基于YOLO的航管一次雷达目标检测方法

针对传统恒虚警率(constant false alarm rate,CFAR)检测方法检测率低的问题,提出一种基于YOLO(you only look once)的深度学习雷达目标检测方法。首先,利用同相正交(in-phase/quadrature,I/Q)数据匹配滤波后形成的雷达原始图像自建雷达目标图像数据集。然后,改进YOLO检测模型的网络结构、特征融合策略和损失函数以提高模型的精度,并引入迁移学习思想,利用预训练的深度学习网络提取图像特征,降低了检测模型对训练样本量的要求。最后,在自建数据集上对YOLO目标检测方法进行了实验验证。航管一次雷达实测数据的实验证明:与传统CFAR检测方法和两阶段的快速区域卷积神经网络(region convolutional neural networks,R-CNN)检测方法相比,所提方法的目标检测率大幅提高,虚警率明显降低,且实现了实时检测。

脉内频率 时延捷变雷达抗间歇采样转发干扰方法

间歇采样转发干扰凭借快速准确的采样和转发手段,利用脉压雷达的匹配滤波特性形成假目标群,严重影响目标检测和跟踪性能。针对这一问题,结合波形设计和滤波思想,设计一种脉内频率时延捷变波形,并在此基础上提出一种基于时频分析的抗间歇采样转发干扰方法。首先,将线性调频信号划分为多个子脉冲,并在子脉冲之间增加随机时延。然后,提取未被干扰的子脉冲进行目标位置的准确判断,结合子脉冲的频率和随机时延等先验信息,利用迭代阈值分割算法去除强干扰信号。最后,通过构造时频域和时域带通滤波器分别进行子脉冲滤波和时域滤波处理。仿真实验结果表明,所提方法在不同干信比、信噪比和非同步采样情况下具有较好的抗间歇采样转发干扰性能。

复杂战场电磁环境研究综述

复杂战场电磁环境是现代战场的重要构成要素,掌握其内涵和特性是提高战场感知、发挥装备作战效能、提高战场生存能力的重要基础。信息化条件下,开展复杂战场电磁环境研究具有巨大应用价值。对复杂电磁环境的基本概念和研究现状进行了综述,从电磁环境的认知研究和应用研究2个方面将复杂战场电磁概括为电磁环境描述、监测、度量和构建、装备适应性试验,并分别对这5项内容进行了论述。最后就复杂战场电磁环境未来研究方向和趋势进行了展望。

基于改进TOPSIS-RSR的雷达装备测试性评估方法

针对雷达装备测试性评估这一不确定性、多属性决策问题,依据装备特点和测试性要求,构建了雷达装备测试性评估指标体系。采用改进的模糊层次分析法(fuzzy analytical hierarchy process,FAHP)和熵权法对评估指标进行主客观赋权。在评估模型中使用相对熵替换逼近理想解排序法(technique for order preference by similarity to an ideal solution,TOPSIS)的欧式距离,同时引入秩和比法(rank-sum ratio,RSR),利用改进的TOPSIS-RSR法对备选方案进行测试性优劣等级分档并排序,通过实例分析验证了该模型的有效性。

基于TOPSIS的防空预警装备体系作战效能评估方法

为了检验预警装备体系在特定条件下完成作战任务的效果和优选作战方案,对防空预警装备体系作战效能评估方法进行了研究。通过分析区域防空预警作战流程,构建了基于侦察预警能力、战场生存能力、指挥控制能力和综合保障能力的作战效能评估指标体系。针对单一赋权方法权值偏颇的不足,运用序关系分析法(G1法)和改进的标准间冲突性相关性(CRITIC)法确定指标综合权重,利用改进的逼近理想解排方法(TOPSIS)对防空预警装备体系作战效能进行定量评估。通过装备部署方案仿真试验,验证了该方法的可行性和科学性,对防空预警装备体系作战方案的设计和优化具有指导意义。

基于改进FAHP的雷达装备测试性评估指标赋权方法

论文结合雷达装备测试性特点,阐述了评估指标体系构建的基本流程,建立了基于状态性能监测、故障诊断、测试性设计及测试性资源的雷达装备测试性评估指标体系;在此基础上,针对传统层次分析法(AHP)在测试性评估量化时,忽视人为判断的模糊性和一致性检验复杂繁琐的缺陷,运用改进的模糊层次分析法(FAHP)对雷达装备测试性评估指标进行赋权,通过实例分析验证了该方法的可行性。

基于改进BP神经网络的雷达剩余杂波抑制方法

针对雷达回波在信号处理后仍存在剩余杂波点迹的问题,选取反映目标点迹和杂波点迹差异化的特征,设计神经网络分类器。引入弹性BP算法对神经网络进行改进训练,利用训练好的神经网络对雷达点迹进行自动识别,根据识别结果滤除杂波。该方法对杂波点迹的识别率比现有BP神经网络算法提高1.6%,识别速度提高86%,能够快速有效地抑制剩余杂波。

