基于稀疏表示的小目标检测

现代战场作战环境复杂,智能化、网络化的干扰机是雷达探测的主要威胁。对于从副瓣进来的干扰,利用阵面空域自由度可以较容易地抑制干扰。但对于从主瓣方向进来的干扰,传统的反干扰方法失效,不能有效抑制干扰。干扰环境下,目标信噪比(SNR)较低,如果降低门限检测会增加很多虚警点迹。针对主瓣噪声干扰场景下小目标检测问题,提出了基于稀疏表示的检测技术,利用了目标可以稀疏表示,而噪声不能被稀疏表示的特性,达到了抑制噪声,降低虚警的效果。仿真实验验证了该方法的有效性。     

基于卷积神经网络迁移学习的飞机目标识别

飞机目标识别是地面情报系统的一项重要关键技术。近年来火热的深度学习方法,如卷积神经网络,展现出对于图像识别任务的优越性能。但是,训练卷积神经网络需要大量的带标签样本以估计规模庞大的模型参数,因而限制了其在雷达目标识别领域中的应用。针对飞机目标识别中的小样本问题,文中引入适用于有限数据场景的迁移学习技术,预先在其他大样本高分辨距离像数据上训练一个初始卷积神经网络模型,再结合当前飞机目标识别任务调优模型参数。在实测数据上的实验结果显示,与仅使用卷积神经网络的方法相比,所提方法可显著提升识别准确率,验证了方法的有效性。     

基于深度学习的雷达自动目标识别架构研究

针对深度学习运用于雷达目标识别时存在的数据量欠缺和数据人工标注难等问题,提出将传统目标识别方法与人工智能技术结合,建立面向应用的新的目标识别架构,通过融合处理以及基于传统方法的机器自动标注,获得更优越的识别效果,大幅减少人工标注的工作量,确保系统在低数据量、低标注数据下仍可维持一定的识别效果。雷达实测数据证明了该识别框架的有效性。     

用于HRRP超分辨处理的RELAX算法性能分析

针对现有文献中未出现关于RELAX算法超分辨性能的定量讨论或关于RELAX应用的边界条件分析,导致RELAX算法的实际应用十分困难这一问题,在详细分析RELAX算法的超分辨原理的基础上,通过仿真给出了一些关于RELAX实际应用的边界条件及结论,可用于指导RELAX算法在实际散射中心估计中的应用：RELAX超分辨处理对估计散射点个数不敏感;当FFT点数约为要达到真实分辨力所需FFT点数的2倍时,RELAX超分辨处理的重构精确度可满足要求;在保证一定的重构精确度的前提下,RELAX超分辨处理的分辨力最高可以达到实际分辨力的2倍。本文仿真条件下,当RSN=10 dB时,RELAX超分辨处理在一定误差容忍范围内基本可用。     

基于压缩传感的稀疏多径信道估计

可靠的无线通信通常需要准确地知道下层信道的信息,因此需要进行信道估计,通常是用一个已知的训练波形探测信道以及对信道的输入和输出进行线性处理来估计信道的冲激响应,而许多真实信道(如频率选择性衰落信道)表现为仅有一些相对较少的非零信道系数的稀疏多径信道,常见的估计方法是最小二乘法(LS),此法没有利用稀疏信道本身的低维度特...     

对数变换在高分辨距离像目标识别中的应用

在基于高分辨距离像的雷达目标识别中,幂变换是一种常用的非线性预处理方法,对提高识别率有一定的作用。但幂变换对高分辨距离像目标识别的性能提升受信噪比情况影响较大,且幂变换指数的选取对识别结果影响明显,甚至有不利影响。文中针对幂变换存在的问题,提出用对数变换对高分辨距离像进行预处理。比较分析了对数变换与幂变换的作用机理的异同点,并重点分析了对数变换对高分辨距离像类内和类间相关系数的影响。研究表明:对数变换相较于幂变换更适于对高分辨距离像进行预处理,且实测数据的实验结果表明对数变换比幂变换能更有效地提高识别率。     

稀疏随机矩阵的观测次数下界

压缩感知理论中的稀疏重构问题,要将一个高维信号从它的低维投影中恢复出来,通常选用稠密随机矩阵作为观测矩阵来解决这一问题。而某些稀疏随机矩阵作为观测矩阵也可以达到这一目的。稀疏随机矩阵的特点是,在编码和重构过程中都具有较低的计算复杂度,更新方便,且对存储容量的要求较低。该文基于压缩感知理论,分别对列重固定、行重固定以及一般的稀疏随机矩阵进行了研究,当这些稀疏随机矩阵满足有限等距性质时,推导了观测次数应满足的下界条件,并对三种矩阵的性能进行了分析。以二值稀疏随机矩阵为特例,进行了仿真实验。实验结果显示,结论给出的观测次数下界是比较紧的,并验证了列重固定、行重固定的稀疏随机矩阵作为观测矩阵的可行性和实用性。      

CS-DOA 估计中观测矩阵性能分析

利用压缩感知(CS)理论解决阵列信号波达方向角(DOA)估计问题,具有对快拍数据量要求低、可处理相关源等优点。CS鄄DOA 估计中的一个关键问题是构建合适的观测矩阵。文中对比分析了均匀线阵与随机稀布阵两种阵列流形的稀疏重构性能,分析结果表明在实际应用中基于随机稀布阵构建的观测矩阵性能更优。仿真实验从三个方面比较了两种观测矩阵的DOA 估计性能,验证了随机稀布阵性能的优越性,在不增加阵元数的前提下,能有效提高阵列的空间角分辨率。     

基于机器学习的海面扩展目标检测

宽带高分辨雷达较窄带雷达可获得更多的目标和环境信息,且可更精确地测量目标的位置和运动参数,同时也具有更好的低截获性能.但目标在宽带波形下通常表现为扩展目标,基于点目标假设的传统的信噪比阈值检测方法难以充分利用扩展目标的回波特性.因此,文中提出了基于支持向量机和卷积神经网络两种机器学习方法的海面扩展目标检测器.通过建立仿...     

托普利兹矩阵在压缩多径信道估计中的应用

可靠的无线通信需要准确地知道下层信道的信息,因此需要进行信道估计。而许多真实信道表现为仅有一些相对较少的非零信道系数的稀疏多径信道。对于稀疏多径信道的估计,传统方法例如最小二乘法,没有利用稀疏信道本身的低维度特性,所需训练序列的长度较长,因此估计代价较大。基于压缩感知的信道估计方法,利用稀疏先验信息,能较大地缩短所需训练序列的长度,获得较好的估计效果。该文结合压缩感知观测矩阵的特点,证明了当训练序列的长度不长于信道冲激响应的长度,且托普利兹观测矩阵的行数小于列数时,观测矩阵仍然满足有限等距性质;明确提出了稀疏多径信道估计中所使用的观测矩阵的构造条件。实验结果验证了这种优化了的托普利兹观测矩阵的可行性和实用性。