基于部件级三维参数化电磁模型的SAR目标物理可解释识别方法

该文通过部件级三维参数化电磁模型(3D-PEPM)描述了复杂目标的电磁散射现象,并基于此模型提出了一种新的合成孔径雷达(SAR)目标识别方法。该方法首先根据雷达参数将3D-PEPM中各个散射体的散射响应投影到二维图像平面,预测每个散射体的位置和形状,然后根据3D-PEPM提供的先验信息评估3D-PEPM与SAR数据之间的相似程度,最后利用一种视角调整方法对整个过程进行优化,产生3D-PEPM和SAR数据之间的最终匹配分数,并根据该匹配分数完成识别决策。这种识别方法明确标识了SAR数据和3D-PEPM散射体之间的对应关系,具有清晰的物理可解释性,能够有效处理各种扩展条件下的SAR目标识别问题,仿真实验验证了该方法的有效性。      

基于属性散射中心模型的SAR 目标重构可视化增强方法

基于属性散射中心模型对实测SAR 数据进行参数估计,利用参数估计的结果对实测SAR 目标重构可视化增强对于辅助SAR 解译人员进行判别具有重要的意义。该文提出了一种新的可视化增强方法,利用成像操作(IFFT)的线性特征,在参数估计的基础上,基于属性散射中心模型分别对各个散射中心自适应成像,最后叠加重构整幅SAR 图像。实验结果表明,该方法可以有效提高目标重构的可视化效果。      

舷外有源诱饵弹末端对抗仿真与能力分析

针对海战中反舰导弹攻击舰船的作战样式,研究舷外有源诱饵弹对抗反舰导弹的过程;对反舰导弹采用比例引导法跟踪目标、舰船发射有源诱饵弹实施质心干扰进行仿真,分析舰船RCS随方位角的变化特性,以及舷外诱饵弹实施质心干扰对反舰导弹导引头雷达的影响,为舰船规避对抗反舰导弹提供参考。     

基于深度信念网络的属性散射中心匹配及在SAR图像目标识别中的应用

合成孔径雷达（Synthetic Aperture Radar,SAR）图像目标识别是SAR图像解译的重要应用。为提高SAR目标识别的稳健性，本文提出基于深度信念网络（Deep Belief Network,DBN）的属性散射中心匹配方法。属性散射中心参数特征丰富，能够很好地反映目标的局部散射特性。DBN发挥深度学习优势，可以实现测试样本与模板样本散射中心集的稳健匹配，并且能够较好地适应噪声干扰、部分缺失等情形。在构建的属性散射中心匹配关系的基础上，定义相似度度量准则。基于最大相似度的原则确定测试样本所属类别。实验依托MSTAR数据集开展，经验证，所提方法对于SAR目标识别问题具有良好的有效性和稳健性。