遗传算法优化神经网络的雷达杂波抑制方法

针对目标检测后仍存在剩余杂波影响雷达跟踪和占用数据处理资源等问题,提出一种基于遗传算法(genetic algorithm,GA)优化反向传播(back propagation,BP)神经网络的雷达杂波抑制方法。通过分析雷达目标点迹和杂波点迹差异化的特征,选取多维特征作为输入自变量,设计BP神经网络分类器模型,对雷达目标点迹和杂波点迹进行分类识别,进而滤除杂波。在数据输入时,利用遗传算法对神经网络的输入自变量进行优化选择,降低输入数据维度,缩短建模时间。在神经网络训练时,利用遗传算法优化BP神经网络的初始权值和阈值,提高网络收敛速度和识别精度。通过雷达实测数据测试表明:遗传算法优化后的BP神经网络与传统BP神经网络相比,雷达杂波点迹识别率提高了1.5%,识别时间缩短了20.4%。

深度学习在雷达目标检测中的应用综述

雷达目标检测技术能够判断回波信号中目标存在与否,并提取目标位置信息。随着雷达图像质量的提升和人工智能技术的发展,利用雷达图像数据通过深度学习方法实现雷达目标检测功能成为一种新的思路。该文首先从雷达目标检测原理入手,对传统和现代两类检测方法进行了梳理,分析了各类检测方法的特点及适用性。然后针对现代雷达回波信号复杂性增大导致传统检测方法统计建模难的问题和机器学习方法特征提取难度大的问题,对深度学习目标检测方法进行了归纳,主要从深度学习算法、雷达回波图像数据类型和应用场景三个方面进行总结。最后分析了深度学习在雷达目标检测应用中面临的挑战,展望了未来的发展趋势。

基于竞争神经网络的雷达杂波抑制方法

为鉴别杂波点迹和目标点迹,消除杂波对雷达性能的影响,提出了一种基于竞争神经网络的雷达杂波抑制方法。首先,选取雷达点迹形成过程中能够反映目标点迹和杂波点迹差异化的特征,作为神经网络输入数据;然后,根据输入输出的数据维度设计竞争神经网络分类器,并对其进行训练;最后,利用训练好的神经网络分类器对雷达点迹进行聚类,对识别为杂波的点迹进行滤除,达到抑制杂波的目的。对雷达实测数据的测试结果证明:所提出的无监督学习方法的杂波抑制效果优于传统的有监督学习BP神经网络算法,能够实现点迹类别未知情况下的雷达点迹鉴别和杂波抑制功能。

综合评估方法研究综述

综合评估是指对多属性体系结构描述的对象做出全局性、整体性的评价。在日常生活中,人们做出正确的决策之前,往往要对其左右权衡、反复斟酌,这一思考的过程便是评估。由于影响某一事物的因素众多,要想综合考虑所有因素,得出完全客观公正的评价十分困难。目前对评估问题的研究主要分为两个方面:一是对影响评估对象的因素进行研究,力求构建全面系统的评估指标体系,得出准确可靠的指标权重;二是对评估的理论方法进行研究,期望搭建科学有效的评估模型,计算出公正可信的评估结果。无论是指标的赋权方法还是综合评估的模型,都已有大量的研究成果。但是各方法的立场不同、思路各异,都有其优缺点和适用范围,导致各评估方法的评估结果存在非一致性问题。本文在阐述综合评估概念和流程的基础上,对各指标赋权方法和综合评估方法进行分析,指出了当前存在的问题并提出了解决措施。

基于LVQ神经网络的雷达杂波抑制方法

针对雷达目标检测后的剩余杂波影响雷达航迹起始和航迹跟踪的问题,提出基于学习向量量化(learning vector quantization,LVQ)神经网络的雷达杂波抑制方法。从雷达回波点迹的特征入手,通过分析目标点迹和杂波点迹的特征分布,通过人工提取特征的方式选取具有差异化的特征。根据特征数量和点迹类别数量构建LVQ神经网络分类模型,并对模型进行训练。利用训练好的LVQ神经网络分类模型对雷达回波点迹进行分类,区分目标点迹和杂波点迹,保留判别为目标的点迹,滤除判别为杂波的点迹,从而实现杂波抑制功能。通过对某型航管雷达的实测数据进行测试表明:该方法能够有效区分目标点迹和杂波点迹,杂波抑制能力比BP神经网络算法更好。

