基于相关熵的MACH滤波器

最大平均相关高度(MACH:Maximum Average Correlation Height)滤波器是一种重要的基于相关的模式识别方法。滤波器由训练数据线性构造而成,具有良好的畸变容忍能力,在线性高斯噪声条件下具有理论最优性。为将算法适用于广泛的非线性、非高斯情形,本文引入一种新的度量函数相关熵,可隐性地将输入数据通过非线性变换映射到特征空间;并在新的空间中提出了基于相关熵的MACH滤波器构造方法。最后将此方法应用于合成孔径雷达(SAR:Synthetic Aperture Radar)图像目标分类进行了实验,在接收机工作性能曲线和峰值旁瓣比的比对中,本文算法的性能均有所提升。     

RCS特性辅助的CMIMO雷达功率资源分配方法

针对集中式多输入多输出(collocated multiple-input multiple-output, CMIMO)雷达在实际探测过程中,未有效结合目标雷达散射截面(radar cross section, RCS)高动态变化特性导致雷达跟踪精度不高甚至失跟的问题,提出一种基于目标RCS高动态特性的CMIMO雷达功率资源自适应分配方法。考虑到目标RCS特征的角度敏感性,利用目标运动状态的可预测性动态获取实际观测角度,从而完成跟踪帧的极化方式优选;在此基础上构建包含功率与RCS的多目标跟踪误差后验克拉美罗下界,将其作为目标函数进行优化,利用内点惩罚法求解该凸优化问题即可实现RCS高动态情况下的功率优化分配。实验结果表明:该方法可结合目标不同方向RCS动态分集特性实现功率的有效分配,相比于传统RCS模型分配方案,有效解决了分配方案与实际跟踪场景之间的失配问题,从而提升了CMIMO雷达的多目标跟踪性能。     

稀疏贝叶斯学习框架下的扩展目标雷达关联成像

传统的关联成像方法未考虑复杂扩展目标的结构信息,在高分辨成像时的应用受到限制,为此提出一种自适应结构配对稀疏贝叶斯学习方法。该方法在稀疏贝叶斯学习的框架内针对扩展目标建立一种结构配对层次化高斯先验模型,然后采用变分贝叶斯期望-最大化算法交替进行目标重构和参数优化。该方法将某一信号分量的重构与周围信号分量联系起来,并能在迭代过程中自适应地调整表征各信号分量相关性的参数。实验结果表明,该方法针对扩展目标可以有效地进行高分辨成像。     

协方差压缩感知逆合成孔径雷达成像技术

为解决低信噪比条件下短观测时间雷达成像问题,提出一种基于回波协方差矩阵处理的压缩感知逆合成孔径雷达成像技术。该方法构建了回波协方差矩阵层面下的压缩感知问题模型,并通过特定的线性变换降低环境噪声对成像结果的影响。在仿真实验中,通过处理短观测时间和低信噪比条件下的模拟回波数据,该方法获得比传统压缩感知方法像质更好、对比度更强的目标成像结果。同时,其成像结果的目标背景比和背景噪声能量两个雷达图像评价指标都优于传统方法,进一步验证了该方法的有效性。