天线罩相位不一致性误差分析及补偿方法研究

针对干涉仪测向系统中天线罩相位不一致性导致的测向不准问题,提出一种最小二乘曲线拟合分频段相位补偿方法。通过计算不同频率、不同来波方向的相位测量值与理论值误差,利用最小二乘的曲线拟合算法,准确获取相位误差值,从而进行相位补偿,最后通过仿真验证了该方法的有效性。

一种新型干涉仪系统相位误差校准方法

分析了电磁环境、前端元器件以及阵元耦合等因素对干涉仪系统相位误差的影响,提出一种新型的干涉仪系统相位误差校准方法,通过自检对全频段雷达信号进行相位校正,采用置信度评价准则对实测结果进行判定。实际测量结果表明,该方法能够快速准确地校准系统误差,极大地提高了系统的测向精度,为系统的功能实现提供了重要的技术手段,具有一定的工程应用价值。

一种基于网格划分数据场的雷达信号分选方法

针对传统聚类算法需要人工预先设定聚类数目并且对聚类中心的选取十分敏感等问题,提出了一种网格划分数据场的雷达信号分选方法。首先,使用网格进行子空间的划分,根据网格长度确定数据场影响因子,并清除信号交叠处的高密度网格;然后,利用改进的等效距离计算数据场以确定聚类数目和聚类中心;最后,使用K均值聚类(K-means)算法对雷达信号进行分选。仿真结果表明,该方法能够提高数据场的计算速度,较好地确定交叠雷达信号的聚类数目和聚类中心,并且能有效分选出参数捷变的雷达信号。

基于神经网络与时域校验的信号分选方法

针对现有雷达信号预分选方法对参数捷变雷达信号分选准确率不高的技术难题,提出了一种基于深度学习算法的全连接神经网络与时域校验的雷达信号预分选方法。该方法首先提取雷达数据库中已知雷达信号的载频、脉宽和脉内调制信息作为单脉冲分选特征,使用全连接神经网络完成单脉冲的识别。为了避免神经网络将未在雷达数据库中的信号(未知雷达信号)识别为已知雷达信号,在神经网络的输出层中加入置信度神经元生成置信指数,将置信指数低于阈值的判定为未知雷达信号进行剔除。最后根据分选结果调用雷达数据库中对应的时域信息(脉冲重复间隔),进行时域校验,完成雷达信号预分选。仿真结果表明,该方法在不同信噪比环境下对参数捷变雷达信号有较高的分选准确率,并且能有效剔除未知雷达信号。