改进AHM-TOPSIS的智能化雷达信息处理性能评估方法

针对智能化雷达信息处理性能评估需求,从雷达信息处理包含的目标检测、目标识别和剩余杂波抑制3种技术着手,构建了智能化雷达信息处理性能评估指标体系。使用评分标度替代比例标度对属性层次模型进行改进,通过改进后的属性层次模型对指标体系进行赋权。在评估模型中引入灰色关联分析法,使用灰色关联系数替代欧式距离,利用改进的逼近理想解排序法对不同方案的智能化雷达性能进行排序,筛选出最优的智能化雷达技术方案。通过智能化雷达的工作数据验证了该方法的有效性。

改进AHM-RS雷达装备保障性评估指标赋权方法

针对主观赋权法过于依赖主观经验,客观赋权法由于数据有限可能偏离实际情况的问题,为提高雷达装备保障性评估指标权重的科学性,针对现有属性层次模型(AHM)和粗糙集(RS)赋权法的不足,改进了AHM和RS赋权法,运用离差最大化思想将主客观两种赋权法进行组合处理,提出了改进的AHM-RS综合赋权法,通过实例验证了该方法的有效性和可行性。

深度迁移学习的两阶段雷达目标检测方法

针对传统的基于统计特性的目标检测方法统计建模困难和机器学习目标检测方法特征提取复杂的问题,提出了深度迁移学习的雷达目标检测方法。采集雷达的IQ数据,经过脉冲压缩处理后形成雷达原始图像,通过对雷达图像进行放大、裁剪等步骤构建飞机目标数据集;设计R-CNN、SPP-Net、Fast R-CNN和Faster R-CNN等两阶段深度学习目标检测模型,对雷达图像中的飞机目标进行自动检测;模型训练时,引入迁移学习思想,使用预训练过的卷积神经网络自动提取图像中的深层特征,以达到减少雷达图像训练样本量的目的。某型航管雷达实测数据的实验结果表明:与传统的恒虚警率检测方法相比,该方法提高了雷达目标检测率,降低了虚警率,解决了检测率与虚警率的矛盾。

基于粗糙集的雷达装备保障性评估指标约简方法

针对雷达装备保障性评估指标多、数据量大,导致计算复杂的问题,提出了一种基于粗糙集的雷达装备保障性评估指标约简方法.首先依据指标建立原则,构建了雷达装备保障性评估指标体系;然后根据粗糙集理论,给出了评估指标简化的方法和步骤;最后得出约简后的雷达装备保障性评估指标体系.实例分析表明,雷达装备保障性评估指标体系约简前后的评估结果一致,运用本文提出的约简方法进行评估更加简单、快捷.

改进突变级数法的雷达装备保障性评估模型

针对雷达装备保障性的影响因素繁多,且具有层次性的问题,根据雷达装备保障性的要求,构建了雷达装备保障性评估指标体系。采用综合调整法对初始综合值进行调整,以改进突变级数法中综合评估值整体接近于1的问题,从而更直观地反映评估值的大小与等级。设计了基于改进突变级数法的雷达装备保障性评估模型,通过实例表明该方法能科学、有效地评估雷达装备的保障性等级。

一种改进AHM赋权的雷达装备保障性云评估模型

为解决雷达装备保障性评估过程中的定量描述与定性概念转换的问题,首先从综合、设计和资源等三个方面,建立了雷达装备保障性评估指标体系;然后运用云理论将评估指标集转换为评估云模型,将专家打分的结果通过逆向云发生器生成云模型的数字特征,利用正向云发生器生成雷达装备保障性综合评估云滴图;最后改进了属性层次模型(AHM)赋权法,设计了基于改进AHM的雷达装备保障性云评估模型.实例分析表明,该方法能科学、有效地评估雷达装备的保障性等级.

雷达装备保障性可拓评估方法研究

针对雷达装备保障性影响因素繁多、量纲各异的问题,根据雷达装备保障性的要求,构建了雷达装备保障性评估指标体系。引入序关系分析法确定各评估指标的权系数,通过可拓集合的关联函数计算雷达装备保障性的关联度,建立了适用于雷达装备保障性评估的物元模型。通过实例表明该方法能科学合理地反映待评雷达装备的保障性等级。

基于深度迁移学习的低分辨雷达目标识别方法

针对低分辨雷达人工目标识别效率较低的问题,提出了基于深度迁移学习的雷达自动目标识别方法。该方法利用雷达回波序列轮廓像构建空中目标数据集,使用深度卷积神经网络自动提取回波数据中的深层特征,并对雷达目标进行分类识别。为了解决深度学习对样本量的巨大需求,在分类模型训练时,引入迁移学习思想,将经ImageNet数据集预训练过的初始网络模型迁移到雷达目标识别任务中,再通过空中目标数据集对模型参数进行微调,实现小样本条件下对空中目标的粗分类。实测数据的结果表明:所提方法能够在小样本条件下较为准确地对空中目标的大小和架次进行分类识别,具有良好的识别性能。