低空目标检测融合系统的结构与框架设计

在复杂战场环境下,传统的雷达系统很难检测到低空目标。针对低空目标信号微弱、背景杂波干扰强以及目标高机动性等特点,提出了一种低空目标检测融合系统的结构与框架设计方法。该融合系统通过引入混合式结构,增加了系统的鲁棒性与抗摧毁能力。在融合系统的传感器管理与分配环节,目标检测与跟踪方法融合环节,联合检测、跟踪与识别环节,通过对各模块的性能评估和动态优化,实现低空目标融合检测与跟踪性能的最优化。     

一种基于Canny算子的红外图像边缘检测算法

边缘检测是图像特征提取的关键技术。传统的Canny边缘检测算法中高斯滤波方差不具备自适应性,并且不能有效滤除红外图像特有的噪声,对红外图像的边缘提取存在局限性。深入研究了Canny边缘检测算法,并分析了红外图像噪声类型,针对高斯滤波影响红外图像去噪和边缘保持效果的问题,提出了用形态学滤波代替高斯滤波的改进的Canny算法。经过仿真实验,验证了本方法的有效性。改进算法能有效提取含噪红外图像的边缘,较好地保持了红外图像的边缘强度和细节。     

基于多分辨率分析的雷达辐射源融合识别算法

结合信号融合识别的应用需求与多分辨率分析的特点,提出了一种基于多分辨率分析的雷达信号融合识别算法。该算法对获取的信号先进行小波变换后直接对信号进行融合识别。仿真实验表明:该方法在减少数据量的同时能够降低信息的损失,提高信息利用率,较好地保证信息的完整性,可有效提高信号识别性能。     

Ag/AgCl电极水中电场探测的幅频响应特性

采用固态粉压型Ag/AgC1电极对参数已知的水下低频交流电场进行探测.通过改变水中电场信号的特征参数进行对比实验,以检测电极对信号频率和幅值的响应特性.实验结果表明:发射信号在0～4 Hz、15～35 mV的范围内时,Ag/AgCl电极的探测灵敏度随发射信号幅值的增加而增强,并且探测信号能够真实地反映发射信号的频率特征.最后,提出了电场探测电极的响应性能的表征参数.     

基于观测新息和状态信息的联合脉冲机动检测

针对提高空间机动目标跟踪精度的机动检测问题,提出一种新型机动检测方法-χ2-β检测法。该算法以脉冲前后沿为研究对象,通过分析观测新息和常推力a-β动力学模型中辅助变量β的物理特性,给出脉冲机动前后沿检测判据。仿真实验比较了χ2检测法和β检测法的特性,结果表明: χ2检测法,对机动前沿的敏感性与采样点和机动阀值相关,较多的采样点与较大的机动阀值可以降低虚警率,但会增加检测延时,反之,可以减小检测延时,但会增加虚警率;β检测法,对机动后沿的敏感性与滤波跟随性能相关,在测量精度的保证下,可对机动后沿准确检测。两种方法联合起来,可有效检测多种形式脉冲机动,性能优于传统的机动检测方法,具有一定的工程实用性。     

基于副载波参考波形方法的GNSS双载波环多径抑制技术

为了实现对高阶BOC信号的无模糊和抗多径接收,本文将码相关参考波形的闸波设计思路应用于GNSS双载波环路接收方法的副载波锁相环,通过在副载波锁相环中引入设计的闸波参与信号的相干积分过程,使双载波环法具备抗多径性能,同时该方法并不需要额外引入相关器。本文对该设计方法的理论和具体实现进行了阐述和分析,从副载波多径误差包络和跟踪精度两方面对改进的双载波环路方法性能进行了评估。仿真结果显示,采用的算法与双载波环路法相比可以降低BOC(1, 1)信号81.1%的副载波多径误差包络面积,以及BOC(14, 2)信号75.1%的副载波多径误差包络面积。但是,改进的双载波环路法将带来-6dB的相干积分后载噪比损失,降低跟踪精度。因此,在闸波设计参数设计上,需要谨慎选择以平衡算法的多径抑制和跟踪精度性能。综合来看,该方法适用于解决非弱信号条件下及多径环境下的高阶BOC信号接收问题。     

基于窗口预测匹配的序列图像点目标轨迹检测算法

序列图像中运动点目标轨迹的实时检测算法,是目标识别、实时跟踪处理系统中的关键算法之一。在分析不同层次处理方法的基础上,给出了一种基于预测、窗口匹配的点轨迹预测—匹配检测算法,并根据仿真实验的效果,指出此算法可有效地对低信噪比序列图像运动点目标轨迹进行实时检测,具有多目标轨迹检测能力。     

BIT系统的三态马尔可夫模型分析

BIT技术是改善系统测试性和诊断能力的重要途径,但是较高的虚警率一直是阻碍BIT广泛应用的一个重要原因。研究过程中将系统状态划分为正常、间歇、故障三种状态,建立了马尔可夫模型,分析、对比了三态模型与两态模型的关系。理论分析结果表明:基于三态模型的BIT,在提高故障检测率的同时,还可以较大程度地降低虚警率。     

含噪稀疏信号重构的l0范数期望值最小化方法

压缩感知理论是对信号压缩的同时进行感知的新理论,而如何通过有限的测量值重构稀疏信号是压缩感知理论中的核心问题。针对测量值受噪声污染的含噪稀疏重构问题,提出了近似l0范数期望值最小化方法。该算法基本思想是将含噪稀疏重构问题转化为近似l0范数期望值最小化问题,并利用噪声的统计特征将随机最优化问题化简为常规的最优化问题,然后采用最速下降法求解。数值仿真表明,本文提出的方法具有更好的重构精度,且计算量较小。