基于多普勒组合特征的空中目标识别

针对基于毫米波雷达多普勒频谱的旋翼、固定翼识别难题,从理论上分析了直升机旋翼探测的必要条件,结合中心矩、统计量等特征提取方法,提出了利用组合特征进行分类的识别思路,并选取支撑矢量机作为分类器.外场试验数据表明该方法具有良好的识别性能.     

基于时频谱图和CNN的雷达空中目标识别方法

传统雷达空中目标识别方法容易受到杂波和有效特征难挖掘等因素影响,其识别准确率难以满足实际雷达系统的目标识别需求。为了改善雷达对空中目标的识别性能,提出一种基于时频谱图和卷积神经网络(convolutional neural network, CNN)的空中目标识别方法。该方法首先提取雷达目标检测点迹所在距离单元的多脉冲回波数据,然后通过杂波抑制和基于CLEAN算法的雷达目标机身分量消除,得到以目标微多普勒分量为主的时域回波数据,接着通过短时傅里叶变换得到目标微多普勒时频谱图,最后利用时频谱图对设计的卷积神经网络进行训练和测试,实现喷气式飞机、直升机、螺旋桨飞机三类典型空中目标的识别。实测雷达数据测试结果表明,所提方法对三类飞机目标的识别准确率高于传统方法。所提方法避免了传统人工提取微动统计特征,消除了杂波与机身分量的影响,提高了雷达对空中目标识别的性能。     

基于双通道GoogLeNet网络的旋翼无人机分类

针对利用雷达微多普勒效应的旋翼无人机识别问题,提出了一种基于双通道GoogLeNet网络的分类识别方法。首先对旋翼无人机的回波信号进行短时傅里叶变换（Short-Time Fourier Transform,STFT）从而获得信号时频谱,对时频谱沿时间轴进行傅里叶变换得到节奏速度图（Cadence-Velocity Diagram,CVD）。然后将时频图和CVD作为双通道GoogLeNet网络的输入进行特征提取用以获得回波信号的时频域和节奏速度域的特征,最后将所获得的特征输入到Softmax分类器中进而实现旋翼无人机的分类识别。基于实际雷达数据的实验结果表明,所提旋翼无人机分类方法准确率可达到98.9%。     

基于微多普勒特征的空中目标识别

分析了直升机目标回波信号的微多普勒频谱，基于直升机目标和固定翼飞机目标多普勒频谱的差别，提出了两种微多普勒特征用于识别直升机目标和固定翼飞机目标，其中一种利用了直升机回波信号正负多普勒频谱能量的不对称性，另一种模式特征利用了机身回波信号能量与旋翼回波信号能量的对比，使用仿真数据和试验测试录制的数据的计算结果表明该方法具有很好的识别效果。     

基于双雷达微动特征融合的无人机分类识别

无人机的日益流行在带来便利的同时也造成了潜在的威胁,对无人机进行分类识别具有重要意义。雷达微多普勒信号能够区分不同类型的无人机。为了提高基于微多普勒的无人机分类的鲁棒性,该文提出了一种多角度雷达观测微动特征融合的无人机识别方法。首先利用多部雷达同时从不同角度观测目标;然后对采集的雷达数据分别进行短时傅里叶变换(Short-Time Fourier Transform, STFT),得到时频谱图;接着利用主成分分析(Principal Component Analysis, PCA)从时频谱图中提取特征,将两个不同角度雷达传感器得到的特征融合在一起;最后利用支持向量机(Support Vector Machine, SVM)进行训练与分类识别。基于实际雷达数据的实验结果表明:两个雷达传感器观测融合得到的分类精度优于单个雷达传感器的分类精度,最终识别准确率较仅利用X波段雷达传感器方法提升了5%以上。      

飞鸟与旋翼无人机雷达微多普勒测量实验研究

针对飞鸟和旋翼无人机目标识别的迫切需求,开展微多普勒测量实验研究. 首先对飞鸟翅膀扑翼运动、无人机目标主体运动和旋翼转动进行建模分析与参数化表征,从雷达动目标回波中提取多普勒频移信息;然后利用短时傅里叶变换转换为时频图,对目标微多普勒特征进行精细化描述,并从雷达参数、目标类型、观测条件等多个角度重点分析了微动特征的影响因素;最后利用K波段线性调频连续波雷达开展飞鸟和两款典型旋翼无人机（“御MAVIC Air 2”和“悟Inspire 2”）微动测量实验,对微动参数进行估计,验证了理论模型的正确性. 实测数据分析表明:目标旋翼叶片长度越大、转速越高,微多普勒频率越大;叶片数目增多导致微动特征重叠;雷达观测角度、调制周期以及时频分析的时间窗长均会对微动特性产生重要影响.     

