低分辨机载雷达空地运动目标的分类识别算法

分类识别技术是雷达当今和未来发展的重要需求,也是雷达的关键技术之一。目前研究较多的是基于宽带信号的目标识别,对雷达系统和目标信噪比具有较高的要求,且对角度非常敏感。针对低分辨机载雷达工作在下视模式下,慢速飞行目标和地面运动目标由于具有相似的多普勒速度和雷达散射截面(RCS),使得其对机载雷达慢速飞行目标检测、跟踪和识别形成干扰,该文提出了一种基于窄带分形和相位调制特征的机载雷达空地运动目标分类识别算法。文中以实测试飞数据进行分析验证,以支持向量机(SVM)为分类器,试验结果表明,该方法能对机载雷达直升机、汽车运动目标进行有效分类识别,当SNR 15 dB 时,平均分类识别率在89%以上。      

基于低分辨率雷达的海面舰船目标分类识别技术

文中基于雷达窄带信息提出了一种对海面舰船进行大小及吨位进行目标分类识别的算法。算法通过傅里叶-梅林变换及Fisher判别分析提取分类特征,采用支撑矢量机进行分类识别,最后利用实测的机载雷达数据验证了此方法的有效性。该分类识别算法能够在不影响雷达正常警戒工作任务的前提下,对视场内所有探测到的海面目标进行分类辨识,在工程上具备较高的实用意义。     

基于时频图像处理的JEM分类识别方法

机载雷达探测飞机目标时,可通过提取JEM特征进行直升飞机、螺旋桨飞机、喷气式飞机分类识别,虽然其理论基础已相对成熟,但在机载杂波背景下对低SNR调制信号的检测与分类识别有待进一步提升,以改进工程化过程中分类识别的稳健性.文中在回顾JEM理论分析的基础上,分析了观测角度、叶片螺距、转子交调、RCS闪烁、雷达工作波形等因素...     

固定翼飞机和直升机的分类方法研究

雷达自动目标识别是当前雷达信号处理领域的研究重点 ,而目标识别的第一步往往是将目标进行分类 ,然后再进行进一步的识别。文中研究了基于低分辨率雷达的固定翼飞机和直升机的分类问题。在分析两类飞机时域、频域特性的基础上给出了两种特征提取方法 ,利用支持矢量机进行了识别实验 ,结果表明所提出的方法是可行的。     

基于支持向量机的窄带雷达弹道导弹目标识别技术

窄带雷达由于受到带宽限制,无法获取到目标高分辨精细识别信息,仅能通过目标轨道运动特征和窄带RCS特征对目标属性进行初步分类识别,文中基于支持向量机分类算法,从窄带雷达回波数据中提取弹头群和弹体群目标的特征,实现了弹道导弹群目标初步分类识别。在对弹头群和弹体群分类识别的基础上,窄带雷达可集中更多的时间和能量资源重点对弹头群类目标进行跟踪,并为后续宽带目标识别雷达提供重点目标位置信息。     

基于多特征决策融合的SAR飞机识别

针对高分辨率SAR图像的飞机目标识别问题,提出了一种基于飞机几何特征、PCA特征、Hu不变矩等多特征决策融合的自动目标识别方案。针对飞机样本特点,分别提取飞机的几何长宽特征、PCA特征和Hu不变矩特征,使用三个支持向量机分类器分别对样本的三类特征进行预分类,然后采用基于等级的决策融合方法将预分类结果进行决策融合,输出最终的目标类别。实验过程中,随机选取一定百分比的样本进行训练,获得分类器模型,对全部的样本进行测试识别。通过实验发现,将几何特征、PCA特征和Hu不变矩特征的分类结果进行决策融合后,克服了单一特征决策的不准确性,有效地提高了每一类样本的识别准确率。     

目标动态极化结构特征提取与识别

本文以宽带极化雷达体制为背景，建立了目标极化结构宽带模型，采用伪本征极化描述宽带下目标极化的结构的动态特性，提出了基于模糊动态特征建模与分类的极化目标识别新方法，对五种飞机目标达到了良好的识别效果。     

防空雷达飞机回波的扩展分形特性分析与目标分类研究

低分辨雷达飞机回波的扩展分形特性提供了对目标回波在不同尺度下的粗糙度的精细描述,为防空雷达飞机目标的分类和识别提供了一种新的途径。该文在介绍扩展分形理论的基础上,首先利用扩展分形分析手段,对从某VHF波段防空警戒雷达上录取的飞机目标回波数据的扩展分形特性进行了分析,然后从模式识别的角度出发,提出了基于扩展分形特征的防空雷达飞机目标分类方法,最后采用不同类型飞机目标的实测回波数据进行分类识别实验,对该方法的性能进行了对比和分析。分类识别实验的结果表明,广义Hurst指数等扩展分形特征参数可以作为飞机目标分类和识别的有效特征,所提出的方法具有良好的分类识别性能,是一种有效的目标分类方法。      

一种基于目标红外特征的目标分类识别方法

基于目标的红外选择性,提出了目标的９个特征量,并以它们为分量组成目标的特征向量,以此来进行目标的分类识别。由于特征量单位不统一,提出了一种近邻分类法。文中用３类飞机的红外图像进行实验。实验表明,用这种方法把提出的红外特征量用于目标的分类识别效果很好。     

机载雷达和红外数据融合的智能目标识别

为了提高机载传感器目标识别系统的性能,提出了利用机载雷达和红外成像传感器数据融合的智能目标识别算法.对红外成像传感器,采用了基于小波矩特征和BP神经网络的目标识别算法,首先提取目标图像的小波矩特征并进行特征选择,然后通过BP神经网络对目标图像进行识别;对雷达传感器,提出了利用模糊推理的目标识别方法,首先选取适当的雷达特征,然后通过模糊推理进行识别:从雷达和红外传感器识别算法分别得到待识别目标所属类别的基本概率分配函数,用D-S证据组合规则将两个基本概率分配函数组合,最终实现了机载雷达和红外传感器的数据融合.仿真结果表明:融合后的识别效果优于单个雷达或红外传感器的识别效果.     

