HIGH RESOLUTION RANGE PROFILE FORMATION BASED ON LFM SIGNAL FUSION OF MULTIPLE RADARS

This paper presents a new method of High Resolution Range (HRR) profile formation based on Linear Frequency Modulation (LFM) signal fusion of multiple radars with multiple frequency bands. The principle of the multiple radars signal fusion improving the range resolution is analyzed. With the analysis of return signals received by two radars,it is derived that the phase difference between the echoes varies almost linearly with respect to the frequency if the distance between two radars is neg-ligible compared with the radar observation distance. To compensate the phase difference,an en-tropy-minimization principle based compensation algorithm is proposed. During the fusion process,the B-splines interpolation method is applied to resample the signals for Fourier transform imaging. The theoretical analysis and simulations results show the proposed method can effectively increase signal bandwidth and provide a high resolution range profile.

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。

分布式雷达信号级融合检测的数据压缩与组网架构设计

分布式探测是雷达领域热点问题,信号级融合探测比数据级融合探测能力更强,但通常需要的通信带宽较大。为此文中针对分布式非相参信号级目标融合探测,提出了基于雷达压缩数据的信号级融合目标检测方法。所提方法通过可并行化计算的信号级融合算法实现不同雷达量测值之间的去耦,通过双门限检测避免传输局部低能量的噪声信号,通过二次量化对过门限信号进行再次压缩,最终实现以点迹通信带宽逼近信号级融合检测的能力。基于4雷达组网的数值仿真结果验证表明,通信带宽缩减至原来的1/1 000,信噪比损失不超过0.7 dB,并据此探索雷达组网的体系架构设计问题,可支撑不同场合下的信号级协同探测工程应用。

基于雷达和视频融合的目标检测

基于视频的目标检测在恶劣天气情况下识别效果较差,故需弥补视频缺陷、提高检测框架的鲁棒性。针对此问题,文中设计了一个基于雷达和视频融合的目标检测框架,利用YOLOv5(You Only Look Once version 5)网络获得图片特征图与图片检测框,利用基于密度的聚类获得雷达检测框,并将雷达数据进行编码,得到基于雷达信息的目标检测结果。最后将两者的检测框叠加得到新ROI(Region of Interest),并得到融合雷达信息后的分类向量,提高了在极端天气下检测的准确率。实验结果表明,该框架的mAP(mean Average Precision)达到了60.07%,且参数量仅为7.64×10^(6),表明该框架具有轻量级、计算速度快、鲁棒性高等特点,可以被广泛应用于嵌入式与移动端平台。

一种机载组网雷达协同目标检测算法

多机协同的机载雷达组网联合目标探测可有效提高复杂电磁干扰环境下对隐身弱目标的探测能力。文中针对机载雷达组网探测时空间配准误差大、协同探测难以实现的难题,提出了一种基于轨迹空间配准的协同目标检测算法,通过雷达间少量距离-多普勒域数据及低检测门限下目标轨迹域数据的交互,采用极大似然估计广义似然比检测器对目标进行联合恒虚警检测(CFAR),并通过轨迹域空间配准与CFAR的迭代计算,实现配准精度和目标联合检测性能的双提升。数值仿真实验的结果表明,在四部雷达组网工作时,在相参积累后信噪比9 dB、虚警概率10-4的典型场景下,经过迭代处理,空间配准精度可达到一个距离-多普勒分辨单元;对目标的检测概率由单部雷达的28.5%提高到四部雷达协同下的83.67%。

雷达微弱目标智能化处理技术与应用

雷达微弱目标处理是实现优异探测性能的基础和前提,在复杂的实际环境应用过程中,由于强杂波干扰、目标信号微弱、图像特征不明显、有效特征难提取等问题,导致雷达微弱目标检测与识别一直是雷达处理领域中的难点之一。传统模型类处理方法与实际工作背景和目标特性匹配不精准,导致通用性不强。近年来,深度学习在雷达智能信息处理领域取得了显著进展,深度学习算法通过构建深层神经网络,可以自动地从大量雷达数据中学习特征表示,提高目标检测和识别的性能。该文分别从雷达目标微弱信号处理、图像处理、特征学习等多个方面系统梳理和总结近年来雷达微弱目标智能化处理的研究进展,具体包括噪声与杂波抑制、微弱目标信号增强;低、高分辨雷达图像和特征图处理;特征提取、融合、目标分类与识别等。针对目前微弱目标智能化处理应用存在的泛化能力有限、特征单一、可解释性不足等问题,从小样本目标检测(迁移学习、强化学习)、多维多特征融合检测、网络模型可解释性、知识与数据联合驱动等方面对未来发展进行了展望。

