基于RCS序列的助推段弹道导弹识别

在弹道导弹的助推段,通过低分辨率雷达得到RCS序列作为识别的重要信息。由于运动特性和电磁散射特性的差异,弹道导弹在助推段的RCS序列与其他目标相比具有可识别性,但需要对其RCS序列进行处理。基于目标识别技术,详细阐述能从RCS序列中提取出的特征参数,并通过直方图、N点截图等方法给出了直观的反映。最后,将弹道导弹助推段特征与飞机、燃料舱等典型目标进行对比,得到可以作为识别参量的特征参数,并通过类内类间距离验证了有效性。     

基于垂直线列阵的深海被动目标定深误差

首先研究了在深海环境下,采用三阵元垂直线列阵水声探测系统进行被动目标定深的基本原理。然后分别从随机误差、阵元配置偏差和相干多途水声信道干扰的角度,对被动目标定深的误差源进行了理论分析,并推导了相关公式。通过仿真实验,总结出各误差源对被动目标定深精度影响的规律,为进一步开展被动目标定深研究、提高被动目标定深精度奠定了基础。     

基于K-LC1a收发器和DSP的近程测距系统设计

针对FMCW雷达测距原理和差频信号特点,基于价格低廉的K-LC1a雷达收发器和TMS320VC5509A DSP(数字信号处理器)设计了一套近程测距系统。介绍了FMCW(调频连续波)测距原理及系统结构,设计了中频信号的放大滤波处理、模数转换数据采集和数字信号处理等关键模块。最后对目标测试结果进行软件仿真,在不同距离的目标测试下,结果显示正确。该系统工作稳定可靠、受环境影响小、有广阔的应用前景。     

小波分析在混沌信号识别中的应用研究

通过分析混沌信号和噪声信号的频谱特性以及小波变换对两种信号的作用结果的差异,论证了小波变换是一种有效的去除混沌信号中噪声成分的方法.通过数值仿真研究,证明了小波方法的有效性.最后给出了实验结果.     

基于分数阶傅立叶变换的ARM检测技术

分数阶傅立叶变换(FRFT)是傅立叶变换的广义形式,对线性调频(LFM)信号具有很好的能量积累作用.针对反辐射导弹(ARM)雷达回波信号的线性调频特性,提出了一种基于FRFT的反辐射导弹检测方法,并根据ARM信号的调频特性将FRFF局域化,缩小了峰值搜索区域,提高了检测效率.仿真实验表明该方法能够在高斯、非高斯分布杂波环境下有效地检测ARM信号.     

基于混沌振子列的微弱舰船轴频电磁场信号频率检测

针对远程探测频率未知的舰船轴频电磁场这一难题,提出了一种基于混沌振子列的微弱信号频率检测方法,通过该方法能有效地将强复杂背景噪声下的微弱轴频电磁场的频率检测出来.然后,讨论了不同阻尼比对系统性能的影响,并通过对比分析得出最优阻尼比.最后,用该方法对舰船轴频电磁场信号进行处理,结果证明了该方法的有效性.     

随机共振理论在雷达信号截获中的应用

雷达侦察主要通过无源侦察接收设备对空域中敌方雷达辐射源信号进行检测,若要实现对敌辐射源信号的截获,基本条件就是敌雷达信号能量能够达到雷达信号侦收设备的截获灵敏度。然而现代战场中,电磁环境复杂多变,敌雷达信号往往被干扰信号、噪声等掩盖,导致侦收设备漏警概率提高。针对以上问题,提出基于随机共振原理的雷达信号截获判断的方法,增大了截获信号的输出信噪比,解决了由于噪声过大掩盖的雷达信号的侦收问题。将该方法应用于雷达告警接收机的前端截获部分,大大降低了截获系统的漏警概率,保证了整个截获系统的稳定性。仿真实验验证了该方法的有效性。     

周期运动声源的双阵列定位

针对常用的运动声源定位方法存在计算量较大或测试难度大的问题,提出一种基于阵列信号短时处理的运动声源定位方法。分析单、双五元十字阵列的定位性能,并基于单阵列的高精度定向能力,借鉴波束形成中帧处理思想,使用双阵列方位交叉的方法实现声源运动定位。使用自行火炮的发动机周期噪声作为模拟声源,进行外场定位实验,对参与短时相关数据的截取原则和传播路径补偿进行研究。实验结果表明,该方法能够有效实现周期声源的运动定位,最大相对误差保持在5%的水平。     

纹理影像特征选择及K-means聚类优化方法

Gabor变换和K-means算法是最为常用的纹理分析方法。然而,采用Gabor变换得到的纹理特征向量具有较高的维数,影响算法的运行效率;K-means算法也易受初始类中心的影响而导致分类精度下降。因此,通过Relief算法对采用Gabor变换所提取的纹理特征进行选择,得到合适的纹理特征子集。进一步采用差分进化算法,对K-means算法的聚类中心进行优化从而提高纹理识别精度和效率。实验结果表明:提出的方法所需用到的纹理特征向量的维数相对于原始特征集有大幅降低,较之基本的K-means算法,纹理识别的精度也有较明显的提高。     

基于LBP-PCA的多传感器目标识别算法

为了更加有效地提高多传感器图像融合后的识别率,提出一种基于LBP-PCA的多传感器目标识别算法。首先分别对红外和可见光图像进行预处理用以突显出要识别的目标,采用LBP算法提取目标的特征点向量,利用PCA算法进行特征融合,得到降维后的融合特征,最后利用SVM(支持向量机)进行分类和识别。实验仿真结果表明多传感器目标经过LBP-PCA融合后在保持足够数量的有效信息基础上降低了特征的维数,有效地提高了目标识别率。