基于联合概率加权的高分辨雷达目标点迹处理

针对高分辨雷达在跟踪扩展目标时出现多散射点的问题,提出了一种基于联合概率加权的雷达目标点迹处理方法。首先,对信号检测出的多散射点构建其残差变量,根据判别准则进行目标点迹配对处理,剔除异常散射点;然后,同时考虑散射点位置和回波幅度信息,计算联合概率的权值,目标多散射点经概率加权融合后估计得到散射中心。仿真分析表明,该方法在高分辨雷达扩展目标点迹处理中能有效抑制杂波的干扰,目标点迹精度在距离、方位和俯仰上分别提高了20.63%、47.51%和41.03%,同时具有很好的可靠性,满足工程应用的需求。     

基于PSO-SVM算法的雷达点迹真伪鉴别方法研究

为解决虚假目标点迹对雷达跟踪性能的影响,本文提出了一种基于PSO-SVM算法的雷达点迹真伪鉴别方法,进一步对目标点迹和杂波点迹进行真伪鉴别,有助于滤除杂波剩余点迹,提高雷达处理容量和跟踪性能。本方法利用点迹形成过程中生成的特征参数,先利用PSO算法对SVM算法参数进行优化选择,再利用参数优化后的SVM算法对雷达点迹进行真伪鉴别。最终,目标点迹鉴别准确率达到了95.18%,杂波点迹鉴别准确率达到了89.94%,整体的点迹鉴别准确率达到了92.13%。实验结果表明：该算法有较高、较稳定的点迹鉴别准确率,前期较多的杂波点迹被鉴别为目标点迹的缺陷也得到了较好的改善。     

基于海杂波混沌特性的目标检测

首先介绍海杂波的混沌特性。然后采用IPIX雷达海面回波中的水平极化雷达数据对BP神经网络进行训练 ,结果表明所设计的BP神经网络能够很好的模拟海杂波 ,单步预测误差较小。最后以误差能量作为判别标准设计了一种基于海杂波混沌特性的海面目标检测算法     

一种基于特征加权的点迹质量评估方法及应用

针对地面预警雷达点状移动杂波抑制难,提出一种基于多特征加权的点迹质量评估方法。该方法利用目标和点状移动杂波的点迹特征的差异进行杂波抑制。首先通过先验信息统计目标和杂波的点迹特征,计算各点迹特征的均值和权系数,然后将各特征信息加权求和,计算点迹的目标属性质量估值和杂波属性估值,最后对比两者之间的差别获取有效点迹。通过某雷达时采数据验证,该方法可以有效地抑制点状移动杂波。     

基于帧间数据处理的杂波点迹滤除技术研究

针对雷达搜索和跟踪过程中产生的杂波点迹影响操作员对目标信息和空情态势的判决问题,提出了一种基于帧间数据处理的杂波点迹滤除方法,实时地对单个驻留内的点迹进行相关处理,并辅以速度、幅度、RCS和距离展宽等门限控制来提高杂波点迹正确滤除率。利用雷达的实际跟飞数据对该方法的有效性进行了验证,结果表明,在此类试验场景下,利用该方法可以大幅度地滤除杂波点迹,并完整地保留真实目标点迹,提高输入点迹质量及空情显示的清晰度和可视度。     

基于支撑向量机的地杂波虚警抑制技术

由于杂波的非均匀特性,传统杂波抑制技术的杂波滤除能力有限。在强杂波环境下,处理后回波仍残留大量虚警。文中提出了新的点迹滤波技术,用于抑制杂波虚警。针对地面动目标检测体制雷达,通过提取目标和杂波的五种分类特征和五种先验特征,使用主成分分析和支撑向量机方法过滤虚假点迹。试验结果表明:文中提取的特征和设计的分类器, 可在较少目标损失下,有效地抑制地杂波虚警。     

基于图像轮廓分析的雷达视频目标解耦方法

在海杂波环境下,空间上很接近的两个目标容易出现耦合,耦合的两个目标很容易被判定成一个目标,造成目标点迹录取的失真。提出了一种基于图像链码的雷达目标点迹录取方法,可有效地对各种因素造成的目标耦合进行分割,从而完成点迹录取。实验证明该方法得到了较精确的录取结果,为目标跟踪提供了基础和前提条件。     

海杂波背景下基于RBF神经网络的目标检测

对海杂波背景下雷达目标检测的最新研究表明,海杂波具有混沌的许多典型特征.本文利用海杂波具有混沌行为这一先验信息,构造了一个神经网络预测器来重构海杂波的内在动力学,并引入一种基于混沌的检测方法对Swerling I型目标和雷达采集的实际海杂波数据进行检测分析,同时讨论了嵌入延迟τ对检测性能的影响.实验结果表明,这种检测方法能有效地实现海杂波背景下的目标检测,并且其检测性能随τ的增大呈下降的趋势.     

