多阶次分数阶傅里叶域特征融合的主动声呐目标稀疏表示分类方法

海洋环境噪声和混响干扰严重、目标可分性差是主动声呐目标分类识别中的瓶颈问题.针对这一问题,该文基于主动声呐目标回波信号模型和分数阶傅里叶变换(FRFT)原理,推导了多阶次FRFT域特征表征形式,建立了FRFT域稀疏表示模型,提出了一种多阶次FRFT域特征融合的主动声呐目标稀疏表示分类方法.该方法通过FRFT的能量聚集性和稀疏分解的残差去除过程,达到了抑制噪声和混响干扰的目的;通过多阶次FRFT域特征的融合,增加目标之间的可分性,进而实现海洋环境中低信混比条件下的主动声呐目标分类.实验结果表明,所提方法在信混比达到0 dB的条件下,分类准确率能够达到90％以上.     

弹性物体在混响背景下的散射信号检测

混响是主动声呐的主要背景干扰,是由发射信号引起的,其谱结构与发射信号也具有一定的相似性,是一种非平稳的有色干扰噪声.特别是在浅水情况下,强大的混响干扰尤其严重.而在实验数据中有时并没有获得发射声信号的取样.本文采取一种尝试,截取一段高信混比回波作为发射信号来考虑,同时截取纯混响叠加到回波信号上,以模拟低信混比的情况,在混响自回归(AR)模型的基础上研究混响的预白化处理,并将预白化处理后的信号用于匹配滤波器的信号检测.     

运动平台混响背景下基于低秩稀疏分解的目标回波增强

在水下航行器等运动平台上,主动声呐的近距离滤波结果受混响干扰影响严重,大量的混响回波亮点会掩蔽目标回波的可见性,导致后续检测判决的虚警率增大。以阵列处理的方位历程图作为基本输入,该文利用某些场景下混响干扰相邻周期间潜在的相干结构,假设混响满足低秩性;由于平台间的相对运动,假设感兴趣的目标回波在逐周期间是不相关且稀疏的。之后,将方位历程图表示为低秩的混响、稀疏的运动目标回波和噪声成分,在此基础上提出以加速近端梯度法(APG)和快速数据投影法(FDPM)分别实现离线和在线的低秩稀疏分解,从而实现混响抑制和目标回波增强。试验结果验证了假设模型的有效性,并且两种分解算法均能有效地增强目标回波。     

运动平台混响背景下基于低秩稀疏分解的目标回波增强

在水下航行器等运动平台上,主动声呐的近距离滤波结果受混响干扰影响严重,大量的混响回波亮点会掩蔽目标回波的可见性,导致后续检测判决的虚警率增大.以阵列处理的方位历程图作为基本输入,该文利用某些场景下混响干扰相邻周期间潜在的相干结构,假设混响满足低秩性;由于平台间的相对运动,假设感兴趣的目标回波在逐周期间是不相关且稀疏的.之后,将方位历程图表示为低秩的混响、稀疏的运动目标回波和噪声成分,在此基础上提出以加速近端梯度法(APG)和快速数据投影法(FDPM)分别实现离线和在线的低秩稀疏分解,从而实现混响抑制和目标回波增强.试验结果验证了假设模型的有效性,并且两种分解算法均能有效地增强目标回波.     

主动声呐混响抑制的空时相三维处理方法

针对主动声呐的混响抑制问题,该文将空时2维的处理方法扩展到空、时、相3个维度。该方法通过3个子阵的相位匹配,利用信号相位对信号方位的依从性,从波束域、多普勒域和相位域上分离混响与目标。区别于空时自适应处理(STAP)方法,它不需要知道信号与混响的统计特性,不用进行混响协方差矩阵的估计,从而对混响的非平稳性具有更好的适应性。仿真数据及试验数据的分析证明,该方法较之传统方法能够从更低信混比中检测出目标。     

基于盲源提取的强混响背景下LFM信号回波检测

在主动声纳进行浅海区域的沉底、掩埋目标探测中,海底混响是主要的背景干扰,其严重影响了LFM信号回波的检测。基于自回归(AR)模型的预白化算法虽能适应匹配检测,但在低信混比时检测效果不甚理想;基于分数阶傅里叶变换(FRFT)的分数域滤波算法虽能抑制混响,但随着混响增强检测性能衰减较快。本文提出一种改进的基于线性预测的盲源提取算法(LP-BSE),通过利用待提取信号与发射信号强相关的先验知识,采用最小二乘法估计并固定对应线性预测器参数;然后通过构造最小均方预测误差准则,迭代求取解混向量以提取用于匹配检测的期望回波。仿真结果表明,该算法有着更好的匹配检测效果且更稳健。串联LP-BSE与FRFT形成联合方法,匹配检测性能得到进一步提升。      

强混响背景下LFM信号回波检测

混响是主动声纳检测的主要背景干扰,由于它是一种非平稳的有色噪声,使得工作在白噪声条件下的检测器性能受到极大限制.在混响背景下实现目标回波检测,常采用自回归(AR)模型对宽带回波预白化处理,但在强混响背景条件下,白化后直接进行匹配滤波检测的结果不甚理想.针对此问题,在AR模型预白化基础上,提出一种改进方法,对白化后信号先进行二分奇异值分解(SVD)处理,有效去除大部分混响干扰,然后再作匹配检测.仿真实验分析表明,相比于仅白化后的匹配滤波检测,该方法可提高信混比约3 dB,匹配检测效果得到了明显改善.     

