基于高分辨距离像序列的锥柱体目标进动和结构参数估计

弹道目标特征参数估计是进行目标识别的基础。针对缺少先验参数信息时锥柱组合类弹头目标进动和结构参数联合估计难题,该文提出一种基于高分辨距离像序列实现锥柱体目标进动和结构参数联合估计新方法。以旋转对称锥柱体目标为研究对象,基于静态电磁散射数据,结合目标运动模型仿真生成了目标高分辨距离像序列,分析了4个观测区域内锥柱体目标的1维距离像特性。研究了常见雷达观测视角内锥柱体各散射中心的1维距离像序列变化规律,建立了序列中散射中心间的相对位置变化的极值与目标参数之间的关系式,据此完成了锥柱体目标进动和结构参数的联合估计。最后,仿真实验结果验证了文中方法的有效性和适应性。

基于HRRP序列的中段目标二维几何特征反演方法

针对导弹防御系统中的目标识别问题,该文研究弹道中段目标的2维几何特征反演方法。基于中段目标的特殊物理结构,分析了进动锥体目标在雷达径向投影尺寸的变化规律,建立了中段目标2维几何特征与其径向尺寸序列的映射关系,进而提出一种基于HRRPs的2维几何特征反演方法,能够稳定反演出中段进动目标在不同姿态下的2维几何特征。通过电磁计算数据和暗室测量数据验证了所提方法的有效性和稳定性。

基于注意力机制的堆叠LSTM网络雷达HRRP序列目标识别方法

传统的雷达高分辨距离像(high resolution range profile,HRRP)序列识别方法依赖于人工特征提取,并且现有的深度学习方法存在梯度消失问题,导致收敛速度慢,识别精度低。针对上述问题,提出一种基于注意力机制的堆叠长短时记忆(attention-based stacked long short-term memory,Attention-SLSTM)网络模型,该模型通过堆叠多个长短时记忆(long short-term memory,LSTM)网络层,实现了HRRP序列更深层次抽象特征的提取;通过替换模型的激活函数,减缓了堆叠LSTM(stacked LSTM,SLSTM)模型梯度消失问题;引入注意力机制计算特征序列的分配权重并用于分类识别步骤,增强了隐藏层特征的非线性表达能力。模型在雷达目标识别标准数据集MSTAR上多种不同目的的实验结果表明,所提方法具有更快的收敛速度和更好的识别性能,与多种现有方法对比具有更高的识别率,证明了所提方法的正确性和有效性。