合成孔径雷达原始数据压缩

本文首先论述了合成孔径雷达原始数据压缩的意义和重要性,接着简要回顾了它的发展历史,着重讨论了分块自适应量化(BAQ)和矢量量化(VQ)两种数据压缩方法.最后展望了合成孔径雷达原始数据压缩的发展前景.     

自旋尾翼弹头的双基地微多普勒研究

微动特征是弹道中段目标雷达识别的有效特征之一。针对基于自旋尾翼弹头的双基地微多普勒的自旋和结构参数估计问题,该文首先建立了自旋尾翼弹头双基地散射中心的微多普勒模型,然后利用FEKO计算了尾翼弹头的双基地散射系数,通过对散射系数序列的时频分析,验证了模型的正确性,同时总结了自旋尾翼弹头的双基地微多普勒特性,再分析了估计自旋和结构参数的可行性,最后,由于闪烁效应导致Hough变换已不能有效估计参数,该文提出了利用闪烁效应估计参数的新思路。     

地面双基地雷达箔条干扰研究

在充分考虑双基地雷达工作特点的条件下，首先根据箔条干扰的性质，分析其雷达截面积，其次建立了双基地条件下箔条云团的雷达截面积模型，通过与现有理论的比较，证明了该模型的合理性。最后，建立了箔条云团干扰回波的模型。     

合成孔径雷达景象匹配实时信号处理的研究

介绍了合成孔径雷达景象匹配的定位机理。针对合成孔径雷达景象匹配实时信号处理特点,提出了一种实时处理系统的结构。分析了合成孔径雷达景象匹配实时成像处理的特殊问题。比较了合成孔径雷达景象匹配实时信号处理与普通机载合成孔径雷达实时信号处理各自的特点。最后以实际处理结果对以上各点进行了验证。     

基于高斯混合势化概率假设密度的脉冲多普勒雷达多目标跟踪算法

为在新兴的随机有限集(RFS)框架下充分利用多普勒信息跟踪杂波环境下的多目标,该文提出基于高斯混合势化概率假设密度(GM-CPHD)的脉冲多普勒雷达多目标跟踪(MTT)算法.该算法在标准GM-CPHD基础上,在使用位置量测更新状态后,再利用多普勒量测进行序贯更新,可获得更精确的似然函数和状态估计.仿真结果验证了该算法的有效性,表明在GM-CPHD基础上引入目标的多普勒信息可有效抑制杂波,显著改善跟踪性能.     

基于累积变换的周期性对称调制模式的快速自动搜索算法

借鉴平面变换技术,将密集雷达脉冲序列映射成平面位图矩阵,并提出自动搜索周期性对称调制模式的快速算法,用于分选密集信号环境下PRI受周期性对称调制的雷达脉冲.大量的仿真试验结果表明算法在密集信号环境下,分选PRI是周期性对称调制的雷达脉冲的平均准确率达到92%,平均漏选率只有5%,极大地提高了雷达脉冲分选的效率和准确性.最后给出模式搜索时间、脉冲分选平均准确率和平均漏选率随脉冲密度变化的结论.     

采用WiMAX信号的无源SAR成像方法

无源雷达自身不发射信号,依靠外部照射源实现对目标的探测或成像。现代通信的发展为无源雷达提供了更多的可用外部照射源,如全球移动通信信号、卫星导航信号、无线网络信号(WiFi)等。WiMAX是一项新兴的基于IEEE 802.16标准的宽带无线城域网技术,其作为无源雷达照射源,相比已有照射源具有距离分辨率高和探测距离远的优点。文中给出了一种利用WiMAX信号进行无源SAR成像的方法,推导出获得一维距离像的匹配滤波器,并实现了二维WiMAX-SAR成像。仿真结果验证了采用WiMAX信号进行SAR成像的可行性。     

应用分块复原方法提高激光雷达测距精度

介绍了一种基于像增强器增益调制原理的三维成像激光雷达,距离图可以由恒定增益和线性增益调制条件下的灰度图计算得到。根据成像系统的传递特性,建立了灰度图像的退化模型并分析了在考虑点扩散函数影响的情况下,引起成像激光雷达测距误差的主要原因。分析结果表明,在距离变化区域,测距误差主要与点扩散函数、反射率和实际距离等因素有关;而在平坦区域,测距误差主要由散粒噪声引起的。根据误差的来源和散粒噪声的特点,提出了对拍摄得到的灰度图像进行分块复原的方法。仿真结果显示:该方法复原得到距离图的均方根误差比全局复原方法小。最后将该方法用于实际拍摄的雷达图像,验证了该方法的有效性。     

超宽带雷达信号产生器的设计

对雷达信号的基本数学模型、直接数字合成器（DDs）工作原理和应用做了系统的分析,介绍了一种超宽带雷达信号产生器的设计,该产生器选用直接频率合成方案,利用DDS来实现精细频率步跳,并通过和1组以高稳定度晶振为参考频率的标频源组成的粗精频率步跳的点频进行混频、滤波及放大生成各频段的信号。     

基于全卷积神经网络的SAR图像目标分类

近年来,卷积神经网络(Convolutional Neural Network,CNN)在合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标分类中取得了较好的分类结果。CNN结构中,前面若干层由交替的卷积层、池化层堆叠而成,后面若干层为全连接层。全卷积神经网络（All Convolutional Neural Network, A-CNN）是对CNN结构的一种改进,其中池化层和全连接层都用卷积层代替,该结构已在计算机视觉领域被应用。针对公布的MSTAR数据集,提出了基于A-CNN的SAR图像目标分类方法,并与基于CNN的SAR图像分类方法进行对比。实验结果表明,基于A-CNN的SAR图像目标分类正确率要高于基于CNN的分类正确率。