海面刚体目标微动特征建模及特性分析

微多普勒描述了海面目标运动的精细特征,成为区分海杂波和目标的有用特征之一,有助于提高雷达目标探测和识别能力。该文以对海观测雷达为平台,建立了海杂波中微动目标雷达回波模型。首先,简要回顾了微动和微多普勒效应的定义,归纳总结出微多普勒效应的内涵和实质,并给出了海面刚体目标的微动特征分类。然后,根据观测时长将模型分为距离单元内微动目标回波模型和长时间微动目标观测模型;根据海面微动目标的运动形式,将模型分为非匀速平动目标回波模型和3轴转动目标回波模型。最后,采用雷达实测数据分析微动特征并验证模型的有效性。      

空中飞机目标噪声稳健分类方法

针对低信噪比条件下微多普勒调制易被噪声污染的问题,提出了一种基于复数域概率主成分分析(Complex Probabilistic Principal Component Analysis,CPPCA)模型的噪声稳健分类算法来实现低分辨雷达体制下三类飞机目标(喷气式飞机、螺旋桨飞机和直升机)的分类.算法依据三类飞机多普勒谱调制的差异,提出两维反映这种差异的微动特征.为了提高微动特征在低信噪比条件下的分类性能,利用CPPCA模型对雷达复回波信号建模并结合Akaike信息量准则(Akaike's Information Criterion,AIC)来自适应地确定回波中主成分的个数从而实现对数据的噪声抑制.基于实测数据的实验结果表明,该算法在较低信噪比条件下能够获得较好的噪声抑制和分类性能.     

基于PCA-CLEAN的噪声稳健激光微多普勒特征提取方法

雷达回波中的微多普勒效应能够反映目标的几何结构和运动特性,作为目标独一无二的特征,能够用来实现对目标类别和属性的判断。波长的优势使激光雷达相对于微波雷达具备更好的微多普勒探测精度。针对空中飞机目标(直升机、螺旋桨飞机)回波中微多普勒调制能量较弱,易被噪声污染的问题,提一种基于PCA-CLEAN的噪声稳健激光微多普勒特征提取方法,首先利用PCA对回波信号进行噪声抑制,然后利用CLEAN算法将回波中的机身分量和微动分量区分开,进而提取反映不同目标微动差异的三维特征进行目标分类,基于仿真和实测数据的实验结果表明,所提方法能够获得较好的分类性能,同时在低信噪比条件下能够获得较好的噪声抑制性能。     

基于时频谱图和CNN的雷达空中目标识别方法

传统雷达空中目标识别方法容易受到杂波和有效特征难挖掘等因素影响,其识别准确率难以满足实际雷达系统的目标识别需求。为了改善雷达对空中目标的识别性能,提出一种基于时频谱图和卷积神经网络(convolutional neural network, CNN)的空中目标识别方法。该方法首先提取雷达目标检测点迹所在距离单元的多脉冲回波数据,然后通过杂波抑制和基于CLEAN算法的雷达目标机身分量消除,得到以目标微多普勒分量为主的时域回波数据,接着通过短时傅里叶变换得到目标微多普勒时频谱图,最后利用时频谱图对设计的卷积神经网络进行训练和测试,实现喷气式飞机、直升机、螺旋桨飞机三类典型空中目标的识别。实测雷达数据测试结果表明,所提方法对三类飞机目标的识别准确率高于传统方法。所提方法避免了传统人工提取微动统计特征,消除了杂波与机身分量的影响,提高了雷达对空中目标识别的性能。     

基于微多普勒特征的空间锥体目标识别

空间锥体目标在大气层外飞行过程中存在不同的微动,目标的微动为进动,诱饵的微动为摆动或自旋.根据真假目标的微动差异,提出了低分辨雷达的目标识别方法.在多散射中心信号模型下分析了真假目标的微多普勒特性,指出目标回波信号微多普勒谱与其进动参数密切相关,而诱饵回波信号微多普勒谱与其摆动＼自旋频率密切相关.应用低分辨雷达多次回波...     

