船舶导航雷达的海杂波自适应抑制算法

船舶导航雷达的海杂波抑制技术是提高海面目标检测性能的关键和难点技术,具有很高的军事和民用价值。文中基于数理统计理论,提出了多模型选择的海杂波自适应抑制方法,通过对雷达多次扫描的回波数据建立海杂波模型库,统计、估算各模型相应参数选择与雷达回波数据最佳匹配的模型,作抑制海杂波的对消处理。计算机仿真及实测数据处理,都验证该方法的有效性和可行性。     

基于频域多通道图特征感知的海面小目标检测

海洋物理环境和电磁环境日趋复杂,海杂波背景下的微弱慢速小目标检测始终是一个研究难点和重点。海面小目标的雷达散射截面积小、回波能量低,传统基于能量的检测方法存在性能瓶颈。基于特征的检测方法聚焦于提取纯杂波和目标回波的差异性特征来实现目标检测,且有效提升了检测性能。该文利用回波数据间频域中幅度的关联性,将图论的方法引入到特征检测中。首先将实测数据进行块白化处理,对海杂波进行一定的抑制,然后在频域提取各多普勒通道下的数据,借助图的处理方法,构建所提取数据的距离邻接矩阵,再转换为拉普拉斯矩阵。该方法计算不同时间序列下拉普拉斯矩阵的最大特征值,并将其与刻画频域能量信息的相对多普勒峰高进行融合,得到新的检验统计量来区分纯杂波和含有目标的回波。通过全相参的X波段(IPIX)实测数据验证,该文所提方法的检测性能更为优越。     

复杂动态海面与目标电磁散射及回波仿真研究现状与展望

海洋表面是一种高度不规则和时空不重复的复杂动态体系。海杂波是雷达电磁信号照射到海面产生的大量散射体回波的叠加,受风力、洋流、海浪等的影响呈现非均匀性和非平稳性。海杂波信号对海上目标的探测具有一定的干扰作用,尤其是高海情条件下,海浪起伏更加剧烈,目标信号极易淹没在强海杂波信号中,严重限制着雷达对海上目标的检测能力。海杂波及目标电磁散射特性研究是提升复杂海洋环境下目标检测能力的基础,以电磁波与实际复杂动态海面及目标电磁散射机理为基础,形成实际海洋环境下目标回波数据,对海杂波及目标雷达回波特征分析,实测数据集的补充,均存在重大意义。为了让更多相关研究者获得基于物理机理的复杂海环境与目标回波仿真方法近些年的发展和未来趋势,该文总结了回波仿真的3类方法,并针对海面与目标仿真场景特点,分析了3类方法的优劣和适应性,给出了部分仿真结果;还介绍了一些基于实测的回波数据集,可方便学者对回波特性进行分析;最后对复杂海面与目标回波仿真方法和特性研究的发展趋势进行了展望。     

低空雷达导引头海面目标检测性能分析

该文以雷达导引头低空检测海面目标为背景,综合分析了多径环境和海杂波环境对雷达导引头目标检测的影响。通过对目标回波、多径散射的镜反射、漫反射以及海杂波进行建模,结合具体场景,仿真分析了镜反射、漫反射以及海杂波对雷达导引头接收信号的影响,进而分析了多径散射和海杂波对雷达导引头检测不同大小目标时检测性能的影响效果。仿真结果表明:雷达导引头检测RCS低于1 m2的小目标时,海杂波是影响雷达导引头检测性能的主要因素;雷达导引头检测RCS大于10 m2的目标时,多径效应是影响雷达导引头检测性能的主要因素;雷达导引头检测RCS大于104 m2的目标时,雷达导引头的检测性能不受海杂波和多径效应影响。     

扫描模式海杂波中目标的多重分形检测

主要研究雷达扫描模式下海杂波的局部多重分形特征以及多重分形理论在雷达目标检测中的应用。目前绝大多数研究都是建立在雷达工作在驻留模式基础上的,而当雷达工作在扫描模式时,由于采样点数不足,一般难以运用分形理论来解决目标检测问题。将多重分形理论应用到雷达周期扫描所得回波序列中,解决采样点不足的问题,并运用模糊集理论中模糊决策的方法进行目标检测。最后,采用X波段与S波段海杂波实测数据进行验证并分析其目标检测的性能,实验结果表明文中所提检测方法对海杂波和目标具有良好的分类能力。     