一种低噪声微弱信号调理电路设计

水下主动声纳探测系统是通过发射换能器发射主动声信号,水听器检测回波信号完成目标探测和方位估计等任务。由于水听器输出信号微弱,易被复杂的海洋环境噪声干扰不能直接用于后续采集电路,要求信号调理电路具有高增益并且自噪声远低于水听器输出信号。而且主动声呐工作在近距离时,水听器接收到的混响信号远高于目标的回波信号,水听器接收到的信号动态范围大。本文提出的一种低噪声微弱信号调理电路,是一种低噪声、高增益、大动态范围、高一致性的信号调理电路。     

飞机回波FRFT域的多重分形特征与目标分类

低分辨雷达体制的限制和探测过程中背景杂波的影响,使得低分辨雷达飞机目标的分类识别较为困难。本文提出一种分数域多重分形方法,通过引入分数阶Fourier变换（FRFT）寻找飞机目标回波的最优FRFT域,并在最优分数阶FRFT域提取目标回波数据的多重分形特征,结合支持向量机进行飞机目标的分类识别。实验表明,FRFT可以增强飞机目标回波的多重分形特性;从最优FRFT域提取的多重分形特征具有较好的分类识别效果,FRFT域多重分形方法的飞机目标分类识别率要高于时域多重分形方法的飞机目标分类识别率;即使在低信噪比条件下,FRFT域多重分形方法仍可实现低分辨雷达飞机目标的粗分类。     

主动声纳中混响干扰的一种非线性抑制方法

本文介绍了一种基于混沌理论的非线性动力学信号分离方法——变尺度概率净化法,并将之优化应用于主动声纳目标检测中混响干扰的抑制。该方法以近似条件下不含目标回波的纯混响数据作为参考信号,使目标回波分离后的混响背景数据与参考混响数据在相空间上具有一致的概率分布,使目标回波与混响背景适度分离,从而实现对混响干扰的抑制。在信混比较高的情况下,该方法具有较好的混响抑制效果。另外,论文对算法作了一些改进,降低了算法的运算量和运行所需内存,而分离性能并没有下降。     

扩展稀疏表示稳健HRRP目标特征提取方法

为提高低信噪比下高分辨一维距离像目标识别性能，提出扩展稀疏表示的噪声稳健目标特征提取方法。本方法通过对稀疏表示的扩展，实现对目标高分辨一维距离像局部特征与全局特征的提取。其中，在训练阶段利用支持向量理论与字典学习原理，对特征提取字典进行优化提高特征向量的可分性。在测试阶段，利用因子分析模型匹配方法对去噪声字典进行优化，从而实现对噪声的有效抑制，保证了目标识别系统的噪声稳健性。利用实测数据对本方法性能进行测试，结果表明本方法可在低信噪比条件下有效地恢复目标高分辨一维距离像，并实现较高的识别正确率。     

基于核协同表示与鉴别投影的辐射源调制识别

针对辐射源识别中的特征稳定性不高和低信噪比环境适应性不足等问题,提出了一种基于二次时频分布、核协同表示与鉴别投影的识别方法.首先,通过时频变换、稀疏域降噪和二次特征提取的预处理算法降低噪声干扰和特征冗余,以获取高稳定性的二次时频分布特征;然后,采用核协同表示和鉴别投影思想进行降维学习和字典学习,以提升数据低维表征和类间鉴别能力;最后,通过离线训练完成系统优化并用于分类验证.仿真结果表明,二次时频分布特征具备较高稳定性,识别方法具备较强鲁棒性、时效性和适应性;当信噪比为-10dB时,该方法对8类辐射源信号的整体平均识别率达到96.88%.     

混响背景下的CW信号检测

CW信号即单频矩形脉冲信号,是雷达及声纳中常用的信号形式.混响是主动声纳检测中主要的背景干扰,它是一种有色干扰噪声,并常被看作是一个非平稳的随机过程,这使得工作在白噪声条件下检测器的性能在一定程度上受到限制.关于混响背景下的CW信号的检测问题是人们一直关注的问题,通常人们将混响视为随机信号进行建模,而忽视它的混沌特性.将混响视为混沌噪声,利用混沌噪声背景下的信号检测方法来检测混响背景噪声下的CW信号,并通过仿真得到预期结果.     

