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。     

一种基于调制特征向量的空目标识别方法

空中目标旋转部件对雷达回波有调制作用。将回波时域幅度调制信息的幅度偏差系数作为调制特征,首先利用仿真数据分析了固定翼飞机目标和直升机飞机目标的差异,随后提出了一种最近邻分类器的设计方法,最后利用实测数据对目标进行分类,取得了较高的识别率。与支持向量机的算法相比,该分类器算法复杂度低,计算量小,识别率高,在工程上可以选用这种方法对两类目标进行分类识别。     

基于脉冲多普勒雷达时域回波的直升机识别算法

针对窄带雷达不同类直升机的识别问题,本文提出了一种基于时域回波信号的分类方法。首先分析了直升机主旋翼转动的运动模型;然后分析主旋翼奇偶性对桨叶反射信号强度以及间隔的影响;最后根据两类目标回波的不同,提出了桨叶反射回波强度以及间隔等特征对不同直升机的识别。基于实测数据的实验结果表明,所提方法对这两类直升机具有较好的识别效果。     

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。     

基于调制谱图卷积神经网络的空中目标识别技术

雷达对空中目标的分类识别技术是雷达信号处理领域中的关键技术.目前大部分雷达目标识别方法通用性较差且对雷达具有较高的要求.针对该问题,提出一种将目标回波的周期性调制谱信息图像化后,基于卷积神经网络调制谱图处理的空中目标识别方法.目标调制谱图像通过卷积神经网络逐层变换自动学习到目标特征信息,最终通过分类器进行分类识别.该方法避免了传统人工拟定调制谱特征的方式,实现了端对端的空中目标识别方法.实验结果表明,基于调制谱图的卷积神经网络模型具有较高的空中目标识别准确率,且模型的鲁棒性和泛化能力较好.     

基于微多普勒特征的空中目标识别

分析了直升机目标回波信号的微多普勒频谱，基于直升机目标和固定翼飞机目标多普勒频谱的差别，提出了两种微多普勒特征用于识别直升机目标和固定翼飞机目标，其中一种利用了直升机回波信号正负多普勒频谱能量的不对称性，另一种模式特征利用了机身回波信号能量与旋翼回波信号能量的对比，使用仿真数据和试验测试录制的数据的计算结果表明该方法具有很好的识别效果。     

采用改进词袋模型的空中目标自动分类

为了解决飞机、直升机、导弹等3类空中目标图像的自动分类问题,提出了一种基于改进词袋模型的空中目标识别方法。首先采集3类多个型号的空中目标灰度图像并分割提取出目标,接着利用稠密采样方法进行SIFT特征提取,然后用模糊C均值聚类方法,对空中目标图像的SIFT特征进行聚类,得到大量空中目标图像的视觉单词。最后用视觉单词直方图训练支持向量机分类器,完成空中目标的自动分类。仿真实验表明,文中提出的算法能准确区分空中目标类别,性能优于传统的采用K均值聚类的词袋模型,且优于仿射矩。     

基于经验模态分解的空中飞机目标分类

该文研究常规窄带雷达体制下喷气式飞机、螺旋桨飞机和直升机目标的分类问题。首先根据微多普勒效应利用多散射中心模型从理论上分析了飞机目标旋转部件的雷达回波模型;然后针对3类飞机目标回波在多普勒域频率调制的不同,提出一种基于经验模态分解(Empirical Mode Decomposition, EMD)算法的特征提取方法;最后基于仿真数据训练、实测数据测试的模式,使用支持矢量机(Support Vector Machine, SVM)分类器的分类结果表明新方法较现有方法在较高信噪比条件下具有更好的分类性能。     

低分辨率雷达目标回波波形的特征提取与分类方法研究

分析了常规雷达实测飞机目标回波信号,研究指出目标回波波形携带与目标密切相关的信息,利用参数方法对目标波形进行分析并选取某些参数作为特征(或特征的一种表征)作为目标分类特征,可以对目标进行粗略的分类。在对目标回波进行特征分析的基础上,用抽取的特征量构造了几种目标模板。采用实测数据的实验结果表明该方法在分类效果方面的有效性:既可区分不同机型的飞机,又可把单架和多架飞机区分开来。     

