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。     

舰载机-航母间径向距离的多普勒测量

通过对多普勒频移方程进行角度变换,并利用在下滑视角和坐标变量之间的对应关系导出了在三个站点的径向距离之间的递推关系.在此基础上,进一步利用固有的几何关系,即能由任一瞬间所测得的多普勒频移值,得到舰载机-航之间径向距离的解析解.随后进行的误差分析表明基于多普勒频移测距可以实现分米级的测量精度.     

基于极化神经网络的雷达舰船检测识别方法

相参雷达捕获的全极化海面目标距离-多普勒(RD)回波数据中，目标区域占比小、信噪比低，且海况环境与干扰种类多变，使得经典的深度神经网络在此种条件下检测识别精度较低。为此，本文提出了一种基于极化深度神经网络的全极化相参雷达海面目标检测识别算法。首先，引入极化特征提取模块挖掘目标与干扰的差异化特征;其次，通过特征金字塔网络解决小目标检测识别的问题;最后，使用级联结构进一步提升算法性能。在全极化相参雷达回波数据集上的测试结果表明:基于特征值与特征矢量的极化特征对于数据集中两类舰船目标的平均精度分别达到0.907 9与1.0，相比不采用极化特征有着显著提高。     

主动全向声纳浮标性能预测

主动声纳浮标适合探测安静型潜艇,预测主动声纳浮标的性能已成为航空反潜战的重要内容。文章首先简要分析了水声传播模型、海底和海面损失模型以及混响模型等声纳模型的优劣并进行合理选择；在此基础上,提出了一种主动全向声纳浮标性能预测系统的总体方案,并设计了相应软件；最后,针对不同的海洋环境进行仿真实验。该系统能预测主动声纳浮标在各传播方向、水平距离和深度的传播损失及检测概率,可以用于分析浮标性能的时空变化特性,为优化使用声纳浮标提供参考。