基于视觉显著性的雷达视频舰船检测

将计算机视觉领域的视觉显著性的概念引入常规雷达视频序列中舰船目标的检测,提出了适用于雷达视频的目标显著性表示模型。利用局部对比度来表征目标与杂波在回波强度上的差异,利用运动显著性来提取目标与固定地杂波和起伏海杂波之间的差异,经线性组合形成综合显著图,可快速准确提取目标。将连续多帧提取的结果进行积累,通过分析目标历史轨迹对目标加以确认。最后,利用采集的某型导航雷达实测数据进行的实验表明了方法的有效性。     

海杂波背景下的非相干积累目标检测

海杂波具有强的时间和空间相关性,在海杂波的去相关时间内,海杂波是相关的。本文根据海杂波的时间相关性特点,提出了对雷达回波进行非相干积累的目标检测方法。由于海杂波是相关的,目标回波是不相关的,对雷达回波进行非相干积累,可以在保证目标回波能量不变的情况下,削弱海杂波的能量,从而提高目标检测性能。实验结果表明,海杂波背景下的非相干积累目标检测方法是可行的。     

一种采用集成装袋树的雷达多次回波分类方法

传统雷达多次回波分类方法容易受到目标类型和幅度起伏特性等因素的影响,其泛化性和准确性难以满足雷达装备实际需求。针对该问题,提出了一种采用集成装袋树的雷达多次回波分类方法。该方法首先对雷达多脉冲回波数据进行幅度对数变换和相邻脉冲幅度补齐预处理操作,然后利用决策树算法从标注的训练数据中学习雷达多次回波在脉冲维的幅度起伏特征,最后通过多个分类器的集成实现对雷达多次回波的准确分类。实测雷达数据验证结果表明,所提方法分类准确率达到了95.9%,可有效提升雷达多次回波的分类性能,并且不依赖于经验门限的特性,增强了其泛化能力。     

基于INet的雷达图像杂波抑制和目标检测方法

强海杂波与海面目标的复杂特性使得海面目标回波微弱,有效的海杂波抑制和稳健快速的目标检测是雷达对海上目标探测需考虑的重要因素。然而,现有的海面目标检测算法对于复杂环境下的目标检测性能有限,环境和目标特性适应性差。该文设计了一种杂波抑制和目标检测融合网络(INet),通过层归一化-传递和连接方法提取关键目标特征,采用注意力网络抑制杂波和增强目标,构建跨阶段局部残差网络保证检测网络的轻量化和准确性。基于导航雷达在多种观测条件下采集的回波数据,构建了海面目标雷达图像数据集;通过模型的预训练和平面位置显示器(PPI)图像的帧间积累对INet进行了优化,得到了Optimized INet(O-INet)模型。经过多种天气条件下实测数据测试和验证,并与YOLOv3, YOLOv4,双参数CFAR和二维CA-CFAR对比后证明,所提方法在提高检测概率、降低虚警率和复杂条件下的强泛化能力有显著优势。      

基于极化联合特征值的雷达弱小目标检测方法

针对海杂波背景下雷达弱小目标检测问题,提出了一种基于极化联合特征值的雷达弱小目标检测方法。该方法利用多极化通道回波数据计算极化相干矩阵的最大特征值,然后将待检测单元的最大特征值与参考单元最大特征值、最小特征值、算数平均值和几何平均值的算数平均之比分别作为检验统计量实现检验判决。仿真和实测数据处理结果表明：基于极化联合特征值的雷达弱小目标检测方法较基于特征值的检测方法性能提高2 dB,较极化检测最优滤波器性能提高1.5 dB,较功率最大综合检测方法、SPAN检测方法性能提高5 dB,极化联合最大特征值-几何平均方法综合检测效果最好。     