基于信号特征谱的地面运动目标分类

研究低分辨、短驻留时间下地面运动车辆目标分类问题。根据微多普勒效应,使用多散射中心模型描述轮式和履带式车辆的微动部件雷达回波。指出目标回波中的谐波数是区分轮式和履带式车辆的一个稳定特征,由此提出一种基于目标回波信号特征谱的特征提取方法。该方法能够描述目标回波中的谐波信息,同时对于平动速度变化所带来的影响具有稳健性。使用仿真数据的实验结果验证了该方法的有效性,使用实测数据的实验结果表明:该方法在分类性能上优于基于主分量分析的分类方法。     

低信噪比条件下直升机微动特征提取方法

直升机旋翼转动产生的微多普勒调制能够反映其微动特性,准确估计出目标的叶片数量、旋翼长度和转动频率对直升机的识别具有重要意义。本文针对窄带脉冲体制雷达,提出一种低信噪比条件下的旋翼直升机微动特征快速高精度提取方法,推导了微动特征参数之间的内在联系,在时频域通过对时频图幅值进行积累获取目标闪烁参数,并将其作为先验信息对稀疏字典进行降维处理,降低正交匹配追踪算法的运算量,提高了微动特征参数的估计精度,在低信噪比条件下具有较好的鲁棒性,仿真和实验结果验证了方法的有效性。     

直升机旋翼雷达特征信号分析

针对动态飞行测量实验,分别从时域、频域以及时频域对实测直升机回波信号进行了分析.结果表明,在时频联合域可以更清楚地揭示直升机旋翼的调制特性.根据其时频特征信号,可以判断旋翼叶片数的奇偶,并且可以测定调制回波的闪烁周期,从而确定旋翼叶片的数目和转速,实验还验证了叶片倾斜角对其调制回波的影响.这些特征对于直升机雷达回波信号仿真以及检测和识别具有重要的价值.     

直升机声信号的检测和识别

详细介绍了一种基于小波包和神经网络的新算法，用于对直升机声音信号检测并且识别机型。具体方法是对采集到的声音样本利用小波包分析提取特征向量，把这些特征向量输入反向误差传播（Back Propagation，BP）神经网络训练，用训练好的检测神经网络进行直升机的检测。检测完毕，证实是直升飞机声信号后，再通过识别神经网络区分不同型号直升机。实验表明，此方法能利用小波包时频局部聚焦分析能力和BP神经网络的自适应能力，较好地对不同型号的直升机声信号进行有效地检测和识别。因此。基于小波包和神经网络的直升机检测和识别算法不仅可靠而且是可行的。     

直扩系统中基于SVM的干扰自动分类识别方法

针对实际直接序列扩频系统中的干扰类型总是未知的,难以采用相应的干扰抑制措施有效提高系统性能的问题,提出了直接序列扩频系统中基于支持向量机的干扰自动分类识别方法。首先对直扩系统中八种主要干扰情况进行干扰信号建模;然后分别从时域、频域和时频域提取待识别干扰信号的特征参数;最后使用决策树支持向量机构造了一个5级干扰自动分类识别系统,实现了干扰信号的自动分类识别。仿真结果表明,干信比大于等于9dB时,分类器可以准确识别干扰类型。      

基于深度学习的GPR时频域联合电磁反演方法

对探地雷达(ground penetrating radar, GPR)数据进行电磁反演可以获得探测区域中目标的几何参数和电磁参数.本文针对GPR时域数据与频域数据在图像域的特征差异,首先设计了基于深度学习的GPR维度变换自编码器提取GPR回波数据的时域特征,并对GPR时频域特征进行一致化处理;然后设计了基于时频融合数据的电磁反演处理框架GPR-EInet,并分别使用2 000和200个GPR B-Scan数据对GPR-EInet进行训练和测试.仿真实验结果表明,GPR-EInet可以在SNR=-10 dB、目标介电常数与背景介电常数的相对偏差为50%的情况下实现单/双目标的电磁反演,介电常数反演结果与真实值的结构相似性指数（structure similarity index measure, SSIM）达到了0.995 64.分别运用GPR-EInet、ünet与PINet对仿真数据进行电磁反演,结果表明：GPREInet的抗噪性能要优于PINet与ünet.对实测的GPR数据也开展了电磁反演实验,获得了探测区域的目标参数信息.与单独的时域或频域数据反演相比,时频融合数据提升了GP...     

