基于概率假设密度的汽车防撞雷达多目标跟踪

基于毫米波汽车防撞雷达系统,考虑到雷达测量误差的存在以及道路前方车辆的行驶状态和数目的实时变化,包括新目标车辆出现、目标消失等多种情况,设计了一种多模型高斯混合概率假设密度算法实现对多个机动车辆的检测跟踪。针对高速公路上多个车辆行驶的情况,运用高斯混合概率假设密度算法以及多模型理论进行仿真实验,结果表明该算法不仅能够实时地对雷达探测范围内多个目标车辆进行准确跟踪,而且能够及时地判断出驶入或驶出雷达探测范围的车辆,从而在提高自车与前车之间相对距离、相对速度测量精度的同时,有效地对可探测目标车辆数目进行准确的判断,降低了雷达虚警率,提高了防撞雷达系统的可靠性。     

毫米波频率步进单脉冲雷达角跟踪技术研究

在毫米波雷达目标跟踪中,角闪烁的非高斯特性将使得经典的卡尔曼滤波器失效。研究了非线性度函数方法在毫米波频率步进单脉冲雷达目标跟踪中的应用,采用非线性度函数方法对高分辨距离像测角数据进一步处理,仿真表明该算法性能优于经典的卡尔曼滤波。     

车载分布式MIMO雷达原理与实测数据分析

文中分析了分布式构型多输入多输出(MIMO)雷达及其处理框架,并针对车载应用场景,结合超分辨测角算法给出了一套基于分布式MIMO雷达的成像、测速、跟踪处理流程。在此处理流程的基础上,文中创新性地提出了基于高斯混合概率假设密度(GM-PHD)跟踪算法的距离-角度-速度关联方案,并对GM-PHD算法进行了改进,增加了标签配对功能,同时实现了多维信息的快速关联和目标的航迹跟踪。最后,利用实测数据验证了相关算法的有效性和实用性,与单一雷达成像及跟踪结果对比并进行了详细分析,验证了分布式MIMO雷达具有更优的目标检测性能及目标跟踪效果。     

交通监测毫米波雷达数据预处理方法研究

毫米波雷达交通监测场景中待检测目标较多、各目标间点迹特征接近,导致点迹凝聚精度低,对此, 文中提出一种改进的交通监测毫米波雷达数据预处理方法。首先通过短时多帧数据积累提高车辆目标点迹密度, 随后利用加权欧式距离度量点间距离以提高密集间隔目标的类间距离,并对点间距离分布进行曲线拟合实现聚类 算法参数的自适应求解,最后利用基于密度的噪声空间聚类(DBSCAN)算法对点迹进行凝聚处理。由雷达实测数据 进行实验验证,相较于传统方法,原始点迹数据经凝聚后跟踪得到车流量统计精度提高10. 97%,结果表明所提方法 能够对车辆点迹信息进行较为精确的凝聚,改善了毫米波雷达在交通监测领域的应用效果。     

一种高数据率雷达跟踪慢速目标的数据互联算法

杂波环境下, 现有的最近邻数据互联算法在高采样率雷达跟踪慢速目标时, 由于量测误差远远大于目标实际运动的距离, 量测值往往难以落入预测波门之内, 从而造成数据互联失败。针对这一问题, 提出了一种自适应距离最近邻数据互联算法。该算法用状态估计向量中的位置信息计算与下一时刻量测值的实际距离来代替预测中心与量测值的统计距离, 降低了预测中心不确定性造成的漏互联概率, 从而提高了跟踪精度。实际距离波门的大小与雷达和目标距离、雷达测距精度、雷达测角精度有关, 并且随着时间实时变化。通过在地心坐标系下的跟踪滤波仿真证明, 该算法能够有效地实现高数据率雷达对慢速目标的跟踪, 且跟踪精度较高, 具有一定的工程实用价值。     

基于粒子滤波理论的雷达多目标TBD检测

粒子滤波理论适用于在非线性和非高斯环境下的目标跟踪与检测。文中基于序列重要性采样定理,提出了模型环境和多雷达目标检测的递归贝叶斯TBD算法。此算法在基本粒子滤波算法SIR的基础上,采用多模型粒子滤波器实现了多雷达目标的检测。仿真结果表明,算法能够有效地进行目标跟踪与检测。     

宽带毫米波雷达目标时延神经网络识别新方法

基于一维距离像和神经网络研究宽带毫米波雷达目标识别问题,研究了用于雷达距离像序列识别的时延神经网络模型及其学习算法,并提出了基于距离像序列的宽带雷达目标时延神经网络识别方法.还利用三种飞机缩比模型的暗室测量数据,研究了时延神经网络分类器中时延单元数目对分类精度的影响以及分类器的分类性能.实验结果表明 本方法具有良好的应用前景.     

