一种基于FrFT的ISAR多目标成像方法

针对逆合成孔径雷达（IsAR）同一波束内多个运动目标在距离上重叠时的成像问题,提出了一种基于分数阶傅里叶变换（FrFT）的ISAR多目标成像新算法．首先建立多目标回波模型,通过分析各目标平动多普勒历程差异,得出各目标回波在同一距离门内均可近似为一组线性调频信号的结论．然后结合FrFT和Clean思想（FrFT-Clean）对多目标回波信号中各个目标的回波分量进行分离,最后用常规算法对各个单目标分别进行成像．仿真结果验证了该方法的有效性．     

时频域滤波沉底目标亮点特征提取方法研究

主动声呐探测沉底目标时,由于存在严重的海底混响干扰,使得拷贝相关方法不能有效地提取目标回波亮点特征,大大降低了主动声呐的目标识别性能。针对该问题,研究了时频域滤波Hough变换的目标回波亮点特征提取方法。该方法采用互魏格纳变换将接收信号与拷贝的发射信号变换到时频域,依据目标回波与混响及噪声能量的时频聚集特性不同,采用时频域脊波变换滤波滤除混响及噪声,最后利用Hough变换提取目标回波中各亮点峰,并进行投影计算形成目标回波的亮点特征。同时研究了Hough变换域中的峰值位置与目标亮点对应的数学关系,给出了基于时频滤波提取沉底目标亮点特征的算法步骤,并采用支持向量机对比分析了该方法与拷贝相关方法提取亮点特征的识别效果。结果表明,该方法能够在较低的信混比下有效抑制混响干扰提取亮点特征,从而提高沉底目标的识别性能。     

分数阶自相关和FrFT的LFM信号参数估计

基于分数阶自相关和分数阶傅里叶变换的特点,提出了一种LFM信号检测与参数估计方法。相对分数阶傅里叶二维扫描法和匹配傅里叶变换,所提方法将检测与参数估计的二维搜索变为一维搜索,快速实现信号检测和参数估计,在多分量LFM信号情况下借助"Clean"的方法来抑制强分量对弱分量的干扰。计算机仿真表明了该算法在低信噪比多分量LFM信号检测与参数估计中的有效性。     

水下目标特性特征提取及其融合

为解决基于回波法水下目标分类与识别问题,从水下目标回波的弹性亮点特性、多分量特性和能量积分特性出发,利用频域离散小波变换(FDWT)、希尔伯特谱(Hilbert谱)、希尔伯特边际谱、分数阶傅里叶变换(FRFT)4种时-频分析方法从不同角度对目标回波与混响进行分析.对所提取的特征进行压缩与融合,利用支持向量机完成对水下目标和混响的分类与识别.文中给出了发射换能器以不同掠射角工作时4种时-频特征及其融合特征的识别率.实验结果表明,随着掠射角的增大,总体识别率呈现升高的趋势,融合特征可以有效提高识别率.     

水下目标回波与混响的分数阶Fourier域盲分离

海底混响是水下掩埋目标探测的主要干扰,而掩埋层对声波的吸收导致声散射回波信号微弱。针对强干扰下的弱信号分离的问题,研究了目标声散射回波与混响在最佳分数阶Fourier变换域中的能量聚集性差异,提出了目标回波与混响的分数阶Fourier域盲分离方法。推导了目标几何声散射成分与混响在最佳分数阶Fourier域的能量分布特性,通过在最佳分数阶Fourier域构建广义相关矩阵构建目标函数,分离出目标回波声散射信号。仿真与数据处理结果表明:分数阶Fourier域盲分离算法分离出了目标声散射信号,提高了目标回波信号的信混比;与时频域盲分离算法相比,避免了在时频面上对目标自项时频点的选取,低信混比下分离效果好。     

基于深度学习的水下目标姿态识别

水下安静型目标主动探测与识别问题中,确定目标与发射装置的相对姿态是目标探测的关键。本文结合水下目标声散射回波机理,对目标的声散射回波成分进行信号特性分析,结合分数阶傅里叶变换对声散射回波进行特征提取;利用循环神经网络保存目标回波时间序列信息,实现对序列信号的动态建模;分别将分数阶傅里叶域特征与频谱结构特征作为训练对象,构建水下目标回波角度识别模型并进行对比,实现对不同声波入射角度下目标回波的分类识别。水池实验数据处理结果表明:本文提出的分数阶傅里叶特征与长短期记忆系统结合的深度神经网络模型,各项评估指标均优于以频谱结构为训练特征的深度网络模型,验证了本文方法对目标姿态识别的有效性。     

