空间复杂目标群的雷达目标识别技术

复杂的空间目标群给雷达目标识别带来了挑战。分析了弹道中段空间目标群的构成及其对识别的挑战。系统归纳了反导中段雷达目标识别方法。根据雷达识别所采用的特征不同,将空间目标雷达目标识别方法分为其于结构特征的识别方法、基于弹道特征的识别方法和基于微动特征的识别方法,详细阐述了这3类识别方法的物理基础及其特征提取方法,分析了各种识别方法的特点,最后展望了中段雷达目标识别的发展趋势。     

用于雷达监视的贝叶斯及登普斯特－－谢弗目标识别法

本文探讨了雷达监视系统中目标航迹的识别问题,为了跟踪器旁边建立目标识别器,这里使用了可用于空中监视系统实时处理的四个特征:从敌我识别系统(IEF)得到的目标标识符(TID).来自雷达的仰角量测、目标速度以及跟踪器估计的加速度。将这四个特征组合起来,可将空中目标分成五类:友方商用目标、友方军事目标、敌方商用目标(或未知目标)、敌方军事目标及假目标(雷达杂波)。两种流行的基于统计的技术,即贝叶斯和登普斯特——谢弗方法,用于开发本文的雷达目标识别算法。真实及仿真的空中监视雷达数据用于评估雷达监视系统的这种航迹识别方法的适用性及效能。     

雷达辐射源识别技术面临的主要挑战及对策

信息化战场上,复杂电磁环境严重制约雷达辐射源识别过程。通过梳理雷达辐射源识别技术发展阶段及各阶段主要识别方法,深入分析了现阶段雷达辐射源识别技术面临的主要挑战,并提出应对策略,为创新雷达辐射源识别方法提供借鉴。研究表明,针对未来战场雷达识别面临的主要挑战,平时做好预判,熟谋对策,将极大地有利于战时进行雷达辐射源识别,进而促进整个电子对抗行动作战效能的发挥。     

基于序列样本的威胁雷达信号识别方法

针对传统信号识别速度慢和对无法识别持续时间短的威胁雷达信号等问题,研究了信号序列样本构建方法和变步长匹配方法,提出了一种基于序列样本的威胁雷达信号识别方法。该方法根据先验知识构建雷达信号序列样本,采用变步长匹配法对脉冲流进行匹配识别,并对持续时间较短的雷达信号进行处理。仿真实验验证了基于样本序列的威胁雷达信号识别方法的有效性和可靠性,实验表明该方法对复杂环境和复杂体制雷达信号的适应能力强,正确匹配率高。     

一种基于模板脉冲序列的雷达辐射源识别方法

现有的雷达辐射源识别方法无法有效地在密集的信号环境中对复杂体制雷达进行快速准确的识别.因此,研究了一种基于模板脉冲序列的雷达辐射源识别方法,给出了其并行处理的结构和具体实现算法.在不同密度的信号环境中该方法能够有效地识别出雷达辐射源并且具有较小的运算复杂度.利用计算机对该方法进行了仿真实现,结果表明在密集信号环境中该方法仍然能够快速有效地识别出雷达辐射源.     

军事领域细粒度识别技术与应用

战争的信息化程度不断加深对军事侦察提出了更高要求。军事目标识别作为军事侦察的主要任务之一,需要能够处理细粒度军事目标,为人员提供更加详细的目标信息。但传统的粗粒度目标识别方法无法得到目标的细粒度信息。因此,如何识别细粒度目标成为目前军事侦察亟需解决的问题。针对该问题,本文结合军事领域的实际需求,对细粒度识别技术的发展现状进行了分析,提出了军事领域细粒度识别技术应用流程的数据集构建、模型设计和终端部署三个阶段,同时,从无人机侦察、遥感侦察和单兵侦察三个方向分析了细粒度识别的应用前景。经过分析,军事领域细粒度识别技术已经具备实际运用条件,具备良好的应用价值。     

基于卷积神经网络的雷达辐射源识别

随着电磁环境越来越复杂多变,给电子对抗带来了很大的挑战,基于传统的脉冲描述字和信号识别方法已不能满足战场要求。针对复杂电磁环境下的辐射源精确识别问题,将基于相控阵雷达辐射源的细微特征,主要是包络特征和相噪特征,对其进行分析建模,并结合卷积神经网络提出了一种基于雷达中频数据和一维卷积神经网络的雷达辐射源个体识别方法,训练一维卷积神经网络来学习雷达辐射源信号的有效特征并进行识别。最后在不同信噪比条件下进行了识别仿真实验,得到了较好的识别正确率,证明了该方法的有效性和可行性。     

无源雷达智能目标识别

现代战争给无源雷达目标识别提出更高要求。针对传统数据库匹配识别方法存在的识别率低和容错性差等缺陷,提出采用智能算法进行无源雷达目标识别,构建了无源雷达智能目标识别总体框架,并设计了支持向量机方法、神经网路方法和证据理论方法的算法运用框架。提出无源雷达智能目标识别的几个关键问题,为改进和提高无源雷达目标识别技术手段提供理论基础。     

识别技术

利用光学仪器、雷达、声纳和计算机等设备,对远方目标进行探测和辨识的技术。识别可分为视觉识别、雷达识别及其他方法的识别。识别技术广泛用于国民经济、空间探测和军事领域。军事上主要用于判明目标的类型、性质和敌我属性。视觉识别主要利用人的眼睛和光学仪器。雷达和计算机是识别     

基于区间灰关联的雷达辐射源识别新方法

在现代密集信号环境中,接收机测得的和辐射源数据库中的雷达特征参数具有不确定性,一般用区间值表示.针对区间类型的特征参数的雷达辐射源识别,提出了一种新的基于区间灰关联度的雷达辐射源融合识别方法.该方法首先运用区间灰关联度得到基本概率赋值,然后运用证据组合与决策实现目标识别.仿真结果表明,这种识别方法是有效的.     

