基于目标指示的两坐标警戒雷达目标高度补偿状态估计

为了克服现有目标高度补偿算法存在的模型假设不合理、实际应用效果难以保证等问题,本文以目标恒海拔等速运动为前提,利用协同单元提供的目标指示信息,对两坐标雷达的空间目标跟踪问题重新进行了研究.首先根据不同坐标系间的转换关系,构建了目标高度的准确表达式.然后通过恒等变换和合理的近似,得到了目标高度的估计公式,并利用绝对值不等式和柯西-施瓦茨不等式,推导得到了高度估计公式的误差.最后联合目标高度估计公式和两坐标雷达的缺维量测方程,采用扩展卡尔曼滤波方法,实现了目标空间状态的估计.仿真结果表明:本文算法可有效地对目标高度进行补偿,获得稳定、可靠的目标空间状态估计,从而为两坐标雷达目标空间状态估计问题提供了相对有效完善的解决方法.     

基于频谱残差视觉显著计算的高分辨SAR图像舰船检测算法

分析了高分辨率SAR图像中海洋背景和舰船目标的特点,针对高分辨率SAR图像提出了一种两阶段舰船目标快速检测算法:第一阶段采用改进的频谱残差视觉显著计算模型快速获取视觉的感兴趣区域;第二阶段检测阶段,结合贝叶斯理论二元假设检验的思想,设计了一个局部最大后验概率分类器进行像素分类,经参数估计、判决准则完成显著区域内像素二分类以实现目标检测。实验采用典型的高分辨率SAR卫星Terra-SAR-X卫星数据进行仿真实验,结果表明所提算法具有良好的检测性能,也更加符合实际高分辨率图像舰船目标检测的应用需求。通过进一步实验与以往检测算法的对比得出结论,高分辨率SAR图像舰船目标检测方法在能够改善由斑点噪声和不均匀的海杂波背景对检测结果带来虚警的同时,检测速度也提高了25%~50%。     

多编队目标先后出现时的无先验信息跟踪方法

针对多编队机动目标先后出现时的跟踪问题,该文提出了一种基于交互式多模型高斯混合概率假设密度滤波(IMM-GM-PHD)算法的无先验信息跟踪方法。首先,在IMM-GM-PHD算法预测过程完成的基础上,引入密度检测机制,利用相关域为所有预测高斯分量挑选有效量测,结合密度聚类(DBSCAN)算法检测是否出现新编队目标。其次,在IMM-GM-PHD算法状态更新完成的基础上,利用更新高斯分量的组成情况完成模型概率的更新。最后,在状态估计优化过程中,结合编队目标的特点,加入相似度判别技术,利用杰森-香农(JS)散度度量高斯分量间的相似度,剔除没有相似分量的高斯分量,进一步优化估计结果。仿真结果表明,该文方法能够快速有效地跟踪非同时出现的多编队机动目标,具有较好的跟踪性能。     

大入射余角海杂波相关特性分析及幅度拟合

通过研究入射余角44°～69°的海杂波实测数据的时间相关特性、空间相关性及幅度统计特性发现,海杂波相关时间维持在毫秒量级,且随着入射余角增加,先增加后减小,时间相关性最强的入射余角在60°左右,而平均相关距离单元个数一直增加。针对大入射余角高分辨率海杂波的幅度统计特性提出一种新的海杂波幅度拟合混合分布,并通过KK分布、Rayleigh分布、对数正态分布及K分布的对比,证明了新的混合分布对大入射余角海杂波的拖尾部分具有良好的拟合效果。     

基于SVM的高分辨率SAR图像舰船目标检测算法

针对高分辨率合成孔径雷达(SAR)图像舰船检测对检测精度、智能化水平、实时性和处理效率的要求,在研究了高分辨率SAR图像海洋背景和目标特点的基础上,提出了一种基于支持向量机的高分辨率SAR图像舰船目标检测算法。算法首先设计了一个对分块区域进行线下训练的支持向量机(SVM)分类器对SAR图像分块进行舰船目标区域筛选,进而实现对包含不同观测部分的舰船目标分块的筛选,之后对筛选出的舰船目标区域进行最大熵阈值(KSW)算法进行舰船目标精细检测。采用TerraSAR-X等多幅商业卫星数据进行了实验验证,通过与经典CFAR检测算法的对比得出结论,算法在改善了由斑点噪声和海洋杂波背景不均匀导致检测结果产生大量虚警的同时,检测速度也较之提高了20%~35%。     

