基于数据扩充和特征增强的雷达回波无人机检测

针对基于雷达无人机目标识别难度高、精确度低、适应性差等问题,本文提出了利用深度学习的方法,对雷达回波进行无人机检测。首先,利用相参累积的方法生成雷达回波的距离-多普勒图像,增强目标特征并提高信噪比;其次,采用生成对抗模型对距离-多普勒图像进行数据扩充,以获得充足的图像数据减小网络的过拟合并提高网络鲁棒性;最后,使用基于位置感知的卷积神经网络增强特征,通过构建基于距离-多普勒图像的感知模块,实现对目标距离和运动速度的检测。通过在雷达回波序列中弱小飞机目标检测跟踪数据集上验证的结果表明:最终检测结果在召回率89%的情况下达到了91%的准确率。相比于基准方法,本文提出的方案具有更高的检测精度和更好的网络运行效率。     

基于极化倾角稳定度的目标识别技术研究

本文提出了极化倾角稳定度的概念，并利用极化倾角稳定度建立了极化状态距离(PSD)参数模型。在此基础上，运用神经网络对选定目标进行分类和识别，取得了较好的结果。     

基于卷积神经网络的雷达辐射源稳健识别方法

针对低信噪比下,基于传统统计特征的雷达信号识别方法对复杂调制信号类型识别性能不高,因而处理复杂度高的问题,提出一种基于卷积神经网络的雷达辐射源信号稳健识别方法。该方法通过提取信号的瞬时相位特征,获得变换域的表征信号,将其作为卷积神经网络的输入,实现雷达辐射源信号的快速识别。针对瞬时相位特征对于信噪比敏感的特点,采用主成分分析方法对信号特征域进行降噪处理,提升模型对噪声的稳健性。通过仿真实验验证了所提出方法在不同信噪比下对7种调制信号类型的识别性能,通过理论分析及不同方法的实验对比,验证了算法具有耗时较短、识别准确率较高、噪声稳健性好等优势,具有良好的工程实用性。     

脉冲多普勒雷达的相干性识别方法

相干性 ,是脉冲多普勒 (PD)雷达的重要识别特征量之一。介绍了PD雷达相干性识别的几种方法 ,包括 :单信道识别、多信道识别、时域识别。对时 频分析算法和小波变换在相干识别中的具体应用进行了计算仿真 ,根据仿真的结果分析 ,比较了短时傅立叶变换、维格纳 维利分布和小波脊线算法的识别效果。     

基于舰船目标的极化SAR改进滤波算法研究

针对传统极化白化滤波(PWF)算法在处理极化SAR数据时的缺陷,提出一种改进的方法,该方法利用边缘模板检测和Freem an散射特性分解等技术对存在结构特征区域的图像采取特殊处理,提高了存在结构特征区域图像的滤波性能。实验证明,改进方法具有更强的自适应性,可有效降低相干斑噪声,特别是在边缘区域,能更好地保持舰船目标的结构信息。     

复合高斯杂波中距离分布目标的极化自适应检测

极化高分辨力雷达能够获取更丰富的目标特征信息,充分利用极化信息能够有效地提高检测和识别性能.本文基于广义似然比检验,提出了一种复合高斯杂波中距离分布目标的极化自适应检测器,推导了检测器的虚警概率表达式,理论分析表明其相对于杂波的协方差矩阵和纹理分量都具有恒虚警特性.利用仿真数据统计分析了该检测器的检测性能,仿真结果表明,在一般情况下当辅助数据较少时该检测器的检测性能优于其它同类检测器.     

基于最佳检测的雷达发射-接收极化联合优化方法

基于最佳检测准则,提出了一种新的雷达发射-接收极化联合优化方法。首先,建立了全极化雷达目标回波模型,设计了基于纽曼-皮尔逊(Neyman-Pearson)准则的雷达目标全极化检测算法,推导分析了检测性能;其次,提出了雷达发射-接收极化的联合优化方法,提高了雷达目标的检测性能;最后,仿真试验结果表明,本算法能够显著提高雷达目标的检测性能。     

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。     

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。     

基于改进YOLOv3的SAR舰船图像目标识别技术

合成孔径雷达(SAR)图像自动目标识别(ATR)技术是人工图像解译的关键技术之一。针对传统的SAR舰船目标检测算法大多受限于场景且泛化能力较差的问题,设计了一种基于改进YOLOv3网络的检测模型。将YOLOv3与DenseNet网络融合,使用稠密网络模块代替用于提取中小尺度特征的残差网络模块,通过训练得到模型的最优权重,实现端到端的目标检测。使用综合交并比(GIoU)损失代替交并比(IoU)边界框回归损失,提供更加准确的边界框位置信息,提高检测精度,采用中国科学院空天信息研究院制作的SAR图像船舶检测数据集进行测试。测试结果表明:与原YOLOv3算法相比,改进后的YOLOv3检测准确率提高了1.4%。     