多点定位场面监视雷达信号处理方法探究

多点定位场面监视技术是一种先进的低空飞行器场面监视方案。多点定位系统利用多个机载/地面雷达站,通过信号时差计算从而确定目标的具体位置。多点定位系统可以迅速便捷的对水面舰船或机场等场面上的低空飞行器等移动目标进行探测和监视,配合ADS-B场面监视、X波段场面监视雷达等地面监视手段可以最大程度的对飞行器动态进行精确掌握,从而确保飞行器在机场范围内的安全。     

基于窄带测距信息的空间目标微动特征检测与估计

微动目标被线性调频信号照射时,由于距离-多普勒耦合效应,微多普勒的存在会使得目标测量距离发生偏差。该文以匀速转动目标为例,从理论上证明了这种测距偏差随时间呈正弦规律变化,并且可以被跟踪雷达所观测。在此基础上,针对窄带跟踪雷达系统,提出了一种目标微动特征检测与参数估计的新方法,以空间目标精密跟踪雷达的典型参数为依据,设计了仿真实验和暗室动态测量实验,分析结果证明了该文的观点以及检测与估计方法的有效性。     

基于连通图的动态可重构多机协同干扰方法

针对多机空战电子对抗中,干扰目标分配和协同干扰资源选择问题,在分析空战有源电子干扰面临复杂电磁环境、雷达跟踪干扰源、干扰目标分配和干扰资源选择等问题的基础上,建立双机协同干扰数学模型,分析协同干扰对测角误差影响因素,提出基于连通图的动态可重构双机协同干扰方法,并应用于典型的“磨刀匠”攻击战术。仿真结果表明,基于连通图的动态可重构双机协同干扰方法,能够实现多机编队协同作战时的最优协同干扰资源和干扰目标选择,实现对单脉冲机载火控雷达协同角度欺骗干扰,且算法计算时间完全符合协同干扰需求,为新型战斗机协同干扰提供了借鉴。     

基于LRMO及MCA的机载雷达风电场杂波抑制方法

风力发电迅速发展,风电场杂波使机载雷达产生大量虚假目标,导致机载雷达出现检测概率下降、虚警概率上升等问题。因此,研究机载雷达风电场杂波抑制方法对于提升机载雷达工作性能具有十分重要的意义。考虑到机载雷达风电场杂波先验信息无法实时获取、难以估计且机载雷达回波频谱更加复杂等特殊问题,本文基于低秩矩阵优化（LRMO）算法根据风电场杂波与目标微动特征随时间的不同变化特性,实现目标与风电场杂波处于不同距离单元的风电场杂波抑制。目标与风电场杂波处于同一距离单元时,考虑到LRMO算法存在的局限性,依据风电场杂波与目标的不同稀疏特性,利用形态成分分析（MCA）算法进行补充抑制风电场杂波。实验结果验证了所提方法的有效性。      

一种机载无源雷达组网定位技术

提出一种战斗机机载无源雷达组网协同测时差定位策略,分析了多机协同高度假设测时差定位算法以及其应用背景,仿真试验表明,该方法可以对电子侦察机等高空电磁辐射目标进行远距离精确定位,为对敌进行打击、干扰提供重要战术支持。与电子战飞机相比,利用战斗机机载雷达组网具有机动灵活、快速反应、攻防兼备的优势。     

基于CNN的机载气象雷达气象目标检测方法

机载气象雷达系统进行气象探测时易受到强地杂波的干扰,从而导致目标信息丢失。为准确检测地杂波中的气象目标,获取完整的目标信息,本文提出了一种基于卷积神经网络(Convolution Neural Networks, CNN)的机载气象雷达目标检测方法。该方法联合时域、多普勒域和俯仰维空域信息,将杂波相位对准指标、多普勒速度和干涉相位作为CNN的输入,并给出详细的网络结构。本文通过模拟雷达回波仿真产生训练集和测试集,并对所提网络进行训练和测试。仿真结果表明,与目前的气象目标检测方法相比,该方法具有较高的检测概率,而且在谱矩信息变化的情况下仍可维持较好的检测性能,具有很好的鲁棒性。此外,仿真结果表明CNN比传统的贝叶斯分类器和支持向量机等分类网络具有更好的分类性能。     

一种低分辨雷达自动目标识别系统

低分辨雷达自动目标识别一直是雷达目标识别研究领域的难点。与高分辨雷达目标识别不同，低分辨雷达分类识别主要指对机群目标的大小、架次以及调制方式等进行粗略分类。给出了一个基于飞机目标回波波形对机群目标进行分类识别的低分辨雷达目标识别系统例子。     

用于SVM的RCS统计特征集约减方法

传统的支持向量机分类算法对训练样本数目敏感且不具备增量学习的能力,而空间目标识别的工程应用需要积累样本进行大样本的增量学习。根据样本在特征空间分布,提取几何意义上边缘的样本点,成功约减了应用于支持向量机学习的基于雷达散射截面统计特征的训练样本集。利用中心距离比和特征空间多维高斯分布特性,分别提取两类边界样本集和单类边缘样本集;再采用直推式实验设计方法再采样,根据样本潜在结构分布信息选择最能代表样本集结构分布的高价值样本。实验结果表明：样本初选算法能够在有效约减样本集规模的同时保持支持向量机训练分类的精度。