基于局部密度聚类的雷达目标散射中心区域分割

散射中心是描述雷达目标高频散射机理的重要特征,准确提取雷达目标散射中心参数对解析雷达目标有着极其重要的研究意义。为了提高散射中心参数计算速度,通常将整幅合成孔径雷达(synthetic aperture radar,SAR)图像分解为多个包含散射中心的小区域,对每个小区域分别进行特征提取和参数计算。根据雷达目标散射中心的特点,提出了一种基于局部密度聚类的雷达目标散射中心区域分割技术。首先,对雷达图像进行Frost滤波、基于水平集方法(level set method,LSM)的图像分割和面积滤波的一系列图像预处理获得目标感兴趣(region of interest,ROI)区域,然后对预处理后的图像利用局部密度聚类算法检测散射中心并进行区域分割。实验中,采用模拟数据和真实数据对所提方法和传统图像分割算法展开数值实验,实验结果验证了所提方法在雷达目标散射中心区域分割的有效性和优越性。

基于HRRP的雷达目标识别研究综述

雷达目标识别(RTR)技术在国土防空和战略预警领域具有重要意义,目前相关研究大多基于高分辨距离像(HRRP)展开。梳理了当前研究主要聚焦于样本完备和小样本情况下目标识别的问题,研究方法主要聚焦于基于特征提取的识别方法、基于统计建模的识别方法以及基于深度学习的识别方法等3个方面。聚焦2大问题,从3个方面开展综述,进行归纳总结;指出在当前研究领域存在的5个亟待解决的问题,分析了下一步研究可以考虑的方向。

闪烁噪声条件下基于交互多模框架的雷达目标跟踪算法

针对传统雷达目标跟踪算法在处理闪烁噪声时面临的性能下降问题,提出一种将容积卡尔曼估计器与交互多模框架相结合的高性能滤波算法。该算法将目标状态建模为高斯分布,将闪烁噪声建模为混合高斯分布,同时将其发生概率建模为一阶马尔可夫过程;在此基础上,利用交互多模框架实现对不同高斯噪声分量的匹配滤波处理。为了减轻非线性观测条件对目标跟踪精度的影响,进一步采用容积卡尔曼估计器作为高斯近似滤波器,对目标状态进行递推预测和更新。仿真结果表明:所提算法较传统高斯混合滤波器和粒子滤波器具有更高的跟踪精度和更好的实时性能,同时还能对闪烁噪声出现时刻进行有效的估计。

基于图信号处理的频控阵雷达目标定位方法

针对现代雷达应用对目标高精度测角和测距的需求,该文将图信号处理(GSP)应用于频控阵(FDA)雷达目标定位中,提出一种基于图信号处理的频控阵雷达目标定位新方法。首先,基于频控阵雷达几何模型及回波数据间的信号关联性构建回波数据的图信号模型,进而利用图傅里叶变换对上述图信号作图谱分解,构建2维谱峰搜索优化函数,最终有效获得目标的方位角-距离联合估计。仿真实验结果表明,该算法能够正确估计出目标的方位角和距离信息;在相同仿真条件下,算法的估计精度优于同类算法且提升了对弱目标的定位性能。

一种基于修正激活函数的CNN车载毫米波雷达目标检测方法

为了提高车载毫米波雷达在复杂城市道路环境中目标检测的抗杂波与干扰能力,本文利用卷积神经网络(CNN)特征参数提取和目标分类特性,提出了一种改进的基于CNN的车载毫米波雷达目标检测方法。该方法首先将毫米波雷达回波信号距离-多普勒二维数据运用滑窗进行分割,并采用CNN网络模型处理分割后的二维矩阵,训练二维CNN网络模型及其参数,使其具有提取回波特征并基于特征参数模型进行目标分类的能力,从而实现目标检测功能。通过对卷积神经网络模型结构进行优化,增加批量归一化层,优化Dropout层使得低权重特征失活,自适应地删减部分神经元节点修正该层非线性激活函数,进一步降低了CNN模型目标检测的虚警概率。实验结果表明,在相同虚警概率条件下,CNN网络检测方法目标发现概率优于传统的单元平均恒虚警检测方法,并且在低信噪比的条件下仍然能够保持较高的发现概率;在同等发现概率水平下,修正后CNN网络检测方法的虚警概率较修正前可提高约1个数量级。

