对数正态纹理距离相关性辅助的海杂波背景雷达目标检测方法

传统的海杂波背景雷达目标自适应检测器通常假设杂波纹理在距离维上独立同分布,忽略了纹理在距离维的相关性信息。为了改善纹理距离相关海杂波环境下雷达目标自适应检测性能,该文首先将复合高斯海杂波的纹理分量建模为对数正态随机变量,然后基于广义似然比检验提出一种基于均匀对数正态纹理的广义似然比检测器。提出的雷达目标自适应检测器融合了纹理的先验分布知识及其在距离维的相关性信息。仿真和所用实测数据表明,与已有检测方法相比,所提方法对纹理距离相关海杂波背景下的雷达目标具有更高的检测概率。

一种基于修正激活函数的CNN车载毫米波雷达目标检测方法

为了提高车载毫米波雷达在复杂城市道路环境中目标检测的抗杂波与干扰能力,本文利用卷积神经网络(CNN)特征参数提取和目标分类特性,提出了一种改进的基于CNN的车载毫米波雷达目标检测方法。该方法首先将毫米波雷达回波信号距离-多普勒二维数据运用滑窗进行分割,并采用CNN网络模型处理分割后的二维矩阵,训练二维CNN网络模型及其参数,使其具有提取回波特征并基于特征参数模型进行目标分类的能力,从而实现目标检测功能。通过对卷积神经网络模型结构进行优化,增加批量归一化层,优化Dropout层使得低权重特征失活,自适应地删减部分神经元节点修正该层非线性激活函数,进一步降低了CNN模型目标检测的虚警概率。实验结果表明,在相同虚警概率条件下,CNN网络检测方法目标发现概率优于传统的单元平均恒虚警检测方法,并且在低信噪比的条件下仍然能够保持较高的发现概率;在同等发现概率水平下,修正后CNN网络检测方法的虚警概率较修正前可提高约1个数量级。

海杂波中的雷达目标检测技术综述

首先,总结了雷达对海上目标进行检测时面临的三个主要难点;然后,重点讨论了几种典型的具有较大发展潜力的海上目标雷达检测技术;并在上述分析的基础上总结了雷达对海上目标检测技术的发展趋势,即,雷达对海上目标的检测技术逐渐从单维度信息利用、单手段处理向空、时、频、波形和极化等多维度信息综合利用,多视角、多波段、多脉冲、多层面、多波形、相参和非相参等多手段处理改善信杂噪比的方向发展。

信噪比加权空间分集雷达目标检测算法

对于空间分集雷达,各雷达站与目标的距离不同会引起信噪比的不同,从而降低传统的非相干积累检测器的检测性能.基于尼曼-皮尔逊准则,提出一种对各站接收信号进行基于信噪比加权的信号融合检测器.在已知各站回波信噪比的条件下,它可以达到检测性能的上界.数值试验表明,该检测器的检测性能较传统的非相干积累检测器有明显改善,特别在信噪比较低时.

非高斯相关杂波背景下雷达目标检测方法研究

在非高斯相关杂波背景下,基于MTD(Moving Target Detection)的雷达目标检测性能严重下降。针对该问题,根据Alpha稳定分布杂波模型、分数低阶统计量理论,以输出信杂比最大为准则,提出了一种适用于非高斯相关杂波背景的雷达目标检测方法。该方法通过分解信号分数低阶协方差矩阵,计算等效杂波分数低阶协方差矩阵特征向量,得到最佳滤波器系数。通过仿真和实测数据,对所提出方法的检测性能进行了验证,并且与基于MTD的检测方法进行了比较,结果表明,在非高斯相关杂波背景下,所提方法的检测性能明显优于传统的MTD。

基于分数低阶本征滤波的雷达目标检测方法

在非高斯相关杂波背景下,通常杂波分布的概率密度函数结构复杂甚至无闭式表达,难以建立统计检测模型。针对此问题,以α稳定分布为背景,基于分数低阶统计量和最佳滤波器理论,以滤波器输出分数低阶信杂比最大为准则,给出了一种分数低阶本征滤波(FLOEF)模型。该模型利用杂波的分数低阶协方差矩阵对非高斯相关杂波进行白化,可显著改善信杂比,实现非高斯相关杂波背景下雷达目标的有效检测。通过仿真和实测数据给出了FLOEF在不同条件下的检测性能,并同传统基于二阶统计量的本征滤波进行了比较,结果验证了FLOEF的优越性。

