舰艇姿态对雷达测量误差的影响分析

为了研究舰艇姿态对雷达测量误差的影响,分析了雷达测量过程中引入舰艇姿态误差的机理.。采用对误差传递过程进行建模的方法,建立了包含舰艇姿态因素的雷达测量误差模型。通过该模型分析了舰艇姿态角误差对雷达测量目标距离、方位角和高低角误差的不同影响,得出雷达测距误差不受姿态角误差影响,方位角误差与艏向角误差呈线性关系,高低角误差受纵摇角与横摇角误差影响,并随目标方位按正弦规律变化的结论。计算机仿真结果验证了结论的正确性。     

基于姿态角变化的目标体坐标系下雷达视线的研究

考虑目标姿态角对目标跟踪/识别中的雷达RCS值的影响,建立了雷达测量坐标系与目标体坐标系之间的坐标转换模型.将雷达转换为姿态角不断变化的目标体坐标系下一点,研究雷达视线在目标体坐标系下的方位和高低角.利用Matlab对其进行仿真,得出雷达视线方位和高低角随时间变化的曲线,有效验证了坐标转换模型的正确性和重要性.     

高分辨率雷达目标一维距离像的编码识别算法

文中提出了一种高分辨率雷达目标一维距离像的识别算法。该算法借用图像处理方法,先对雷达目标的一维距离像进行编码,经过傅里叶变换提取一组形状特征。这组特征精确地描述了一维距离像曲线的走向。而后,利用人工神经网络技术对一定姿态角变化范围内的这组形状特征进行识别。实验结果表明,可以获得良好的识别效果。该算法为雷达目标一维距离像识别算法的实时处理提供了一条有效途径。     

锥体空间目标基于进动特性识别

为了研究基于空间锥体目标进动特性的识别方法,通过对空间锥体目标的弹道建模,分析了进动锥体目标姿态角变化,引入平均视线角变化对回波RCS的影响,推导了空间锥体目标相对雷达波的姿态角计算公式,分析RCS随时间变化关系,通过回波RCS序列估计进动周期及进动角参数,以惯量比为特征,提出弹头和诱饵的识别方法,仿真试验证明了算法的有效性.     

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.     

目标进动的雷达特征分析

在采用刚体姿态动力学对锥体目标进动进行理论分析的基础上,针对锥体目标上存在和不存在随目标旋转的散射结构的情况,对锥体目标进动时的雷达目标特征的周期性进行了讨论,建立了锥体目标进动时的雷达回波模型,通过仿真数据提取目标空间进动和自旋参数,验证了模型的正确性。     

单脉冲测角在BM突防干扰机上的应用

高分辨雷达(HRR)使用目标HRRP检测目标,由此要求弹道导弹(BM)突防干扰机生成的多假目标信号中包含BM弹头HRRP信息,HRRP长度是HRRP的一个重要特征,需要通过测量雷达观测角计算得到,BM突防干扰机自旋,自身三维姿态难以提取,二维单脉冲测角系统难以应用,一维单脉冲测角系统根据自旋特点,可间断地测得雷达观测角,干扰机和BM弹头运动以及干扰机自旋对测角精度影响较小,间断得到的雷达观测角可以用来计算BM弹头HRRP长度,指出了干扰机章动是影响测角精度的主要因素,最后说明了探讨的方法对目前BM突防干扰机设计具有一定实际工程意义。     

用于目标跟踪的雷达和成象传感器数据融合

虽然合成来自多个传感器的数据以获得优良跟踪精度的方法是人们当前感兴趣的课题,而动态级融合的研究似乎仍然是一个悬而未决的问题。本文通过生成与公用状态矢量的量测相关的公用状态观察模型研究动态地来自雷达和成象传感器的数据融合。本文考虑的重点是雷达提供的反射中心量测值可能与真实目标中心不太相符这一事实。而且当目标方位改变时,反射中心可能会围绕真实目标中心变化。对远距离的小目标来说,这一影响可以忽略不计,但对半延伸或延伸(semi-extended or extended)的对象来说,这种失配就要加以考虑。本文研究的方法是根据球面坐标中真实目标中心未知恒定偏差的随机扰动,模拟雷达反射中心量测。这些偏差估计用于采用雷达和成象传感器数据跟踪目标的广义卡尔曼滤波方法中。产生跟踪滤波的性能由计算机仿真来评估。     