宽带毫米波雷达目标时延神经网络识别新方法

基于一维距离像和神经网络研究宽带毫米波雷达目标识别问题,研究了用于雷达距离像序列识别的时延神经网络模型及其学习算法,并提出了基于距离像序列的宽带雷达目标时延神经网络识别方法,还利用三种飞机缩比模型的暗室测量数据,研究了时延神经网络分类器中时延单元数目对分类精度的影响以及分类器的分类性能。实验结果表明：本方法具有良好的应用前景。     

基于δ-GLMB自适应门限判定的多量测目标跟踪算法

针对实际复杂交通场景中毫米波雷达能从单目标上获得多个量测导致广义标签多伯努利（δ-Generalized labelled multi-Bernoulli, δ-GLMB）滤波算法的多目标跟踪结果中出现单目标有多条轨迹等问题,提出了一种在δ-GLMB跟踪结果的基础上加入自适应门限判定的改进算法。首先,通过δ-GLMB滤波器对场景中目标进行跟踪,然后通过自适应门限判定方法实现目标多余轨迹点的删除和属于同目标的轨迹的标签统一。本文使用77GHz毫米波雷达对实际交通场景的监测数据进行了实验,结果表明本文提出的方法在目标个数估计准确率上有显著提高,对实际交通数据的鲁棒性更好。      

基于压缩感知的捷变雷达距离-速度估计北大核心CSCD

在目标识别探测领域,毫米波雷达发挥着至关重要的作用。其中抗干扰能力和检测精度是衡量雷达性能的两项重要指标。为提高雷达抗干扰能力,改善雷达的信号处理效果,提升雷达的距离-速度检测精度,本文采用相参处理时间（CPI）间载频捷变与脉间脉冲重复频率（PRF）捷变相结合的雷达信号,利用压缩感知（CS）模型进行频谱生成,并设计了新型雷达距离-速度分析法进行目标检测,建立了一套完整的雷达信号处理算法。对算法的各个环节进行理论分析和仿真实验,仿真结果证明,本文设计的基于压缩感知的捷变雷达距离-速度估计方法,增强了雷达的抗干扰能力,同时提升了雷达的距离-速度检测精度。     

跟踪信息辅助的扩展目标检测

雷达带宽增加带来的回波信息增量,能够更准确地辅助环境感知并获取目标信息。但是,雷达带宽的提高通常会造成目标回波在距离维的扩展,进而造成目标回波能量的分散,使单个距离单元的回波信噪比下降,不利于目标的远距离探测。此时,通过融合连续多个距离单元的回波进行检测能够提升目标探测性能。为了更充分地利用目标回波信息设计融合检测器,文中结合认知探测的思想,利用跟踪状态下的目标先验信息设计了跟踪信息辅助的扩展目标检测算法。本算法首先基于扩展目标的跟踪信息预测目标位置及其回波在各距离单元的分布,再基于预测信息设计融合检测器,以此实现从跟踪到检测的闭环,更充分地挖掘和利用了历史目标回波信息。实验表明：所设计的跟踪信息辅助的扩展目标检测算法相较于传统扩展目标检测算法,能够提升目标检测性能,推远雷达对目标的有效跟踪距离。     

自动相关监视目标的跟踪算法研究

为了实现对新航行系统自动相关监视目标的跟踪,通过对机动目标跟踪算法进行分析研究,给出了一种基于高斯和的贝叶斯估计多模型跟踪算法。其主要思想是对多个模型滤波器滤波输出进行加权平均,每个模型滤波器采用推广卡尔曼滤波算法,当需要进行状态预测时,应用卡尔曼滤波理论进行K步迭代递推估计。该算法是解决非线性、非高斯估计问题的一个较好的变结构多模型算法。基于高斯和的贝叶斯估计算法对匀速、匀加速和强机动目标都可以达到良好的跟踪效果。     

基于小波神经网络的毫米波雷达目标距离像识别

给出一种隐层由小波基组成的神经网络用于实现频率步进毫米波雷达目标一维距离像的识别。利用小波变换所具有的良好的时频分析特性，实现了输入输出之间映射关系的多分辨学习。介绍了小波神经网络的数学框架及其误差反向学习算法。详细描述了用小波神经网络进行识别的步骤。将所提出的小波神经网络用于频率步进毫米波雷达目标一维距离像的识别。实验结果表明该方法对目标距离像的识别是有效的。     

基于规格化Hough变换的天波超视距雷达检测前跟踪算法

基于Hough变换的检测前跟踪算法非常适用于强噪声背景下小目标的检测.对于天波超视距雷达(OTHR)来说,探测目标距离可达几千公里,测量精度和雷达分辨率都很低.将基于Hough变换的检测前跟踪算法应用于天波超视距雷达的检测环境中,由于径向距和方位量测数量级相差较大,造成检测性能急剧下降,因此提出基于规格化Hough变换的检测前跟踪算法.针对高斯噪声背景中的飞机目标,仿真结果表明提出的算法具有较好的检测性能.     

