基于多通道天线高分辨率星载SAR 实现方法研究

对基于多通道天线实现高分辨率星载SAR的方法进行了深入研究,建立了三通道天线SAR的回波信号模型,提出了一种回波处理方式,将单发三收模式下的回波数据转变为传统的单发单收模式下的回波数据,可用常规条带式成像方法进行成像处理.对采用多通道天线实现高分辨率星载SAR涉及到的脉冲重复频率PRF偏离问题进行了深入分析和研究,推导出PRF偏离造成的虚假目标的理论位置和虚假目标与真实目标的峰值功率比值,计算机仿真试验证明了上述内容的有效性.      

基于极限学习机的修正当前统计模型跟踪算法

针对当前统计(Current Statistical,CS)模型由于先验知识的缺乏和其结构特点导致的跟踪精度降低的问题,通过使用极限学习机(Extreme Learning Machine,ELM)并根据目标历史状态信息,实时估计并修正CS模型的加速度估计值,提出了基于ELM的修正CS模型跟踪算法.ELM的训练结果表明...     

基于目标一维距离像的雷达目标识别方法

讨论了马氏距离的性质,利用目标的一维距离像,提出了一种雷达目标识别方法.对雷达回波进行快速傅立叶变换,得到目标的一维距离像,计算其马氏距离,得到目标的稳定特征向量,根据相关算法进行目标识别.三种不同类型飞机回波的实测数据的识别结果,表明该方法是切实可行的.     

灵巧手主从操作中的人手运动跟踪与识别

在灵巧手主从抓持规划系统中,一项重要的研究内容是获取人手的运动信息.利用计算机双目立体视觉系统作为灵巧手主从操作的人机接口,研究人手指尖运动实时跟踪和识别的方法,提出了一种人手指尖位置的动态识别算法及其实验系统.利用本实验系统,完成左右两像面4个目标点所用的最长识别时间为0.4ms,且人手在正常运动速度时,识别率达100%,表明本算法同时满足实时性和识别率的要求.      

基于数据压缩的多传感器多假设算法

为解决集中式多传感器系统中多目标跟踪问题,提出了一种新的多传感器多目标算法.提出的算法首先应用经典分配规则对每个传感器送来的观测数据进行排列组合,然后对每个组合中各量测点进行概率加权以获得一个等效量测点,最后根据每个等效量测点产生的互联假设计算其互联概率并获得融合中心的状态估计.给出了该算法与已有集中式多传感器联合概率数据互联算法的仿真比较,仿真结果表明该算法的跟踪性能在探测概率降低的跟踪环境下表现得更为优越.      

基于邻帧差分近邻反相特征的红外运动点目标检测算法

基于运动点目标在邻帧差分图像中所具有的近邻反相特征,即运动点目标的两个位置相邻近、灰度值一正一负,提出一种在复杂背景下,基于红外序列图像的运动点目标检测算法.本算法利用该特征在邻帧差分图像中检测反相点对,进而构造反相点对矢量图,最后依据累积反相点对矢量图中多矢量首位相接的连续性检测出运动的点目标.文中给出并证明应用本算法能以概率1检测到运动点目标的收敛性定理.对典型复杂背景下10幅1000帧图像的仿真结果表明,当信噪比大于或等于1.5时,可以有效检测出运动点目标.     

基于多级模糊综合评判的雷达网目标识别技术

由于目前的战场环境非常复杂,目标识别具有重要意义。有关雷达的基于模糊综合评判的目标识别技术目前研究比较多,通过类似的方法可以进一步进行雷达网的目标识别,即采取两个单级模糊综合评判方法进行雷达网的目标识别,但这种方法具有一定的弱点,文中根据雷达网探测目标的特点,提出了一种基于多级模糊综合评判的雷达网目标识别方法。对这种方法与雷达网基于两个单级模糊综合评判进行目标识别的方法进行了仿真比较,结果表明前者较之后者具有计算量小、识别精确、便于工程应用的特点。     

机载多传感器数据融合技术在空战中的应用

机载多传感器数据融合是一门新兴的信息处理技术,是继电子战之后又一技术制高点。它应用于空战各个环节,极大地提高了空战态势环境了解能力。本文对机载传感器数据融合的基本概念及其在空战中的应用进行介绍,对我国发展数据融合技术提出了建议。     

基于IMU的机载TOPSAR目标定位方法

Burst工作模式和方位波束的主动扫描使得TOPSAR工作模式能够有效削弱ScanSAR模式的扇贝效应,同时也导致图像方位向像素位置与回波脉冲的关系变得复杂,给目标定位带来了很多问题。惯性测量单元(IMU)数据记录延时也会导致方位向定位误差存在,精确估计这个误差能够大大提高目标的方位向定位精度。从TOPSAR数据采集的几何关系和成像过程出发,结合机载IMU数据,提出了一种新的机载TOPSAR目标定位方法。该方法能够直接从TOPSAR斜距图像中获取目标的经纬度信息。通过实际飞行试验获取的机载TOPSAR数据验证了该方法的有效性,能够获取25 m的平均定位精度。     

面向再入目标跟踪的估计与辨识联合优化算法

准确的弹道系数辨识和精确的目标状态估计是再入目标高精度跟踪与高可靠识别的关键。一方面,状态估计的误差会造成模型参数(弹道系数)的辨识风险;另一方面,模型参数的辨识偏差又会导致模型失配从而降低目标状态的估计精度。因此,需要实现再入目标的状态估计和参数辨识的联合优化。针对再入目标弹道系数未知情形,提出了一种基于期望最大化(EM)框架并采用粒子滤波(PF)平滑器实现的PF-EM联合优化算法。在E步基于粒子平滑器得到目标状态的后验平滑估计,M步采用数值优化算法更新上一次迭代的弹道系数,通过E步和M步的不断迭代,以保证状态估计和弹道系数辨识的一致性。算法仿真对比表明:所提算法的状态估计和参数辨识精度均优于传统的状态增广算法。