脉冲多普勒雷达杂波的一个工程计算公式

导出一个计算杂波的准确公式，较文献「１」的公式更便于应用。用此式验证了作者在距离计算中所作的简化是合理的、正确的。     

“雷达海杂波特性认知与目标融合检测关键技术”获山东省技术发明一等奖

4月18日，山东省委和省政府在济南隆重举行科学技术奖励大会，宣布了山东省政府“2013年度山东省科学技术奖励的决定”。我院何友院士、关键教授等人完成的“雷达海杂波特性认知与目标融合检测关键技术”获得技术发明奖一等奖，     

雷达杂波高精度模拟技术研究

雷达杂波模拟是现代雷达系统研制中不可或缺的一部分。从实际工程应用为出发点，结合理论研究，深入探讨了雷达杂波建模与仿真、划分雷达散射单元以实现多散射点和数字正交调制等相关方法，提出了一种高实时性、高精度的雷达杂波模拟实现方案。该方案基于数字射频存储(DRFM)理论框架，对相关杂波信号模拟、仿真方法进行了技术验证，并使用Matlab平台实现了杂波实时模拟仿真，采用多级滤波器实现了杂波信号内插以提升信号采样频率；通过FIFO等延时模块控制基带信号延时量，将散射点数提高到64点，实现了对雷达散射单元的高精度划分。整体利用System Generator开发平台搭建实验模块，实现了多散射点模式下，杂波信号与基带信号的数字正交调制。该设计方案可为后续雷达模拟器的硬件研发提供必要的参考。     

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。     

基于迁移学习的小样本目标识别研究进展与展望

在空、天、海等复杂环境下的目标识别任务中，高质量的样本数据往往较少。特别是在干扰对抗环境下，某些特定领域的目标信息获取困难，可靠的标注数据较少。小样本问题对深度学习技术在目标识别任务中的应用提出了新的挑战。迁移学习为小样本不确定环境下的目标识别问题提供了新的研究思路。本文针对小样本目标问题，以机载雷达等空天传感器信息对海面目标识别为例，介绍了迁移学习的主要思路和方法，对迁移学习在海面目标识别问题中的应用现状进展进行了总结；分析和归纳了迁移学习在海面目标识别应用中的主要挑战。最后对可解释性及鲁棒性的海洋目标识别技术需求及未来发展方向进行了展望。