基于竞争神经网络的雷达杂波抑制方法

为鉴别杂波点迹和目标点迹,消除杂波对雷达性能的影响,提出了一种基于竞争神经网络的雷达杂波抑制方法.首先,选取雷达点迹形成过程中能够反映目标点迹和杂波点迹差异化的特征,作为神经网络输入数据;然后,根据输入输出的数据维度设计竞争神经网络分类器,并对其进行训练;最后,利用训练好的神经网络分类器对雷达点迹进行聚类,对识别为杂波...     

复杂环境下多雷达点迹融合

针对系统误差、杂波干扰等对点迹融合处理系统的影响,结合工程实践,提出了一种处理复杂环境下多雷达点迹融合结构框架,给出了存在系统误差情形下的多雷达航迹起始、虚假目标抑制、雷达误差配准等模型和算法。仿真结果表明,提出的框架、模型和算法能够有效处理多雷达点迹融合问题。     

点-航迹质量评估的联合目标检测跟踪方法

针对复杂背景下微弱目标的检测和跟踪问题,提出了一种基于点-航迹质量评估的动态规划方法。该方法在雷达传统的检测跟踪结构的基础上,结合雷达真实目标回波特性和目标的运动规律,在单周期内,根据目标的回波特性提出点迹质量的概念,在进行点迹凝聚处理的同时计算点迹质量的大小;在多周期间,根据目标的运动规律对目标的位置进行外推估计,根据估计值与量测值之间的欧式距离和方位差设计一个置信因子并结合点迹质量来改进航迹指标函数。仿真验证结果表明,该方法能够有效地消除伪航迹,计算量较小,能够提高复杂背景下雷达对微弱目标的检测和跟踪性能,并且结构简单,在工程上易于实现。     

基于LPC技术的运动车辆目标分类研究

将线性预测编码(LPC)技术应用于运动车辆目标的多普勒特征提取中。首先,基于微多普勒原理建立了车辆目标雷达回波模型,分析了履带式车辆和轮式车辆各自回波的特点。其次,针对杂波干扰问题,采用CLEAN算法对其进行抑制。在此基础上,利用实测数据,提取了不同车辆目标多普勒的LPC系数,给出了预测误差和计算时间在不同LPC阶数条件下的变化趋势。最后利用学习向量量子化(LVQ)方法对提取的LPC系数进行分类,实验结果证明了LPC技术在车辆目标分类中的有效性。     

基于网格聚类的弹道目标航迹起始算法

针对传统航迹起始算法起始弹道目标航迹时存在虚假航迹和起始速度慢的问题,提出了一种基于网格聚类的起始算法。该算法采用网格核技术和边界点提取技术来处理高、低密度网格中的雷达探测点迹,从而产生更加准确的簇,然后对簇中的点迹进行相似度聚类,最后采用修正逻辑法对每个聚类中的点迹进行航迹起始。仿真结果显示,该算法在较高密度的杂波环境下能够快速、准确地起始多个弹道目标航迹。     

低分辨雷达基于波形特征的飞机架次判别方法

通过分析低分辨雷达飞机目标回波波形,提取出低分辨雷达飞机目标架次可资分类的特征参数作为飞机目标架次判别的特征向量。最后,采用模糊极大极小神经网络作为分类器,在低分辨雷达目标识别样机系统对机群目标进行分类识别试验中,验证了所提取特征的有效性。     

多普勒盲区条件下的目标点迹-航迹关联方法

机载预警雷达存在着固有的多普勒盲区问题,该盲区不仅易引起目标航迹中断和重起批,还容易引起数据关联的错误。基于此,提出了一种新的多目标点迹-航迹关联方法,该方法引入了由多普勒盲区造成的第二类空量测,将点迹-航迹关联作为最优二维分配问题求解,同时,为延长航迹寿命,采用多普勒盲区先验信息对传统航迹撤销准则进行了修正。仿真结果表明:在杂波、多目标环境且存在多普勒盲区的条件下,该方法航迹中断率较传统方法有明显下降。     

基于深度迁移学习的低分辨雷达目标识别方法

针对低分辨雷达人工目标识别效率较低的问题,提出了基于深度迁移学习的雷达自动目标识别方法。该方法利用雷达回波序列轮廓像构建空中目标数据集,使用深度卷积神经网络自动提取回波数据中的深层特征,并对雷达目标进行分类识别。为了解决深度学习对样本量的巨大需求,在分类模型训练时,引入迁移学习思想,将经ImageNet数据集预训练过的初始网络模型迁移到雷达目标识别任务中,再通过空中目标数据集对模型参数进行微调,实现小样本条件下对空中目标的粗分类。实测数据的结果表明：所提方法能够在小样本条件下较为准确地对空中目标的大小和架次进行分类识别,具有良好的识别性能。     

基于贝叶斯理论的多雷达点迹自适应融合方法

雷达组网进行数据融合是复杂电磁环境下提高预警探测精度和容错能力的有效方法,研究人员需研究适应干扰、信噪比降低等复杂情形的数据融合方法。基于贝叶斯统计理论提出一种多雷达点迹融合方法,将贝叶斯多源数据融合方法与卡尔曼滤波结合,以卡尔曼滤波输出的航迹预测及其协方差作为贝叶斯理论的先验知识,以多雷达量测结果作为贝叶斯理论的观测值进行融合,并提出一种基于回波信噪比的点迹标准差实时估计方法,构建标准差自适应估计的点迹融合与滤波框架。仿真结果表明,多雷达点迹自适应融合方法,滤波精度优于单雷达滤波结果、优于航迹融合结果,能够适应目标距离、RCS起伏引起的标准差变化,具有较强的工程应用价值。     

基于MHT-IMM的航迹生成算法建模与仿真

针对杂波环境下未知机动目标的航迹生成问题,提出了一种多假设航迹跟踪与交互式多模型(multi hy?pothesis track-interactive multi model,MHT-IMM)算法来生成机动目标航迹.MHT-IMM算法充分利用点迹的各种特征信息和融合航迹的历史累积信息,预测机动目标加速度,自适应选择合...     