基于深度学习的雷达目标检测技术

根据纽曼-皮尔逊准则,恒虚警方法(CFAR)在虚警率10-6、检测概率90%的条件下,可检测目标的信噪比需大于12.8 dB。由于可用于参考的环境单元有限且实际环境中杂波分布差异性大,特别是隐身、低慢小等目标的能量强度值很难达到检测门限的要求。本文基于深度学习方法,利用含杂波/噪声/干扰的目标距离多普勒(RD)域图像与相应理想情况下的目标RD图作为网络训练数据集,网络中的生成模型向判决模型提供抑制处理后的RD图,根据判决模型反馈来调整杂波抑制处理参数。这一动态对抗博弈的过程最终优化所得的生成模型将有效学习环境中杂波/噪声/干扰的特性并将其过滤。通过杂波、噪声和干扰环境下的实验证明,本文方法可以在RD域有效抑制杂波,增强目标信息,具备在实际杂波抑制场景下的可行性。

分数阶傅里叶变换与雷达目标检测

根据雷达目标检测的特点,阐述分数阶傅里叶变换的原理,针对雷达中的线性调频信号,详细描述了分数阶傅里叶变换和LMS自适应滤波相结合的检测步骤。最后对分数阶傅里叶变换算法进行不同步长和不同阶数的收敛性能仿真和分析。

虚拟极化在雷达目标检测的得益研究

为了定量研究虚拟极化在雷达目标检测的得益,在实测数据基础上分别基于参数估计法和搜索法计算极化状态,提出虚拟极化得益有别于极化分集的得益,给出了虚拟极化得益的评估方法。实验结果表明虚拟极化的得益最大为3 dB,虚拟极化的得益与接收双通道SNR的差值的大小成反比例关系:接收双通道的SNR差值为0 dB～6 dB时,虚拟极化得益为1 dB～3 dB;接收双通道SNR差值>6 dB时,虚拟极化得益<1 dB,此时虚拟极化合成没有意义。此外,从时间成本和效果上评估,优选参数估计法计算极化状态。从应用角度上分析,虚拟极化在小SNR目标检测具有潜力,而对于大SNR的目标检测可以增加探测距离。

基于FPGA和DSP技术的雷达目标检测系统设计

雷达目标检测系统系统主要由FPGA和DSP两部分组成。FPGA芯片用来完成系统中各芯片之间的逻辑控制,DSP芯片用来实现雷达目标检测算法。该系统具有设计灵活、实时性能高、检测算法可配置、检测结果无丢失等优点。

基于分形特征的高频雷达目标检测技术

在现代化战争中,高频雷达起着越来越重要的作用,同时由于各种强杂波的干扰,对高频雷达目标(小目标)的检测需要寻找更好的算法。针对传统相干积累算法对高频雷达舰船目标检测的不足,文中提出了一种基于分形特征的高频雷达目标检测的新方法,利用合维数法计算分形维数,给出了自适应检测门限。在实测数据基础上对分形算法进行验证,实验结果表明:分形算法可以有效地检测出飞机和舰船目标,而且算法运算时间较短,可以作为高频雷达目标检测的补充算法,提高目标检测精度。

基于连续信任函数理论的鲁棒雷达目标检测方法

目标检测是雷达的基本功能,其鲁棒性直接决定了雷达应用的成败。针对瑞利目标检测问题,充分利用连续信任函数理论在不确定性信息表征和推理方面的优势,提出一种鲁棒雷达目标检测方法,在决策空间中可对先验模型噪声、真实目标和外来干扰的信任进行精准量化。鉴于该检测方法不存在解析解的问题,通过随机变量的变换,将任意瑞利目标幅度起伏模型转化为标准瑞利模型,再利用查表方式实现信任函数的数值计算,最后完成检测决策或用于后续融合推理。瑞利目标检测实验验证了所提方法的鲁棒性。

双峰谱模型在风切变雷达目标检测中的应用

针对低空风切变的检测问题,提出了一种基于机载风切变雷达回波信号的双峰谱参数模型,利用该模型对回波信号频谱进行拟合分析,省略了预滤杂波处理环节,可以直接对风切变目标进行探测。该模型中的两个参数,平均风速和方差,是风切变现象的两个特征参数;把双峰谱频谱模型同风切变雷达回波仿真频谱作了仿真和对比分析,提取出风速等参数;结果表明,双峰谱模型较好地拟合了回波信号频谱,证实了双峰谱模型的有效性,在低空风切变雷达中有一定的应用前景。

卷积神经网络应用于雷达目标检测

为了提高脉冲多普勒雷达在城市、郊区等复杂环境下,对低慢小飞行器进行目标检测的能力,利用卷积神经网络在特征提取和分类方面的优势,提出了一种基于卷积神经网络的目标检测方法。通过仿真白噪声和瑞利分布、韦布尔分布和K分布等杂波环境中的脉冲多普勒雷达回波信号,对比相同条件下CFAR检测器和CNN的检测结果,发现卷积神经网络比恒警虚检测器拥有更优的检测性能,检测概率至少提高0.01。