一种机载GMTI雷达点迹凝聚方法研究

机载GMTI雷达对地面运动目标探测时,由于目标在距离和方位向扩散严重,在进行目标凝聚时难以获取目标的精确位置,导致目标跟踪精度差、虚警率高,难以满足实际使用需求。针对这一难题,本文提出了一种针对机载GMTI雷达原始点迹的凝聚方法,首先基于构建的点扩散函数对目标进行信号幅度复原处理,再进行点迹质心凝聚,并对凝聚后的点迹进行二次检测,对检测后的凝聚点迹进行跟踪处理。通过对实际飞行数据进行分析处理,验证了本方法对提升目标跟踪精度、降低跟踪虚警率的有效性。     

基于深度卷积神经网络的红外过采样扫描图像点目标检测方法

针对红外过采样扫描成像特点,提出一种基于深度卷积神经网络的红外点目标检测方法.首先,设计回归型深度卷积神经网络以抑制扫描图像杂波背景,该网络不含池化层,输出的背景抑制图像尺寸与输入图像一致;其次,对抑制后的图像进行门限检测,提取候选目标小区域原始数据;最后,将候选目标区域数据依次输入分类型深度卷积神经网络以进一步判别目标、剔除虚警.生成大量过采样训练数据有效训练两个深度网络.结果表明,在不同杂波背景下,该方法在目标信杂比增益、检测概率、虚警概率和运算时间等方面,均优于典型红外小目标检测方法,适用于红外过采样扫描系统的点目标检测.     

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。     

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。      

BP神经网络在雷达目标识别中的应用

针对雷达目标信号复杂多样的特点,提出了基于BP神经网络的雷达目标识别方法。BP神经网络具有学习功能,能够有效地提高雷达目标识别系统的效率。实验结果证明了该方法的有效性和实用性。     

利用CNN的海上目标探测背景分类方法

该文主要研究基于卷积神经网络（Convolutional Neural Networks,CNN）的海上目标探测背景分类方法.以CNN中的经典网络LeNet为例,基于IPIX雷达实测数据集,进行控制变量的模型训练,对分类准确率、训练速度、一维信号的二维特征图变化等进行分析,基于实测数据集验证了利用CNN在一维雷达回波信号中进行海杂波与噪声分类的可行性,并同步分析了数据预处理、单个样本序列长度、网络结构参数等影响因素对分类准确率的影响,并针对典型探测场景分类进行了验证.结果表明,LeNet卷积神经网络在海上探测背景区分方面,具有很高的分类准确率,并且数据预处理方式、单个样本序列长度对结果影响显著,而网络结构参数有一定的调节区间,在此区间内调整,影响不显著,所提方法在顺/逆浪向、高/低海况条件下杂波分类与杂噪分类方面具有很高的准确率.     

基于雷达微B显数据的目标识别方法

提出了一种基于低分辨雷达微B显数据的目标识别方法：首先进行微B显数据的预处理；然后提取特征量；最后应用BP神经网进行雷达目标的粗分类。利用雷达实测数据的仿真结果表明，该方法可以较好地完成目标的粗分类，并达到90％左右的识别率。     

基于CNN的机载气象雷达气象目标检测方法

机载气象雷达系统进行气象探测时易受到强地杂波的干扰,从而导致目标信息丢失。为准确检测地杂波中的气象目标,获取完整的目标信息,本文提出了一种基于卷积神经网络(Convolution Neural Networks, CNN)的机载气象雷达目标检测方法。该方法联合时域、多普勒域和俯仰维空域信息,将杂波相位对准指标、多普勒速度和干涉相位作为CNN的输入,并给出详细的网络结构。本文通过模拟雷达回波仿真产生训练集和测试集,并对所提网络进行训练和测试。仿真结果表明,与目前的气象目标检测方法相比,该方法具有较高的检测概率,而且在谱矩信息变化的情况下仍可维持较好的检测性能,具有很好的鲁棒性。此外,仿真结果表明CNN比传统的贝叶斯分类器和支持向量机等分类网络具有更好的分类性能。     

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。      

一种基于卷积神经网络的雷达目标分类方法

雷达作为对低空和地面目标探测及监视预警的主要手段,在安全领域应用广泛。针对现阶段实际应用中雷达目标分类技术中过于依赖人工提取特征的问题,提出了一种基于卷积神经网络的分类方法,对雷达回波数据进行二维傅里叶变换得到距离-多普勒图像,再以距离-多普勒图集作为数据集,训练神经网络,得到能够完成雷达目标识别的网络模型。结果表明,相较于传统方法,基于卷积神经网络的目标识别模型在省去人工工作的同时提高了目标识别精度。