一种改进的谱峰跟踪运动补偿算法

针对步进频率信号成像过程中存在的多普勒敏感特性,介绍了常用的谱峰跟踪运动补偿法,在分析传统算法局限性的基础上,对其进行改进,将搜索到各距离像的谱峰间的距离与门限进行比较,以判断是否存在搜索有误或距离像折叠的情况。Monte-Carlo仿真实验表明,改进后的算法具有测速精度高,抗噪能力强,受距离像折叠的影响较小等优点。     

大入射余角下的海杂波建模方法研究

大入射余角下的海杂波模型适用于探测雷达发现强海杂波下的隐蔽目标,是目前最新的一种雷达海杂波回波建模方法。基于随时间变化的海表面动态模型和依赖探测雷达波束几何分割的有效照射区域模型,计算出的照射区域内海杂波回波是由该区域分割的众多散射单元的回波合成的。根据雷达特性将海表面用网格分割成小块,相关模型中的每一块都可当做一个RCS单元,仿真结果证实了杂波模型的有效性。     

基于联合稀疏性的多视全极化HRRP目标识别方法

该文考虑利用连续获取的多视全极化高分辨距离像(High Range Resolution Profile, HRRP)进行目标识别的问题。多视全极化HRRP样本包含了3个层次的先验信息:样本内各分量来自同一目标;单视内4种极化组合方式下的HRRP均对应相同的目标姿态;相同极化方式下的多视观测是相关的。为有效利用上述信息进行目标识别,该文提出一种基于联合稀疏表示的多视全极化HRRP目标识别方法。该方法约束各分量对应的稀疏表示系数共享原子级的稀疏模式。原子级稀疏约束使得从各极化字典中选择来自相同姿态的字典原子对样本中各分量进行稀疏表示,可以有效利用上述3个层次的先验信息进行目标识别。利用目标电磁散射数据对所提方法进行了验证,结果表明,该方法具有较好的识别性能,并且对噪声具有良好的鲁棒性。     

基于卷积神经网络的SAR图像目标识别研究

针对合成孔径雷达(Synthetic Aperture Radar, SAR)的图像目标识别应用, 该文提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)的SAR图像目标识别方法。首先通过在误差代价函数中引入类别可分性度量, 提高了卷积神经网络的类别区分能力;然后利用改进后的卷积神经网络对SAR图像进行特征提取;最后利用支持向量机(Support Vector Machine, SVM)对特征进行分类。使用美国运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition, MSTAR)SAR图像数据进行实验, 识别结果证明了所提方法的有效性。      

基于序贯蒙特卡罗概率假设密度滤波的多目标检测前跟踪改进算法

实现目标数目未知且可变条件下的多目标检测与跟踪是个极具挑战性的问题,在信噪比较低的情况下更是如此。针对这一问题,该文提出一种基于点扩散模型的多目标检测前跟踪改进算法。该算法在序贯蒙特卡罗概率假设密度(SMC-PHD)滤波框架下实现,通过自适应粒子产生机制完成新生目标在像平面中的初始定位,并根据目标在图像中可能出现的位置对全体粒子集进行有效子集分割和快速权值估算,最后利用动态聚类方法完成多目标状态的准确提取。仿真结果表明,该方法有效改善了多目标检测前跟踪的估计性能,并大大提高了算法执行效率。     

一种关于LFM相参脉冲信号多普勒频率变化率的估计算法

LFM信号在雷达和通信中得到广泛应用,对于单站无源定位与跟踪系统来说,获取LFM信号中多普勒频率变化率信息具有十分重要的现实意义.接收信号的多普勒频率变化率十分微弱,很难精确测量.本文提出了基于渐近小波变换的多普勒频率变化率估计算法,通过对LFM信号的渐近小波变换谱做相关,增强了多普勒频率变化率信息,消除了调频率对参数估计的影响.数值仿真表明参数估计的精度接近CRLB,能达到单站无源定位与跟踪系统的精度要求.     

基于角度和频率信息的机动目标无源自适应跟踪算法

在进行可观测性分析的基础上,综合利用方位角和频率观测信息,提出了一种利用单个模型对机动目标进行无源跟踪的UKF算法,该算法通过对目标的运动状态和机动参数进行联合估计自适应地逼近真实的运动模型,从而进行准确跟踪。与现有算法相比,本文的算法不仅运算量小,而且降低了对观测站自身的运动要求,但却保持了良好的性能。仿真结果表明了算法的有效性和正确性。