基于深度神经网络模型的雷达目标识别

根据雷达测量的目标电磁散射面积(RCS)序列,采用深度神经网络模型识别空间飞行目标。首先,阐述了提取RCS时间序列特征的方法,包括均值、均方差及周期特性等特征;然后,给出了深度神经网络模型识别RCS目标的算法;最后,用仿真数据验证该识别方法,数值实验结果表明该方法能较准确识别雷达跟踪目标。     

美国导弹防御系统地基雷达目标测量与识别

地基雷达的探测与识别能力是整个弹道导弹防御系统识别能力的重要支撑.其主要是以多普勒频移成像和距离高分辨率能力实现对真假目标的识别,目标识别的方法包括基于RCS的识别方法、基于一维像的识别方法和基于二维像的识别方法,其中带宽外推目标识别技术使得宽带雷达成像技术取得了重大进展.在对地基雷达功能与实现过程、目标识别方法进行分析的基础上,从角位置测量、距离测量,径向速度测量三个方面对地基雷达探测与识别能力进行了分析.     

多极化前向散射RCS分析及其对目标分类识别的影响

在前向散射情况下,基于阴影逆合成孔径雷达(SISAR)成像原理可以获得运动目标的轮廓像,从而对运动目标进行分类与识别。为了研究多极化对前向散射雷达运动目标识别的影响,该文根据前向散射阴影逆合成孔径原理,建立了目标前向散射雷达截面积(RCS)与目标轮廓像谱信息之间的联系,首次将多极化引入到前向散射目标的分类识别中;并借助电磁仿真软件CST,仿真得到了多极化条件下目标的前向散射RCS曲线。通过分析仿真结果发现同一个目标在不同极化情况下具有不同的前向散射RCS旁瓣曲线,此种差异对应于目标轮廓像的差异;联合多极化产生的前向散射RCS旁瓣差异可以获得更多关于目标轮廓的特征信息。仿真结果验证了多极化能够提高前向散射目标分类识别的能力。     

向量相似度在雷达目标识别中的应用

在给出向量相似度的定义的基础上提出了一种新的雷达目标特征融合方法--向量相似度法.并给出了模板的概念,通过计算目标的各个特征向量与其特征模板的向量相似度,进而计算出了目标与其模板的综合可信度,最后由综合可信度得出识别结果.此识别方法充分利用了雷达目标各个特征的多次测量信息,能够有效地提高雷达目标的识别率,特别是在目标信息极为有限的情况下此方法优势更为明显,对空中目标识别具有重要意义.     

基于中心矩特征的空间目标识别方法

目标的雷达散射截面（RCS）包含了丰富的目标类别信息，有效地利用目标RCS特征对空间目标的雷达识别具有重要的意义。该文利用空间目标回波的距离维信号来进行识别。中心矩特征具有平移不变性，是一种简单有效的波形特征提取算法。文中首先提取中心矩作为特征向量，再采用Fisher判据进一步进行特征压缩，最后利。用支撑矢量机（SVM）分类算法实现识别。基于实测数据的仿真实验结果表明，该方法具有较好的识别性能和推广能力。     

利用低数据率HRRP序列进行弹道中段目标识别

雷达目标识别是弹道防御阶段的关键环节,为节约雷达时间资源和降低对计算机处理能力的要求,需研究低数据率雷达回波信号的弹道中段目标识别方法,本文以低数据率目标高分辨一维距离像序列（High Resolution Range Profile,HRRP）为研究对象,提出了基于图像投影法的进动频率特征提取算法和基于特征级融合的弹道中段目标识别方法,解决了由于HRRP回波序列数据率过低而导致的时频曲线周期模糊和单一特征造成目标识别准确率浮动大的问题。本文通过仿真弹道导弹中段飞行场景中弹头、重诱饵、轻诱饵、碎片目标的特性数据,同时考虑目标尺寸、形状和微运动模型等差异,结合仿真数据对本文所提算法进行验证。实验结果表明在低数据率（10~100 Hz）下,HRRP序列利用本文算法提取的进动频率特征结果误差值小于0.05 Hz,具有较高准确性和稳定性,通过特征融合方法联合进动频率和目标结构特征将弹道中段目标的识别准确率提升到了96%以上且趋于稳定。     