雷达目标识别评估中的数据可分性度量方法

以机器学习为主的雷达目标识别模型性能由模型与数据共同决定。当前雷达目标识别评估依赖于准确性评估指标,缺乏数据质量对识别性能影响的评估指标。数据可分性描述了属于不同类别样本的混合程度。数据可分性指标独立于模型识别过程,将其引入识别评估过程,可以量化数据识别难度,预先为识别结果提供评判基准。因此该文基于率失真理论提出一种数据可分性度量,通过仿真数据验证所提度量能够衡量多维高斯分布数据的可分性优劣。进一步结合高斯混合模型,设计的度量方法能够突破率失真函数的局限性,捕捉数据局部特性,提高对数据整体可分性的评估精度。接着将所提度量应用于实测数据识别难度评估中,验证了其与平均识别率的强相关性。而在卷积神经网络模块效能评估实验中,首先在测试阶段量化分析了各卷积模块提取特征的可分性变化趋势,进一步在训练阶段将所提度量作为特征可分性损失参与网络优化过程,引导网络提取更可分的特征,该文从特征可分性角度为神经网络识别性能的评估与提升提供新思路。

基于测地线流式核的雷达目标高分辨距离像鲁棒识别方法

非合作目标识别常常面临少量不完备的训练样本、训练样本与测试样本信噪比不一致等现象,本文为此提出了一种基于测地线流式核的雷达目标高分辨距离像鲁棒识别方法.该方法沿格拉斯曼流形中测地线积分提取不变特征,且通过核函数映射可获得解析特征提取表达式.该方法还可作为预处理手段对数据降噪,进一步提高其他算法的识别准确率.实验结果表明,对于信噪比失配和少量不完备样本等问题,该方法都具有鲁棒目标识别能力,并且满足实时性要求.

一种应用DS证据理论的雷达目标与IFF点迹关联方法

针对目标数量多、目标构成复杂环境下雷达目标与敌我识别(Identification Friend or Foe,IFF)点迹关联不准确的问题,提出了一种基于DS(Dempster-Shafer)证据理论的关联方法。基于区间灰数模型完成雷达目标与IFF点迹的灰关联度计算,并据此生成DS证据理论中辨识框架的基本概率赋值;利用Dempster规则对证据进行组合,当证据之间存在冲突时采用改进Murphy方法对数据进行处理;最终通过概率转换方法完成关联判决,形成对目标敌我属性的判定。典型场景下的仿真结果表明,该方法能够实现雷达目标与IFF点迹的有效关联,通过多次询问及关联过程,可提升不同场景下的关联正确率。

基于多层LSTM模型的雷达目标航迹快速识别算法

雷达目标航迹的快速识别对指挥员战场决策具有重要的参考作用,传统雷达目标航迹识别算法对于目标特征分析效果差,导致航迹识别效果不理想,为此,设计了基于多层长短期记忆网络(Long Short-Term Memory, LSTM)模型的雷达目标航迹快速识别算法。对雷达目标航迹信息进行采集与去噪处理;构建多层LSTM模型,提高对时间序列数据处理的性能,将采集的数据输入多层LSTM模型中;通过多层LSTM网络自主学习获取雷达目标航迹特征,并设计融合模块对多个特征进行融合处理,得到多特征子集,改善单一特征分析的不足;基于适应性矩估计(Adaptive Moment Estimation, Adam)算法优化模型超参数,训练损失函数,通过构建多层LSTM模型分类器完成雷达目标航迹快速识别。仿真实验结果显示,该算法能够精准提取雷达目标的多特征信息,多特征融合效果良好,航迹识别结果精准,目标位置平均识别误差为0.31 m,雷达目标航迹识别时间平均值为0.56 s,说明该方法能够精准、快速完成航迹识别。

