Fractal-based weak target detection within sea clutter

The target on the sea surface is complex and difficult to detect due to the interference of backscattered returns from the sea surface illuminated by the radar pulse. Detrended fluctuation analysis （DFA） has been used successfully to extract the time-domain Hurst exponent of sea-clutter series. Since the frequency of the sea clutter mainly concentrates around Doppler center so that we consider to extract frequency-do- main fractal characterization and then detect a weak target within sea clutter by using the difference of frequency-domain fractal characterization. The generalized detrended fluctuation analysis （GDFA） is more flexible than traditional DFA owing to its smoothing action for the clutters. In this paper, we apply the GDFA to evaluate the generalized Hurst exponent of sea-clutter series in the frequency domain. The difference of generalized Hurst exponents between different sea-clutter range bins would be used to determine whether the target exists. Moreover, some simulations with the real IPIX radar data have also been demonstrated in order to suooort this conclusion.

Optimal set integer programming algorithm for multiple maneuvering targets tracking in clutter

The aim of this paper is to solve the problems of multitarget tracking in clutter. Firstly, the data association of measurement-to-target is formulated as an integer programming problem. Through using the linear programming （LP） based branchand-bound method and adjusting the constraint conditions, an optimal set integer programming （OSIP） algorithm is then proposed for tracking multiple non-maneuvering targets in clutter. For the case of maneuvering targets, this paper introduces the OSIP algorithm into the filtering step of the interacting multiple model （IMM） algorithm resulting in the IMM based on OSIP algorithm. Extensive Monte Carlo simulations show that the presented algorithms can obtain superior estimations even in the case of high density noises.

Adaptive Robust Waveform Selection for Unknown Target Detection in Clutter

A basic assumption of most recently proposed waveform design algorithms is that the target impulse response is a known deterministic function or a stochastic process with a known power spectral density （PSD）. However, it is well-known that a target impulse response is neither easily nor accurately obtained; besides it changes sharply with attitude angles. Both of the aforementioned cases complicate the waveform design process. In this paper, an adaptive robust waveform selection method for unknown target detection in clutter is proposed. The target impulse response is considered to be unknown but belongs to a known uncertainty set. An adaptive waveform library is devised by using a signal-to-clutter-plus-noise ratio （SCNR）- based optimal waveform design method. By applying the minimax robust waveform selection method, the optimal robust waveform is selected to ensure the lowest performance bound of the unknown target detection in clutter. Results show that the adaptive waveform library outperforms the predefined linear frequency modulation （LFM） waveform library on the SCNR bound.

Waveform Design for Cognitive Radar with Deterministic Extended Targets in the Presence of Clutter

Adjusting radar transmitted waveform to its environment is one of the most important roles in cognitive radar;having the capability of updating transmitted waveforms in different applications is a key point. It has been shown in many studies that if the waveform is designed according to the target and clutter characteristics, the detection performance will improve significantly. The uncertainty of the target radar signatures decreases via maximizing MI and the probability of extended target detection is increases via maximizing SNR. In this paper, a waveform design approach based on maximizing both SNR and MI and with regard to target and clutter shape is presented. The detection performance for proposed waveform is compared with previous proposed waveforms. The present paper compares different scenarios of target and clutter and using the probability of detection as a cost function to investigate the advantages and disadvantages of each waveform in different scenarios which are mainly discussed in this text. The desired waveform for cognitive radar is selected based on simultaneously making compromises between SNR and MI, which plays an important role in cognitive radar systems and based on the assumption addressed in the text, the best waveform transmitted into the environment.

Study on Dim Target Detection and Discrimination from Sea Clutter

Dim target detection from sea clutter is one of the difficult topics in ocean remote sensing application. By aiming at the shortcoming of false alarms when using track before detect （TBD） based on dynamic programming, a new discrimination method called statistics of direction histogram （SDH） is proposed, which is based on different features of trajectories between the true target and false one. Moreover, a new series of discrimination schemes of SDH and Local Extreme Value method （LEV） are studied and applied to simulate the actually measured radar data. The results show that the given discrimination is effective to reduce false alarms during dim targets detection.

Signal decomposition of HF radar maneuvering targets by using S^2-method with clutter rejection

Multiple maneuvedng targets signal processing in high frequency radar is challenging due to the following difficulties： the interference between signals is severe because of significant spread of the target Doppler spectrum, the low signal to clutter ratio （SCR） environment degrades the performance of signal process- ing algorithms. This paper addresses this challenging problem by using an S2-method and an adaptive clutter rejection scheme. The proposed S2-method improves the S-method by eliminating inter- ference between signals, and thus it enables multi-target signals to be reconstructed individually. The proposed adaptive clutter rejec- tion scheme is based on an adaptive notch filter, which is designed according to the envelop of the clutter spectrum. Experiments with simulated targets added into radar sea clutter echo and real air target data illustrate the effectiveness of the proposed method.

