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。     

基于多传感器的石化装置有毒气体检测报警系统的设计

随着全球工业化步伐的不断加快,伴随着工业生产而产生的各种各样的有毒有害气体对人类的危害问题也越来越凸显出来。尤其是在石油化工生产过程中产生的CO、SO_2、H_2S和NO_2等有毒气体,对生产安全和环境保护造成巨大的威胁。因此有毒气体监测报警系统在石油化工领域有着广泛的需求。如何利用智能仪器仪表监测技术对有毒气体进行浓度监测及报警已成为国内外学者研究的重点课题。有毒气体监测仪器的研制,能有效的检测出各种有毒有害气体,有利于我们采取相对应的措施有针对性的进行清除,确保人们的身心健康、生命安全,并对提高人们的生活质量具有重大的现实意义。     

某型晶闸管恒加寿命试验中数据处理的Bayes方法

对寿命服从Weibull分布的某型晶闸管恒定应力加速寿命试验中的零失效数据,运用经典的统计方法和Bayes方法进行了处理,分别给出了在正常应力下失效概率的极大似然估计和多层Bayes估计,对2种估计结果与现场试验数据下所得估计结果的比较表明,Bayes估计的绝对误差为5.89×10-5,它小于极大似然估计的绝对误差2.438×10-3。随机模拟表明本文所给方法正确有效。     

对SAR目标检测中的相关背景的研究

在目标或杂波出现先验概率已知的情况下，现有各种目标检测法要在被检像素值是由目标造成还是由杂波造成之间做出统计判决。然而，这些方法没有把存在的相关背景信息考虑在内。例如，我们知道军用车辆更有可能在能提供掩蔽的树篱和树林边缘地带被发现，并且它们通常是编队行驶。本文验证了在维持现有技术的精确统计前提下，如何将此类相关背景信息与SAR目标检测方法相结合。现在研究出一种理论框架，其目标存在的先验概率通过条件从属性被该背景的影响改变，得到的检测方法用于模拟SAR图像，可获得相关背景信息各种组合时的目标检测率。当相关背景信息被完全利用时，可以观察到性能大约提高了13%。     

一种适用于雷达的增强混合指数检测器

本文中中的指数混合概率密度函数（pdf）被看作是有用的雷达海杂波模型。某些参数的易变性导致了从这类模型中派生出来的检测方法的性能降低和估计错误。本文介绍了一种增强方式，即假设已知参数存在于特定区间内并对参数值进行选择以防止虚警过多。实验研究表明，与通常的恒虚警率（CFAR）处理器相比，这种方法能获得平均6－9dB的增益。     

DS／SS信号检测与估计的性能

直接序列扩频信号 (DS/SS)广泛应用于卫星通信等领域 ,由于它的信噪比往往很低 ,给电子侦察带来了很大的困难。结合目前的研究进展 ,综述了用于直扩信号检测和估计的几种主要方法 ,简要阐述了它们的特点和适用性 ,并给出了对比仿真试验的结果     

多目标单元平均CFAR处理机的M次扫描检测分析

本文分析了在用于估算杂波加噪声电平的一组单元中出现一个或多个干扰目标回波的情况下，一般单元平均（ＣＡ）、最大（ＧＯ）及最小（ＳＯ）恒虚警率（ＣＦＡＲ）检测器的各种性能。推导出了对Ｘ平方目标起估模型采用非相参积累时，这些检测器检测概率的精确表达式。描述了Ｓｗｅｒｌｉｎｇ Ｉ目标模型的结果。随着Ｍ的增大，对于均匀和非均匀两种背景模型，无论使用ＣＡ、ＧＯ还是ＳＯ检测器都将获得较好的性能。在参数相同的情况     

利用S变换的X射线脉冲星信号恒虚警率检测算法

针对传统的X射线脉冲星信号检测算法计算量大及在低信噪比下检测性能差的问题,提出了一种结合S变换的恒虚警率检测算法。首先,根据高斯白噪声的S变换域功率谱分布特性对累积信号的时频功率谱进行阀值滤波;然后累加阀值滤波后的信号功率谱作为检测统计量,从理论上对检测统计量的分布特性进行分析,得出检测统计量服从高斯分布,并用蒙特卡罗方法进行了验证。在此基础上,利用检测统计量的概率密度函数计算判决门限,从而实现了恒虚警率检测。理论分析和实验结果表明,本文算法的检测性能优于同类基于高斯分布的恒虚警率检测算法,并且具有较低的复杂度。