基于深度学习的海上目标一维序列信号目标检测方法

当前海面目标检测方法多基于统计理论,检测性能受背景统计特性假设的影响,本文从信号预测和特征分类两个角度,分别采用长短时记忆网络(LSTM)和卷积神经网络(CNN)对信号时间序列幅度信息进行处理,用于海上目标一维序列雷达信号检测,该方法不需事先假设背景统计特性,泛化能力更强。基于LSTM序列预测的目标检测方法通过用海杂波信号幅度时间序列对网络进行训练,再用训练后的网络对后续序列进行预测,并与后续实测信号进行比较,实现目标检测。基于CNN序列分类的目标检测方法中采用截取的海杂波信号和目标信号幅度序列作为数据集样本,对一维卷积核CNN进行训练,使其具有识别目标杂波信号特征能力,从而实现目标检测。最后,采用IPIX和CSIR实测海杂波数据对两种方法进行验证,结果表明两种方法均可实现一维序列信号中海面目标的检测,但LSTM预测方法对于长序列检测的实时性有待于进一步提高;CNN分类方法可实现实时检测,但仅利用信号幅度信息,检测性能仍需进一步提升。     

采用卷积神经网络的海面多目标检测研究

对海雷达多目标检测在军事领域有着重要的应用价值。为了提高海杂波下的目标检测性能,减少临近目标的影响,本文引入深度学习思想,提出了采用卷积神经网络的多目标检测方法。通过雷达实测数据的分析与训练,构造适用于处理一维回波数据的网络模型,引入定向惩罚技术加快自适应学习效率,优化网络超参数提升网络性能,实现了回波数据信杂比的较大改善,完成了海面多目标的有效检测。最后,基于实测数据对该方法进行了性能验证,实验结果显示了本方法的有效性。      

卷积神经网络在图像目标检测中的应用

分析卷积神经网络（Convolutional Neural Networks,CNN）在图像目标检测中的性能,重点比较AlexNet、GoogleNet和ResNet50这3个流行模型在不同数据集上的表现。在CIFAR-100和CIFAR-10数据集上,GoogleNet和ResNet50表现出更精确的物体识别能力,而AlexNet相对稍弱。这些结果有助于深入了解CNN在图像识别任务中的性能和适用性。     

稀疏域海杂波抑制与微动目标检测方法

针对海上微动目标回波信号具有稀疏性的特点,该文研究了稀疏域微动特征提取和检测方法,提出一种基于形态成分分析(MCA)的海杂波抑制与微动目标检测方法.该方法充分利用海杂波和微多普勒信号组成成分的形态差异性,对不同源信号采用不同的字典进行稀疏表示,区分海杂波与微动目标.此外,提出的稀疏域海杂波抑制方法,能够在抑制海杂波的同时积累更多的信号能量,改善信杂比.仿真和实测数据验证了算法的正确性.     

基于深度时空卷积神经网络的点目标检测

由于点目标可用信息少,点目标检测技术是红外搜索与跟踪系统(IRST)中的挑战性难点.基于人工提取特征的传统目标检测,智能化水平低,对点目标检测的难度大.针对此问题,提出一种新的基于深度时空卷积神经网络的点目标检测方法.该方法采用全卷积架构,输入输出尺度相同,可用于处理任意尺度图像.为了提高实时性,卷积分解技术被引入3D...     

一种基于卷积神经网络的雷达目标分类方法

雷达作为对低空和地面目标探测及监视预警的主要手段,在安全领域应用广泛。针对现阶段实际应用中雷达目标分类技术中过于依赖人工提取特征的问题,提出了一种基于卷积神经网络的分类方法,对雷达回波数据进行二维傅里叶变换得到距离-多普勒图像,再以距离-多普勒图集作为数据集,训练神经网络,得到能够完成雷达目标识别的网络模型。结果表明,相较于传统方法,基于卷积神经网络的目标识别模型在省去人工工作的同时提高了目标识别精度。     