机载雷达战场目标的微动特性及识别

机载雷达具有速度快、视野广的特点,适用于战场运动目标的跟踪识别。而目前国内外针对机载低分辨雷达下微动地面目标识别的研究尚属空白。文中建立了机载平台下战场目标的雷达回波散射点模型,分析了单兵、轮式车、履带车等典型目标的微动特性,根据行进单兵微多普勒的周期性特征实现了单兵与机动车的识别;进而通过提取回波信号特征谱和支持向量机的方法实现轮式车与履带车的分类,在20 dB信噪比下识别率在87.5%以上。分类方法具有稳健性和有效性。     

基于逆Radon变换的微动目标重构研究

目标微动对雷达回波的调制效应包括微多普勒调制、高分辨像调制和RCS调制等。根据单频和线性调频信号下典型微动目标的电磁回波模型,分析了微动在单频回波和高分辨距离像上的调制特性,在研究了微动目标的微多普勒时频图以及距离像-时间序列图的调制规律后,提出了基于逆Radon变换重构微动目标二维强散射中心分布的方法,对于微动目标利用回波高分辨距离像序列和时频分布图实现了目标二维重构,通过对仿真实验和暗室测量数据实验验证了该方法的可行性和有效性。     

基于AlexNet-BiLSTM网络的锥体目标微动分类

针对典型弹道锥体目标分类需构造、提取人工特征而缺乏通用性及智能性的问题,提出一种利用卷积神经网络（Convolutional Neural Network,CNN）与长短期记忆网络（Long Short-Term Memory,LSTM）相结合的网络模型,对弹道锥体目标的微动时频图实现智能分类的方法。首先,分析弹道锥体目标的微多普勒特征,得出不同微动形式的微多普勒频率;然后,利用AlexNet网络的图像特征提取能力与BiLSTM网络的时序特征提取能力构造AlexNet-BiLSTM网络模型,并通过模拟雷达回波生成的时频图数据集对网络进行训练、调试;最后,仿真结果表明该网络能实现弹道锥体目标的智能微动分类,验证了该网络的有效性及鲁棒性。      

微多普勒理论在海面目标检测中的应用及展望

微动特性是目标物理特性之一,微动目标的雷达特征包含了对目标形状、结构和运动的精细刻画,同时微多普勒反映了信号的非平稳特性,因此,在高海况条件下采用微多普勒理论分析海杂波及检测海面目标具有很大的优越性。该文首先从微多普勒机理和特点出发,对动态海面散射杂波建模和海杂波多普勒特性分析方法等相关研究进行归纳与分析,表明微多普勒理论应用的必要性;然后,从海面微动目标回波建模和微动特征分析与检测方法等方面重点介绍了微多普勒理论在海面目标检测领域的应用和主要技术途径;最后,针对现有研究中存在的问题,阐述了有待于进一步研究的方向。     

基于微多普勒分析的弹道目标识别技术研究

目标微动产生的微多普勒特征,通常被认为是目标独有的特征,可用于确定目标的性质,实现对目标的检测、识别与分类。文中在对微动目标微多普勒分析的基础上,建立了导弹与诱饵的数学模型,采用短时傅里叶变换的方法对回波信号进行微多普勒特征提取,仿真分析了导弹与诱饵的微多普勒特征,通过研究其时频分布特点的差异成功的识别出了真假目标,从而为弹道导弹与重诱饵的识别提供了一个新的有效方法。     

高速目标雷达微多普勒特征提取

目标组成部件的机械振动或旋转(微运动动力学)会在目标的雷达回波上产生频率调制,人们将由振动或旋转产生的调制称为微多普勒现象。微多普勒特征可以被认为是运动物体的独特现象,能够提供用于目标分类识别的附加信息。文中关注高速目标的微多普勒特征提取,讨论了高速带来的距离走动补偿、平动多普勒位移校正、雷达信号条件和微多普勒特征提取方法,仿真了一种高速目标微多普勒分析方法,仿真结果验证了该方法的有效性。     

雷达微多普勒特征提取和目标识别研究现状

自从雷达目标微多普勒现象被发现以来,雷达目标的微动特性在雷达目标探测与识别中受到越来越多的关注,对目标微动特性的测量和分析正在成为当前目标探测与识别领域的新兴研究方向。文中主要介绍了目标微动和微多普勒效应的概念,比较分析了目前目标微动的测量与分析处理技术,并且着重从几个方面分别介绍了目前微动特征提取的应用现状,接着就目前较常用的几种微多普勒目标识别分类器的识别率进行了比较和分析,最后对目标微动特性研究的发展趋势和技术难点进行了预测和总结。     