弹道导弹再入段动态RCS特性分析

研究弹道导弹再入段动态RCS特性,有利于防空反导作战中对其进行有效探测和拦截。首先对弹道目标机动航迹进行建模,然后结合坐标转换公式获得目标姿态角变化,最后利用EDITFEKO软件实现对目标动态RCS实时仿真。针对不同再入角的机动航迹,仿真了不同雷达布站情况下目标动态RCS变化。仿真结果表明,弹道导弹侧向RCS大于正向RCS,反导预警雷达应部署在弹道导弹射程之内,使雷达对着弹道导弹侧面。仿真结果为反导预警雷达的部署提供依据。     

全极化雷达的多任务压缩感知目标识别方法

为有效利用全极化雷达高分辨距离像(High Resolution Range Profile,HRRP)的丰富特征信息和全极化样本中各单极化HRRP均对应于相同目标姿态的特性,提出一种基于多任务压缩感知的全极化雷达目标识别方法。该方法约束在不同极化字典中选择来自相同角域的字典原子对相应极化方式下的HRRP进行表示,可以有效利用不同极化HRRP之间的相关信息提高目标识别性能。基于电磁散射数据对所提出的方法进行了测试,实验结果证明了方法的有效性。     

高分辨一维距离像的雷达目标识别方法

提出了一种基于高分辨一维距离像的宽带雷达目标识别方法.首先使用零相位描述对雷达回波进行预处理,实现距离像的绝对对准,解决了平移敏感性问题.然后根据多分辨分析构造出3次Battle-Lemarie小波函数和尺度函数,对预处理后的一维距离像进行小波变换提取目标特征矢量,在显著降低特征存储空间的同时保留了主要散射点.最后对3类不同目标的雷达实测数据进行识别试验,结果表明本算法不但具有较高的正确识别率,而且能够有效降低加性高斯白噪声对识别率的影响.     

基于LVQ神经网络的雷达杂波抑制方法

针对雷达目标检测后的剩余杂波影响雷达航迹起始和航迹跟踪的问题,提出基于学习向量量化（learning vector quantization,LVQ）神经网络的雷达杂波抑制方法。从雷达回波点迹的特征入手,通过分析目标点迹和杂波点迹的特征分布,通过人工提取特征的方式选取具有差异化的特征。根据特征数量和点迹类别数量构建LVQ神经网络分类模型,并对模型进行训练。利用训练好的LVQ神经网络分类模型对雷达回波点迹进行分类,区分目标点迹和杂波点迹,保留判别为目标的点迹,滤除判别为杂波的点迹,从而实现杂波抑制功能。通过对某型航管雷达的实测数据进行测试表明：该方法能够有效区分目标点迹和杂波点迹,杂波抑制能力比BP神经网络算法更好。     

多旋翼无人机AHRS系统矢量乘积误差PI跟踪算法

针对多旋翼无人机对低成本姿态航向参考系统的实际需求,设计并实现了一种姿态航向参考系统。该系统采用陀螺仪积分出的载体姿态和已知的地球重力矢量,解算出地球重力矢量在载体系下的投影和加速度计测量出的地球重力矢量的矢量乘积结果作为水平姿态角的误差表征数值,并采用比例积分跟踪算法进行误差跟踪反馈,实现了准确的水平姿态角跟踪测量。利用陀螺仪积分出的姿态和已知的地球磁场信息,解出地球磁场矢量在载体系下的投影与磁力计测量的地球磁场矢量乘积结果作为航向误差角的误差表征数值,并采用比例积分跟踪算法进行误差跟踪反馈实现了对航向角的跟踪。转台实验表明:该系统水平姿态角跟踪精度约为1°,与EKF算法相比,运算速度提升了80%且精度好于EKF算法。     

基于学习矢量量化(LVQ)神经网络的雷达体制识别

由于现代战争中雷达体制的多样化、复杂化及其综合应用使得雷达体制识别中要处理大量复杂的高维数据,学习矢量量化(LVQ)神经网络不仅能处理有监督分类,而且相对于其他神经网络能以较小的计算量处理大量输入数据,所以采用LVQ对雷达体制进行识别,同时针对LVQ学习速率的变化可能引起学习算法不稳定,采用修正的学习速率算法.在简要介绍雷达体制和LVQ的基础上构造了LVQ神经网络对雷达体制进行分类.通过与径向基神经网络(RBFN)识别算法的仿真对比,证实了方法的有效性.     