毫米波雷达目标与干扰信号模拟器研究

介绍了一种毫米波弹载雷达目标与干扰综合信号模拟器的工作原理和设备组成。给出了多普勒频率,回波功率,距离延迟脉冲和多普勒频率变化等目标信号的设计结果,同时也提供了噪声干扰、速度和距离我点源干扰、多普勒闪烁干扰等干扰信号的设计结果。     

外辐射源雷达直升机旋翼参数估计方法

外辐射源雷达是一种基于第三方非合作照射源的新体制雷达系统,在微多普勒效应目标分类和识别方面具有独特的优势,而其特点也决定了微多普勒效应参数估计方法需要具有良好的抗噪性能且计算量要小。针对上述问题,该文依据外辐射源雷达直升机旋翼微动信号模型,提出了利用时频域中回波闪烁特征进行直升机旋翼参数估计的新思路。通过对时频图中正负频率轴数据的幅值分别进行累加,提取出回波闪烁参数,同时,依据微动信号内在特性构建字典矩阵,利用正交匹配追踪算法实现了叶片长度、叶片数量、旋翼转速等参数的估计,相比常规Hough变换参数估计方法,该文方法更准确,更迅速。仿真和实测证明了该文方法的有效性。      

基于轻量化网络的车载雷达目标分类方法

针对现有车载毫米波雷达目标分类方法存在静止杂波干扰和网络模型复杂度高的问题,本文将Ghost模块和MobileNet相结合设计了G?MobileNet轻量化神经网络,并提出了一套完整的车载毫米波雷达目标分类流程。首先对雷达原始AD采样信号进行向量均值相消处理,滤除静止杂波,再进行二维快速傅里叶变换（FFT）得到目标的距离?多普勒（RD）图像,最后使用G?MobileNet对RD图像特征进行提取及分类得到分类结果。实测数据处理结果表明,所提方法能够消除静止杂波对多普勒特征产生的干扰,且分类网络模型复杂度低,在具有较高的分类准确率的同时节省了网络模型储存空间和运行网络所需内存。     

基于时空压缩特征表示学习的毫米波雷达手势识别算法

针对现有无线射频信号的手势识别研究中的数据预处理和特征利用问题,该文提出一种用于调频连续波(FMCW)雷达的时空压缩特征表示学习的手势识别算法。首先对手部反射的毫米波雷达回波信号的距离-多普勒(RD)图进行静态干扰去除和动目标点筛选,减少杂波对手势信号的干扰,同时减少计算数据量;然后提出一种压缩手势时空特征的表示方法,利用动目标点的主导速度来表示手势的运动特征,实现多维特征的压缩映射,并保留手势运动的关键特征信息;最后设计了一个单通道的卷积神经网络(CNN)来学习和分类多维手势特征信息并应用于多用户和多位置的手势识别。实验结果表明,与现有其他手势识别算法相比,该文提出的手势识别方法在识别精度、实时性以及泛化能力上都具有明显的优势。     

对空时自适应处理雷达的投散射式伪杂波干扰方法信号特性分析

针对宽带噪声干扰在空时自适应处理（Space-Time Adaptive Processing,STAP）雷达功率凝聚工作模式下无法有效掩护被保护目标方位信息的问题,提出了一种投散射式伪杂波干扰方法,分析了干扰信号在雷达接收端的空时特性.该方法通过向地面特定区域投射经过调制转发的雷达信号产生类杂波干扰信号.该信号多普勒频率与方位耦合、具有空间连续性与时间连续性,空时功率频谱轨迹可控.推导了干扰信号空时矢量模型,从雷达接收机的角度分析了干扰给目标检测带来的影响;在研究干扰信号多普勒轨迹分布特性与等值多普勒曲线分布特性的基础上,提出了干扰空时协方差矩阵特征值数目估计方法.仿真结果表明,该方法产生的干扰空时功率谱呈背脊线分布,使STAP处理器出现多个凹口,有效保护了目标信息.     

天波雷达电离层污染校正与海杂波抑制

在天波超视距雷达（OTHR）中,舰船目标的多普勒频率与海杂波谱接近,电离层污染会导致海杂波频谱展宽,从而淹没邻近的舰船目标信号。考虑到电离层污染会导致OTHR回波信号的相位缓慢变化,提出了采用相位梯度法对回波信号进行电离层污染校正;利用污染校正后的海杂波可以近似为两个单频信号之和这一特点,提出了应用奇异值分解来实现对海杂波的抑制。仿真结果表明,文中算法可以有效地校正电离层污染,抑制海杂波,显著提高信杂比,从而有效解决强海杂波对舰船目标的遮蔽问题。与现有的HRR—SVD算法相比,文中算法可以适用于相干积累时间较长和电离层污染较大的情况,防止残留的海杂波形成虚警,提高了OTHR对海杂波附近舰船目标的检测能力。     

基于冗余小波变换的高频地波雷达目标检测算法

为了从高频地波雷达(High Frequency Surface Wave Radar, HFSWR)信号生成的复杂距离多普勒(Range Doppler, RD)图像中准确提取运动点目标, 提出了一种基于冗余小波变换(Redundant Discrete Wavelet Transformation, RDWT)的RD图像点目标检测算法.该算法根据点目标与海杂波、电离层杂波等特征的差异, 首先在距离方向进行自适应RDWT以去除海杂波和地杂波, 并在多普勒方向进行自适应RDWT以去除电离层杂波; 然后利用图像形态学运算对背景噪声进行了抑制; 最后进行阈值自适应分割以得到点目标.实验结果表明:该算法能有效抑制RD图像中的海杂波、电离层杂波和背景噪声, 能从复杂的RD图像中实现点目标的有效检测, 其检测性能优于改进的恒虚警率(Constant False Alarm Rate, CFAR)算法.     

