一种多传感器雷达辐射源识别的组合方法

针对复杂电磁环境下多传感器获得的雷达辐射源信息具有不确定性的情况,提出了一种雷达辐射源识别的组合方法.首先利用灰色定权聚类法对大量的传感器数据进行处理,以简化雷达辐射源特征数据,在此基础上通过灰色关联分析法确定证据理论中的基本概率赋值函数,并应用修正的D-S证据理论实现多时刻条件下目标识别.通过仿真算例可知,该方法能够有效减小雷达辐射源所受的噪声干扰,具有一定的可行性.     

二相编码雷达前沿复制干扰的能量效率分析

针对提高干扰的能量利用效率提供一些理论和技术问题,介绍了前沿复制干扰的产生背景。对二相编码雷达、灵巧噪声干扰和前沿复制干扰的基本成分通过匹配滤波器后的输出信号脉冲峰值进行了分析。以在匹配滤波器输出端产生相同数量和相同幅度大小的脉冲为能量利用效率比较基准,给出了这两种干扰方式各自所需的干扰信号能量的计算公式,并进行了典型条件下,这两种干扰方式所需干扰信号能量的数值计算;在一般情况下,对这两种干扰方式的能量利用效率进行了比较。指出若前沿波形宽度为雷达发射信号宽度的1/n,则前沿复制干扰所需能量为灵巧噪声干扰所需能量的n倍,前沿复制干扰的能量利用效率仅为灵巧噪声干扰的能量利用效率的1/n。     

双站测向与测时差组合定位精度分析

针对无源雷达测向与测时差组合定位问题,提出一种利用前者量测结果为后者构建假量测点和协方差的新方法,并采用凸组合法对测向与假量测结果进行融合,得出综合定位精度的分布。仿真结果表明,该方法能够有效地利用两种完全不同的量测数据,提高目标的定位精度,同时给出的GDOP理论值可以真实反映组合量测的性能,具有一定的应用价值。     

多功能雷达建模中的雷达字提取技术研究

雷达字为有限数目脉冲的固定排列,能够反映多功能雷达的工作状态和威胁等级。针对漏脉冲和虚假脉冲所造成的雷达字不能正确提取的问题,提出了一种基于三级匹配的雷达字提取算法。该算法首先对分选后的辐射源脉冲列进行数据库级的匹配过滤,确定模板雷达范围,然后分别利用脉冲配对和序列相关技术进行精确识别。仿真实验表明,该方法不仅能提取多功能雷达辐射源的雷达字,而且对噪声环境具有较好的适应能力。     

泛探雷达长时间相参积累目标检测方法研究

泛探雷达利用同时多个接收波束覆盖整个观测空域,可利用长时间相参积累提高动目标检测性能,然而必须解决目标在长积累时间之内出现跨波束、跨距离单元和跨多普勒单元现象带来的积累增益下降问题。在跨波束影响可忽略前提下,研究了基于Keystone变换与Dechirping变换相结合的运动补偿方法,并在此基础上提出了基于Clean思想的多目标检测流程。通过对仿真数据与外场实测数据的处理与分析,验证了本文方法的有效性,可以用于泛探雷达的目标检测。     

基于直达波补偿的星地双站SAR滑动聚束模式频域成像算法

星地双站合成孔径雷达以星载系统为机会照射源,地面接收机接收直达波和散射波信号进行同步和成像处理。本文介绍了星地双站SAR系统结构,对基于直达波进行距离向脉冲压缩后的信号调频率、距离徙动以及二维频谱的空变性进行了分析。在此基础上,基于方位向预处理过程、直达波补偿以及非线性Chirp Scaling算法,提出了适合该模型的频域成像算法,并通过点目标仿真验证了该成像算法的有效性和性能。星地双站SAR实测数据进一步验证了该成像算法的有效性。     

m序列二相编码雷达灵巧噪声干扰研究

针对前沿复制干扰能量利用效率低的问题,提出了利用前沿波形,通过预测,超前获取雷达信号完整波形,进而实施灵巧噪声干扰的思路。对于采用由n级移位寄存器产生的m序列的二相编码雷达,给出了利用获得的前2n个码元,通过解n元线性方程组,预测获得完整m序列的方法。进一步,针对该线性方程组的生成特点,提出了一种快速算法。利用该快速算法,可以将预测的计算工作量平均分配到从获得m序列的第n＋1个码元到获得第2n个码元的各个节拍中去,使得一旦获得m序列的第2n个码元,就能够立刻得到m序列的所有反馈系数,获取雷达的当前发射信号的完整波形,并以最短的延迟实施针对性的灵巧噪声干扰。     

基于局部积分双谱与SVM的雷达目标识别

针对高分辨距离像的特点,应用双谱与SVM研究高分辨雷达目标识别问题。提出了基于局部积分双谱与SVM的雷达目标识别方法。该方法选择具有最强鉴别能力的积分双谱构成局部积分双谱特征,基于局部积分双谱进行距离像特征提取,然后应用支持向量机对提取的特征进行分类识别。利用四种局部积分双谱的目标识别仿真实验结果表明,提出的方法具有良好的分类性能。     

采用LSRSERM方法进行多雷达数据配准

基于雷达网系统误差分析,提出了一种最小二乘相对系统误差配准法,并给出了一种多雷达数据配准方案。仿真和实际数据证明,该方法可以使同一目标观测航迹的分裂程度减小一个数量级。     

Arbitrary-oriented target detection in large scene sar images

Target detection in the field of synthetic aperture radar (SAR) has attracted considerable attention of researchers in national defense technology worldwide, owing to its unique advantages like high resolution and large scene image acquisition capabilities of SAR. However, due to strong speckle noise and low signal-to-noise ratio, it is difficult to extract representative features of target from SAR images, which greatly inhibits the effectiveness of traditional methods. In order to address the above problems, a framework called contextual rotation region-based convolutional neural network (RCNN) with multilayer fusion is proposed in this paper. Specifically, aimed to enable RCNN to perform target detection in large scene SAR images efficiently, maximum sliding strategy is applied to crop the large scene image into a series of sub-images before RCNN. Instead of using the highest-layer output for proposal generation and target detection, fusion feature maps with high resolution and rich semantic information are constructed by multilayer fusion strategy. Then, we put forwards rotation anchors to predict the minimum circumscribed rectangle of targets to reduce redundant detection region. Furthermore, shadow areas serve as contextual features to provide extraneous information for the detector identify and locate targets accurately. Experimental results on the simulated large scene SAR image dataset show that the proposed method achieves a satisfactory performance in large scene SAR target detection.