多雷达多层级自适应协同处理技术

针对空间上分散部署的多雷达,在目标多元、动态变化的博弈对抗场景下,多雷达协同处理方式与目标/环境/资源动态自适应匹配的问题,设计了一种多雷达多层级自适应协同处理框架,包括信号级、特征级、点迹级和航迹级等4个层级。以工程化应用为目标,建立了基于统一空间栅格的多雷达信号级联合检测模型,以时空配准、融合多雷达信号。设计了基于特征级的分布式检测模型,以压缩传输数据量,实现融合检测。综合分析了不同层级协同处理技术的费效比,给出了典型应用场景下协同处理方式的自适应选择原则。通过仿真实验和典型试验系统,对文中提出技术的有效性进行验证,结果表明,该技术可以动态适应目标、环境的变化,提升多雷达协同探测的效能。

基于双路射频指纹卷积神经网络与特征融合的雷达辐射源个体识别

为实现雷达辐射源个体识别不受信号参数、调制方式的影响,该文提出基于双路射频指纹卷积神经网络(Dual RFF-CNN2)和特征融合的雷达辐射源个体识别方法。首先从接收的射频信号中提取原始I/Q(Raw-I/Q)信号;其次分别对Raw-I/Q两路信号进行轴向积分双谱(AIB)和围线积分双谱(SIB)降维以构建双谱积分矩阵;最后将Raw-I/Q信号及双谱积分矩阵共同送入Dual RFF-CNN2网络并进行特征融合以实现雷达辐射源个体识别。实验结果表明,该方法具有较高的识别准确率,提取的“指纹特征”具备稳定性、鲁棒性。

网络化雷达协同抗欺骗式干扰技术研究进展

网络化雷达在战场上可以构成全方位、立体化、多层次的战斗体系,因此对欺骗式干扰对抗具有很大的优越性。本文首先简要介绍了网络化雷达概念,并分析了其抗干扰优势。根据网络化雷达融合结构不同,将现有协同抗干扰方法分为数据级融合抗欺骗式干扰和信号级融合抗欺骗式干扰两大类,其中,数据级融合方法进一步分类为点迹关联和航迹关联两类。本文对各类方法进行了详细介绍,在此基础上,比较分析了数据级融合和信号级融合两类方法的抗干扰性能及算法复杂度,为抗干扰措施的选择提供依据。最后,针对现有方法中存在的问题,对网络化雷达协同抗欺骗式干扰的发展趋势进行展望,指出下一步的研究方向。

信噪比加权空间分集雷达目标检测算法

对于空间分集雷达,各雷达站与目标的距离不同会引起信噪比的不同,从而降低传统的非相干积累检测器的检测性能.基于尼曼-皮尔逊准则,提出一种对各站接收信号进行基于信噪比加权的信号融合检测器.在已知各站回波信噪比的条件下,它可以达到检测性能的上界.数值试验表明,该检测器的检测性能较传统的非相干积累检测器有明显改善,特别在信噪比较低时.

基于数据相关的多雷达融合成像相干配准研究

针对多频带雷达融合成像中不同雷达信号间的相干配准问题,提出了一种新的基于雷达测量数据相关的相干配准方法。该方法在相干配准时不需对各雷达数据分别建模,相对于现有文献中采用的基于信号模型的相干配准法,降低算法复杂度的同时消除了建模误差,提高了相位参数估计的精度。对相干配准后的各雷达数据,通过超分辨和最优迭代方法建立全局信号模型,并对空白频带进行数据预测,得到整个频域范围的目标频率响应。仿真结果表明,该方法相干配准时相位参数的估计性能和最终的融合成像性能均优于现有的模型相关方法,且具有良好的抗噪性能。

一种新的雷达信号识别可信度确定方法

雷达信号的识别是电子对抗的一个重要方面,是保证雷达对抗侦察和干扰设备有效发挥其作战效能的重要前提。在现代雷达对抗中,雷达信号更为复杂多变,造成了信号识别可信度的极大差异。如何衡量信号识别可信度,为实施有效干扰提供更为可靠的保证? 文中针对电子战系统侦收信号的不确定性,以及现有雷达信号识别中识别可信度不能准确反映侦收信号与数据库中相应信号匹配程度的问题,提出运用数据融合的方法对雷达信号识别中的识别可信度进行确定。计算机仿真和实验测试均表明上述方法的有效性,并且已经很好地应用于实践。

