基于俯仰维信息的机载气象雷达目标检测

机载气象雷达系统能够在飞行中实现对气象目标的探测。然而,近地气象目标易受到强地杂波干扰,从而导致目标信息的缺失和检测虚警。为了实现地杂波背景中气象目标的准确检测,本文提出了一种基于俯仰通道干涉相位的空域气象目标检测技术。首先利用俯仰双通道系统获取雷达回波数据,经过多视处理后生成干涉相位图,对干涉相位图进行干涉相位补偿后得到待检测的干涉相位数据;然后将干涉相位作为检验统计量,解析高斯杂波背景下地杂波与气象目标的干涉相位统计特性;最后嵌入该统计特性至恒虚警率检测器中,实现气象目标的鲁棒检测。多组仿真与实测数据处理结果表明,相较于其他气象目标检测方法,所提方法具有更高的检测概率和更好的鲁棒性。     

机载MIMO雷达空时杂波块对消器

针对机载MIMO雷达杂波空时耦合的特性,提出了一种应用于机载MIMO雷达的空时杂波块对消器。利用MIMO雷达接收杂波的多普勒相位和空域接收相位之间的关系,设计系数矩阵来对消杂波,后续级联空时自适应处理方法能进一步抑制杂波和提高动目标检测性能。仿真实验表明,该杂波块对消器能对正侧视和非正侧视机载MIMO雷达均有较好的杂波抑制能力,从而进一步提高了后续空时自适应处理算法的动目标检测性能。     

基于深度学习的海上目标一维序列信号目标检测方法

当前海面目标检测方法多基于统计理论,检测性能受背景统计特性假设的影响,本文从信号预测和特征分类两个角度,分别采用长短时记忆网络(LSTM)和卷积神经网络(CNN)对信号时间序列幅度信息进行处理,用于海上目标一维序列雷达信号检测,该方法不需事先假设背景统计特性,泛化能力更强。基于LSTM序列预测的目标检测方法通过用海杂波信号幅度时间序列对网络进行训练,再用训练后的网络对后续序列进行预测,并与后续实测信号进行比较,实现目标检测。基于CNN序列分类的目标检测方法中采用截取的海杂波信号和目标信号幅度序列作为数据集样本,对一维卷积核CNN进行训练,使其具有识别目标杂波信号特征能力,从而实现目标检测。最后,采用IPIX和CSIR实测海杂波数据对两种方法进行验证,结果表明两种方法均可实现一维序列信号中海面目标的检测,但LSTM预测方法对于长序列检测的实时性有待于进一步提高;CNN分类方法可实现实时检测,但仅利用信号幅度信息,检测性能仍需进一步提升。      

机载气象雷达下和差波束抑制地杂波研究

针对机载气象雷达气象模式下的地杂波抑制研究,提出利用雷达回波信号的和差波束方法加以抑制。首先建立地心坐标系下飞机位置和气象与地杂波空间模型,然后通过机载气象雷达发射脉冲信号,利用气象雷达方程计算波束扫描范围内的气象目标和地杂波的回波功率信息。根据气象与地杂波所处雷达波束中心位置和角度不同的特性,利用和差波束方法抑制地杂波,同时气象信息不会有太大损耗。经过仿真数据验证,该方法能够有效地剔除地杂波,保留气象信息。     

基于卷积神经网络的海上微动目标检测与分类方法

该文利用深度学习的高维特征泛化学习能力,将卷积神经网络(CNN)用于海上目标微多普勒的检测和分类。首先,在海面微动目标模型的基础上,在实测海杂波背景中分别构建4种类型微动信号的2维时频图,并作为训练和测试数据集;然后,分别采用LeNet, AlexNet和GoogLeNet 3种CNN模型进行二元检测和多种微动类型分类,并进行比较,研究信杂比对检测和分类性能的影响。最后,与传统的支持向量机方法进行比较,结果表明,所提方法能够智能学习微动特征,具有更好的检测和分类性能,可为杂波背景下的雷达动目标检测和识别提供新的技术途径。      