基于RBF-CBR技术的相控阵雷达识别方法

现有雷达识别技术对相控阵雷达的波束捷变、信号形式复杂等特点并不适应,造成识别率低、漏识别严重等问题。为此,讨论了脉内调制类型和点扫描特性参与分类识别的策略;设计了基于案例推理的相控阵雷达识别方法;提出了基于径向基函数案例索引方式的RBF-CBR识别模型。通过对比实验,验证了该模型具有良好的推理识别能力和较高的处理问题效率,为相控阵雷达识别提供了一个新的思路。     

利用小波变换进行空间目标电磁特征提取与识别

高分辨雷达目标识别是当前高技术领域的一个研究重点,以一维高分辨距离像为原始信号,利用小波分析作为目标特征矢量提取的工具,对利用几种代价函数构成的特征向量的分类效果进行了详细的研究,提出了将小波变换、模糊神经网络和信息融合相结合的雷达目标识别方法,仿真结果表明,所提出的目标识别方法是一种有效的雷达目标识别方法.     

一种基于支持向量机的无源雷达目标识别方法

针对传统的无源雷达目标识别系统存在的不足,提出了一种新的基于模式识别的目标识别方法。在提取雷达辐射源信号熵特征的基础上,设计支持向量机(SVM)分类器完成目标的分类识别。理论分析和实验结果表明,提出的方法在较大信噪比范围内均能获得比较满意的识别率及识别效率,优于传统的基于常规特征参数的识别方法。     

基于深度学习的军事命名实体识别方法

针对传统军事命名实体识别方法存在人工构建特征复杂和军事文本分词不准确等问题,提出了一种基于深度学习的军事命名实体识别方法。结合双向长短时记忆(Bi-directional Long Short-Term Memory,Bi-LSTM)神经网络对较长句子上下文的记忆能力、字向量(character embedding)对汉字语义的表示能力和条件随机场(Conditional Random Field,CRF)对标注规则的学习能力,构建了character+Bi-LSTM+CRF实体识别模型。为验证方法的有效性,在军事想定语料集上进行了实验,结果表明:该方法比传统方法识别效果好,识别准确率、召回率和F值均大幅提升。     

基于CNN的窄带雷达空中目标识别方法

空中目标识别是雷达的重要用途之一,窄带雷达因体制限制,无法获取目标高分辨识别信息供分类识别。为解决窄带防空预警雷达对空中目标识别判性难的问题,提出了基于卷积神经网络的空中目标识别方法,就空中目标识别判性模型的构建、训练数据集的生成进行了研究,采用模拟数据集及实测数据对模型进行了检验,结果表明该方法具有较好效果。     

基于优化算法的雷达辐射源识别方法性能评估

针对基于SVM的雷达辐射源识别方法中SVM模型参数对识别性能影响较大的问题,提出一种新的雷达辐射源识别方法。该方法将智能优化算法应用于SVM,对SVM参数进行选择以提高识别准确率;为分析所提出新方法的性能,提出有效解的标准差、解的质量和精度时间比作为评估指标对所提方法进行性能评估。通过计算机仿真,验证了新方法的有效性,并分析了3种典型优化算法在新方法中的综合性能。     

基于混沌特征的高分辨雷达目标识别

根据高分辨导弹制导雷达的基本工作原则和舰船目标的散射特性,利用现有雷达回波的仿真技术,在合理的战术想定下,计算了三类典型舰船的雷达回波.在此基础上,研究了利用雷达回波功率谱的方法来识别目标类型的有效性,并基于混沌理论提出了一种比功率谱方法更加有效的新的识别方法,从而为进一步利用混沌理论来开发雷达目标识别技术奠定了初步的理论基础.     

未来雷达系统:新概念与新技术

当前,军事转型浪潮席卷全球。军事转型以打赢网络中心战等信息化战争为主要目的,对武器装备的发展提出了更多、更高的要求。雷达系统作为重要的监视、探测与识别手段,必须注重技术与概念的创新,以满足不断变化的任务需求。本文将介绍未来雷达系统的功能需求、发展趋势、新的概念与技术以及雷达工业遇到的挑战。     

脉冲幅度特性分析的相控阵雷达识别技术

为有效识别相控阵雷达,提出了一种基于截获脉冲幅度特性分析的识别方法。该方法根据相控阵雷达与常规机械扫描雷达的扫描方式存在很大差异的特点,建立侦察设备截获脉冲的幅度模型,并通过仿真得到不同体制雷达被截获的脉冲幅度特性。然后求得不同体制雷达被截获的脉冲序列幅度特性与正弦序列幅度特性的相似系数,以此为依据来识别相控阵雷达。最后,通过比较实验证明了该方法的有效性。     

基于密母算法的雷达一维距离像C-SVM识别方法

为提高反舰导弹的目标识别能力,采用高分辨率雷达一维距离像为识别特征向量,利用改进的密母算法优化的C-SVM模型,研究了反舰导弹对真假目标的分类识别方法并进行了实验,实验结果表明:经过参数优化设置后的C-SVM大幅提升了反舰导弹末制导雷达对目标类型的识别正确率,搜索时间虽有所增加,仍然远小于GS。