FRFT域LFM雷达回波信号的压缩采样模型

针对宽带雷达线性调频信号(Linear Frequency Modulated,LFM)带宽大、采样率高、存储容量要求高的问题,设计了一种基于压缩感知的 LFM雷达回波信号的欠采样整体方案。首先,利用 LFM信号在分数阶傅里叶变换(FRactional Fourier Transform,FRFT)域上良好的能量聚集特点,提出了一种基于DFRFT核矩阵的正交基字典构造方法,在此基字典的基础上利用随机解调器和匹配追踪类算法构建了一个 LFM雷达回波信号的压缩采样和重构系统模型。仿真结果验证了 FRFT域处理 LFM雷达回波信号的可行性和有效性,LFM雷达信号在该正交基字典上的稀疏表示效果要优于现有的波形匹配字典,而且具有更好的抗噪性能和自适应性能。     

基于FrFT和子空间正交的LFM信号参数估计

基于分数阶Fourier变换和子空间正交性,提出了一种低信噪比下线性调频信号检测与参数估计方法。讨论过程中将线性调频信号通过适当的分数阶Fourier变换得到一个单频复正弦信号,在此基础上,利用信号子空间与噪声子空间的正交性处理其正弦信号,再对线性调频信号的检测和参数估计转化为函数极值求解;最后,利用计算机模拟证实了方法的有效性。     

基于模糊函数切片和 FrFT 的快速 LFM 信号参数估计

RAT（Radon-Ambiguity Transform）和FrFT（Fractional Fourier Transform）被广泛应用于线性调频（LFM）信号的参数估计。针对RAT调频斜率估计时的全角度域搜索和FrFT参数估计时的两维搜索导致计算量增加的问题,提出了一种快速LFM信号参数估计方法。采用模糊函数（Ambiguity Function）切片和RAT相结合的方法快速估计调频斜率,并以此确定最优分数阶变换阶数,然后利用一次FrFT实现LFM信号的剩余参数估计。理论分析和实验仿真表明了该方法的有效性。     

基于三次相位补偿的运动目标参数估计

针对加速度在合成孔径雷达运动目标检测中会产生三次相位影响静止目标抑制和参数估计精度的问题, 提出基于三次相位补偿的参数估计方法. 在分析信号模型的基础上, 通过在时间-调频率平面内采用类似Dechirp和一维搜索的方法实现三次相位的补偿; 完成相位补偿后, 为克服某些时频分布中峰值重叠可能带来的目标丢失问题, 利用改进的分数阶傅里叶变换方法进行运动目标参数估计, 并给出了具体的参数估计方法. 最后, 计算机仿真验证了该方法的正确性和有效性.     

水下目标回波几何结构的时频域盲源分离

针对水下目标回波亮点结构的时频分布特性,采用一种时频域盲源分离方法将亮点结构进行分离。该方法将每一个亮点反射的信号视为一个源信号,可以在信号传输信道的混合特性及源信号个数均未知的情况下将回波信号中的各个亮点结构进行分离。首先推导论证了亮点结构在时频域盲源分离算法下的可分离性,通过仿真分析验证了该方法的有效性,并给出了该方法对于亮点间时延参数的适用条件。实验数据的处理结果进一步表明该方法在分析水下目标几何亮点回波的结构时有较好的应用。     

基于反对称高斯小波的水下目标回声信号检测

针对目标回声检测中信号背景的混响干扰问题,基于反对称连续高斯小波变换空间上的模极大值传播特性与信号奇异点的关系,提出用小波影响锥锥尖和最佳尺度的自动检索来实现目标回声检测的方法.通过大量海上现场数据验证该方法的有效性,结果表明,由于对目标信号头和尾位置的准确定位,基于W igner分布特征和模糊分类器的分类识别效果理想,显示本方法在实现目标回声的自动检测方面具有应用前景.     