基于LightGBM的气象目标分类技术

为克服传统气象目标分类算法对人为设置经验参数的依赖性,本文提出一种基于轻量级梯度提升机（Light Gradient Boosting Machine,LightGBM）的气象目标分类技术。将KVNX气象雷达获取的4个极化参量（水平反射率因子、差分反射率、相关系数和差分相移率）作为气象目标的特征参数,结合参考分类标签,制作向量数据集,再进行预处理,生成满足模型需求的数据集。以此数据集为驱动,建立一种LightGBM算法的气象目标四分类模型,该模型可有效识别3种气象目标（中小雨、冰雹和湿雪）及杂波（生物杂波与地杂波）。最后,根据气象雷达观测测试数据集进行测试,结果表明该模型在有高效率识别速率条件下,识别准确率可达95%以上。再用KTLX雷达两次实际观测数据来验证模型通用性,结果表明LightGBM分类模型可有效完成4种气象目标识别,具有优越的鲁棒性。     

基于数值天气预报模式的机载气象雷达降雨目标极化特性仿真

带有极化信息的气象目标仿真是双极化多普勒天气雷达的理论研究和设计应用的基础。目前, 机载双极化气象雷达的理论研究正处于发展阶段, 为了给机载双极化气象雷达的技术研究提供数据来源, 该文提出了一种基于数值天气预报模式的机载气象雷达降雨目标极化特性仿真方法。该方法利用数值天气预报模式获得温度、粒子浓度、混合比等降雨目标的气象参数, 从而实现气象场景的建模与仿真。在分析降雨目标微物理特性的基础上, 计算降雨目标的电磁散射矩阵, 从而实现降雨目标的极化特性仿真。不同微物理特性参数下的仿真结果表明:该方法可实现降雨目标的气象建模, 与实测数据的对比分析可知, 该方法的双极化仿真结果有效、可靠。      

基于DEM数据机载气象雷达地杂波抑制方法

针对机载气象雷达工作于气象模式时地杂波的抑制问题,应用基于地形可视化的方法在时域对地杂波进行抑制的方法.首先分析机载气象雷达下视时气象目标和地杂波的分布特点,然后根据DEM（DigitalElevation Model）表达地形的特点,利用增量法对地形进行可视化判断.对于气象雷达扫描区域内的可视化点判断其所在的距离单元.将这些贡献地杂波的单元予以剔除.通过仿真实验验证了该方法的有效性.     

一种基于修正激活函数的CNN车载毫米波雷达目标检测方法

为了提高车载毫米波雷达在复杂城市道路环境中目标检测的抗杂波与干扰能力,本文利用卷积神经网络（CNN）特征参数提取和目标分类特性,提出了一种改进的基于CNN的车载毫米波雷达目标检测方法。该方法首先将毫米波雷达回波信号距离-多普勒二维数据运用滑窗进行分割,并采用CNN网络模型处理分割后的二维矩阵,训练二维CNN网络模型及其参数,使其具有提取回波特征并基于特征参数模型进行目标分类的能力,从而实现目标检测功能。通过对卷积神经网络模型结构进行优化,增加批量归一化层,优化Dropout层使得低权重特征失活,自适应地删减部分神经元节点修正该层非线性激活函数,进一步降低了CNN模型目标检测的虚警概率。实验结果表明,在相同虚警概率条件下,CNN网络检测方法目标发现概率优于传统的单元平均恒虚警检测方法,并且在低信噪比的条件下仍然能够保持较高的发现概率;在同等发现概率水平下,修正后CNN网络检测方法的虚警概率较修正前可提高约1个数量级。     