系统偏差情况下的目标跟踪技术

提出了一种在组网雷达存在系统偏差的情况下,无需估计和补偿雷达系统偏差即可实现对目标进行跟踪的算法,即直接跟踪算法。由于无需估计系统偏差,该算法对系统偏差具有较好的鲁棒性,对以任何形式变化的系统偏差,该算法都能对目标进行稳定准确的跟踪。另外该算法结构简单,很容易以集中式融合结构或分布式融合结构的形式扩展到多雷达系统中。蒙特卡罗仿真结果表明:无论是在系统偏差为常量或动态转移的情况下,还是在系统偏差存在阶跃变化的情况下,其性能都优于扩维卡尔曼算法和解耦滤波算法;在多雷达系统中,该算法的集中式和分布式融合估计具有相同的性能,并优于二元雷达系统的跟踪结果。为了进一步验证直接跟踪算法的有效性和实用性,采用实测数据对算法进行验证,实测数据的处理结果表明直接跟踪算法的性能优于扩维卡尔曼算法,可有效提高实际情况下的目标跟踪能力。     

基于全球AIS的多源航迹关联数据集

数据、算法和算力是当前人工智能技术发展的3大推力,考虑到智能关联算法研究的迫切需求和多雷达协同观测航迹数据获取困难,针对航迹关联数据集缺失问题,该文公开了多源航迹关联数据集(MTAD),其由全球AIS航迹数据经栅格划分、自动中断和噪声添加处理步骤构建。该数据集包括训练集和测试集两大部分,共有航迹百万余条,其中训练集包含5000个场景样本,测试集包含1000个场景样本,每一个场景样本由几个到几百个数量不等的航迹构成,涵盖多种运动模式、多种目标类型和长度不等的持续时间。同时,进一步对构造的MTAD数据集进行可视化分析,详细研究了各个栅格内航迹的特点,证明了该数据集的丰富性、合理性和有效性。最后,作为参考,给出了关联评价指标和关联基线结果。该数据集目前已被用作海军“金海豚”杯竞赛科目专用数据集。     

新的自适应转弯模型的IMM算法研究

针对采用协同转弯模型作为模型之一的交互式多模型（IMM）目标跟踪算法中，转弯率难以实时估计且精度不高造成跟踪精度降低的问题，创新性地提出了一种新的自适应转弯模型的IMM算法。利用三种映射转弯率的方法构造轨迹特征向量，通过训练好的BP神经网络实时估计时间窗内轨迹段的平均转弯率，提高转弯率的估计精度，从而提高跟踪精度。仿真实验表明，提出的自适应转弯模型的IMM算法较之传统的自适应转弯模型的IMM算法在转弯率较大时具有更加高的跟踪精度，并且具有较高扩展性和发展前景。     

开源软件漏洞检测的混合深度学习方法

针对开源软件代码质量参差不齐和存在安全隐患的问题，提出一种基于混合深度学习模型（DCnnGRU）的开源软件漏洞检测方法。以漏洞库中的关键点为切入点构建控制流图，从静态代码中提取出与关键点存在调用和传递关系的代码片段，将代码片段数字化为固定长度的特征向量，并作为DCnnGRU模型的输入。该模型用卷积神经网络（Convolutional Neural Network，CNN）作为与特征向量交互的接口，门控循环单元（Gated Recurrent Unit，GRU）嵌入到CNN中间，作为捕获代码调用关系的门控机制。首先进行卷积和池化处理，卷积核和池化窗口对特征向量进行降维。其次，GRU作为中间层嵌入到池化层和全连接层之间，能够保留代码数据之间的调用和传递关系。最后利用全连接层来完成归一化处理，将处理后的特征向量送入softmax分类器进行漏洞检测。实验结果验证了DCnnGRU模型比单独的CNN和RNN模型有更高的漏洞检测能力，准确率比RNN高出7%，比CNN高出3%。