基于多极化多特征提取和SVM的目标识别方法

充分有效地利用全极化雷达目标高分辨一维距离像极化信息是雷达目标特征提取领域一个热点问题.提取全极化雷达目标高分辨一维距离像的极化特征、结合其能量聚集区长度以及中心距特征共同构成特征向量,采用支持向量机进行特征分类,从而提出了一种基于多极化多特征提取和支持向量机的目标识别方法.基于转台数据的实验结果表明,提出的基于多极化多特征提取和支持向量机的目标识别方法有助于获得较高的分类正确率.     

一种基于调制谱的空中目标识别方法

雷达目标的微多普勒特征在雷达目标探测与识别中受到越来越多的关注,正在成为目标探测与识别领域的新兴研究方向。介绍了一种基于调制谱的空中目标识别方法,根据空中目标回波、综合时域的幅度信息、时域的相位信息和频域的微多普勒信息,将空中目标分为直升机类目标、螺旋桨类飞机目标和涡扇类飞机目标,利用实测数据对结论进行验证,表明该方法可以用来对这些目标进行分类。     

基于RCS的空间目标识别研究

空间目标的雷达探测与识别技术在航天监测、开发利用空间资源方面具有广阔的应用前景。空间运动目标RCS序列为非平稳时间序列,常用时间序列分析方法很难对其进行特征提取和识别。针对空间运动目标RCS序列的变化规律,引入小波变换以及模糊分类对空间目标的RCS序列进行特征提取和识别。实测数据处理结果表明,对于空间目标的旋转姿态识别,该方法取得了较好的实验结果。     

雷达与声数据的融合

洛克希德·桑德斯公司正在研究综合声与雷达数据的融合过程。声和雷达数据是高度互不相关的,它们可提供有关每个目标的互补信息。因此,融合过程使之有可能利用组合分类器的输出产生一种可信度高的目标识别(可靠的ID),分类器的输出包括:声波形、雷达信号特征和航迹形状 而由单个分类器进行可靠的识别是不可能的。通过融合过程可以减少目标位置误差和改善量测与航迹的互连过程。 由于融合过程是高度非线性和自适应的,因此,仿真是必不可少的。用多次重复的具有嵌入式传感器模型的仿真来建立多目标情景,以便激励融合过程。在仿真情景期间,用测量的声和雷达数据产生传感器输出的逼真描述。融合过程对分类和传统的跟踪器使用了神经网站。使用与目标ID有关的数据,以便选择最优的跟踪器参数。 对雷达和声数据的特定实例,验证了使用仿真来设计传感器融合处理的方法。然而,这种方法对于各类型的传感器或数据融合也是有价值的。例如:可在非军事应用中使用仿真,在这种应用中有关复杂系统状态的多源数据可用来控制其他数据和收集并做出最优决策。一般,仿真可用任务级指标,如成本、生存概率和杀伤概率来评定融合过程的好处。仿真对于优化融合过程的任何自适应“子部件”如神经网络来说是必不可少的。     

低分辨雷达的目标特征提取方法

基于现役低分辨警戒雷达 ,研究了进行目标分类和识别的途径 ,提出了基于波形特征和时间谱信息的目标分类和识别方法 ,试验分析了基于目标波形信息的特征 ,得出目标波形信息可用于目标识别的结论。现场试验表明 ,该方法对目标大小分类和架次识别有好的效果。     

一种航迹数据高维特征矩阵提取方法

针对雷达航迹数据特征提取不充分使得对空中目标分类识别准确率低的问题,提出了一种航迹数据高维特征矩阵提取方法.首先从机动性、巡航性、飞行区域以及高阶特征进行航迹数据分析,进而在不同维度统计数据特征、提取多维航迹数据特征参数,最终形成航迹数据高维特征矩阵.通过实测航迹数据实验表明对特征提取充分,多类机器学习方法验证识别率统...