云雨杂波环境下对空雷达目标检测能力分析

杂波会对雷达正常工作造成恶劣影响,对空雷达需要应对自然杂波包含地杂波、海杂波、气象杂波的影响。本文从气象杂波对对空雷达探测性能的影响入手,对强云雨杂波环境下雷达的信号检测做出分析,提出了环境感知以及提升信杂比的措施,以提高强云雨杂波环境下对空雷达的检测能力。气象(云雨)杂波由气体分子、气溶胶质(凝结核、水汽凝结物等)组成。电磁波传播时遇到这些质点会发生散射。气象雷达通过接收这些散射回波完成气象产品生成。对于一般的对空探测雷达而言,则意味着干扰。本文分析了气象杂波对雷达探测性能的影响,并针对台风等强对流气象条件下雷达的信号检测能力提出了改进需求及相应措施。

基于SSD的低空监视雷达目标检测

针对空管自动化系统中民用飞行器难以被检测到的问题,提出了一种基于SSD(single shot multibox detector)的低空监视雷达目标检测方法.为了准确描述目标特征,首先,将MTD(moving targets detection,运动目标检测)图像经过扩展并分块后作为训练样本直接输入到SSD网络;其次,改进和训练面向MTD图像的SSD模型;最后,利用该模型对MTD图像进行目标检测.实验表明:该方法能够有效、实时地检测雷达目标;与传统的CFAR(constant false-alarm rate)方法相比,其检测率提升了18.75%,检测速度提升了约13倍.

深度学习技术在雷达目标检测中的研究进展

随着对航空科技水平需求的不断提升,人工智能技术为该领域突破发展提供了可能。其中,深度学习作为一种人工智能的技术方法,在诸多方面展现出巨大的优势而受到广泛研究和关注。针对雷达目标检测而言,深度学习方法是以数据驱动的方式,建立端对端网络,避免人工提取特征表达力不足,实现优越检测的性能,因此在雷达领域受到越来越多的关注和研究。本文首先介绍了雷达目标检测领域相关知识,指出传统检测方法的局限性;然后对目前深度神经网络检测经典方法进行了分析和归纳,重点介绍了深度神经网络在雷达目标检测中的研究现状;最后对深度学习在雷达目标检测领域应用中存在的技术挑战进行了分析,并就未来相关技术的发展趋势进行了展望。

非连续采样条件雷达目标检测方法研究

雷达在工作过程中由于特定的工作模式或抗干扰等需求,导致雷达回波在某些距离单元上出现非连续采样时会导致雷达接收信号的频谱存在严重栅瓣问题,从而会影响对目标的检测。因此本文提出了一种基于低秩矩阵填充的方法,利用少量的回波信息对雷达信号进行很大概率的恢复,从而实现非连续采样条件下雷达目标的检测。

雷达信号与遥感地图融合的深度学习低慢小目标检测算法

雷达复杂环境低慢小目标检测是一项具有挑战性的任务,而利用深度学习以及数据特征融合等方法是解决这一难题的有效手段。本文在雷达地图融合检测网络(Radar Map fusion Detection Network,RMDN)的基础上进行了优化,主要优化方向为将雷达与地图信息在检测过程中进行重要性程度区分,具体优化内容为减少地图特征提取模块的网络深度,加入通道注意力机制,让神经网络自主学习雷达信息与地图信息特征的权重,使神经网能够更好地利用地图信息对雷达目标进行辅助检测。在此优化基础上,本文重新设计出了雷达地图融合检测网络RMDN-V2。算法的主要思想为利用卫星遥感地图来提供背景环境信息,作为雷达信号检测的辅助,通过将目标背景中的特征信息融入检测决策中,提高目标检测的准确性和鲁棒性,减少对强杂波和移动物体的干扰敏感性,改善目标检测算法在复杂环境下的表现。最后的无人机雷达实测数据实验结果表明,本文所做的针对性优化是有效的,RMDN-V2的检测性能优于原始的RMDN,同时本文算法检测性能远超传统的雷达检测算法,同时也优于目前主流的一些深度学习雷达目标检测算法。本文为解决当下低慢小目标检测的难题提出了新的算法。

基于极化联合特征值的雷达弱小目标检测方法

针对海杂波背景下雷达弱小目标检测问题,提出了一种基于极化联合特征值的雷达弱小目标检测方法。该方法利用多极化通道回波数据计算极化相干矩阵的最大特征值,然后将待检测单元的最大特征值与参考单元最大特征值、最小特征值、算数平均值和几何平均值的算数平均之比分别作为检验统计量实现检验判决。仿真和实测数据处理结果表明:基于极化联合特征值的雷达弱小目标检测方法较基于特征值的检测方法性能提高2 dB,较极化检测最优滤波器性能提高1.5 dB,较功率最大综合检测方法、SPAN检测方法性能提高5 dB,极化联合最大特征值-几何平均方法综合检测效果最好。