融合自注意力的卷积门控循环网络语音增强

语音时频特征的时间依赖性、局部相关性、全局相关性等特性,使得传统的神经网络结构与时频域语音增强任务无法完全相适应。针对这一问题,首先利用卷积层代替门控循环单元网络中的全连接层,构成卷积门控循环网络,解决门控循环单元网络在时间维度建模时无法提取频率维度局部相关性的问题;又因卷积层无法提取频率维度的全局相关性,进一步利用注意力机制关注全局相关性的能力,解决卷积门控循环网络无法关注频率维度全局相关性的问题,最后提出了一种深度融合自注意力机制的自注意-卷积门控循环网络。实验证明,该网络通过关注时频域特征的多种特性,有效地提升了语音增强性能。     

Three-component signal recognition using time, time-frequency, andpolarization information-application to seismic detection of avalanches

A method for automatic signal recognition, applied to seismic signals classification, is presented. It is based on the fusion of data derived from the analysis of the signal in three domains: time, time-frequency, and polarization. In the time domain, two techniques are used for envelope shape parametrization. In the time-frequency domain, the autoregressive and Capon (ARCAP) time-frequency method is used on a gliding time-window to estimate the spectral components of the signal versus time. For each window, the frequencies are estimated using AR modelization. The power at each frequency and the corresponding filtered signal are estimated using Capon's (1969) method. A comparison with Fourier's narrow-bandpass filtering shows that Capon's method produces a better filtering. In the polarization domain, two original methods are proposed: one for checking the linear polarization of a signal and one for localizing the linear waves in the time-frequency plane. A system for automatic recognition of seismic signals associated with avalanches is then presented as an application. Signal features are derived from the analysis to sum up the characteristics of the signal in each domain. These features are combined using fuzzy logic and credibility factors, according to rules derived from physical knowledge (generating processes and propagation rules), in order to decide whether a signal comes from an avalanche or not. The global rate of correct recognition is over 90% for that first version of the system     

二维主分量分析的脉内调制识别算法研究

随着雷达信号脉内调制方法日趋复杂,单纯地利用时域或频域的算法来进行信号调制类型的识别已很难奏效.借助于雷达信号的时频分布图像,提出了一种在时频联合域上进行信号识别的新算法.首先揭示了时频分布图像中确实蕴含着信号调制类型的本质特征,然后详细阐述了利用二维主分量分析来提取时频分布图像特征参数的算法,最后对算法进行了仿真,并从识别率、算法复杂度以及硬件需求和训练时间3个角度进行了比较.结果表明,该算法提取的特征参数具有很好的鲁棒性,可以取得较高的识别率,同时可以降低硬件需求,缩短训练时间.     

基于时频脊-Radon变换的海面小目标检测方法

针对海杂波背景下雷达对海面弱小目标探测技术难题,提出一种基于时频脊-Radon变换的帧平滑双特征检测方法。该方法首先采用分块白化方法对海杂波进行抑制,根据抑制后海杂波单元与目标单元在时频域二维平面呈现的不同能量分布特征,对时频脊做Radon变换并在变换域特征空间中提取出峰值和频宽特征。考虑到实际雷达采用的相干脉冲数通常较少（大多情况下为64个或更少）,易导致特征不稳定,进而影响海杂波与目标可分性,为此,通过多帧扫描历史数据和当前帧数据的综合应用,对特征做帧平滑处理以增强可分性。最后采用凸包分类算法,在双特征平面进行融合检测。经2级和4级海况实测数据验证,在同等参数条件下,本文检测方法相比已有基于时频三特征的检测方法、频域CFAR检测方法和分形特征检测方法具有更好的检测性能。      

基于多域多维特征融合的海面小目标检测

多维特征检测技术是提高海面小目标检测的有效途径。为了进一步提升海面小目标检测性能,本文提出基于多域多维特征融合的检测方法。首先,从时域、频域、时频域、极化域等多域,充分挖掘海杂波和含目标回波的差异性,并将这些差异性表征为多维特征,构建高维特征空间。其次,通过极化域和特征域的多维特征线性融合,将多维特征压缩到3D特征空间中,获得高维度信息的同时减少维度计算代价。然后,结合凸包学习算法获得3D判决区域,实现异常检测。最后,基于IPIX实测数据的实验结果表明:相对现有的极化检测器,提出的检测器具有25%以上的显著性能提升。