基于孪生神经网络的航迹关联方法

日益复杂的电磁环境对战场目标探测提出了很高的要求。由于多雷达融合系统的不断发展,如何准确快速地完成多雷达的航迹关联成为一个亟待解决的问题。现有的关于航迹关联算法的研究大多只考虑雷达上报的最新目标航迹点,而没有考虑先前的航迹信息。除此之外,大多数航迹关联算法对于航迹异步问题的解决方法是进行时间配准,这不仅增加了算法本身的计算开销,还放大了航迹信息中包含的误差,因此难以应用于目前复杂的电磁环境中。本文提出一种适用于对异步航迹进行关联的、且无需进行时间配准工作的基于孪生神经网络的航迹关联算法(TTCSN)。该算法首先将待关联航迹两两组成一对,将其成对地送入特征提取网络中,再利用共享权重的双向LSTM网络提取输入航迹的隐含特征,之后对两条航迹的特征向量进行相似度计算,得到相似度向量,最终送入分类器完成关联航迹与非关联航迹的判别。实验表明,TTCSN算法能够有效地解决异步航迹关联问题。     

基于LSTM算法与模糊推理的机房火灾报警研究

随着物联网技术的迅猛发展,各传感器及其应用所产生的数据量呈海量增长。用于在网络设备上进行传递、加速、展示、计算、存储数据信息的数据中心机房建设迎来了蓬勃发展。鉴于机房的重要地位,一旦发生火灾将会对整个数据中心造成毁灭性影响。为了识别当前火灾所处状态并发出分级火灾报警信息,文章提出了基于长短时记忆网络（Long Short Term Memory,LSTM）算法与模糊推理的多传感器信息融合机房火灾报警模型。该模型分为数据层、特征层和决策层三层。其中数据层对多传感器的数据进行采集与预处理;特征层使用LSTM算法对传感器数据进行火灾状态识别;决策层将识别结果与数据中心机房保护等级和火灾持续时间进行模糊推理融合得出最终的火灾报警决策。通过燃烧实验进行验证,结果表明：文章所提模型对机房火灾状态识别效果优于反向传播（Back Propagation,BP）算法与循环神经网络（Gate Recurrent Unit,GRU）算法的同时可以发出符合当前火情的分级报警决策。     

基于雷达测量的多目标联合检测、跟踪与分类方法

利用雷达测量中的目标速度、加速度等属性信息, 基于跳转马尔科夫系统模型高斯混合概率假设密度滤波算法, 提出了一种多目标联合检测、跟踪与分类方法.该方法在进行雷达多目标测量信息处理的多模型混合高斯概率假设密度滤波过程中, 对各高斯项编号, 进行航迹提取, 在滤波处理的同时形成带有航迹编号的明确航迹, 并进行航迹管理; 同时, 根据目标运动模型, 联合利用目标加速度控制输入与速度估计进行多目标分类.仿真试验验证了该方法能够在检测、跟踪的同时, 对目标航迹进行有效类型识别.     

基于地面传感器的数据融合技术应用研究

研究了多传感器优化布设,提出了几种典型拓扑结构。比较了Bayes方法和Dempster-Shafer证据理论,采用证据理论对目标进行身份识别。研究了地面运动目标融合算法、模型,能够对各种传感器的报警数据进行处理,得到目标的属性信息和运动轨迹。进行了低空飞行目标航迹融合研究,对传感器上报的低空目标方位角数据进行综合处理,得到目标航迹信息。实际运行结果表明,这些算法是有效的。     

机载ESM与雷达航迹融合仿真系统研究

机载电子对抗侦察（ESM）和雷达已成为机载平台上获取目标信息的重要传感器。针对机载平台的特点模拟工程实践,从航迹配准、航迹关联和航迹融合三个阶段给出了一套仿真计算过程,构建了一个多参数航迹融合仿真模型。在航迹配准中主要考虑ESM传感器和雷达航迹数据之间的时空对齐问题,航迹关联中分析了基于统计理论的、基于模糊分析的和基于快速判别的三种航迹关联算法,在航迹融合中采用一种快速的加权融合的方法。仿真实验中给出了一种衡量不同航迹关联算法性能的评估计算方法,比较了在不同参数环境下三种航迹关联算法的性能及航迹融合的效果。最后给出了一些实验结论和工程实践性的建议,具有一定的工程参考意义。     

