人工智能技术的激光雷达目标航迹识方法

激光雷达目标航迹的精准识别有助于明确目标航行任务,为军事领域的战场决策提供辅助依据,提出了人工智能技术的激光雷达目标航迹识别方法。将激光雷达传感器所采集的目标航迹三维点云分布数据转化为一维目标航迹数据,采用自适应滤波方法对一维目标航迹数据实施滤波处理,获取影响激光雷达目标航迹识别结果的目标航迹属性特征,设置所获取的目标航迹属性特征作为递归神经网络输入,目标航迹识别结果作为递归神经网络输出,实现激光雷达目标航迹识别。结果表明,所研究方法目标航迹识别精度均高于98%,具有较高的识别精度以及适应能力。

基于机器学习的激光雷达目标自动检测方法研究

设计激光雷达目标自动检测优化算法,提高雷达目标的对敌准确打击能力。传统的激光雷达目标检测算法采用目标频率时延联合参量估计方法,随着目标运动幅度的增大和外界干扰强度的增强,对目标的检测准确概率下降。提出一种基于机器学习的激光雷达目标自动检测方法。构建了激光雷达目标的回波模型,设计二阶格型陷波器进行信号增强和干扰抑制。采用机器学习算法给信号加以与其匹配的窗函数,计算出激光雷达目标回波信号的矩形包络,在目标可能出现尺度范围内进行机器学习,利用小波变换进行频谱扫描,得到检测统计量和判别函数,以此实现目标自动检测。仿真实验结果表明,采用该算法进行目标检测,准确检测概率提高,具有较好的抗干扰能力。

激光雷达合作目标设计及其在空间交会对接中的应用

激光雷达合作目标是激光交会对接雷达测量系统重要组成部分。针对激光交会对接雷达系统测量需求,首次采用远近场双合作目标设计方式,实现对激光信号原路返回,用于目标飞行器在远场时快速搜索捕获,近场时精确测量。对于远场合作目标采用了多维阵列构型,通过仿真分析,在有效视场90°×105°范围内最小有效反射面积不低于100 cm2,保证了对激光信号反射能力和目标捕获能力。所设计的激光雷达合作目标满足了激光交会对接雷达系统应用要求。

低信噪比下机载多脉冲激光雷达姿态不敏感性特征提取研究（英文）

针对纳秒量级脉宽机载多脉冲激光照射目标的回波波形,提出几何分割比这一目标姿态不敏感特征,给出了特征提取算法,可用于与激光目标运动状态结合开展目标检测与跟踪。首先,基于激光目标波形数学模型分析目标波形与目标特征的关系,指出激光目标的几何分割比特征具备姿态不敏感特性。接着,结合目标特征提取对目标波形和噪声不失真分离的要求,提出在小波域利用对称小波基进行改进Donoho阈值降噪处理,在时域利用小波重构信号阈值获取目标波形序列,再由一阶二阶差分计算检测目标波形峰值点,进而提取激光目标散射中心及几何分割比等特征。最后,通过仿真实验验证算法在低信噪比下提取激光目标特征信息的有效性。在与机载多脉冲激光目标模拟器联试实验中,利用文中算法提取激光目标特征结合目标的运动状态信息,开展多帧相关匹配检测,多脉冲激光目标检测的可靠性明显提高。

目标激光回波散斑的时空域探测方法研究

针对现有脉冲激光回波目标识别方法不能准确反映目标姿态的关键问题,提出一种基于激光回波与散斑的时空域目标探测方法,重点建立了粗糙目标的脉冲激光回波与二维激光散斑模型,通过对平面、球面和非球面三种面型目标进行仿真,不仅可以映射出不同目标的面型和偏转角度,还可以区分目标的偏转方向,说明该方法的可行性与有效性。

合成孔径激光成像雷达(Ⅳ):统一工作模式和二维数据收集方程

提出了合成孔径激光成像雷达(SAIL)的一种统一的工作模式,即激光雷达运动的同时进行光束扫描。同时推导了点目标激光雷达方程,据此还定义了SAIL二维数据收集方程,二维数据收集方程组是合成孔径激光雷达的数据产生和收集过程中的完整数学表达,并给出了统一模式的二维数据收集方程。从统一工作模式可以分解出条带扫描模式、聚束模式、滑动聚束模式和光束扫描模式,及其相应的简化二维数据收集方程。上述的光束扫描模式是一种激光雷达和被观察面之间相对静止而只采用光束扫描实现孔径合成成像的新方法,具有特殊的应用范围。

合成孔径激光成像雷达(V):成像分辨率和天线孔径函数

基于合成孔径激光成像雷达(SAIL)二维数据收集方程和成像算法,研究了圆形孔径和矩形孔径光学望远镜天线的方位向成像分辨率,导出了点扩展函数的解析表达式,分析了理想成像点尺寸及其光学足迹中心偏离、相位二次项匹配滤波失匹、空间采样宽度、采样周期等的影响;也研究了距离向成像分辨率并分析了非线性啁啾补偿等的影响。对于各种影响因素都给出了数学判据,特别是发现了矩形孔径的光学望远镜可以产生适合于SAIL扫描方式的矩形光学足趾并消除方位向分辨率不均匀降低,可以设计最佳的矩形孔径的尺度分别控制光学足趾在方位向及其垂直方向上的尺度,得到大扫捕宽度和高方位向分辨率;也发现了目标外差延时必须尽量小以克服非线性啁啾和初始光频不稳定性相位误差。