多卜勒波束锐化运动补偿方法的研究

载机在空中的任何机动行为都会使多卜勒波束锐化(ＤＢＳ)性能下降,严重时甚至失效。针对ＤＢＳ工作特点,对所需的运动补偿方法,进行了深入的分析与研究,给出了运动补偿的一般方法,同时还提出了一种新的用载机在雷达视线(ＬＯＳ)上的投影速度来实时控制脉冲重复周期(ＰＲＦ)的相位补偿方法,并对该方法的精度及其对惯导系统(ＩＮＳ)的容差范围作了分析。最后给出了模拟结果。     

低散射等剖面机身影区后向绕射机理分析

阴影区的后向绕射是低散射截面飞行器和部件ＲＣＳ的主要贡献之一,有效地抑制它可以进一步地减缩ＲＣＳ。针对低散射等剖面机身,应用几何绕射理论和等效电磁流法,分析了阴影区的凸曲面爬行绕射和尖劈绕射机理,提出了阴影区后向绕射的ＲＣＳ计算方法,给出了计算实例。通过实验验证,表明提出的分析方法对一般低散射截面机身是有相当精度的。     

计算飞航导弹RCS的混合方法

本文提出了一种计算复杂形状物体RCS的算法。这个方法在应用物理光学原理求解散射场时,把散射体表面分割成许多小曲面元,用平面板块柔代替曲面元,求出板块元的散射场矢量之和作为物体散射场的近似值。由于求板块元散射场的积分运算转化成了代数运算,使这种方法具有运算速度快,应用灵活的特点。经与实际测量结果对比,计算结果是较为满意的。     

基于改进PSO-WNN的高频地波雷达 电离层杂波抑制方法

高频地波雷达的海上目标探测能力与电离层杂波的抑制效果息息相关,而电离层杂波的复杂性与变化多样性又为抑制带来了难题。为实现电离层杂波的抑制,分析了电离层杂波的混沌特性,在此基础上提出一种基于改进粒子群算法优化小波神经网络的抑制方法,解决了粒子群算法易早熟和易陷入局部最优的缺点;提出一种自适应概率变异的策略,丰富了种群多样性,使得整个迭代过程中粒子群能够跳出当前最优,寻得全局最优。实测实验表明,基于改进粒子群算法优化的小波神经网络（PSO-WNN）能够基本预测电离层杂波的数值,进行电离层杂波的抑制,有效改善了信噪比,对电离层杂波的抑制研究具有重要意义。     

Ku波段机载极化SAR数据定标

针对极化合成孔径雷达(SAR)数据采集过程中出现的通道串扰、通道不平衡问题,利用Ku波段机载全极化SAR数据进行定标试验研究。进行了极化通道间干涉相位去除,以及包含相位校正、串扰校正和通道不平衡校正的极化SAR定标处理。对三面角反射器后向散射的分析表明:经定标处理后,极化通道不平衡降至1 dB以内,通道串扰降至-17 dB以下,极化特征图与理想三面角更为接近。Freeman-Durden分解结果表明:经定标处理后,极化SAR数据能较为准确地反映地物主要散射机制信息。     

一种基于时间调制的弹性化SAR卫星系统

星载合成孔径雷达(SAR)系统能全天时、全天候观测,在地震、洪涝、台风等自然灾害监测中具有重要作用。双基、多基SAR卫星更具有极高的经济、科学、安全价值。然而,目前在轨的大型星载SAR卫星造价昂贵,且双基SAR卫星需数颗同等规模的卫星。双基SAR卫星系统存在星间同步链路,因此卫星可扩展性不强。提出了一种基于时间调制的低成本弹性化Ka波段调频连续波(FMCW)SAR小卫星星座系统。该系统基于一组独立、模块化的发射卫星和接收卫星。采用Ka FMCW SAR体制和时间调制天线(TMA)技术,可减轻接收星2/3以上的质量。该系统采用自主任务规划技术,具备多样化的工作模式,为单发多收、多发多收等应用需求提供了一种弹性化的解决方案。     

星载合成孔径雷达图像的飞机目标检测

针对大场景下星载合成孔径雷达(SAR)图像中飞机目标检测问题,提出一种端到端的飞机目标检测算法。先在大场景SAR图像中对机场目标进行粗检测,定位机场区域,再通过精确分割算法获得机场的精细区域。对机场区域中的飞机目标进行检测,采用一种基于Canny算子的边缘检测与卷积神经网络结合的飞机目标检测算法。通过飞机边缘检测、边界框预处理等操作确定潜在飞机目标在机场中的位置范围,采用基于GoogLeNet的卷积神经网络对可疑目标进行鉴别。利用星载合成孔径雷达数据对算法进行验证,证明该方法的有效性与实用性。     

基于稀疏空间谱估计的星载SAR DBF算法

针对星载合成孔径雷达(SAR)系统利用俯仰向数字波束形成(DBF)技术接收场景回波时受地形的影响,会出现波束指向偏差的问题,提出了基于稀疏空间谱估计的星载SAR数字波束形成方法。该方法将目标场景高程估计问题转换为波达方向估计问题,考虑到回波信号的稀疏性,进而等效为稀疏空间谱估计问题,然后利用凸优化方法求解得到目标波达方向。最后,仿真实验验证了该方法的有效性,结果表明该方法可以降低传统自适应方法受小样本和低信噪比影响的限制,实现复杂地形下的正确波束指向,保证回波信号的接收增益。     

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。     

基于深度学习算法的极化合成孔径雷达通用分类器设计

地物分类是PolSAR(极化合成孔径雷达)的重要应用方向。传统算法需要基于特定数据人工选取特征和设计分类器,而深度学习算法能够自行从海量数据中提取层次化特征。在深度学习算法总结的基础上,结合深度学习和PolSAR大数据,提出了一种高效率、高精度的通用分类器设计方法。使用人工标记的数据训练CNN(深度卷积网络),自动化地进行特征学习和提取,并实现高精度的地物自动分类。在具有不同分辨率的机载和星载PolSAR数据上对通用分类器进行测试,都能快速、准确地分类。研究成果可快速将PolSAR数据转译为更直观的地物分类结果,对海量数据,特别是GF-3卫星PolSAR图像的利用有一定的辅助价值。