基于ResNet车载雷达干扰分类研究

随着自动驾驶技术的发展,毫米波雷达成为自动驾驶的一个关键传感器,由于汽车雷达数目增加,雷达与雷达间相互干扰是不可避免的问题,为了减轻雷达间的相互干扰,识别车辆中雷达发射的信号类型是很有必要的。针对不同干扰信号类型,本文提出了一种基于残差神经网络的车载雷达干扰分类的方法,首先建立不同类型的干扰数据模型,生成大量的干扰数据,然后应用残差神经网络对不同类型的干扰进行分类。结果显示,该网络不仅收敛速度快,而且在干扰分类方面取得了很好的效果。     

基于RCS信息的雷达目标大小分类方法

由于低分辨率雷达信息量有限,不能对目标的属性特征等做出精确的判断分类,只能做到粗略的分类判断.因此,文中给出了一种雷达散射截面(RCS)统计信息的低分辨率雷达对目标大小的分类方法.讨论了一种利用最大最小距离的聚类模式识别算法.并通过对实测数据的处理对算法进行了验证,证实了利用RCS统计特性结合最大最小距离的聚类模式识别算法对目标进行大小分类的可行性.     

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。     

基于轻量化网络的干扰信号智能识别算法

针对干扰信号识别时卷积神经网络模型体积大、训练周期长、对硬件存储和计算要求高等问题,本文提出了一种基于改进轻量级网络模型SqueezeNet的干扰信号智能识别算法。该方法首先利用距离多普勒（Range?Doppler,RD）处理获得目标及干扰信号的RD图像,接着采用滑窗变换、归一化等技术对RD图像进行重塑;然后采用基于RD信息尺寸的隐层和通道剪枝措施对SqueezeNet网络进行改进,缩小了模型尺寸和存储空间;最后利用不同参数的测试样本拓展网络模型的泛化性能。仿真实验表明,在参数量减少到原网络1/30的情况下,改进的SqueezeNet网络对每种干扰的识别正确率可达到95%以上,且训练时间大大减少。     

基于多阶段分类的雷达目标识别

讨论了用一种新的识别系统识别高分辨雷达距离像（ＨＲＲＰ）,它先在Ｋ－Ｌ变换对距离像进行特征压缩后,用聚类分析进行识别呀基于某个规则排除某此种类,再对不能识别的模式,用种类少时效果好的最佳鉴别准则对模式进行特征提取,然后用模糊ＡＰＴＭＡＰ网络组进行分类,实验表明该方法比常规的单分类器方法有更高的识别率。     

车载毫米波雷达目标检测综述

目标检测技术作为主动刹车系统的重要组成部分,对测距传感器的检测精度要求极高,毫米波雷达传感器是目标检测的最优选择。综述了毫米波雷达的发展状况、国内外现状、毫米波雷达目标检测算法,介绍了国内外多个重点实验室对毫米波雷达目标检测算法的研究情况,重点放在多传感器融合检测和毫米波雷达多目标检测上。阐述了车载毫米波雷达目标检测的技术难点,对未来毫米波雷达的发展方向提出了建议,以期为后续的研究开发做准备。     

基于模型融合的窄带雷达空中目标分类方法

针对窄带雷达3类飞机分类问题,提出一种基于模型融合的窄带雷达空中目标分类方法,在多个特征域对目标进行特征提取,通过Stacking策略对K近邻、随机森林和支持向量机进行模型融合,利用融合模型实现3类空目标的分类,最后通过测试验证了其有效性。     

一种基于超宽带雷达的日常活动分类方法

近年来,随着智能物联网应用的快速发展,雷达传感器由于具有保护隐私、全天候全天时工作、不受光线和遮挡影响等优点,在人体目标日常行为活动识别方面受到了学术界和产业界的极大重视.针对一种超低辐射的超宽带雷达(Impulse Radio Ultra-Wideband,IR-UWB),提出了一种室内人员日常活动(包含静止、坐下、...     

基于RDSNet的毫米波雷达人体跌倒检测方法

随着人口老龄化的到来,跌倒检测逐渐成为研究热点.针对基于毫米波雷达的人体跌倒检测应用,该文提出了一种融合卷积神经网络和长短时记忆网络的距离多普勒热图序列检测网络(RDSNet)模型.首先通过卷积神经网络对距离多普勒热图进行特征提取得到特征向量,然后将动态序列对应的特征向量序列依次输入长短时记忆网络,进而学习得到热图序列...     