卷积神经网络对SAR目标识别性能分析

近年来,以卷积神经网络（Convolutional Neural Network,CNN）为代表的深度学习方法在图像识别领域取得了巨大进展,但尚未在SAR目标识别领域得到广泛应用。基于此,将具有代表性的LeNet,AlexNet,VGGNet,GoogLeNet,ResNet,DenseNet,SENet等卷积神经网络模型应用到SAR图像目标识别上,并依据识别精度、模型尺寸、运行时间等指标在公开SAR数据集MSTAR上对9类目标进行识别实验。详细对比分析了不同CNN模型的综合性能,验证了利用CNN网络模型进行SAR图像目标识别的优越性,同时也为该领域的后续工作提供了参考基准。     

基于时频图深度学习的雷达动目标检测与分类

雷达动目标检测技术一直是雷达信号处理领域中的关键技术,而传统的雷达动目标检测技术仅适用于匀速运动目标,检测性能有限。针对该问题提出一种基于卷积神经网络(CNN)时频图处理的雷达动目标检测方法,通过从雷达动目标回波中提取多普勒频移信息,然后利用短时傅里叶变换转换为时频图,输入卷积神经网络,进行深度特征学习,进而实现检测和分类的目的。仿真数据验证表明,所提方法能够有效检测和区分匀速、匀变速运动以及微动目标,稳健性高,与传统动目标检测方法相比具有显著优势。     

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。      

基于无预训练卷积神经网络的红外车辆目标检测

为解决基于卷积神经网络的目标检测算法对预训练权重的过度依赖,特别是数据稀缺条件下的红外场景目标检测,提出了融入注意力模块来缓解不进行预训练所带来的检测性能下降的方法.本文基于YOLO v3算法,在网络结构中融入模仿人类注意力机制的SE和CBAM模块,对提取的特征进行通道层面和空间层面的重标定.根据特征的重要程度,自适应...     

基于GNSS的无源雷达海面目标检测技术综述

与常规雷达相比,无源雷达由于不需要特定的发射站,具有成本低、抗干扰能力强等优势。用于构成无源雷达的机会照射源种类多种多样,其中,全球导航卫星系统(Global Navigation Satellite System, GNSS)由于其全球覆盖的特性,且具有较大的信号带宽,将其作为机会照射源构成无源雷达在海面目标检测方面有着显著的优势。本文首先建立了GNSS照射下的海面目标回波模型,并分析了基于GNSS的无源雷达海面目标检测的难点;接着介绍了现有基于GNSS的无源雷达海面目标检测方法,并分析了各个方法的优缺点;最后,对基于GNSS的无源雷达海面目标检测的研究前景和发展趋势进行了展望。     

被动雷达海上目标探测实验研究

针对海上目标的无源探测问题,利用无源双基地雷达（Passive Bistatic Radar,PBR）系统开展了海上无源目标探测的研究,进行了一系列实时海上目标探测的外场实验,实验成功采集了一些I/Q数据并画出系统显示图。文中首先介绍了PBR系统的工作原理,然后对信号处理流程进行详细说明,包括参考信号重构、脉冲压缩、直达波抑制、非相参积累和MTI、MTD动目标处理,最后介绍了外场实验结果并对所得实验数据进行分析。实验证明,该系统可以实现海上目标的无源相干检测。     

利用CNN的海上目标探测背景分类方法

该文主要研究基于卷积神经网络（Convolutional Neural Networks,CNN）的海上目标探测背景分类方法.以CNN中的经典网络LeNet为例,基于IPIX雷达实测数据集,进行控制变量的模型训练,对分类准确率、训练速度、一维信号的二维特征图变化等进行分析,基于实测数据集验证了利用CNN在一维雷达回波信号中进行海杂波与噪声分类的可行性,并同步分析了数据预处理、单个样本序列长度、网络结构参数等影响因素对分类准确率的影响,并针对典型探测场景分类进行了验证.结果表明,LeNet卷积神经网络在海上探测背景区分方面,具有很高的分类准确率,并且数据预处理方式、单个样本序列长度对结果影响显著,而网络结构参数有一定的调节区间,在此区间内调整,影响不显著,所提方法在顺/逆浪向、高/低海况条件下杂波分类与杂噪分类方面具有很高的准确率.     