基于无监督图互信息最大化的海面小目标异常检测

受到复杂海洋环境的影响,雷达对海面慢速小目标难以实现高性能检测。对于这类目标,传统的基于能量的统计检测方法存在着严重的性能损失。针对这一问题,该文提出了基于互信息最大化框架下的海面小目标检测方法,实现海杂波背景下的无监督目标异常检测任务。首先,考虑到高分辨雷达回波不满足传统神经网络对样本独立同分布的假设,该文从图的角度重新建模数据,利用回波的空时相关特性来构建图拓扑结构。该文提出相对最大节点度并联合7个已有特征作为节点的初始表示向量。接下来,采用图注意力网络作为互信息最大化框架中的编码器学习节点表示向量。最后,使用异常检测算法进行目标检测,并实现虚警可控。经实测数据验证,使用快速凸包学习算法时,相比三特征检测器,所提检测器性能提升了9.2%;相比时频三特征检测器,性能提升了7.9%。当网络输出更高维的表示向量时,使用孤立森林算法的检测器的性能提升了27.4%。

基于WGAN-GP-CNN的海面小目标检测

针对传统基于统计理论的海面小目标检测方法在复杂海面环境中性能不高的问题,该文提出了一种改进的检测方法。首先通过分析海杂波和目标回波的特征,将检测问题转化为特征空间的分类任务。鉴于海面小目标样本数量有限,存在样本不平衡的问题,该文引入了一种基于梯度惩罚的沃瑟斯坦生成对抗网络(Wasserstein Generative Adversarial Network with Gradient Penalty,WGAN-GP)来增强目标数据,从而在数量上平衡目标样本与海杂波样本。同时,对原始WGAN-GP网络的损失函数进行了改进,引入相位损失以确保生成数据能够反映真实数据的相位信息。基于这些数据,进一步提取了生成目标和海杂波的高维特征,并将其送入卷积神经网络(Convolutional Neural Network,CNN)进行训练。为了应对高维特征空间中虚警概率难以控制的问题,对CNN算法进行了改进,通过设置Softmax分类器的阈值,实现了虚警概率可控。最后,借助公开的IPIX雷达数据集进行实验验证,所提的WGAN-GP-CNN检测器在积累时间为1.024 s,虚警概率为0.001时,平均检测概率达到0.8683,具有良好的检测效果。

双基地SAR动目标图像相位误差分析和二维稀疏重聚焦处理

双基地合成孔径雷达(Synthetic Aperture Radar,SAR)系统中,数据采集空间几何关系复杂,动目标回波距离徙动严重,重建图像中往往存在几何失真和散焦现象,需要进一步补偿运动相位误差。为此,分析并推导了双基地动目标极坐标格式图像的二维相位误差谱。根据相位误差模型建立字典,约束动目标回波谱在字典上的投影系数,进而实现杂波和动目标能量的分离和重聚焦成像。点目标仿真验证了算法的有效性。

雷达杂波处理及其实现

杂波的处理能力将直接关系到雷达对目标的识别与跟踪效果,因而一直成为国内外学者共同关注的问题。当前,基于杂波统计特征的参数化处理方法常无法对处于强杂波环境内的弱小目标进行有效探测,也无法对具有不同分布特征的杂波进行高效处理。而非参数化的处理没有充分利用扰动的先验信息,因此尽管自适应能力很强,但针对性不强。研究更加高效的雷达杂波预处理技术,并在此基础上提出了一种新的方法。

基于随机共振的水下目标微弱回波信号增强检测

针对低信噪比下主动声呐探测水下目标的微弱回波信号检测难题,本文提出了一种基于随机共振的微弱回波信号增强检测方法。该方法通过建立频移变尺度随机共振系统,与输入高频微弱回波信号、随机噪声相匹配,实现微弱回波信号的共振增强;进而利用乘积谱与谱峭度构建目标回波亮点增强检测指标,有效提升微弱回波亮点的能量集中程度,抑制杂波及虚假成分干扰。仿真结果表明:在低信噪比下,随机共振系统输出信噪比增益可达5 dB以上,微弱目标回波亮点检测结果更加直观便捷,杂波干扰得到大幅抑制。海试数据处理结果进一步验证了所提方法的有效性和可靠性。