球载雷达与红外联合探测系统研究

针对球载预警探测装备的应用需求,探讨了在系留气球平台实现雷达与红外联合探测系统的意义;研究了雷达与红外联合探测信息融合的处理流程,包括搜索与跟踪和联合目标分类与识别的处理流程,提供了基于点迹、航迹的搜索与跟踪融合处理算法;构建了外场试验系统,开展了搜索与跟踪融合处理算法的系统检验,验证了雷达与红外联合探测系统对目标探测精度和跟踪稳定性提高的有效性。试验结果表明,雷达与红外联合探测系统可提高球载预警探测系统的作战效能。     

结合LSTM与CNN的野外车辆声信号分类

针对野外环境下微声传感器采集的小型轮式车、大型轮式车和履带车3种车辆声信号受风噪影响严重、分类性能较低的问题,提出了一种长短时记忆网络（LSTM）与多尺度、多层次特征融合卷积神经网络（CNN）相结合的分类算法——野外车辆识别算法（FVNet）。该算法先采用一层LSTM网络提取声信号的时序特征,充分利用声信号的长时依赖关系;再用CNN并行提取多尺度特征,避免网络加深过程中特征的流失;引入通道注意力机制进行多尺度和多层次特征融合,增强多尺度、多层次关键特征信息;最后在相同数据集上进行验证。实验结果表明,FVNet算法对3种车辆的总识别率可达94.95%,与传统方法相比,其总识别率提高了14.61%,取得了较好的分类效果。     

基于空时编码的雷达脉冲辐射源识别算法

随着宽带电子侦察接收机的广泛使用,同时进入接收机的信号越来越多,输出的数据量越来越大,传统的雷达辐射源识别方法很难适应分析处理的实时性和准确性要求.为解决这一问题,提出基于空时编码的雷达脉冲辐射源识别算法.通过设计一种空时编码算法来对雷达辐射源全脉冲数据中的载频、脉宽及重频等参数进行编码和特征提取,形成包含全脉冲数据时空信息的特征序列.这些特征序列既保留了雷达全脉冲数据的主要信息,又实现了对雷达全脉冲数据的简化,为利用深度学习和大数据处理技术实现对雷达辐射源快速精准识别奠定基础.利用长短时记忆网络(Long Short-Term Memory,LSTM)深度神经网络模型,结合提取的空时特征序列,通过大数据学习训练,实现了对7型雷达辐射源的精确识别.在数据集上的对比实验表明,提出的识别方法在处理识别精度和普适性上优于目前的主流算法,具有较强的鲁棒性.     

采用梯度提升树的战机型号快速识别方法

针对战机型号快速准确识别问题,提出一种利用梯度提升树的战机型号快速识别方法.以多传感器融合的战机航迹解译信息为数据基础,通过分析航迹数据特征,构建战机航迹数据特征工程,利用boosting集成学习思想,训练基于梯度提升决策树的战机型号分类器,可准确识别每个航迹点对应的战机型号.实测数据实验结果表明,所提模型识别准确率达到95.76％,较卷积神经网络(Convolutional Neural Network,CNN)方法识别准确率90.32％提高了5.44％;所提模型平均单点识别计算耗时为408.1μs,较CNN方法耗时5385.5μs快13.19倍,证明了所提算法能够快速有效地辨识战机型号,满足准确性和实时性需求.     

