基于自适应可调Q因子小波变换的海杂波背景下的目标检测技术

本文针对海杂波背景下的慢速微弱目标的检测问题,根据海杂波和目标的振荡特性差异,提出了一种基于自适应可调Q因子小波变换(Adaptive Tunable Q-factor Wavelet Transform, A-TQWT)的海杂波背景下的目标检测算法。通过迭代计算、搜索出最能匹配海杂波和目标振荡特性的可调Q小波变换(TQWT)三元参数组合(Q,r,J),运用形态分量分析法(Morphological Component Analysis, MCA)对海面回波信号进行分析,得到目标的最优稀疏表示;再根据目标分量各小波子带占总能量的比重,选取合适的门限确定重构小波系数集进行重构,得到目标的重构信号,从而实现目标和海杂波的有效分离。最后在IPIX实测数据集上添加慢速微弱运动目标进行算法验证,结果表明本文提出的算法可以有效检测出落入海杂波多普勒通道中的慢速微弱目标,且不需要任何目标和杂波的先验信息。

雷达海杂波尖峰时频分布特性研究

对雷达海尖峰进行了重新定义,使用短时傅里叶变换、平滑伪维格纳分布以及平滑内维格纳分布的重排形式3种工具分析了IPIX雷达杂波数据的单个距离分辨单元内海尖峰与时频分布之间的关系。研究表明,伴随海尖峰的发生,杂波对应的时频能量分布也较强。

一种基于知识辅助的CFAR检测器

针对单元平均恒虚警率(CA CFAR)检测器存在的杂波边缘效应问题,研究了一种基于知识辅助的CFAR检测器,该检测器由两部分组成:数据选择器和传统的CA CFAR检测器。数据选择器利用GIS提供的先验信息对参考单元进行筛选,尽可能地选择与待检单元(CUT)地貌相同的训练样本,也就是说选择相对CUT为均匀的参考单元,级联的CA CFAR完成检测判决。最后,通过IPIX雷达实测数据,从虚警个数和检测两个方面与传统的CFAR检测器进行了详细的比较。仿真结果表明,基于知识辅助的CFAR检测器具有更优的性能。

基于迁移学习的雷达杂波幅度统计模型选择

在对目标进行探测和识别的过程中,雷达杂波幅度统计模型选择是重要步骤。为了提升杂波幅度统计模型选择的准确率,基于样本分布适配,提出了一种加权再均衡分布适配的迁移学习方法,实现了仿真数据的信息向实测海杂波IPIX数据的迁移。通过与已有算法进行比较,实验结果表明改进后的算法在IPIX数据集上能取得更好的分类准确率,在迁移学习公共数据集Office-Caltech10上的验证结果也表明了算法的普适性。

基于高尺度分形差量的海杂波背景下小目标检测

为了降低复杂海情对海杂波背景下小目标检测的影响,提高微弱信号检测准确度,文中采用多重分形去势波动分析法分析了海杂波数据在高尺度条件下的分形特性,将分形尺度q扩展到[-30,30],对多重分形参数H(q)的估计进行了研究,得到了高尺度分形差量ΔH(q),分析了尺度q的选取对ΔH(q)的影响,提出了一种基于高尺度分形差量的海杂波中小目标检测方法。实验结果表明:IPIX海杂波数据的分形特性受到海情和雷达极性的影响,选择高尺度指数q时,所提方法能够有效地区分动目标与纯海杂波之间的分形差异性,降低海杂波背景下小目标检测对海情的依赖性,相较于单尺度去势波动分析检测方法,大部分海情的检测门限提高了40%以上,发挥了海杂波数据在高尺度多重分形上的优势。

基于全极化信息融合的海杂波中漂浮小目标检测算法

强海杂波中的漂浮小目标检测是对海雷达探测的热点与难点问题。传统算法在单一域(时域,多普勒域以及时频域)中检测性能差,基于特征的检测算法是解决海面漂浮小目标检测的有效手段。提出了基于全极化信息的特征融合检测算法,选取时域与多普勒域的6特征,提取出基于全极化信息的6特征,分析特征的可分性,最后利用PCA异常检测器进行目标快速检测。在实测IPIX雷达数据集上进行验证,实验结果证明,相比于已有的PCA检测算法,所提算法具有优良的检测性能。