激光雷达微多普勒效应的仿真研究

为了研究激光雷达中微多普勒效应的探测及其雷达回波信号中反应目标特征的微多普勒信息的提取问题,建立了激光雷达微多普勒效应的物理模型,对应用激光雷达探测由目标振动引起的微多普勒效应进行了仿真,并对仿真信号进行了分析,由于信号的时变性,引入了时-频域联合分析的方法。采用了短时傅里叶变换方法对仿真信号进行了时频分析,得到了能够较好地反映目标特征的微多普勒图像。结果表明,激光雷达适合于低振幅微多普勒效应的探测,应用时频分析方法能够有效地从雷达回波信号中提取出目标的微多普勒特征。     

多载频MIMO雷达中目标旋转部件三维微动特征提取方法

雷达目标的微多普勒效应为目标精确识别提供了新的技术途径,近年来获得了广泛研究.将多输入多输出(MIMO)雷达技术引入雷达目标微多普勒效应研究,在分析多载频MIMO雷达中目标旋转部件微多普勒效应的基础上,提出了一种雷达目标三维微动特征提取方法.该方法通过在回波时频平面上消除目标主体运动产生的多普勒频移,构造相应的Houg...     

OFD-LFM MIMO雷达中旋转目标微多普勒效应分析及三维微动特征提取

该文将微多普勒效应引入到多输入多输出(MIMO)雷达技术研究,以旋转运动目标为例,分析了雷达辐射正交频分线性调频信号(OFD-LFM)时目标的微多普勒效应,给出了其参数化表达。在此基础上,进一步将微多普勒理论从目前的雷达视线方向上的微动分量提取扩展到微动部件3维运动和结构特征提取,利用MIMO雷达的多视角特性,提出了构建多元非线性方程组求解旋转部件的3维运动参数的算法,实现了目标3维微动特征的提取。仿真实验验证了算法的有效性和鲁棒性。     

基于双通道GoogLeNet网络的旋翼无人机分类

针对利用雷达微多普勒效应的旋翼无人机识别问题,提出了一种基于双通道GoogLeNet网络的分类识别方法。首先对旋翼无人机的回波信号进行短时傅里叶变换（Short-Time Fourier Transform,STFT）从而获得信号时频谱,对时频谱沿时间轴进行傅里叶变换得到节奏速度图（Cadence-Velocity Diagram,CVD）。然后将时频图和CVD作为双通道GoogLeNet网络的输入进行特征提取用以获得回波信号的时频域和节奏速度域的特征,最后将所获得的特征输入到Softmax分类器中进而实现旋翼无人机的分类识别。基于实际雷达数据的实验结果表明,所提旋翼无人机分类方法准确率可达到98.9%。     

基于特征融合卷积神经网络的FMCW雷达人体动作识别

针对微多普勒特征识别人体动作的局限性,基于调频连续波( Frequency Modulated Continuous Wave,FMCW)雷达采用深度学习方法对人体动作识别,提出了一种特征融合卷积神经网络结构.利用FMCW雷达采样的人体动作回波数据分别构建出时间-距离特征和微多普勒特征图,将这两种特征图作为输入数据分别...     

基于微多普勒的圆锥弹头进动与结构参数估计

微动特征是弹道中段目标雷达识别的有效特征之一。该文首先推导了圆锥弹头的锥顶散射中心和锥底平面上两个滑动散射中心的微多普勒表达式,与由几何绕射理论得到微多普勒时频曲线进行对比,发现锥顶散射中心的微多普勒时频曲线有细小差异,其他两个散射中心的很吻合。通过分析这3个表达式发现3个散射中心的微多普勒具有3种相关性。针对这3种相关性论文提出了在不同入射角下提取微多普勒时频曲线的离散点进行进动和结构参数估计的方法,并进行了仿真实验提取了进动和结构6个参数,且估计效果较好。     

基于同步压缩短时傅里叶变换的微型无人机识别

针对利用雷达微多普勒效应的微型无人机识别问题,提出了一种基于同步压缩短时傅里叶变换(Synchrosqueezing Short-Time Fourier Transform,SSTFT)的分类识别方法.首先对无人机的微多普勒回波信号进行SSTFT从而获得信号时频谱,然后对时频谱进行多维度特征提取获得回波信号的时频特征...