基于时频图的微动目标运动参数提取和特征识别的方法

空间运动特征是导弹目标识别所依据的主要目标特性之一。该文通过在散射中心模型下,研究了导弹微动时回波的时频变化的特性,并由此提出了一种用于估计多散射点瞬时多普勒的线性和的新方法。对该线性和做傅里叶变化,能够有效地估计目标自旋、锥旋、进动频率,周期等运动参数。在此基础上,提出多普勒线性和的傅里叶谱的波形熵特征可以很好地用于实际中弹头和诱饵的识别。结果表明该方法可有效地区分弹头和诱饵。     

基于PC-OFDM信号外辐射源雷达的低空旋翼目标微动特征提取

相位编码频分复用(PC-OFDM)信号最早应用于通信系统,同时作为外辐射源雷达信号具有低截获、抗干扰、波形灵活等优点,是现有民用外辐射源信号的有效补充.提出将PC-OFDM信号作为外辐射源雷达信号,进而实现低空旋翼目标微动特征的有效提取.基于PC-OFDM信号,建立了低空旋翼目标双基雷达微动回波模型,推导了微多普勒的参...     

一种空间微动目标宽带雷达干涉三维成像方法

空间微动目标3维成像在目标特征信息感知方面具有优势,对于实施空间目标成像、分类、识别等任务具有重要现实意义。据此,该文针对L型天线阵列成像系统,提出一种基于改进的粒子群优化的空间微动目标宽带雷达干涉式3维成像方法。首先,分析了目标回波信号的微多普勒特性,建立参数化表征模型。其次,基于所提优化算法重构各天线回波信号的微多普勒相位项,通过对各回波信号相位项的干涉处理,获得干涉相位差,并推导干涉相位差与目标空间坐标的关系,从而重构真实3维坐标,获得微动目标3维图像。相较于已有方法,所提方法基于干涉式成像思想,在无遮挡和有遮挡效应的条件下,均可重构微动目标真实空间坐标和3维图像,并且具有较好的鲁棒性。最后,仿真计算验证了该方法的有效性。     

基于动态字典的卡车目标微动参数估计方法

车轮旋转产生的微多普勒是轮式车辆独特的特征.卡车类目标微动参数提取,可为地面车辆目标的分类识别提供重要依据.（1）对窄带雷达信号下的卡车目标进行回波建模,推导了车身非旋转散射点多普勒和轮毂旋转散射点微多普勒的数学表达式;（2）利用旋转点的微动参数构造相应的字典库进行匹配分解,建立了噪声条件下微动参数提取的凸优化模型;（3）针对采用过完备字典方法进行参数提取时,维数过大带来的计算和存储负担问题,进一步推导出关于微动参数集的凸函数,构造出更小规模的动态字典,通过对字典的动态调整和最小二乘准则下的迭代逼近,较快实现了卡车目标微动参数的准确估计;（4）仿真验证了方法的有效性和稳健性.     

微动目标多普勒谱分析和参数估计

首先建立了转动线形目标和进动锥形目标的回波模型,分析了三种典型微动目标的多普勒谱,引入低通谱宽和带通谱宽的概念,推导了机动点目标低通谱宽以及转动线形目标带通谱宽表达式,对进动锥形目标的低通谱宽进行了数值分析,给出了基于多普勒谱的微动参数估计方法,最后进行了仿真,证明了理论分析的正确性.     

一种改进GMM-MRF模型的海上红外目标检测

目前海上目标检测已在民用和军事领域得到广泛的应用.由于海水波动大、目标成像面积少、特征不显著等特点增大了目标检测难度,为了消除上述的问题,首先提出了一种基于混合高斯-马尔科夫随机场目标检测模型,该模型利用所提出的混合高斯模型自适应调节学习率来抑制动态背景的干扰.然后,利用混合高斯模型对红外图像所计算的结果作为马尔科夫随机场的观测值,建立了马尔科夫随机场模型,可以解决混合高斯模型存在的不足.实验结果表明,本文的方法能够取得良好的检测效果.     

傅里叶域内双背景模型的海上红外序列图像目标检测

针对不同波动程度的海场景下红外目标检测的难点,提出一种傅里叶域内对海背景进行双模型建模的目标检测算法.由于不同的海场景具有不同的海水波动模式,用单一的模型较难准确的描述所有的海场景.海水在傅里叶域内幅度谱的稳定性较强,因此提出一种傅里叶域内的双海水背景模型,即概率单高斯模型和混合高斯模型.首先对海上红外图像进行行方向的...