雷达海上目标双通道卷积神经网络特征融合智能检测方法

受复杂海洋环境影响,基于统计理论的海面目标检测方法由于假设条件不成立,在实际应用中难以实现高性能检测,本文从特征提取分类角度,通过深度学习分类方法对目标和杂波的雷达回波信号进行二元分类,提出了一种基于双通道卷积神经网络(DCCNN)的雷达海上目标智能检测方法。首先,对实测海杂波和目标雷达信号进行预处理,得到信号的时间-多普勒谱和幅度信息;然后,构建DCCNN对预处理得到的数据进行智能特征提取,得到信号的特征向量,并对不同特征提取模型性能进行测试;最后,通过阈值可设的Softmax分类器作为检测器对特征向量进行分类,实现虚警率的控制。测试结果表明:与传统的单通道CNN以及无虚警控制Hog-SVM分类算法相比,基于二维卷积核VGG16和一维卷积核LeNet的DCCNN特征提取模型和softmax分类器可实现更高的检测性能,并可以实现虚警率控制,为复杂海杂波背景下目标智能检测提供了新的技术途径。     

单脉冲机载火控雷达地面动目标检测方法

提出了一种单脉冲机载火控相控阵雷达的主杂波谱区低速运动目标检测方法,该方法结合单脉冲精确测角和杂波谱展宽后在频域能量分散的特点,采用多普勒通道测量角度值与其对应的杂波单元的角度值的误差作为检测统计量,以实现极低速地面运动目标的检测.分析和仿真结果表明,在波束扫描方位角增加引起杂波谱严重展宽时,该方法仍然具有良好的极低速运动目标检测性能.     

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。     

机载雷达极化空时联合域杂波抑制性能分析

针对当前机载雷达面临强杂波抑制和微弱目标检测等难点问题,提出了一种极化空时联合处理新方法.该方法充分利用了目标与杂波在极化域、空域和时域(Doppler域)的特征差异,提高了抑制杂波、增强目标的能力.本文首先建立了机载极化阵列雷达接收信号模型和滤波算法模型.其次,利用分辨格思想及特征值、特征向量和功率谱的关系,构建了完全极化情况下杂波协方差矩阵新的等价关系.在此基础上,详细推导了新方法的杂波抑制性能,得到了输出信干噪比(SINR)与空间匹配系数,Doppler匹配系数,极化匹配系数,杂波脊斜率,信噪比(SNR),杂噪比(CNR)等的定量解析表达式.并与空时自适应处理(STAP)进行比较,从理论上分析得到了极化空时处理性能优于空时处理.特别在检测慢速运动目标时,新方法具有较强的稳健性.最后,仿真算例验证了模型的正确性.     

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。      

基于动态有序矩阵的外辐射源雷达CFAR算法

外辐射源雷达采用不可控的第三方辐射源,其电磁传播条件复杂,尤其是在低空目标探测中,检测性能极大地受到杂波特性的影响,使得传统恒虚警算法性能明显下降。为了改善检测性能,该文提出一种基于雷达杂波空间划分的动态有序矩阵恒虚警检测算法(DOM-CFAR)。该算法将杂波空间从距离和多普勒维进行划分,构造为有序矩阵,再根据背景杂波变化进行动态极值替换、提取杂波估计中值用以计算检测阈值,从而使得检测算法阈值可动态适应杂波功率变化。仿真和实测结果表明,该算法可以在均匀杂波、多目标和杂波边缘等复杂情况下保持稳定的检测性能。     

基于复值深度神经网络的目标检测方法

针对雷达在检测概率要求严苛的多旁瓣干扰复杂场景下使用传统目标检测方法无法满足需求,性能有待进一步提升的问题,本文提出了一种基于多通道复值深度神经网络的雷达目标检测方法。传统脉冲体制阵列雷达的恒虚警率目标检测通常在和通道进行,在对回波信号进行空域相参预处理过程中获得了相参积累的同时丢失了阵元间的相位信息,而实际上目标回波在阵元间存在着一定的相位关系。本文利用神经网络强大的拟合能力和分类能力,将目标检测视为二元分类问题,设计复值深度神经网络深入挖掘目标与背景在不同阵元间的幅度及相位信息差异,从而在传统目标检测和通道-距离-多普勒空间的更前端更好地区分目标与背景的差异,提升了雷达目标检测性能。实验结果显示,所提方法在存在大量旁瓣干扰的场景下,相较传统方法具有更好的检测性能表现和抗干扰能力,且在杂波环境中也有良好的表现。      

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.