基于多维特征融合的海面目标检测

为提高海面目标的检测概率,提出一种多维特征融合的目标检测方法。首先,在时域的基础上,提取赫斯特(Hurst)指数和信息熵(IE)2种特征。其次,在频域的基础上,提取频域方差与均值比(FVAR)作为特征。然后,在时频域的基础上,提取短时傅里叶变换(STFT)后的时频图作为特征。最后,使用2支改进的卷积神经网络(CNN)分别训练一维特征和二维特征,之后联合2支网络,得到最终的目标检测结果。进一步与传统卷积神经网络作对比,结果显示在相同训练条件下,所提方法的计算时间缩短40%以上。

考虑海杂波特征的SAR图像海上运动小目标检测方法

鉴于海杂波是一种非平稳性雷达信号,使用传统方法容易受到海杂波特征影响,导致检测结果不精准。充分考虑海杂波特征,提出了SAR图像海上运动小目标检测方法。根据雷达观测场景等距离环,确定波浪传播方向,分析海杂波特征。构建最优自适应海杂波抑制权矢量函数,结合约束最小方差准则抑制海杂波,避免慢速目标难以被有效检测。计算节点邻域内每个像素点到节点的距离,筛选孤立像素点。充分考虑海杂波特征,使用统计平均方式获取海杂波背景下的平均干涉幅度和相位,以此为依据检测运动小目标。实验结果表明,该方法在正常、中等和复杂海况下,检测结果与实际结果一致,说明使用该方法检测结果精准。

非均匀杂波背景下的自适应检测器设计

为提高恒虚警检测器在不同检测背景下的鲁棒性和抗干扰能力,提出一种综合型的自适应检测器,其具备多策略选择能力和检测参数动态调节能力。所提检测器引入贝叶斯信息准则,通过计算参考单元的信息估计序列,对当前检测背景类型进行识别。进一步,在非均匀检测背景下,该检测器能够对干扰目标个数或杂波边缘位置进行估计。最终根据识别和估计结果选择对应的检测策略和检测参数。利用蒙特卡罗仿真,对所提检测器性能进行分析,并与经典检测器进行比较。仿真结果表明,该检测器具备检测背景识别能力和背景参数估计能力。同时,该检测器在检测背景参数先验知识不足的情况下,具有较好的抗干扰能力。

基于MIMO阵列的一体化射频技术研究进展及展望

基于多输入多输出(multiple-input-multiple-output,MIMO)阵列的一体化射频系统通过充分利用空间自由度和波形自由度,不仅能够同时实现雷达探测、数据通信、电子干扰等多种功能,而且具有目标探测可靠性好、参数估计精确度高、反侦察识别能力强等突出特点,在高动态强对抗环境中展现了巨大的潜力。从基于MIMO阵列的一体化射频系统的检测性能分析入手,剖析了一体化射频系统的检测性能极限以及影响检测性能的主要因素;针对MIMO阵列参数高精度估计问题,提出通过单个发射脉冲完成参数估计以及一种增强参数估计精度的波形优化算法;考虑到目标角度估计误差不可避免,提出了一种稳健的一体化波形设计算法;针对杂波环境中一体化射频系统性能下降的问题,提出了发射波形和接收滤波器联合优化算法,该算法不仅能够实现同时多功能,而且有效地抑制了杂波,提高了目标检测性能。最后,展望了一体化射频系统参数估计精度极限、高精度参数估计、稳健波形设计、波形设计算法快速实现等有待突破的信号处理关键技术。

海杂波背景下的双极化最大特征值目标检测

现有的矩阵恒虚警率(constant false alarm rate,CFAR)检测器仅对单一极化回波进行处理,且计算复杂度较高,导致相关性信息使用不充分、检测场景受限。对此,利用双极化雷达回波计算协方差矩阵,通过提取其特征值来衡量回波间的关联性,提出一种计算复杂度较低的基于双极化最大特征值的检测方法。首先,推导了以最大特征值作为几何距离进行检测的可行性。进一步,设计了可在实际场景中使用的基于双极化最大特征值的矩阵CFAR检测器。最后,通过实测海杂波数据验证了所提方法的实际检测能力。仿真结果表明,所提方法相比同样使用最大特征值作为检测统计量的最大特征值矩阵测度算法具有更好的杂波抑制效果,检测性能也优于非相参积累的单元平均CFAR检测方法。