稀疏先验引导CNN学习的SAR图像目标识别方法

深度学习技术的应用给SAR图像目标识别带来了大幅度的性能提升,但其对实际应用中车辆目标局部部件的变化适应能力仍有待加强。利用数据内在先验知识,在高维语义特征中学习其内在的低维子空间结构,可以提升分类模型在车辆目标变体条件下的泛化性能。本文基于目标特征的稀疏性,提出了一种稀疏先验引导卷积神经网络（Convolution Neural Network,CNN）学习的SAR目标识别方法（CNN-TDDL）。首先,该方法利用CNN提取SAR图像目标的高维语义特征。其次,通过稀疏先验引导模块,利用特征稀疏性,对目标特征内在的低维子空间结构进行学习。分类任务驱动的字典学习层（Task-Driven Dictionary Learning,TDDL）将目标特征的低维子空间以稀疏编码的形式表示,再利用非负弹性正则网增强了稀疏编码的稳定性,使稀疏编码不仅有效地表征目标的低维子空间结构,并且能够提取更具判别性的类别特征。基于运动和静止目标获取与识别（Moving and Stationary Target Acquisition and Recognition,MSTAR）数据集以及仿真和实测配对和标记实验 （Synthetic and Measured Paired and Labeled Experiment,SAMPLE） 数据集的实验表明,相比于传统字典学习方法和典型深度学习方法,CNN-TDDL在MSTAR标准操作条件（Standard Operating Conditions, SOC）下识别精度提升0.85%~5.28%,型号识别精度提升3.97%以上,表现出更好的泛化性能。特征可视化分析表明稀疏先验引导模块显著提升了异类目标特征表示的可分性。      

一种空-频联合最优滤波的被动宽带检测方法

常规宽带能量检测在多目标、强干扰环境下输出信噪比(SNR)降低,检测性能大幅度下降。针对此问题,该文提出一种将子阵导向最小方差(STMV)宽带空域自适应波束形成与频域Eckart滤波结合的空-频联合最优滤波宽带检测方法。该方法首先通过子阵导向最小方差波束形成进行空间自适应处理,利用自适应波束形成的干扰抑制能力在空域实现最优滤波;然后通过最大似然估计实时估计信号和噪声的功率谱,构造Eckart滤波对自适应波束形成的输出分配不同权重进行加权滤波,从而实现频域信噪比最大化。所提方法通过空-频联合最优滤波,降低空域旁瓣干扰和频带内噪声的影响,使得输出信噪比最大,从而有效地改善目标宽带检测能力,提高被动声呐的宽带检测性能。仿真和试验数据处理结果验证了该方法的有效性。     

Infrared small target detection algorithm based on feature salience

It is an important and challenging problem to detect small targets in cluttered scenes with low signal noise ratio (SNR) in infrared (IR) images. In order to solve this problem, a method based on feature salience is proposed for automatic target detection against a complex background. First, in this article, the system utilises the average absolute difference maximum (AADM) as the dissimilarity measurement between targets and the background region to enhance targets. Second, the minimum probability of error has been used to build the model of feature salience. Finally, by calculating the probability of features, this method solves the problem of multi-feather fusion. Experimental results show that the algorithm proposed has better performance with respect to probability of detection. It is an effective IR small target detection algorithm against complex backgrounds.     

基于特征显著性融合的红外小目标检测

复杂背景下的红外图像通常存在信噪比低、邻近像素灰度变化不明显以及易被杂波信号和噪声干扰的特点,导致红外小目标检测困难。为解决上述问题,提出一种基于特征显著性融合的红外小目标检测算法。首先,在空间域中利用目标与其局部背景灰度差异来计算得到灰度显著图,在频域中结合谱残差计算得到背景抑制后的频域显著图;其次,将灰度显著图和频域显著图归一化后通过哈达玛乘积相互融合;最后,通过自适应阈值分割并使用Unger滤波器剔除较小的噪声点,从而提取出目标区域。实验结果表明,所提算法对图像的信噪比有了数十倍的提升,对背景抑制效果显著,并有着检测率高和虚警率低的优点,是一种有效的小目标检测算法。     

基于卷积稀疏表示的红外与可见光图像融合

稀疏表示是以块为单位进行编码的,因此破坏了图像块间的相关性。针对上述问题,提出了基于卷积稀疏表示的红外与可见光图像融合算法。该算法采用交替方向乘子算法(ADMM)求解非下采样轮廓波变换(NSCT)域强边缘子带的卷积稀疏系数,完成特征响应系数的融合。同时,采用脉冲耦合神经网络(PCNN)模型的点火图完成NSCT域高频子带的融合。实验结果表明:该算法解决了稀疏表示的“块效应”问题,同时又兼具PCNN模型的视觉特性,可以有效地捕捉源图像的特征信息。另外,在主观视觉评价和客观质量评价方面均优于现有算法。