雷达信号与遥感地图融合的深度学习低慢小目标检测算法

雷达复杂环境低慢小目标检测是一项具有挑战性的任务,而利用深度学习以及数据特征融合等方法是解决这一难题的有效手段。本文在雷达地图融合检测网络(Radar Map fusion Detection Network,RMDN)的基础上进行了优化,主要优化方向为将雷达与地图信息在检测过程中进行重要性程度区分,具体优化内容为减少地图特征提取模块的网络深度,加入通道注意力机制,让神经网络自主学习雷达信息与地图信息特征的权重,使神经网能够更好地利用地图信息对雷达目标进行辅助检测。在此优化基础上,本文重新设计出了雷达地图融合检测网络RMDN-V2。算法的主要思想为利用卫星遥感地图来提供背景环境信息,作为雷达信号检测的辅助,通过将目标背景中的特征信息融入检测决策中,提高目标检测的准确性和鲁棒性,减少对强杂波和移动物体的干扰敏感性,改善目标检测算法在复杂环境下的表现。最后的无人机雷达实测数据实验结果表明,本文所做的针对性优化是有效的,RMDN-V2的检测性能优于原始的RMDN,同时本文算法检测性能远超传统的雷达检测算法,同时也优于目前主流的一些深度学习雷达目标检测算法。本文为解决当下低慢小目标检测的难题提出了新的算法。

基于WOA-VMD的低慢小目标杂波抑制

以无人机为代表的低慢小(Low,Slow and Small Targets,LSS)目标的检测在雷达探测中因杂波干扰而面临巨大挑战。为了解决低慢小目标杂波抑制问题,本文提出了一种将鲸鱼优化算法(Whale Optimization Algorithm,WOA)与变分模态分解(Variational Mode Decomposition,VMD)相结合的方法,该算法用WOA优化VMD的分解参数,以实现最佳的模态分离效果,有效分离出目标信号与杂波信号。实验结果表明,WOA-VMD方法在复杂环境下能够显著提升低慢小目标的检测概率,计算简单且误差较小,可以对多个目标以及不同多普勒频率大小的目标进行处理,优于传统的杂波抑制方法。

基于改进YOLOv4的低慢小无人机实时探测算法

针对低慢小无人机探测任务中精度不高、在嵌入式平台上部署实时性能差的问题,提出了一种基于改进YOLOv4的小型无人机目标检测算法。通过增加浅层特征图、改进锚框、增强小目标,提高网络对小目标的检测性能,通过稀疏训练和模型修剪,大大缩短了模型运行时间。在1080Ti上平均精度(mAP)达到85.8%,帧率(FPS)达75 frame/s,实现了网络轻量化。该模型部署在Xavier边缘计算平台上,可实现60 frame/s的无人机目标检测速度。实验结果表明:与YOLOv4和YOLOv4-tiny相比,该算法实现了运行速度和检测精度的平衡,能够有效解决嵌入式平台上的无人机目标检测问题。

导航雷达慢速小目标检测方法

针对常用导航雷达在检测强海杂波环境下慢速小目标的困难问题,利用扫描间海杂波非相关特性,提出采取提高天线转速的措施和扫描间信号平滑处理技术,从而抑制或削弱海杂波,增强目标信号强度,改善检测性能。实验表明,本方法显著提高了导航雷达在海杂波环境下检测慢速小目标能力。

“低慢小”目标防控体系建设及发展思路

近年来,以无人机为代表的“低慢小”目标发展迅速,通过搭载侦察、通信、干扰、打击等载荷和运用先进信息技术,已应用于实战或恐怖袭击,对城市防护、要人要地、公共安全造成了重大安全隐患;其以廉降耗、以量增效的新战法和新特点,对现有的防控体系构成了极大挑战。文中结合近10年工程经验,分析“低慢小”目标的特点和防控问题,提出基于OODA理论的“低慢小”目标防控作战流程以及复合组网、态势融合、多元分级、平台开放的体系建设发展思路;面向应用,充分探索各探测、处置手段的发展方向,为开展“低慢小”目标防控技术的发展和能力建设提供重要参考。文中指出,“低慢小”防控任务需要多学科、跨领域的协同配合,并通过常态化的测试与使用,对相关经验进行总结,不断优化迭代体系能力,才有可能解决“低慢小”目标防护的问题。

新型“低慢小”目标探测处置系统的体系建设

随着通用航空事业的快速发展,以无人机为代表的“低慢小”目标在数量规模、技术手段、作战模式方面发生了深刻变化,使得“低慢小”目标的威胁能力不断增大,安全防范需求日趋紧迫。本文立足当前国内探测处置现状存在的主要问题,针对新型目标和城市场景的特点,提出新型“低慢小”目标探测处置体系建设方案,构建指挥控制、预警探测、干扰拦截一体的防控体系。其中,指挥控制作为系统核心,实现整体系统的一体化集成;预警探测通过多传感器构成全天时全天候全空域预警网络;干扰拦截通过“软”“硬”手段结合构成多层次防御体系。通过研制新型“低慢小”目标探测处置体系设计,将“低慢小”目标防范纳入信息化作战范畴,具备更强的体系对抗能力,适应未来信息战争要求。