基于特征辅助的灰色航迹关联方法

多雷达多目标航迹关联算法大多量测数据中因信息贫瘠的原因导致雷达目标航迹关联精确度较差、性能较低等一系列问题。基于灰色关联分析理论的航迹关联算法,分析研究了综合性线段Hausdorff距离(LHD)灰色关联方面的理论,并将其用在雷达航迹关联领域。通过仿真证明,该算法能够综合考虑航迹之间的距离远近度和2条航迹曲线的拟合度。特征辅助信息不仅可以用于数据关联,也可以用在航迹关联方面。提出基于目标特征辅助信息的序贯灰色关联算法,仿真证明该算法与传统灰色关联算法相比精确度较高,能够在工程实践中提高关联概率。     

数据驱动的双通道CNN-LSTM调制分类算法

为同时利用卷积神经网络(Convolutional Neural Network, CNN)的空间特征提取能力和长短时记忆(Long Short-Term Memory, LSTM)网络的时序特征提取能力，提出了一种由双通道一维CNN与LSTM相互串联的调制分类算法。算法采用数据驱动的方式，直接将信号送入至2路CNN提取其在不同维度的空间特征信息；把2个通道的特征融合信息输入至LSTM学习其时序上的特征；与全连接网络连接实现对5种目标信号的调制分类。实验结果表明，CNN与LSTM相互串联能够学习到更加丰富的特征信息，更有利于分类；与传统方法相比，提出的方法无需人工提取信号特征，减少了预处理步骤并有效提升了识别性能。     

基于时空特征融合的Encoder-Decoder多步4D短期航迹预测

航迹预测在确保空中交通安全、高效运行中扮演着至关重要的角色。所预测的航迹信息是航迹优化、冲突告警等决策工具的输入，而预测准确性取决于模型对航迹序列特征的提取能力。航迹序列数据是具有丰富时空特征的多维时间序列，其中每个变量都呈现出长短期的时间变化模式，并且这些变量之间还存在着相互依赖的空间信息。为了充分提取这种时空特征，本文提出了基于融合时空特征的编码器-解码器（Spatio-Temporal EncoderDecoder, STED）航迹预测模型。在Encoder中使用门控循环单元（Gated Recurrent Unit, GRU）、卷积神经网络（Convolutional Neural Network, CNN）和注意力机制（Attention, AT）构成的双通道网络来分别提取航迹时空特征，Decoder对时空特征进行拼接融合，并利用GRU对融合特征进行学习和递归输出，实现对未来多步航迹信息的预测。利用真实的航迹数据对算法性能进行验证，实验结果表明，所提STED网络模型能够在未来10 min预测范围内进行高精度的短期航迹预测，相比于LSTM、CNN-LSTM和AT-LSTM等数据...     

基于多尺度特征融合的雷达海上目标检测方法

雷达目标检测对海上信息处理具有重要意义,目前提出的检测方法在召回率和精度上都难以满足海上检测要求。为了解决上述问题,提出基于多尺度特征的雷达海上目标检测方法。通过X波段非相参脉冲体制导航雷达采集数据,在完成预处理后检验数据集,提取雷达数据。分析杂散噪声,确定噪声范围,根据平均强度和灰度值的差值实现归一化处理。对目标进行归一化分析,融合多尺度特征实现目标选择,完成目标检测。实验结果表明,基于多尺度特征融合的雷达海上目标检测方法召回率能够在短时间内达到90%以上,精度在95%以上,能够很好地提取海上目标信息。     

重点雷达电子目标的快速靶向识别

针对现有雷达对抗侦察系统对特定雷达电子目标识别针对性不强的问题,提出一种重点雷达电子目标快速靶向识别方法,并采用并行处理流程,对多目标同时进行处理。首先,利用雷达电子目标的先验信息完成小样本脉冲序列建模;其次,实现了基于小样本脉冲序列快速匹配出雷达电子目标的算法,该方法绕过传统雷达信号的分选环节,不仅对重点雷达信号的识别效果较好,而且处理速度得到有效的提高;最后,进行了计算机仿真验证。理论分析与仿真结果均表明:以快速靶向为目的识别算法,能够有效克服现有雷达辐射源识别方法针对性不强和处理流程僵化的缺陷。     

基于D-S证据理论的无源航迹关联算法

目前分布式无源多目标跟踪系统的航迹关联算法基本照搬多传感器数据融合的理论,仅利用目标的状态信息。文中利用了目标的多特征信息（载频、脉宽、脉冲重复间隔（PRI）等）,应用Dempster-Shafer（D-S）证据理论,提出了一种基于分布式无源多目标跟踪系统的多特征信息融合航迹关联算法。算法具有以下优点：关联速度快,正确率高,而且能够适应密集目标的环境。仿真实验证明该算法的航迹关联效果明显优于加权航迹关联算法。     