基于动态RCS的典型飞机目标识别

工程上常用静态雷达散射截面（RCS）统计特性进行目标识别,但其可分测度小,正确识别率较低。文中在精确获取目标动态RCS序列的基础上,提出了一种基于离散小波能量的特征提取方法,对典型飞机目标进行分类识别。首先,根据空气动力学和运动学方程设定五种典型飞机目标的飞行航迹并解算其实时飞行坐标,从而获取时变的雷达视线姿态角;其次,应用多层快速多极子电磁计算方法仿真各型目标的动态RCS数据;然后,再基于动态RCS序列,计算其位置、分布等统计特征,并进行小波分解和重构,提取各型目标的统计特征和小波能量特征;最后,采用基于距离的类间距离判据,比较两种特征量的分类识别效果。仿真计算结果表明：相对传统的统计特征,离散小波能量特征能完整地体现目标的特征,且可分性测度更大,识别效果更为理想。     

反导预警雷达目标特征识别方法

目标识别是弹道导弹防御的关键环节,同时也是防御系统最具挑战性的核心技术难题。从弹道导弹飞行中段和再入段雷达探测的需求出发,论述了目前国内外对弹道导弹雷达探测特征:雷达散射截面积(RCS)、一维距离像(HRRP)、逆合成孔径成像(ISAR)、极化特性等目标特征提取和识别方法,并讨论了基于上述特征的目标识别方法的优缺点。在此基础上,分析了未来弹道导弹目标特征识别技术的研究方向,为今后相关研究提供有益的思路。     

雷达目标特征数据库在雷达组网仿真上的应用

传统雷达组网仿真中,认为目标为点目标,目标的RCS(Radar Cross Section)是一个常数;实际上目标的RCS是随雷达频率、目标相对雷达姿态变化的函数。该文通过对复杂雷达目标进行电磁建模,计算其在各姿态和各频点的RCS数据,把计算结果存储在数据库中建立雷达目标特征数据库。建立了雷达组网仿真系统,系统由主控计算机、雷达目标特征数据库、若干雷达站组成。仿真结果表明:利用雷达目标特征数据库获得雷达在每个时刻观察的RCS比传统的把飞行器RCS当成常数,进行雷达组网仿真,仿真结果更接近实际的情况;通过多个雷达组成雷达网进行数据融合共同探测目标,可以大大提高雷达对目标的检测概率。     

瞬态极化Wigner-Ville分布相关法及其性能分析

研究了高分辨极化雷达目标识别问题,给出了瞬态极化Wigner—Ville分布(WVD)的定义,提出了基于瞬态极化WVD相关的目标识别方法,以充分利用目标回波的极化信息,并且揭示了该方法的性能改善与目标回波极化散度之间的关系。最后利用五种飞机缩比模型外场测量数据进行了目标识别实验。实验结果表明,该方法是一种有效的高分辨极化雷达目标识别方法。     

基于三角函数拟合的RCS序列进动周期估计

利用雷达反射截面(RCS)序列估计进动周期为弹道目标特征提取和识别的重要途径。弹道目标在进动时,回波RCS序列为非平稳的周期序列,常规Fourier变换方法和周期间相关类方法需要较长观测时间和较高数据率才能有效地估计RCS的周期,这对于有限的雷达资源来说是不可接受的。该文提出一种新的估计弹道目标RCS序列周期的方法,该方法先利用特定频率附近的三角函数来拟合RCS序列,再求得使拟合误差最小的频率,即为RCS序列的进动频率。相比于常规方法,该文方法具有所需资源少,估计精度高的特点。RCS计算数据的仿真结果证明了该文方法的有效性。     

毫米波宽带超表面MIMO天线北大核心CSCD

本文设计了一款毫米波宽带超表面MIMO天线。基于特征模分析设计了宽带超表面天线单元,从而使其组成的MIMO天线具有宽带特性。为了改善天线的隔离度,在天线单元之间引入了金属化通孔以及隔离金属条带。天线整体仅使用了一层介质基板,通过同轴探针进行馈电,结构简单且易于集成,具有低剖面的优点。仿真结果显示,在21.3～31GHz(37%)频段内,天线匹配良好,隔离度不低于20dB,并且带内最高可实现增益可达8.1dBi。     

