极化-空域联合抗机载雷达欺骗式主瓣干扰

机载雷达欺骗式主瓣干扰不仅会引起大量虚警,还会污染空时自适应处理(STAP)器的训练样本,引起自适应方向图畸变,导致期望信号相消和杂波抑制性能下降。针对此问题,利用目标信号与干扰信号极化特性的差异,该文提出一种极化-空域联合自适应波束形成的方法来抑制欺骗式主瓣干扰。该方法首先在多普勒清晰区挑选干扰样本,并采用特征融合技术估计干扰协方差矩阵,然后采用重叠滑窗的子阵合成方式进行极化-空域联合自适应波束形成,在抑制主瓣干扰的同时为后续杂波抑制保留了空域自由度,最后通过STAP抑制剩余的杂波。该算法可以有效滤除密集欺骗式干扰,减少由其引起的虚警,改善机载STAP雷达的杂波抑制性能。仿真结果验证了该方法的有效性。     

基于稀疏表示的SAR地面目标分割技术

提出了一种引入先验约束的合成孔径雷达(SAR)图像的目标分割技术,以解决强杂波背景干扰下的目标分割困难问题。不同于基于统计理论的目标检测,文中利用目标图像切片在图像域的稀疏性,通过稀疏分解的方法构建目标特征窗函数实现目标的检测,并引入目标的形状先验对目标区域进行修正;然后,利用目标阴影的空间约束对基于统计检测的阴影区域进行修正,实现目标的分割;最后,基于实测数据验证了算法的有效性。     

基于道路信息的知识辅助空时自适应处理

主波束中的车辆回波信号会污染空时自适应处理(STAP)的训练样本,导致空时自适应处理时的目标自相消,引起漏警。针对这一问题,该文提出一种基于道路信息的知识辅助(KA)空时自适应处理方法。该方法首先根据主波束中道路相对于雷达的位置估计道路上车辆相对于雷达的径向速度,然后得到可能含有主波束车辆回波信号的距离-多普勒单元,接着根据训练样本与杂波导向矢量和主波束导向矢量的匹配程度判断这些训练样本是否包含主波束车辆回波信号,最后在进行空时自适应处理估计杂波协方差矩阵时剔除被主波束车辆回波信号污染的训练样本。理论分析及实验结果表明该方法可以提高道路密集环境中空时自适应处理的信杂噪比输出,改善空时自适应处理雷达的性能。     

转发式干扰环境中的机载雷达运动目标检测

针对机载雷达运动目标检测中转发式干扰会引起虚警、抬高检测门限并降低雷达系统的检测概率的问题,提出了一种基于最大似然估计的机载雷达运动目标检测算法．首先估计转发式干扰的空域导向矢量,然后采用最大似然方法估计出运动目标的幅度,并以此来进行检测．仿真实验表明,该算法在完成杂波抑制的同时,可有效抑制旁瓣转发式干扰对运动目标检测的影响,并能在一定程度上降低主瓣转发式干扰对运动目标检测的影响．     

基于广义旁瓣相消的机载雷达抗密集转发式干扰方法

密集转发式干扰不仅会引起雷达虚警,而且会抬高其附近单元的恒虚警率检测门限进而导致目标检测性能下降。另外,它还会污染空时自适应处理的训练样本,导致杂波抑制性能下降。针对这些问题,该文提出一种机载雷达抗密集转发式干扰算法。该算法首先估计干扰方向,然后用广义旁瓣相消技术在空域滤除干扰。广义旁瓣相消中的辅助通道为指向干扰方向的和波束,而其协方差矩阵则利用清晰区中挑选的干扰样本估计得到。该算法可以有效抑制密集转发式干扰,减少由其引起的虚警,改善雷达目标检测性能,同时该算法还具有结构简单,易于实现的优点。实验结果验证了该算法的有效性。     

基于部件分解的高分辨雷达目标提取方法

针对传统目标提取算法在低信噪比条件下性能不理想且提取部件不连续的问题,提出一种基于部件分解的高分辨雷达目标提取算法.利用属性散射中心可以表征目标部件的散射回波的优势,通过构造属性散射中心基对目标信号进行分解.通过对分解部件的能量设置门限,提取属于目标的部件.实验结果证明:在低信噪比且虚警概率相同的情况下,基于部件分解的目标提取方法比传统基于像素能量的提取方法能提取出更多且更连续的目标部件.     

人工智能驱动下的雷达发展思考

智能化雷达在现有雷达技术的基础上,利用人工智能技术及先进的信号处理技术,赋予雷达自主的感知、决策、学习、执行和协作能力,从而提升其对复杂环境的感知能力及对目标的探测能力。文中针对人工智能驱动下的雷达技术发展问题,首先,分析了人工智能技术在雷达系统中的应用现状;然后,结合人工智能技术以及雷达信号处理技术的发展,从大数据、多平台协同、多源信息融合、人机混合增强以及自主智能感知等方面对人工智能驱动下的雷达发展趋势进行探讨;最后,结合人工智能驱动下的雷达发展趋势,提出了有针对性的发展建议,并进行总结。     

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。