海杂波环境下慢速小目标检测方法

海杂波环境下慢速小目标检测一直是雷达目标识别的难点,在分析海杂波特性的基础上,设计了脉间信号平滑处理和时频分析两种实用的海杂波抑制和慢速小目标检测方法,通过实验验证,在雷达长时间照射下采取一定时间间隔的扫描间信号平滑处理,而在短时间照射下采取时频分析方法均能有效地区分出淹没于海杂波环境下的慢速小目标。

一种强杂波背景下弱小目标长时间相参积累方法

伴随无人机技术的发展，低空慢速小目标面临杂波强和目标回波弱的问题，同时相控阵雷达需要兼顾空域警戒等多种任务，需要将弱小目标的多次观测信号进行积累检测。文中提出一种基于线性约束最小方差法（LCMV）稀疏基压缩感知（LCMV-CS）的相参积累技术，实现弱小目标多次观测信号片段相参积累，同时实现对强杂波的抑制处理。仿真条件不等间隔积累损失≤1dB，解决常规FFrll相参积累栅瓣的问题，同时抑制强地物杂波40dB，利用实录数据验证该方法可以有效抑制强杂波的同时提升目标信噪比。

低空光电探测系统的研究现状及发展趋势

以无人机为代表的低慢小目标对当前军事产生了重大变革,特别是在复杂作战环境下对现代战争产生的威胁。本文通过对多种探测手段的分析,阐明了光电探测在低空复杂背景探测下的绝对性优势,分析了光电探测系统的研究现状,介绍了当前光电系统面临的四个主要的挑战难题:大视场远距离探测、大视场与高分辨兼容、复杂背景低虚警探测与高精度识别、多目标跟踪定位,并给出了对应的解决思路,同时也是未来光电探测系统的发展趋势,通过光电探测能力的提升,实现真正与雷达能力的匹配。

一种舰载毫米波雷达海杂波背景下的慢速小目标检测算法研究

掠海飞行慢速小目标的检测一直是雷达信号处理领域研究的热点问题。分析了海杂波数据的统计特性,利用天线扫描间海杂波非相关特性,采取单次扫描脉冲间非相参积累,结合天线扫描间积累和杂波图迭代平滑处理技术,抑制海杂波,积累目标能量,改善检测性能。仿真结果表明利用本方法毫米波雷达能有效检测海杂波环境下的慢速小目标。

异类传感器协同探测跟踪技术研究

低小慢消费级无人机的非法滥用,对社会公共安全带来了安全隐患和威胁。文中提出综合的探测和跟踪方法,该方法结合无线电侦测、雷达、光电和声学等传感器各自探测的优势,协同探测来袭无人机目标,互相补盲,并将信息进行融合,形成高质量的目标航迹,提高系统的探测跟踪能力和探测精度,为后续处置设备提供高质量的目标拦截打击引导数据。

低慢小目标雷达探测技术研究

低慢小目标的探测,需要从强杂波抑制和多路径效应两个解决途径入手,针对低慢小目标高度低、速度慢、反射截面积小的目标特性,综合采用高分辨技术(窄波束、高距离分辨、高速度分辨)、精细化处理、频率捷变技术实现对目标的可靠检测,理论分析和试验数据分析表明,这些方法对于低慢小目标的探测是有效的。

面向低慢小目标探测的稳健发射波束控制技术

针对低空、慢速小目标探测易被地面动目标或强地物杂波影响的问题,提出一种抑制近地侧杂波对低慢小目标检测影响的稳健发射波束控制算法。通过约束发射波束对地侧副瓣电平,可以减少对地侧区域的动目标或强地物杂波的回波。算法以波束稳健性为目标函数,以峰均比约束优化发射能量利用率,将该优化问题转换为二阶锥优化(Second-Order Cone Programming,SOCP)问题,并求解该优化问题。仿真结果表明,该算法能够在保持发射效率的同时有效减少近地侧副瓣发射功率,同时提高发射波束的稳健性。

一种快速搜索空中低慢小目标的光电系统

面向国内开放低空的发展趋势和重点区域的防护要求,结合最新的光机电控技术,提出一种可对低空空域进行快速目标搜索的光电技术,并研制了一套样机系统。该系统利用搭载在高精度一维转台上的线阵CCD相机连续采集360°低空全景图像,图像数据通过千兆以太网滑环实时传输至数据处理工作站;数据处理工作站对全景图像进行实时检测,解算得到可疑目标的方向,进而实现对低慢小目标的搜索发现。利用该样机系统开展了初步的观测试验,结果表明:利用该系统可以对低空空域的慢速飞行目标进行全方位的搜索侦查,在大气透明度良好的情况下,最远可以探测到2300 m处的300 mm×300 mm×200 mm大小的无人机目标,测向精度达到60"。本研究工作为解决低慢小目标搜索发现问题提供了一种有效手段。

