面,并分析了航迹模拟误差的主要影响因素。最后结合实验对所提方法进行了验证,结果表明,该方法的航迹模拟效果良好,可为新型军事训练方法设计提供参考与建议。     

基于星历和回波的分布式卫星SAR系统沿航迹基线计算方法

针对分布式卫星SAR系统中混合基线和雷达斜视导致沿航迹基线难以精确计算的问题,提出了一种基于星历和回波数据的沿航迹基线计算方法。在将分布式卫星航迹补偿为平行航迹的基础上,建立了存在混合基线及雷达斜视条件下的观测几何模型,推导了沿航迹基线的计算公式。根据雷达回波数据估计多普勒中心频率,并由此得到计算沿航迹基线所需的斜视角。在空间基线较长、斜视角较大条件下,该方法相比近似计算方式而言,能获得高精度的沿航迹基线估计。仿真结果表明,用该方法计算得到的沿航迹基线长度作为测速定位的基线参数,可以获得高精度的动目标测速定位结果。
     

多普勒盲区条件下的改进粒子滤波跟踪算法

机载预警雷达采用脉冲多普勒体制,具有良好的低空探测性能,但其存在不可忽略的多普勒盲区问题。在目标跟踪的过程中,该盲区容易造成目标航迹中断和重起批。针对多普勒盲区条件下的目标连续跟踪问题,提出了一种基于多假设运动模型的改进粒子滤波跟踪方法。该方法根据多普勒盲区对目标状态的约束形成多个可能的运动模型,粒子在每个模型下再进行带有状态约束的更新,当新出现的量测值落入任何一个运动模型形成的粒子云内,则航迹关联成功。仿真结果表明,该算法在不同盲区范围条件下,针对不同机动能力的目标均具有较高的航迹关联率,能够实现目标的连续跟踪。     

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。     

基于贝叶斯方法的HPRF雷达跟踪解距离模糊方法(英文)

高脉冲重复频率(HPRF)雷达目标跟踪需要解决距离模糊问题。本文通过把脉冲间隔数和脉冲间隔变化量作为目标的离散状态,目标的距离和径向速度作为目标的连续状态,将HPRF雷达的跟踪和解距离模糊问题转换为贝叶斯框架下的混合估计问题并且利用粒子滤波方法实现。仿真结果表明本文方法在脉冲间隔数变化时仍可以正确地解距离模糊,并且跟踪精度比多假设方法高。