雷达海上目标双通道卷积神经网络特征融合智能检测方法

受复杂海洋环境影响,基于统计理论的海面目标检测方法由于假设条件不成立,在实际应用中难以实现高性能检测,本文从特征提取分类角度,通过深度学习分类方法对目标和杂波的雷达回波信号进行二元分类,提出了一种基于双通道卷积神经网络(DCCNN)的雷达海上目标智能检测方法。首先,对实测海杂波和目标雷达信号进行预处理,得到信号的时间-多普勒谱和幅度信息;然后,构建DCCNN对预处理得到的数据进行智能特征提取,得到信号的特征向量,并对不同特征提取模型性能进行测试;最后,通过阈值可设的Softmax分类器作为检测器对特征向量进行分类,实现虚警率的控制。测试结果表明:与传统的单通道CNN以及无虚警控制Hog-SVM分类算法相比,基于二维卷积核VGG16和一维卷积核LeNet的DCCNN特征提取模型和softmax分类器可实现更高的检测性能,并可以实现虚警率控制,为复杂海杂波背景下目标智能检测提供了新的技术途径。     

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。      

一种舰载毫米波雷达海杂波背景下的慢速小目标检测算法研究

掠海飞行慢速小目标的检测一直是雷达信号处理领域研究的热点问题。分析了海杂波数据的统计特性,利用天线扫描间海杂波非相关特性,采取单次扫描脉冲间非相参积累,结合天线扫描间积累和杂波图迭代平滑处理技术,抑制海杂波,积累目标能量,改善检测性能。仿真结果表明利用本方法毫米波雷达能有效检测海杂波环境下的慢速小目标。     

对海雷达多维图像特征融合智能检测方法

海面目标检测是雷达信号处理中的重要内容,在军事、民用领域内都有重要应用价值。在海面目标雷达信号处理中,海杂波的存在对检测算法的性能有很大影响,传统的雷达信号处理方法多基于统计理论,对于复杂环境条件和多样的目标特性检测性能下降明显。近年来深度学习技术发展迅速,为可靠的海面目标的检测方法提供了技术支持。本文对近年来目标检测算法、深度学习方法的发展进行总结,从雷达信号数据结构和维度出发,采用深度学习理论,分别提出了基于二维图像、三维视频雷达信号、多维雷达信号多通道融合的智能处理框架,并以导航雷达图像海上目标智能检测为例,提出一种Precise ROI?Faster R?CNN雷达图像检测算法,通过构建的导航雷达数据集训练和测试,相比经典恒虚警检测和Faster R?CNN检测方法有更高的检测精确度和更好的泛化能力,从而为对海雷达智能导航和目标检测提供了有效的技术途径。     

基于互累积量的多雷达信号层融合检测

针对多雷达检测海上目标的研究背景,本文提出了一种新的基于互累积量的多带雷达信号层融合检测方法,该方法融合不同雷达的观测信息,对不同频带的雷达观测在统计相关域上进行积累,最后进行检测。仿真结果表明,与传统的融合检测方法相比,新方法能够显著提高融合处理后的信杂比,有效提高海上目标检测概率。     

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。      

海杂波背景下雷达目标特征检测方法的现状与展望

海杂波背景下的雷达目标检测对民用和军事都有着重要的意义。随着海面目标的小型化和隐身化,海面慢速、漂浮小目标已经成为了雷达警戒的重点对象。关于此类小目标的检测一直以来都是海杂波背景下目标检测中的难题。通常,漂浮小目标的雷达散射横截面积(RCS)微弱,并且运动速度慢,常常在时域和频域均存在“超杂波检测”的困难。传统目标检测方法对漂浮小目标的检测存在明显的性能瓶颈。对于海面漂浮小目标的检测,采用高多普勒和高距离分辨体制(“双高”体制)是从雷达体制上解决这个问题的有效途径。在双高体制下,雷达接收的目标回波提供了更多的可用信息。然而,如何将这些更加精细化的信息转化为探测性能的提升,一直以来都是雷达届关注的难点,相关科研成果也一直在不断地推陈出新。近些年,在双高雷达体制下,学者们提出了多种基于特征的目标检测方法,作为对海智能检测的人工特征工程阶段,这些方法缓解了仅依靠能量信息较难检测小目标的困难局面,极大程度地改善了对漂浮小目标的检测性能。为了更好地让相关雷达从业者了解该领域这些年的发展和未来的趋势,该文首先总结了对海检测的难点和常用的目标检测方法,然后分析了特征检测的原理和通用框架以及国内外几种典型的基于特征的检测方法,最后对特征检测方法发展趋势进行了展望。