基于一维距离像的飞机目标识别

针对基于多散射中心模型回波的一维距离像(High Resolution Range Profile, HRRP)难以真实反映复杂目标散射特性的问题,研究了基于电磁散射模型回波的生成方法和HRRP 宽带特征提取方法。首先应用等效电磁流法(Method of Equivalent Currents, MEC)棱边修正的物理光学(Physical Optics, PO)算法解算飞机目标动静态电磁散射特性;其次基于目标散射场数据,生成目标回波、仿真HRRP 序列,提取目标宽带特征信息;最后求解了目标在设定航迹下的平均识别率,量化分析了信噪比对目标识别率的影响。理论分析与仿真结果表明:当信噪比(Signal to Noise Ratio, SNR)大于5 dB 时,基于电磁散射建模的平均识别率相对基于传统的多散射中心模型提升了20%。     

拖曳式雷达诱饵目标识别技术

针对拖曳式雷达诱饵易对雷达导引头造成欺骗性干扰的问题,利用雷达回波中提取的目标微动多普勒特征、极化特征和雷达截面积序列统计特征进行仿真分析,在实现载机和诱饵初步识别的基础上,采用贝叶斯(Bayes)数据融合方法,对上述3种回波信号特征进行一级融合,并进一步对不同时刻的信号特征进行二级融合,最终将目标识别率由71.5%提高到了96%.该目标识别方法能够大大减少外界因素的影响,相对于单特征识别显著提高了目标识别率.     

空地协同场景下通信干扰智能识别方法

针对现有通信干扰智能识别方法在小样本条件下识别精度低、网络模型欠拟合的问题,并形成通信干扰识别的空中与地面布设能力,该文提出一种空地协同场景下基于孪生网络的通信干扰智能识别方法。首先在空中无人机与地面设备之间构建空地协同的通信干扰认知架构,并通过提取所接收的通信干扰信号的时频图、分数阶傅里叶变换和星座图,对通信干扰信号进行智能表征,以作为网络的输入。然后搭建基于密集连接网络的网络结构,并设计双输入权值共享的孪生网络。最后,利用随机样本对孪生网络进行训练,并通过孪生单边网络构建基准通信干扰类型特征库进而实现通信干扰的智能识别。该方法通过度量两个样本之间的特征距离来判断样本的相似性,并通过相似度度量扩大了训练样本数量并训练了孪生网络模型。仿真结果表明,所提方法不但在较小数据集的条件下可有效地实现通信干扰的智能识别,而且相比现有的智能识别方法,所提方法的识别性能显著提升。     

利用RCS序列估计空间目标尺寸的方法研究

目标RCS包含了丰富的目标信息,由目标RCS推求目标结构和尺寸信息却非常困难。针对这一问题,本文 先将空间目标简化为一椭球体,在此基础上提出了一种利用目标RCS序列估计目标长轴和短轴尺寸的方法。实测数据处 理结果表明,该方法能有效估计出目标的长轴和短轴尺寸,而且估计尺寸稳定性好,有利于空间目标的分类和识别。     

基于局部轮廓方向特征的笔迹鉴别

作为一种安全可靠的生物识别技术,笔迹鉴别在模式识别领域中获得了广泛的关注。本文利用局部结构的概率分布能够体现笔迹特征的思想,提出一种基于局部轮廓方向特征的离线笔迹鉴别方法。使用和窗口中心连通的边缘片段减少笔迹粗细的影响,将边缘点分成32种方向类别从而获取辨别局部轮廓的能力。在此基础上,统计以边缘点为中心的滑动窗口中的方向特征并归一化为局部轮廓方向特征。最后,使用加权Manhattan距离对笔迹特征进行相似性度量。实验表明提出的方法在ICDAR2011笔迹鉴别竞赛的多语言测试数据库上获得了较好的辨别正确率,部分指标超过了目前的先进算法。     

基于稀疏约束的SAR目标特征提取方法研究

特征提取是合成孔径雷达目标识别关键技术与核心任务。为了更好地提取目标特征,稀疏约束将被添加在非负矩阵分解法中,并应用于图像目标特征提取,通过利用稀疏约束的非负矩阵分解方法对sAR目标图像进行分解,构建具有稀疏性的目标特征矢量,提高了特征矢量的类内相似性与类间差异性。利用基于支持向量机的分类方法对MSTAR数据进行目标识别试验,试验结果表明,添加稀疏约束的NMF方法与PCA、ICA以及一般NMF特征提取方法相比,能够显著提高目标识别的稳定性和准确率。