基于海杂波先验知识的雷达目标自适应Rao检测

针对非高斯非均匀海杂波背景下雷达海面目标检测性能改善的问题,该文基于海杂波的先验知识提出了一种自适应Rao雷达目标检测方法。首先将海杂波的纹理分量和散斑协方差矩阵分别建模为逆高斯随机变量和逆复Wishart分布的随机矩阵,然后基于Rao检验和未知参数估计,设计了一种匹配海杂波特性的雷达目标自适应Rao检测方法。通过理论推导和实验验证了所提检测方法对杂波平均功率和协方差均值矩阵具有恒虚警特性。仿真数据和实测数据实验结果表明,在非高斯非均匀环境下所提检测方法优于已有检测方法,并且具有良好的鲁棒性。

基于灰色理论的雷达目标与IFF点迹关联方法

为提升复杂环境下雷达目标与IFF点迹的关联正确率,提出了一种基于灰色理论的关联方法。在不同场景下,通过计算灰关联度判断多个雷达目标与IFF点迹关联时是否存在竞争,若存在则利用雷达目标与IFF关联的历史信息对灰关联度进行修正,最后基于最大关联度识别原则完成关联判决,形成对目标的敌我属性判定及识别置信度估计。典型场景下的仿真结果表明,通过对目标的多次询问及与雷达目标的关联,可提升不同环境下的关联正确率,提升合作目标属性判定的置信度。

组织协同进化分类算法用于雷达目标一维像识别

针对雷达目标一维像识别问题 ,提出了一种基于组织协同进化分类算法的识别方法 .该方法与现有进化分类方法的不同之处在于它的进化操作直接作用于样本而不是规则 ,采用了一种自下而上的搜索机制 ,即先使若干样本的集合得到进化 ,再从进化结果中提取规则 .这样有利于避免在进化过程中产生无意义的规则 .该方法不需要进行特征提取 ;对于高维数据 ,不需要预先进行降维处理 ;没有复杂的运算 ,训练和识别的速度都很快 .对 3种飞机微波暗室实测数据的识别实验表明 ,该方法性能稳定 ,优于基于支撑矢量机与子波核函数的方法 ,识别率均达到了96 %以上 .实验中还对算法的抗噪能力进行了测试 。

最大间隔核优化的雷达目标识别新方法

基于目标高分辨率距离像的雷达自动目标识别技术在军事和民用上都有巨大的应用价值。但是由于雷达目标高分辨距离像的姿态敏感性以及高特征维数,造成了其非线性可分性。针对此问题,本文提出了一种基于最大间隔核优化的雷达目标高分辨距离像识别方法。本方法首先采用了最大间隔准则算法来优化数据依赖核函数,然后利用支持向量机分类器实现了雷达目标高分辨距离像识别,最后进行了基于5种战斗机目标高分辨距离像的实验仿真。实验结果表明了基于最大间隔核优化的目标识别算法对于SVM分类器可以有效实现核函数优化,从而能够提高目标识别性能。

球坐标系下多普勒雷达目标跟踪滤波器

将仅仅考虑位置量测的三维去偏一致转换量测卡尔曼滤波算法进行推广,以解决包含多普勒量测且斜距和多普勒的量测误差相关的雷达目标跟踪问题。首先利用斜距和多普勒量测的乘积构造伪量测,以减小多普勒量测和目标运动状态之间的强非线性程度;然后利用嵌套条件方法得到了转换量测误差前两阶矩的一致性估计;最后根据转换量测是目标运动状态二次函数的特性,用二阶EKF最优地实现了非线性跟踪滤波。Monte-Carlo仿真结果表明采用新算法可以明显改善跟踪滤波器的性能。