基于融合熵特征的辐射源信号识别

针对相近雷达辐射源信号难以识别的问题,一种新的雷达辐射源信号识别方法被提出。该方法基于小波包分解,用主成分分析法融合含有信号类别特性的小波包重构系数特征,并将融合特征的能量熵和概率熵构成特征向量,基于支持向量机实现信号的分类识别。在较大信噪比(SNR)范围内,使用该方法能获得满意的正确识别率,当SNR为5dB时,十分近似的线性调频信号正确识别率达到了91%,实验结果证实了该方法的有效性。

基于EMEMP的雷达二维信号融合成像新方法

雷达信号融合成像是一种能显著提高成像分辨率的参数化新方法.基于改进的Root-Music的传统融合方法对噪声敏感,且存在模型极点失配的问题.本文通过将MEMP(Matrix Enhancement and Matrix Pencil)的二维频率估计方法推广到稀疏数据域,提出了一种基于扩展矩阵增强矩阵束(EMEMP)的融合新方法.此方法首先构造每一维联合增强矩阵,使其满足MEMP算法的配对要求,然后利用MEMP方法估计模型极点,进行极点配对,然后估计模型系数,最后内插频谱以达到融合的目的.实验结果表明相对于传统融合方法,该方法解决了极点失配的问题,提高了模型参数估计的稳健性.

网络化雷达协同探测技术

受限于探测威力、处理能力、天线孔径等因素,单装性能瓶颈问题凸显,网络化探测将是未来雷达技术发展的重要方向。传统组网雷达采用点迹、航迹层面的数据融合方式,节点相对独立工作,处于"松耦合"状态,协同程度不高。信息有机融合、资源协同管理的信号级"紧耦合"探测框架将是必然趋势。文中就网络化协同探测的相关概念、性能分析、处理方法进行了讨论,重点介绍了信号级"紧耦合"探测框架的各项关键技术,包含网络化雷达接收回波相关性分析、系统误差校正、信号级融合检测、协同目标跟踪定位,以及协同资源分配等,对雷达技术发展具有重要的参考价值。

基于偏振成像技术和图像融合理论杂乱背景压缩

文章在光学偏振理论的基础上 ,根据Stokes图像之间的相互联系和特征 ,提出了一种基于Stokes图像能量特征和噪声特征的小波域图像融合规则 ,以便高效地压缩图像中的杂乱背景 ;同时给出残余杂乱背景与总杂乱背景的比率RCC的定义 ,并结合信杂比SCR的定义对背景的压缩程度进行评价 .实验仿真结果表明该方法在杂乱背景压缩方面具有优越性 .

基于压缩感知的多频率信号融合

传统多频带雷达信号融合是利用多个连续采样的子带信号来重构全频带信号,从而提高距离向分辨力,改善一维距离像质量。但是由压缩感知原理可知,采样矩阵与测量矩阵不相关性越大,全频带信号就能重构得越好,因此理论上基于随机采样的信号融合的性能要优于基于多个连续采样的信号融合。基于压缩感知原理将传统的多频带融合问题推广为任意随机采样的信号重构问题,利用基追踪方法来重构全频率信号,并给出了能够高概率成功重构的充分条件。通过实验也证明了这种随机采样融合的优越性。

基于随机森林的雷达信号脉内调制识别

针对雷达信号脉内调制识别算法存在着准确率低的问题,提出一种新的雷达脉内调制类型自动识别方法,该方法首先提取雷达信号时频图像的形状特征和纹理特征构成融合特征,然后将融合特征输入随机森林分类器,实现信号的分类识别。仿真实验中对8种常见的不同调制类型的雷达信号进行识别,提出的算法在信噪比为-2 d B时识别准确率可以达到90%以上,验证了该方法的有效性。

一种新的多频段雷达信号相干算法

多频段雷达信号融合成像技术是提高目标距离像分辨率的一种有效方法。相干处理是多频段融合成像的前提和关键。本文分析了用不同雷达测得的动目标频率响应间的非相干量。针对传统相干方法所需的频谱外推所带来的低信噪比下相干精度差、计算量较大的缺陷,本文提出利用不同频段强散射中心极点信息的差异来估计非相干量,并对算法的处理流程和实际应用中可能遇到的几个问题进行了细致分析。计算机仿真实验和实测数据处理结果表明所提方法有效地改善了估计效果并降低了运算量。

数据场和K-Means算法融合的雷达信号分选

雷达辐射源信号分选是电子情报侦察的关键环节,其中未知雷达的信号分选一直是分选中的难题。针对传统K-Means聚类算法对初始聚类中心敏感、需要事先确定初始聚类数目的缺点,将数据场算法引入到雷达信号分选,并将其与K-Means聚类算法相结合,提出了一种融合算法,该算法不需要雷达信号的先验知识,适用于处理未知雷达信号。通过仿真实验验证所提出的融合算法分选准确率较高,为雷达信号分选提供了新的思路。