基于运动特征的机载雷达目标断续量测处理

机载预警雷达对目标的量测经常出现断续现象,影响了航迹连续性要求。通过对机载脉冲多普勒雷达量测出现断续的机理分析,考虑目标进入雷达多普勒盲区的情况,基于目标运动特征提出利用联合关联波门与盲区预测相结合的处理方法,将重新出现的目标点迹与原有航迹进行关联,避免同一目标航迹因量测断续而重复起始。仿真结果表明了该方法的有效性与可行性。     

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.     

使用低分辨率雷达和神经网络进行舰船目标识别

本文研究使用低分辩率下靶区雷达包络线、预处理和神经网络工具进行舰船目标分类的方法。文中使用改进的傅里叶离散梅林变换来提取对雷达姿态角变化不太敏感的某些特征。使用Kohonen的学习矢量量化(LVQ)自组织映射对这些特征矢量进行分类。文中也研究了使用反向传播算法进行训练的前馈网络在目标分类中的应用,并将这一分类系统用于模拟和真实两种数据。对于目标姿态角误差不超过30度的真实数据,分类的正确率高达90％。     

用目标幅值特性的交互多模型跟踪

本文介绍利用目标回波强度改进涉及杂波环境中目标机动的航迹形成性能和航迹保持的递归跟踪算法。本技术把交互多模型方法(IMM)和广义概率数据互连(PDA)结合在一起,利用了与目标和杂波回波的概率模型相结合的量测的回波幅值。该方法的优点是通过评估目标模型概率可自动产生关键的跟踪决策,以便在航迹形成中提供快速而准确的真航迹确认和假航迹撤消的决策。它还能对等位转向目标机动实施精确的继续跟踪。     

舰载雷达中频信号仿真设计与实现

为满足舰载传感器或武器系统论证、设计、试验、评估、训练等全生命周期的应用,对新型舰载警戒探测与跟踪雷达中频信号模拟器的系统体系和组成进行了探讨,介绍了系统的功能和技术指标,重点研究了软件无线电在雷达中频信号模拟中的应用、雷达电磁环境和目标回波仿真等一些关键技术,包括目标航迹模拟、目标回波模拟、杂波信号模拟、雷达接收天线仿真、雷达天线方向图仿真等.采用软件无线电技术和软硬件相结合的方法较逼真地实现了海战场复杂电磁环境下雷达中频信号的模拟.     

基于强化学习的多目标点航关联方法

针对密集杂波环境下的多目标点迹-航迹关联问题,以强化学习(Reinforcement Learning,RL)方法为基础,提出了一种基于Q学习的多目标点迹-航迹关联方法.首先,根据整个过程中目标的运动状态,建立马尔可夫决策过程(Markov Decision Process,MDP)模型.其次,利用各状态间的相关程度构...     

基于FPGA雷达回波环境模拟系统设计与实现

设计实现了一种基于中频注入的雷达回波环境模拟系统,能够按照设定的参数模拟雷达目标回波及干扰环境。对雷达回波的信号模型及空间传播模型进行建模,模拟回波信号的距离、角度和速度特性;提出了基于计算机+DSP+FPGA的硬件技术架构,使回波模拟系统具备目标航迹与干扰参数设置、雷达工作状态解算、目标及干扰回波模拟等功能;通过与实际雷达联调联测表明,系统较好地模拟了雷达回波环境,能够有效满足战勤人员的操作训练需求。     

一种多雷达多目标抗系统误差航迹起始方法

提出了一种多雷达多目标抗系统误差航迹起始方法,该方法利用不同雷达对同一目标探测具有较大相似性的特点,对接收到的多部雷达点迹,经初始相关序列提取、相关序列近邻假设整体分配、目标初始状态估计等环节,进行多雷达航迹起始,有助于解决因系统误差估计与数据关联互为前提而无法对目标实施精确跟踪的问题。仿真结果表明,该方法能够对多雷达点迹进行有效互联,提高存在雷达系统误差条件下的航迹起始正确率。     

对组网雷达的多目标航迹欺骗

由于目前点迹压缩、点迹串行合并等融合方法在组网雷达中的普遍应用,使得对单部雷达的多目标航迹欺骗很容易被雷达组网系统所识别。为了能够有效地欺骗组网雷达,并在网内各雷达的PPI显示器上显示相似的航迹,在对单部雷达实施多目标航迹欺骗的理论基础上,提出了一种对组网雷达实施多目标航迹欺骗的方法。根据组网雷达系统中各雷达坐标位置的不同以及各雷达主波束对准干扰机时间的不同,详细讨论了产生具有空间相关性和时间相关性的可控欺骗航迹的算法。     

神经网络指导贝叶斯决策准则用于运动目标分类

本文利用目标的动态特性开发了神经网络指导的贝叶斯决策准则进行目标分类。系统由特征提取器、指导条件概率生成器的神经网络、新颖的序贯分类器组成。所应用的主要特征是从每个航迹中提取的速度和曲率序列。类似于隐式马尔可夫模型(HMM),用隐含状态训练神经网络,网络的输出则是给定观测下出现隐含状态发生的条件概率。然后用这些条件概率作序贯贝叶斯分类器的输入进行分类。一旦接收到新的扫描数据,分类结果递推更新。为了说明所述方法的有效性,介绍了关于高杂波率的多扫描图象的模拟结果。