基于多机协同的组网雷达欺骗干扰策略

针对组网雷达抗欺骗干扰能力强的特点,分析了利用多机协同对组网雷达进行航迹欺骗的可行性.利用多无人机协同干扰,可以将分布式干扰及空间航迹融合的优势充分发挥,取得理想的欺骗干扰效果,在敌方的雷达网信息融合系统中形成欺骗干扰航迹.首先从几何关系上分析了飞行器完成欺骗干扰的运动条件,并提出了分步优化的干扰航迹数学模型.利用该规划模型可以降低协同干扰的难度,同时使假目标成功避开威胁区域到达目标位置.仿真实验证明了模型的可行性与可靠性.     

利用JPDA 进行编队目标的多雷达航迹关联应用研究

航迹关联是航迹融合中的关键步骤。在对同一编队内多个目标进行多雷达航迹关联时,受系统误差残差的影响,航迹关联正确率无法满足使用要求。为了解决此问题,文中在多雷达航迹关联过程中引入JPDA 算法,通过选择合理的联合事件来计算航迹关联似然值,并构建系统仿真模型,针对工程实用的经验JPDA 和次最优JPDA 算法进行了分析,通过比较原始的航迹关联结果和分别加入两种JPDA 算法后的航迹关联结果,能够表明JPDA 算法对于编队多目标环境下的航迹关联正确率有较好的提升作用。     

基于Att-BiLSTM的雷达信号调制方式识别

识别雷达信号的调制方式有助于分析雷达的工作模式和目的,为及时采取恰当的应对措施提供依据。长短时记忆网络(Long Short-Term Memory, LSTM)深度学习模型在基于特征的调制方式识别领域中有着广泛应用,但LSTM模型的时间性能会随着输入数据规模的增大而下降。针对以上问题,文中提出了一种基于注意力机制的双向长短时记忆网络（Bidirectional Long Short-Term Memory, BiLSTM）的雷达信号调制方式识别算法。该算法通过BiLSTM提取信号原始数据的特征,再使用注意力机制为学习到的特征分配相应权重,最后由分类器根据学习到的特征输出分类结果。使用Python框架构建基于注意力机制的BiLSTM网络模型,以雷达辐射源信号特征仿真数据作为网络的输入和训练基础,实现对辐射源的调制方式的识别。结果表明,该模型在识别雷达信号的调制方式方面具有良好的效果。     

基于雷达量测时空特征的航迹起始方法

日益拥挤、复杂的空域环境,使得确定真实目标航迹的起始尤为主要。现有关于雷达目标航迹起始的研究大多只考虑了实时性或起始率中的一种,难以在强杂波环境下完成快速而准确的航迹起始。本文提出一种适用于强杂波环境的基于深度学习和雷达量测时空(DLTS)特征的航迹起始算法。该算法首先从雷达量测组合中筛选出候选集,并从中提取出量测组合的时序变化和空间分布向量,作为一维卷积神经网络(1DCNN)和门控循环单元(GRU)混合模型的输入,获得量测组合的时间和空间维度特征,再将二者合并得到时空特征。最后对经过自注意力处理的时空特征进行真假航迹分类,完成航迹起始。在仿真实验中,DLTS算法在强杂波环境下能够在时间损耗与逻辑法相近的情况下有效提高真假航迹起始率性能。     

被动式多雷达系统的多目标数据融合

1　概述　　由于被动式雷达具有高度的稳蔽性和生存能力 ,因此它被广泛应用到各种预警雷达和反辐射导弹系统中 .但被动式雷达没有距离量测 ,无法对其进行定位 .完成目标三维定位需要多个被动式雷达联合工作 ,并通过数据融合技术得到更精确的目标位置信息 .在多目标情况下 ,要实现数据融合 ,首先要进行测量值关联 ,即分清各个雷达站的数据是否来自于同一个目标 ,并把属于同一目标的多个站数据组合在一起 ,然后根据一定的融合算法把属于同一目标的多个雷达站量测数据合成起来 ,最后进行多目标量测点迹与航迹关联及卡尔曼滤波处理 .本文根据被…