基于雷达回波视频信号的目标智能识别方法研究

为了提升常规雷达目标识别的能力,以含有更多目标原始信息的回波视频信号为基础,研究了目标回波视频信号的特征提取,提出一种基于支持向量机的目标识别方法.最后通过仿真实验验证了本文方法的有效性.仿真结果表明,采用本文方法对目标大小识别的准确率与信噪比、采样率有关;对目标机型识别能得到较高的准确率.     

基于Volterra自适应滤波器的水中混响非线性预测

水中混响是主动声呐信号处理中主要的干扰之一,而对水中混响的预测是解决混响背景下信号处理的重要前提.基于二阶Volterra自适应滤波器的混沌时间序列的预测方法是在Takens相空间重构理论的基础上提出的.仿真结果表明,这种非线性自适应滤波预测器能够有效地预测混沌时间序列.同时,由于水中混响具有混沌特性,因而可将这种非线性预测方法应用在水中混响时间序列的预测中.通过仿真得到预期的效果.     

CNN特征与BOF相融合的水下目标识别算法

为了改善作为低级表示的尺度不变特征变换(scale invariant feature transform, SIFT)匹配常出现的没有足够特征来防止假匹配的问题,提出在传统方法“词袋”(bag of features, BOF)算法中融合具有较好语义分割能力的卷积神经网络(convolution neural network, CNN)特征来提高识别率的方法。利用ImageCLEF网站的LifeCLEF鱼类视频,制作目标图像数据库。在caffe平台的Alexnet模型进行卷积神经网络的训练,提取图像库和查询图像的特征。利用训练好的CNN特征在Matlab软件进行识别试验验证,计算汉明距离来验证匹配效果。改变参数值来观察不同汉明距离阈值对水下目标识别结果的影响。自制图像库的试验表明,融合深度学习的特征可以有效提高BOF算法的水下目标识别率,对汉明距离阈值的选择需要根据实际情况选择合适的参数。     

基于时频分布的扩展的二元相移键控信号解调算法

在已有的扩展二元相移键控(EBPSK)调制信号模型基础上,从非平稳信号分析方法入手,对EBPSK调制信号的时频分布特性进行了详细推导,建立了EBPSK信号相位跳变与时频分布幅度的关系模型,利用该模型提出了基于时频分布的EBPSK解调算法,并给出了相应的解调器结构。对基于时频分布的EBPSK信号解调器性能进行了分析,讨论了解调器的判决门限选取方法。分析表明,基于时频分布的EBPSK信号解调算法不但简化了EBPSK解调器结构,获得了优异的EBPSK调制系统差错性能,而且为通信信号的非平稳信号处理提供了新的可行方案。     

基于时频特征的卷积神经网络跳频调制识别

针对人工设计特征表征能力不足,提取难度大的问题,提出基于卷积神经网络（CNN）的跳频信号调制方式识别系统. 该系统通过训练学习跳频信号时频图特征,将调制方式识别问题转化为图像识别问题. 采用组合时频变换方法对跳频信号进行时频变换得到二维时频图;经过自适应维纳滤波算法滤除背景噪声,提高系统抗噪性;采用连通域检测和双线性插值算法提取跳频信号每跳时频图,对时频图大小进行重置调整;将已处理的时频图输入到设计的11层卷积神经网络中进行训练学习,通过在输出层增加Softmax分类器,实现跳频调制方式分类识别. 仿真结果表明,该系统在信噪比为–4 dB条件下,对跳频信号BPSK、QPSK、8PSK、SDPSK、QASK、16QAM、32QAM和GMSK共8种调制方式的平均识别率达到92.54%.     

基于Unscented信息滤波器的分布式目标融合跟踪

针对无线传感器网络下的非线性运动目标跟踪问题,提出一种基于Unscented信息滤波器的分布式融合跟踪算法。该算法在信息滤波器框架下将Unscented变换与扩展信息滤波器相结合,有效地解决了运动目标和量测的非线性。在网络拓扑结构和通讯带宽的约束下,利用卡尔曼一致性滤波算法对所有传感器节点估计值进行分布式信息融合。仿真结果表明了该算法的有效性和优越性。