基于注意力自相关机制的剩余杂波抑制方法

雷达工作时面临着复杂多变的环境,杂波特性经常呈现非均匀性和时变性。未被完全抑制的杂波剩余可能会产生大量虚警,进而导致虚假航迹产生或目标跟踪精度降低。在严重情况下,这些虚警还可能使雷达数据处理系统饱和,影响雷达系统的探测能力。传统的剩余杂波抑制算法需要进行特征提取和构建分类器两个步骤,存在泛化能力差、特征组合难和分类器要求高等问题。为解决这些问题,受到自注意力机制和领域知识的启发,提出了一种数据与知识双驱动的注意力自相关机制。该机制可以有效提取用于区分目标和杂波的雷达回波相互关系的深度特征。同时,基于该机制,构建了一种剩余杂波抑制方法,充分利用雷达回波特征,提高了算法在剩余杂波抑制方面的性能。仿真和实测数据处理结果表明,该方法在剩余杂波抑制方面具有显著的性能优势和泛化能力。此外,该方法的并行计算结构可以提高算法的运行效率。

基于改进BP神经网络的雷达剩余杂波抑制方法

针对雷达回波在信号处理后仍存在剩余杂波点迹的问题,选取反映目标点迹和杂波点迹差异化的特征,设计神经网络分类器。引入弹性BP算法对神经网络进行改进训练,利用训练好的神经网络对雷达点迹进行自动识别,根据识别结果滤除杂波。该方法对杂波点迹的识别率比现有BP神经网络算法提高1.6%,识别速度提高86%,能够快速有效地抑制剩余杂波。

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。

遗传算法优化神经网络的雷达杂波抑制方法

针对目标检测后仍存在剩余杂波影响雷达跟踪和占用数据处理资源等问题,提出一种基于遗传算法(genetic algorithm,GA)优化反向传播(back propagation,BP)神经网络的雷达杂波抑制方法。通过分析雷达目标点迹和杂波点迹差异化的特征,选取多维特征作为输入自变量,设计BP神经网络分类器模型,对雷达目标点迹和杂波点迹进行分类识别,进而滤除杂波。在数据输入时,利用遗传算法对神经网络的输入自变量进行优化选择,降低输入数据维度,缩短建模时间。在神经网络训练时,利用遗传算法优化BP神经网络的初始权值和阈值,提高网络收敛速度和识别精度。通过雷达实测数据测试表明:遗传算法优化后的BP神经网络与传统BP神经网络相比,雷达杂波点迹识别率提高了1.5%,识别时间缩短了20.4%。

相控阵雷达对海面目标的检测跟踪方法

阐述了适用于多功能相控阵雷达的海面目标检测与跟踪。重点论述了采用脉间频率捷变和扫描间滑窗积累的海杂波抑制,研究了"判连续"的点迹凝聚方法,以及利用目标与杂波间不同距离-方位单元分布特性的剩余杂波剔除方法,最后提出了适用于海面目标的跟踪滤波器。工程应用证明上述方法是行之有效的。

一种步进频相参处理检测低信杂比目标的方法

本文通过对强杂波剩余在多普勒维度分布特点的分析,提出了一种利用步进频相参处理的方法来解决目标被杂波多普勒副瓣掩盖导致低信杂比无法检测的问题。文中推导了算法的性能,给出了相关项的补偿方法,分析了补偿误差对于算法性能的影响。仿真结果表明该方法在应对此类问题时是有效的。

S波段两坐标雷达反气象的一种方法

S波段雷达通常会受到较强的气象杂波干扰 ,尤其在沿海地区还会有特殊的气旋。本文介绍了一种用剩余杂波图技术自适应调整恒虚警门限 ,用来抑制 MTD处理后的气象杂波剩余。以及采用剩余杂波图技术 ,根据多种不同凹口 MTI滤波器的杂波剩余 ,自动选择杂波单元内的最佳 MTI滤波器 。

基于PSO-SVM算法的雷达点迹真伪鉴别方法研究

为解决虚假目标点迹对雷达跟踪性能的影响,本文提出了一种基于PSO-SVM算法的雷达点迹真伪鉴别方法,进一步对目标点迹和杂波点迹进行真伪鉴别,有助于滤除杂波剩余点迹,提高雷达处理容量和跟踪性能。本方法利用点迹形成过程中生成的特征参数,先利用PSO算法对SVM算法参数进行优化选择,再利用参数优化后的SVM算法对雷达点迹进行真伪鉴别。最终,目标点迹鉴别准确率达到了95.18%,杂波点迹鉴别准确率达到了89.94%,整体的点迹鉴别准确率达到了92.13%。实验结果表明:该算法有较高、较稳定的点迹鉴别准确率,前期较多的杂波点迹被鉴别为目标点迹的缺陷也得到了较好的改善。

基于PSO-PNN算法的雷达点迹真伪鉴别方法

针对雷达目标检测后的剩余杂波,提出了一种将粒子群优化算法(PSO)与概率神经神经网络(PNN)相结合的雷达点迹真伪鉴别方法。方法可以在目标检测后进一步区分目标点迹和杂波点迹。同时,将其雷达点迹鉴别结果与BP神经网络(BPNN)对雷达点迹鉴别结果作了对比,发现上述方法的整体识别率可达91.13%,目标识别率可达93.78%,较BPNN分别提升1.55%和3.55%。结果表明,PSO-PNN能够有效鉴别雷达点迹真伪。