一种改进的窄带雷达目标分类方法

介绍了4种经典的窄带雷达目标分类方法,并比较了它们的优缺点。由于各方法都有各自的局限性,提出了利用基于回波波形的直接提取方法和基于目标的喷气发动机调制（JEM）特征的分类方法联合运用的策略,以提高识别的准确率,为制定对抗措施提供更为可靠的依据。     

基于BP神经网络的雷达点迹分类方法

提出了一种解决复杂电磁环境下目标检测后仍包含杂波的基于反向传播(BP)神经网络的雷达点迹分类方法。该方法可以在目标检测后进一步区分目标点和杂波点,提高目标跟踪的质量。同时,对BP神经网络进行了训练,并与K最近邻域法和支持向量机作了对比,发现该方法的分类精度可达87. 3%,较后两种方法精度分别提升19. 6%和7. 6%。实验结果表明:基于BP神经网络的雷达点迹分类方法有效。     

低分辨雷达回波序列轮廓像目标分类方法研究

基于利用雷达目标回波轮廓像进行目标分类在雷达航管、监视领域具有一定的应用价值，分析了对雷达波束扫描目标过程中的电磁散射进行了分析，研究了目标回波序列轮廓像的形成原理。通过对目标回波序列轮廓像进行特征提取、变换获取了能够体现目标特性的稳态特征，利用C—均值聚类方法实现了对海面目标的粗分类，采用实测数据对所提出方法进行测试，实验结果证明了该方法的有效性。     

毫米波雷达的多普勒扩展目标检测

在毫米波雷达目标探测中,目标微动部件的微多普勒效应会引起目标回波频谱扩展,线性调频信号的时频耦合会导致目标距离扩展,从而使得目标难以检测。文中首先通过建模仿真,研究了目标回波的特点,然后结合实测数据分析了其复杂性,在此分析基础上提出了边沿检测、均值滤波质心检测、闭运算质心检测等检测方法,最后通过实测数据处理验证了各种方法的性能。     

一种基于贝叶斯网络的雷达目标识别方法

利用目标的运动速度、幅度等信息,结合模糊数学的相关知识,通过贝叶斯网络实现对战斗机、民航机和巡航导弹三类雷达目标的识别.识别结果表明,这种方法识别效果好,工程上容易实现.     

基于GFMM神经网络的雷达目标识别方法

新型的无师训练（General Fuzzy Min—Max，GFMM）神经网络是一种具备无师训练聚类识别能力的新型神经网络，它继承了原有GFMM网络的特点，在网络的拓扑结构和算法方面进行了较大的改进，增加了能够进行自适应在线学习的能力。基于无师训练GFMM神经网络的雷达目标识别方法完整地实现了雷达目标特征学习和识别的一体化过程。在某型对海警戒雷达舰船目标识别仿真应用实验中的结果表明：文中的方法优于其他传统的神经网络目标识别方法，在雷达目标识别方面具有良好的适用性。     

基于一维散射中心匹配的雷达目标识别

本文提出了一种新的基于目标一维散射中心匹配的雷达目标识别方法.该方法在计算两目标匹配函数之前,先根据目标尺寸大小在目标中心附近设定一个距离窗,将位于此距离窗以外的散射中心剔除,以减轻目标区域以外虚假散射中心的影响.对剩下的目标散射中心,根据两目标散射中心之间的距离,对目标之间的散射中心配对,然后定义两目标的匹配函数为所有配对散射中心的"匹配能量"和与两目标所有散射中心能量和的比值.对五类目标缩比模型的外场测量数据进行分类识别实验,结果表明该方法具有良好的目标识别能力,而且对加性高斯白噪声和雷达带宽不敏感.     

基于核不相关邻域保持投影的毫米波雷达目标识别

流形学习的提出和发展为毫米波雷达目标识别提供了新的思路。针对传统特征提取算法的不足,提出了一种基于核的非线性流形学习算法,即核不相关邻域保持投影(KUNPP)。该算法在邻域保持投影的基础上引入再生核,将数据映射到Hilbert空间;在Hilbert空间内执行邻域保持投影算法,并引入不相关约束,使得到的特征向量具有不相关性,减少冗余信息。将KUNPP应用于毫米波雷达目标识别,仿真数据集和实测数据集的实验结果均表明算法能取得较好的结果。     

基于深度神经网络模型的雷达目标识别

根据雷达测量的目标电磁散射面积(RCS)序列,采用深度神经网络模型识别空间飞行目标。首先,阐述了提取RCS时间序列特征的方法,包括均值、均方差及周期特性等特征;然后,给出了深度神经网络模型识别RCS目标的算法;最后,用仿真数据验证该识别方法,数值实验结果表明该方法能较准确识别雷达跟踪目标。     

基于全卷积神经网络的SAR图像目标分类

近年来,卷积神经网络(Convolutional Neural Network,CNN)在合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标分类中取得了较好的分类结果。CNN结构中,前面若干层由交替的卷积层、池化层堆叠而成,后面若干层为全连接层。全卷积神经网络（All Convolutional Neural Network, A-CNN）是对CNN结构的一种改进,其中池化层和全连接层都用卷积层代替,该结构已在计算机视觉领域被应用。针对公布的MSTAR数据集,提出了基于A-CNN的SAR图像目标分类方法,并与基于CNN的SAR图像分类方法进行对比。实验结果表明,基于A-CNN的SAR图像目标分类正确率要高于基于CNN的分类正确率。