基于数据驱动的雷达系统误差估计方法

针对实际情况中多雷达系统误差校准效果不理想的问题,提出了一种基于数据驱动的雷达系统误差估计方法.首先采用数值模型对雷达探测区域进行网格剖分,在网格上建立误差分布函数,然后采用方差迭代计算方法对每个网格进行参数估计.所提方法克服了雷达系统误差模型复杂、难于建立的困难,采用数值方法得到系统误差的区域分布.实验结果表明,在有船舶自动识别系统等高精度信源情况下,所提方法具有较高的系统误差估计精度,且计算量小、工程实施方便.

基于卷积神经网络的智能识别方法

针对传统目标识别方法在实际运用中计算复杂且鲁棒性较低的问题,提出一种基于卷积神经网络的目标识别方法。计算传感器运动信息和辐射源信息与待识别目标的匹配度构建目标识别决策矩阵,而后设计卷积神经网络提取目标识别决策矩阵的不变特征,对目标身份进行综合识别。此方法能够直接学习传感器数据特征,避开传统识别方法人工建模和特征提取过程,降低因模型失配对识别性能造成的影响。仿真试验结果表明,当传感器量测误差在一定范围内变化时,所提方法能对多源异类探测信息进行处理,有效实现目标识别。

一种基于Resnet的非稳态数据关联方法

设计了一种基于残差网络的非稳态数据关联方法.利用残差网络对多层次和异构特征的提取能力求解数据关联问题中的最优决策函数.首先将全局关联问题分解为固定问题空间大小的基本关联问题,然后设计深度网络提取非稳态数据中的不变特征,找到基本关联问题解的分类模型,可在误差分布变化和参数无法准确估计的情况下,提高关联鲁棒性和准确性.仿真试验结果表明:当误差分布参数在一定范围内变化和未知条件下,本算法优于联合概率数据关联(JPDA)算法和K近邻(KNN)算法.