海杂波中的雷达目标检测技术综述

首先,总结了雷达对海上目标进行检测时面临的三个主要难点;然后,重点讨论了几种典型的具有较大发展潜力的海上目标雷达检测技术;并在上述分析的基础上总结了雷达对海上目标检测技术的发展趋势,即,雷达对海上目标的检测技术逐渐从单维度信息利用、单手段处理向空、时、频、波形和极化等多维度信息综合利用,多视角、多波段、多脉冲、多层面、多波形、相参和非相参等多手段处理改善信杂噪比的方向发展。

雷达目标旋转部件的微Doppler效应

目标的微动特征与目标属性密切相关,可作为目标识别的重要特征。对旋转部件,该文建立了具有空域时变特性的点散射模型。基于此模型,分析了由目标的旋转部件引起的微Doppler效应,对含有旋转部件的目标回波的时频特性进行了理论推导,并利用外场实测数据,得到了雷达目标回波的时频图,与理论推导的结果十分吻合,验证了理论推导的正确性。在此基础上,提出了一种基于短时傅里叶变换的目标微动参数提取方法,利用实测数据对目标的微运动参数提取进行了尝试,得到了很好的结果,为PD雷达的目标特征提取与识别提供了理论指导。

雷达目标散射中心模型反演及其在识别中的应用

提出了一种基于散射中心模型的距离像识别方法。首先采用稀疏空间网格上的宽带测量数据离线反演目标散射中心模型,再将从距离像中实时提取的一维散射中心特征与该散射中心模型的一维投影进行匹配完成在线识别。在散射中心模型反演中,提出了稳定散射中心的概念并基于此完成稀疏空间网格下的一维散射中心投影关联。在识别过程中,通过设计合适的匹配函数解决散射中心参数估计误差和模型误差造成的散射中心数目、幅度和位置不完全匹配问题。仿真实验表明,对于精度较高的模型,基于模型的识别方法与基于距离像模板的方法识别率相当,而在存储量和灵活性方面优势突出。

雷达目标微动分辨

研究了基于微多普勒的目标微动分辨,以Wigner-Ville分布为工具,给出了提取微多普勒的方法,然后由微多普勒和微多普勒率的傅里叶变换实现目标的微转动和微平动分辨,提出了基于微多普勒滤波的目标微动分辨技术,使用仿真数据和蒙特.卡洛实验演示了目标微动分辨技术的性能,仿真结果证明了基于微多普勒滤波的目标微动分辨技术的有效性。

基于电磁涡旋的雷达目标成像

作为信息载体的电磁波除了传统的携带信息方式外,近年来其波前以电磁涡旋形式展现的信息调制能力也越来越受到关注。本文综述了电磁涡旋在信息调制等方面的研究进展,阐述了其在雷达信息获取方面的潜在应用价值。针对圆形相控阵列,建立了电磁涡旋波照射下理想点散射目标的回波模型。将各阵元的接收信号按照与发射时相同的模式移相后,沿圆周积分即可获得雷达阵列的输出回波。该回波可表示为经平方Bessel函数调幅后的傅里叶基函数的线性组合。结合Bessel函数的频谱特性,分析了轨道角动量拓扑荷与方位角变量之间的近似对偶关系,利用逆投影和滤波-傅里叶变换方法进行了成像处理。仿真实验表明,电磁涡旋对雷达目标具有方位向成像的潜力。研究可为新体制的雷达设计、目标识别技术的发展提供参考和借鉴。

ARM导弹对雷达目标的毁伤概率仿真建模

提出了建立空地反辐射导弹单发毁伤概率计算模型的必要性,详细建立了空地反辐射导弹对地面雷达目标的单发毁伤概率计算模型,并对其进行了大量的计算机仿真,结果表明了该模型的有效性。该模型的建立为进一步定量分析空地反辐射导弹的作战效能奠定了一定的基础。