基于改进WTD-SVD-WOA-LSTM方法的海杂波背景下小目标检测

针对海面小目标因体积小、移速慢而导致的检测难问题,提出了一种改进WTD-SVD-WOA-LSTM检测方法。首先,利用改进小波阈值法(Wavelet Threshold Denoising, WTD)结合优化奇异值分解(Singular Value Decomposition, SVD)法对海杂波去噪;然后,通过改进鲸鱼优化算法(Whale Optimization Algorithm, WOA)对长短期记忆神经网络(Long Short-term Memory, LSTM)的超参数选优,获得最佳预测模型;最后,根据预测误差均方根值进行小目标检测。利用冰区多参数成像X频段雷达(Ice Multiparameter Imaging X-band Radar, IPIX)实测海杂波数据进行验证,所提方法相较于单一LSTM检测方法,检测阈值区间更广,检测能力至少提高了16%。

SAR图像中舰船目标恒虚警率检测技术的研究

在各种各样的合成孔径雷达图像舰船目标检测方法中,应用最广泛、最重要的就是具有自适应阈值的恒虚警率(CFAR)检测器。为了提高SAR图像中舰船目标的检测性能,人们试图通过各种统计分布模型对SAR图像中的杂波背景进行统计建模,如Gamma分布、K分布、对数正态分布、G0分布、alpha稳定分布等,再通过相应的统计分布模型以及各种样本筛选技术的CFAR检测器对舰船目标实施检测。SAR图像中杂波背景是复杂多变的,当实际杂波背景与假定统计分布失配时,参量型CFAR检测器的性能会恶化,非参数CFAR检测器就会显示出优势。该文提出了基于Wilcoxon非参数检测器的新途径对SAR图像中舰船目标进行检测,并在Radarsat-2,ICEYE-X6和Gaofen-3卫星的实测数据上,与几种典型的参量型CFAR检测方法进行了对比。实验结果表明,Wilcoxon非参数检测方法在这3种实测数据上的虚警控制能力具有良好的鲁棒性,还可以带来弱目标检测性能的改善,具有运算速度快、易于硬件实现的特点。

基于改进1D-AlexNet的海面小目标高维特征检测

目前,海面小目标已成为海洋雷达探测的重点和难点。这类目标具有低信杂比和弱机动性,导致传统检测器性能损失严重,出现检测概率低和虚警率高的问题。为了有效探测目标,常常需要雷达具备长时观测的能力,从而提高目标回波的信杂比。新体制下全极化雷达可保证足够的观测时间,且进一步拓宽信息的维度。为此,本文提出一种基于改进1D-AlexNet的新检测方法,通过充分挖掘全极化雷达的回波信息,全面提高海面小目标探测能力。首先,从时域、频域、时频域、极化域,提取24个有效特征,他们综合反映了海杂波和含目标回波在功率、分形、几何、散射等方面的差异性。其次,联合所有特征构建一个高维特征空间,并将传统二元检测问题转换为高维特征空间中的两分类问题。随后,从结构和参数两个层面,设计一种改进1D-AlexNet的两分类器,用于检测小目标。在结构层面,将传统二维AlexNet模型降低到一维并进行层数精简化,从而加快模型的训练速度。在参数层面,引入具有自适应调整斜率的激活函数,保证模型的稳定性。同时,将幂指数衰减函数替代固定学习率,进一步提高模型的分类精度。最后,通过IPIX实测数据验证,结果表明:相对现有的特征检测器,所提出的检测器具有最佳的检测性能,并在复杂的杂波环境下仍能保持稳健性。此外,改进后的分类器结构简单,训练速度快,有望应用于实际雷达快速探测中。

基于雷达目标特征可分性的一维特征选择方法

海杂波背景下的海上小目标是海洋雷达探测的重难点。针对特征空间内海杂波与小目标特征可分性问题,提出了量化特征之间可分性的度量标准——重叠系数。通过开展对海探测试验获取的2~5级海况实测数据,分别提取时域特征相对平均幅度(Relative Average Amplitude,RAA)、相对峰值峰高(Relative Peak Height,RPH)、时域熵值均值(Time domain Entropy Mean,TEM),频域特征相对多普勒峰高(Relative Doppler Peak Height,RDPH)、相对多普勒向量熵(Relative Vector Entropy,RVE)、频域熵值二阶矩(Second moment of Frequency domain Entropy,SOFE),计算出重叠系数。通过特征检测器进行检测性能对比,低海况下,相对平均幅度、相对峰值峰高、时域熵值均值、相对多普勒峰高、频域熵值二阶矩特征之间重叠系数均在0.3以下,对应特征检测器的检测概率均在85%以上;高海况下其特征之间重叠系数均在0.7以上,对应特征检测器的检测概率均在50%以下。相对多普勒向量熵在4种海况下可分性较小,其对应的特征检测器性能较差。结果验证了重叠系数在一维特征选择的应用可行性,为多特征融合目标检测提供了一定支持。