光电转塔自动搜索跟踪监视低小慢目标控制方法

对低小慢目标的自动搜索跟踪监视具有重要的意义,针对目前对光电探测低小慢目标自动化程度低的问题,提出一种对低小慢目标实现全自动搜索跟踪监视的光电转塔控制方法。在雷达系统发现低小慢目标并给出目标的预测地理位置后,光电转塔内的传感器自动控制系统会自动控制可见光传感器和红外传感器视场将目标以合适的大小显示在图像中,并且自动调焦使目标清晰;光电转塔运动自动控制系统会控制转塔对准目标预测点,控制图像处理器检出低小慢目标,将目标拉到图像中心显示、持续跟踪并识别。试验结果表明该方法可以在多种天气条件下全自动实现对多种低小慢目标发现、自动跟踪监视、识别,实现了系统全自动化工作。

雷达目标检测深层自编码器自适应优化算法

研究了现阶段雷达低小慢目标探测技术的难点与方法。分析了深层自编码器基本模型与算法,通过引入自适应学习理论,提出了基于Rumelhart函数的深层自编码器自适应算法(RDAAA),并证明了算法的收敛性。优化算法避免了网络训练过程中出现惩罚过度的现象,克服了学习速率过高导致网络振荡发散,或学习速率过小降低网络收敛速度等缺陷。利用两种数据集对RDAAA、基于交叉熵函数的深层自编码器学习算法(CDAA)与误差反向传播算法(BPA)进行模式识别能力分析,结果表明在确定限定误差与选取最佳学习速率的情况下,RDAAA相对于CDAA与BPA收敛速度最快,正确识别率更高。围绕雷达目标检测与深度学习理论,分析了低小慢目标特性,将目标检测问题转化为模式分类问题,利用上述三种算法进行目标检测仿真实验,结果表明RDAAA与CDAA的性能明显优于BPA,且RDAAA的检测率更高,特别是处于低信噪比阶段,仍可保持较高的发现概率。

“低慢小”无人机雷达探测研究与展望

小型无人机的雷达截面较小,对它实施远距离探测难度较大,且环境因素和误报问题也会影响雷达探测的表现。然而,雷达探测仍是最前沿的无人机探测技术之一。探讨无人机雷达探测系统在探测和追踪无人机方面的应用和挑战。介绍无人机雷达探测系统的基本原理和研究热点,详细分析无人机雷达探测系统在探测和追踪无人机方面的效果以及遇到的性能和技术上的挑战。未来的研究可以使用合成孔径雷达和集成多个传感器的方法来进一步提高雷达探测系统的探测性能并减少误报数量。同时,机器学习和人工智能技术的应用也可能有助于提高探测精度,使雷达系统适应不同的环境和目标。

雷达低慢小目标检测技术综述

首先,在分析低慢小目标特性的基础上总结了低分辨预警雷达探测此类目标的技术难点。然后,分类总结介绍了目前国内外具有一定启发性的检测技术,基于检测前跟踪技术、基于变换域方法、基于微多普勒分析、基于多活性代理系统检测以及基于杂波白化等方法,并对各方法检测性能进行了简要分析。最后,总结提出了针对此类目标检测技术研究发展的几点思考。

目标回波不连通的慢小目标检测方法

因杂波干扰强度大、目标回波微弱等原因,导致雷达操纵员将慢小目标误当成杂波点。把连续多帧雷达图像进行长时间积累,针对多帧雷达图像积累中目标回波不连通的情况,提出了一种目标回波不连通的慢小目标检测方法。引入目标回波最小外接矩形的长宽比(Fi3)和占空比(Fi2)两个参量,运用图像标记技术提取上述参量。当目标回波间隔距离小于或等于多帧积累时间内慢小目标的运动距离且目标回波长宽比和占空比所确定信息值相近时,把满足该条件目标回波信息值进行累加,并把累加结果作为该区域目标回波SHNN-CAD异常程度计算权值,最终通过控制异常程度值检测出可能的慢小目标,仿真结果验证了该算法的有效性。

图像处理Hough变换的慢小目标航迹起始方法

针对传统算法难以实现对慢小目标进行有效航迹起始的问题,提出了一种图像处理Hough变换的慢小目标航迹起始方法。引入了最小外接矩形的长宽比(F3)、占空比(F2)和像素值(F1)3个参量值作为Hough变换的加权因子,并运用图像标记技术提取积累区域上述加权因子,最后通过加权Hough变换成功起始慢小目标航迹,提高了雷达对慢小目标的探测性能。仿真结果验证了该算法的有效性。