一种基于多模态OAM波束的目标特征智能识别方法

高效率目标探测需要借助探测信号的低相关性空间调制,调制数量大且具有时间独立性。携带轨道角动量(OAM)的涡旋波束具有无穷多种模态且不同模态之间相互正交,借助强色散材料可以实现频率域的多模态OAM波束产生。该文首先对OAM的传播特性进行推导,给出了符合探测需求的多模态OAM波束源特征;在此基础上,研究了不同模态的OAM波束在3种不同应用场景下目标反射回波信号特性,采用卷积神经网络对不同反射场景下的数据特征进行提取,实现了对未知场景的判断及场景内的目标识别,并进行了抗噪性能分析。实验结果表明:理想状态下,网络对目标场景判断的准确率可达97:5%;各反射场景中的两个相邻目标的间隔大于某一阈值时,网络对目标位置的识别准确率均高于80%。但目标识别效果有环境依赖性,当SNR<20 dB时,3种场景内的目标识别准确率均大幅降低。

基于随机调制超表面的差分关联成像方法研究

基于超表面的关联成像系统解决了关联成像系统探测效率低的问题,但其探测模式数量不足导致了其有效成像点数受限。针对这个问题,该文以参考辐射场空间分布1阶统计特征为基础,建立了基于随机调制超表面的关联成像信号模型,分析了成像误差,并与差分关联成像(DCI)方法相结合,给出了具有鲁棒性的基于超表面的关联成像方法,该方法利用不同模式的差分形成了新的探测模式,降低了相关函数的副瓣干扰,从而提升了成像质量。同时,对一种特殊的差分关联成像方法—梯度关联成像(GCI)方法的成像分辨率进行了分析,该方法通过对超表面单元的特殊设计,可以在不获取图像的情况下,直接在成像过程中提取出目标方位向的边缘信息,可以有效提升关联成像系统对目标边缘的提取能力。最后,通过仿真实验验证了该文理论分析的正确性。