采用自适应功率回归门限设定的HF雷达舰船探测

高频（HF）雷达能够探测和跟踪极远距离上的目标。但是，包含外部噪声、各种不同杂波和干扰的信号环境将大大限制探测性能和系统能力。文中研究了一种新方法来解决复杂HF雷达信号环境中的目标探测问题。该方法采用传统的恒虚警率（CFAR）检测方法，但其门限设置是基于沿距离和多普勒单元功率谱值的回归分析。就中，CFAR检测试验规则与局部峰值测量方法相结合。文中所提探测方法已经真实HF雷达数据试验，得到了很有前景的结果。     

基于空时导向约束的天基雷达离散旁瓣杂波判别方法

由于天基雷达覆盖范围广,大量强离散杂波(小型岛礁、陆地铁塔等)会从天线旁瓣进入雷达系统,其多普勒特征与目标相同,极易造成虚警。针对以上问题,该文提出基于空时导向约束的天基雷达离散旁瓣杂波判别方法,该方法首先选取空时自适应处理(STAP)杂波抑制后检测到的潜在“目标”(包含真实目标与离散旁瓣杂波)距离多普勒单元及其附近单元;然后根据杂波多普勒频率与空间角度的耦合关系获得各杂波单元对应的空时导向矢量;最后利用获得新的导向矢量构成的滤波器再次对“目标”距离多普勒单元及其附近单元进行滤波处理,此时真实目标信杂噪比会大幅度降低,而离散旁瓣杂波信杂噪比变化不大,从而实现离散旁瓣杂波的判别。理论分析及机载实测数据处理证明该方法具有良好的稳健性和可靠性。     

基于多普勒谱特征的海杂波背景下小目标检测

海杂波中的小目标检测是雷达信号处理中较为复杂的问题之一。该文在分析海杂波多普勒谱特性的基础上,提出了基于联合瑞利分布的海杂波多普勒谱统计模型和描述多普勒谱扩展程度的波形熵特征,并给出了海杂波背景下的小目标检测算法。基于加拿大IPIX雷达实测数据的检测结果,证实了文中算法的有效性。     

小波分析在脉冲压缩雷达中的去噪研究

LFM信号是脉冲压缩雷达的常用信号,针对脉冲压缩回波信号中混有噪声,采用小波分析对其进行消噪。对多个目标的回波进行了仿真,结果表明该方法具有较好的抑制高斯杂波的能力,提高了信噪比,即使目标回波淹没在噪声中,去噪之后也能够识别出来,具有较强的目标识别能力。     

毫米波捷变频体制下低空风切变风速估计方法

机载气象雷达下视探测低空风切变时,复杂的电磁干扰及强地杂波会严重影响其对目标信号的检测,造成风场速度估计失准。针对上述问题,本文提出一种毫米波（millimeter wave,MMW）捷变频体制下的低空风切变风速估计方法。该方法采用载频脉组间捷变,在每个脉组内利用雷达系统先验信息设计两维两脉冲对消（two dimensional pulse-to-pulse canceller,TDPC）预滤波器对雷达回波进行预滤波,削弱杂波功率,接着利用基于组合空时主通道的自适应处理（combined space-time main channel adaptive processing,CMCAP）对回波数据进行空时二维滤波,得到风切变信号的模糊多普勒估计值,最后将每个脉组内的估计结果由多普勒频率域转换到速度域,采用错位差分查表的方式订正模糊速度,从而得到风场的真实速度值。仿真结果分析验证了所提方法的有效性。      

一种舰载毫米波雷达海杂波背景下的慢速小目标检测算法研究

掠海飞行慢速小目标的检测一直是雷达信号处理领域研究的热点问题。分析了海杂波数据的统计特性,利用天线扫描间海杂波非相关特性,采取单次扫描脉冲间非相参积累,结合天线扫描间积累和杂波图迭代平滑处理技术,抑制海杂波,积累目标能量,改善检测性能。仿真结果表明利用本方法毫米波雷达能有效检测海杂波环境下的慢速小目标。     

基于PCA-CLEAN的噪声稳健激光微多普勒特征提取方法

雷达回波中的微多普勒效应能够反映目标的几何结构和运动特性,作为目标独一无二的特征,能够用来实现对目标类别和属性的判断。波长的优势使激光雷达相对于微波雷达具备更好的微多普勒探测精度。针对空中飞机目标(直升机、螺旋桨飞机)回波中微多普勒调制能量较弱,易被噪声污染的问题,提一种基于PCA-CLEAN的噪声稳健激光微多普勒特征提取方法,首先利用PCA对回波信号进行噪声抑制,然后利用CLEAN算法将回波中的机身分量和微动分量区分开,进而提取反映不同目标微动差异的三维特征进行目标分类,基于仿真和实测数据的实验结果表明,所提方法能够获得较好的分类性能,同时在低信噪比条件下能够获得较好的噪声抑制性能。