采用卷积神经网络的海面多目标检测研究

对海雷达多目标检测在军事领域有着重要的应用价值。为了提高海杂波下的目标检测性能,减少临近目标的影响,本文引入深度学习思想,提出了采用卷积神经网络的多目标检测方法。通过雷达实测数据的分析与训练,构造适用于处理一维回波数据的网络模型,引入定向惩罚技术加快自适应学习效率,优化网络超参数提升网络性能,实现了回波数据信杂比的较大改善,完成了海面多目标的有效检测。最后,基于实测数据对该方法进行了性能验证,实验结果显示了本方法的有效性。

海面小目标检测的自适应背景感知研究

海面小目标检测是舰载雷达的重要使命,为了优化海杂波下的检测环境,并提高小目标检测的信杂比,引入背景估计思想,建立了基于径向基神经网络的海杂波背景感知模型。通过研究雷达实际测量数据,提出了简单有效的数据预处理方法,通过构造适合处理一维回波数据的神经网络模型,并采用正交最小二乘学习算法对模型结构进行自适应调整,减小了模型复杂度并提升了模型的性能,从而实现海杂波背景的良好感知。最后,基于实测数据对模型进行性能验证,针对杂波对消前后的数据计算信杂比,得到信杂比改善因子均值达到了2 dB。结果显示本方法优化了海杂波下的检测环境,并能够在一定程度上改善小目标检测的信杂比,表明了本方法的有效性。

基于AdaBoost的雷达剩余杂波抑制方法

在航迹起始领域,针对复杂电磁环境下大量杂波剩余造成的虚假航迹问题,提出了新的剩余杂波处理方法。该方法是基于自适应提升(AdaBoost)算法,将杂波抑制问题转化为AdaBoost决策树分类。首先,训练基学习器,得出一个粗略的分类结果;在此基础上,组合多个基学习器的结果进行更全面的分类,解决了弱学习器在特征不明显的杂波点迹上表现不佳的问题。实验结果表明,提出的方法相较于传统的SVM和KNN分类器更加有效地抑制了剩余杂波点迹,减少了剩余杂波对航迹起始的影响。