反舰导弹毫米波主被动复合制导导引头设计探讨

介绍了毫米波主被动复合制导的主要性能和主被动复合的三种方式,分析了毫米波主被动复合制导既可以充分发挥毫米波主动雷达的反隐身能力,又可以发挥毫米波被动雷达探测距离相对较远的优点,在此基础上提出了一种新的毫米波主被动复合制导导引头设计方案,该设计方案通过毫米波主被动雷达信息融合处理技术,提高了抗干扰能力和目标识别能力,可以实现对目标的精确打击.     

基于元学习的红外弱小点状目标跟踪算法

为了在研究红外弱小点状目标的特征基础上有效解决训练数据不足的问题, 采用了基于改进的元学习红外点状目标跟踪算法。首先将元学习通过预训练跟踪模型运用到卷积神经网络中, 采用离线训练的方式在静态红外图像数据集上训练得到目标的通用表示, 再通过在线训练的方式利用初始帧的目标位置学习得到目标的特定表示; 通过卡尔曼滤波算法预测目标运动模型, 得到最优的搜索区域。此外, 为了解决遮挡造成的目标丢失问题, 研究了重检测机制, 并进行了理论分析和实验验证, 取得了较好的跟踪结果, 跟踪精度达到了90%。结果表明, 该方法在同一数据集下相对其它跟踪算法实现了更精确地跟踪红外弱小点状目标的效果。该研究为机器学习算法在红外弱小点状目标跟踪中的应用提供了参考。     

基于期望最大化算法的捷变频联合正交频分复用雷达高速多目标参数估计

参数估计对雷达的目标检测和识别有着重要的意义。该文提出了一种基于期望最大化(EM)算法的捷变频联合正交频分复用(FA-OFDM)雷达高速多目标参数估计方法。首先,将窄带正交频分复用(OFDM)信号与传统捷变频雷达相结合,在每个脉冲宽度内同时发射多个载频随机跳变的子载波。然后,对单个脉冲内所有子载波的回波进行脉冲压缩和稀疏重构处理,得到1维高分辨距离。进一步地,将多个目标在不同脉冲时刻的高分辨距离信息构成观测数据,建立混合高斯模型。采用EM算法对模型参数和多个目标的距离、速度进行估计,并同时拟合多条时间-距离直线。直线斜率对应目标速度,直线纵轴截距对应目标初始距离。最终,分别分析了信噪比(SNR)对检测概率以及目标速度对相对估计误差的影响。仿真实验验证了所提算法的有效性。     

一种基于模型选择的PF-TBD算法

在目前的基于粒子滤波检测前跟踪(PF-TBD)算法中,对粒子的预测通常是根据单一直线运动模型实现的,在目标机动时由于与运动形式相差较大,影响了跟踪效果。为此,提出一种基于模型选择的粒子滤波检测前跟踪(MM-PF-TBD)算法。该算法由已估计出的目标位置,计算相对偏转角,并以此判定目标当前的运动模式,进而选择相应的运动模型对下一时刻的粒子进行预测,显著提高了对粒子预测的精度。理论分析和仿真实验表明,文中所提算法适用于目标不同的运动形式,有效提高了目标机动时的检测和跟踪性能。     

步进调频连续波信号应用于毫米波汽车防撞雷达

概述了工作在毫米波段的汽车防撞雷达的有关情况,针对虚警问题,提出了一种新的雷达发射信号体制,即变斜率步进调频三角形连续波信号,分析了该波形的特性,给出了其相应的信号处理,并提出了一种用于多目标环境中的目标检测算法．分析和仿真结果表明,新的信号体制具有良好的距离和相对速度分辨率,且易于产生和处理,同时其相应的多目标检测算法能够有效地去除虚警．     

小样本条件下基于数据增强和WACGAN的雷达目标识别算法

目前小样本条件下高分辨距离像雷达目标识别算法存在识别率较低、识别率稳定度较差等问题,对此,本文提出了基于数据增强和加权辅助分类生成对抗网络（Weighted Auxiliary Classifier Generative Adversarial Networks,WACGAN）的雷达目标识别算法.该算法首先根据雷达目标散射特性,通过时间镜像数据增强方法扩充数据集,然后将扩充数据集输入WACGAN,通过自动选择高质量的生成样本,使判别器在标签样本监督学习的基础上得到进一步优化,最后直接利用判别器实现对雷达目标的有效识别.仿真实验结果表明,本文算法在不增加识别时间的基础上,有效提高了小样本条件下对雷达目标的识别率和识别稳定度.