基于YOLOV3的改进目标检测识别算法

经过近几十年不断的研究和发展,红外目标检测识别在侦察、导弹制导等领域取得了卓越的成就和广泛的应用,亦成为当今的热门话题。为进一步提高模型的检测识别性能,提出一种基于YOLOV3改进的目标检测识别算法。首先,通过分析红外目标的检测特性,改进了原始算法的特征提取网络,融合KL-LOSS,在原网络预测目标位置的基础上,进一步预测了位置的准确度标准差,并结合Soft-NMS算法用于改善网络的检测准确度;其次,针对红外目标相对三通道彩色图像的特征量少的问题,在检测层前融合了SKNET模块,使网络更加关注目标的有用特征;最后,给出改进网络训练的新的损失函数及前向传播算法流程。实验结果表明:改进的KS-YOLO网络在目标域(实拍空中红外目标数据集)上的平均AP性能值要优于原来的YOLOV3网络2.4个百分点,预测时间比YOLOV3实用性更好、更快。     

一种基于小波和人工神经网络的故障检测与诊断方法

提出了一种基于小波和人工神经网络的故障检测与诊断的方法，该方法利用小波包分解的精确细分的特点，分别对正常系统和故障系统的采样信号进行精确特征提取，并构造一系列基于信号能量且具有表征系统状态能力的特征向量，然后利用人工神经网络分类器对系统在各种状态下的特征向量进行分类决策，从而实现对系统的故障检测与诊断。     

基于混合神经网络的无线电信号自动调制识别

随着无线电信号数据海量增加,复杂电磁环境下面临着未知威胁和目标侦察识别复杂度高的问题,本文针对未知无线电信号的特征提取任务,设计了一种混合神经网络以提高目标无线电信号的识别能力。先通过胶囊神经网络对未知信号的空间信息进行提取,再进一步运用门控循环单元提取信号在时间上的特征信息。设计混合网络模型将信号的时间和空间特征相结合,提高对目标信号的分类精度。通过RML2016.04C调制信号数据集,验证了混合神经网络的识别性能。结果表明:当信噪比为6 dB时,混合网络模型对多种不同调制信号的分类精度大于95%。因此,本文所设计的混合神经网络能够有效对不同调制信号进行准确分类。     

基于ResNet的智能恒虚警目标检测方法

传统恒虚警检测方法通常假设待测单元的杂波与训练杂波满足独立同分布,然而在实际雷达工作环境中,强杂波呈现出非均匀特性,沿距离单元的杂波统计特性差异变化较大,使得传统恒虚警目标检测方法在复杂环境下的检测性能下降。为解决该问题,本文从杂波统计特征提取分类出发,通过深度学习方法对杂波进行分类,提出了一种基于残差神经网络(ResNet)的智能恒虚警目标检测方法。首先,根据雷达实测杂波数据建立ResNet的训练集和测试集;其次,构建ResNet对数据进行智能特征提取,得到杂波的统计特征,并用训练好的网络对测试集进行测试;最后,以阈值可设的Softmax分类器对所得统计特征进行分类,根据分类结果实现智能恒虚警目标检测。实验结果表明:相比传统恒虚警检测方法,本文提出的方法具有自适应能力更强、检测性能更好等优点。     

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。     

基于增程雷达一维像特征的高轨卫星识别方法

高轨卫星距离地球数万公里,雷达为了实现有效跟踪,通常使用增程技术。远距离使位置测量误差大到千米量级,增程导致数据率低到每帧以分钟计,雷达散射截面积(RCS)细节信息丢失,这给利用目标轨道和RCS进行目标分辨、识别带来困难。幸运的是高轨卫星目标相对观测视线位置和姿态稳定,天然消除了宽带一维像使用中方位敏感性的问题。本文通过一维像的尺寸、波形熵等特征,通过最小二乘支撑向量机,设计了高轨卫星目标的模板匹配算法,利用实测数据进行了识别验证,结果表明了方法的有效性。     

分布式天基雷达动目标检测性能分析

针对多部天基雷达采用分布式工作体制检测运动目标面临的杂波抑制困难问题,分析了沿航迹基线长度、有效基线长度、地面坡度、波束指向误差、图像配准误差、通道幅度和相位误差对杂波抑制和动目标检测性能的影响。仿真实验结果为以动目标检测为目的的卫星编队构形和雷达参数选择提供了一定依据。     

基于进化神经网络的组合导航系统滤波算法研究

组合导航系统中,卡尔曼滤波算法的估计特性依赖于精确的系统模型和准确的外观测数据.任何一个条件不满足将导致滤波精度下降甚至发散.为此,本文引入进化神经网络和自适应卡尔曼滤波技术.仿真结果证明,文中所提算法能够有效克服常规卡尔曼滤波的缺点,并保持较高的精度.     

基于频谱预处理的RS码盲检测识别方法

针对RS(Reed Solomon)码的盲检测与识别问题,提出了一种基于频谱预处理的检测方法。该方法利用RS码的频域特征,实现对RS码的盲检测与识别,针对高误码情况,对多组码字的频谱分量进行非线性变换和中值滤波,充分利用码字变换频谱的统计信息,使得检测算法可以适应较高的误码环境,同时给出了算法误码适应能力的理论上限。仿真实验表明,算法能够在较高误码率条件下实现对本原RS码的盲检测与识别,性能已接近算法误码适应能力的理论上限。