基于Colpitts混沌系统的新型测距算法研究

Chuas混沌同步对噪声比较敏感,导致同步抗噪声能力不理想.为解决这个问题,文中提出采用Colpitts混沌系统作为新型测距算法的研究对象.该算法发射带有正弦信号的混沌信号,混沌同步后,恢复出带有距离信息的正弦信号,通过比较两个正弦信号的初始相位,从而测出目标距离信息.与Chuas相比,Colpitts同步具有较好的单调性和抗噪声能力强的优点,仿真结果验证上述方法的有效性.     

2010基于Farrow结构的分数时延滤波器

在宽带数字阵列雷达的波束形成中,传统的窄带移相方法存在主瓣展宽和扫描不准的情况,为此现阶段多采用实延时(TTD)补偿单元来代替移相器.模拟时延补偿存在诸多缺点,为实现宽带数字阵列各阵元传输时延的精确补偿,引入声纳学中广泛使用的Farrow结构来实现时延滤波器;为降低FPGA资源消耗,引入滤波器的系数求取优化方法;为提高速度,提出了Farrow结构的优化方法.仿真以及实际运行结果都表明了该方法的有效性,与传统移相方法相比,更适用于数字阵列雷达T/R组件.     

青海省大坝建设五十年发展成就与瞻望

本文论述了五十年来青海省大坝建设的发展过程、与国内外技术水平的差距以及未来的发展趋势。     

天波雷达在不规则地形中的接收阵列天线综合

分析非平坦地形对阵列方向图的影响,给出一种相位补偿算法,该算法通过相邻阵元相位差与地形斜率的关系,合理地设计阵元权值相位,矫正了非平坦地形导致的波束指向偏移,减少了方向图畸变。提出一基于不规则地形(山地、丘陵)的天波雷达接收阵列的综合方法,该方法在一特殊稀疏阵的布阵模型基础上,采用相位补偿算法与切比雪夫加权对该布阵模型进行阵列优化,降低了工程难度,减小了不规则地形对于阵列的影响,满足天波超视距雷达(OTHR)对接收阵列方向图性能的要求;与传统遗传算法对该布阵模型优化结果相比,采用所提优化方法所得的方向图旁瓣电平更低,对各种不规则地形的普适性更强。仿真结果验证了以上结论。     

混沌直扩信号扩频序列盲估计

与传统直扩序列相比,混沌扩频序列具有非线性复杂度较高的优点,该优点同时也是盲估计混沌扩频序列的难点。针对这个难点,该文提出了非线性弹性反传神经网络盲估计方法,充分利用非线性神经网络能逼近任意非线性函数的特性,无须搜索信息码和扩频序列之间的同步点,能在较低的信噪比下准确盲估计混沌扩频序列。传统的神经网络使用中,神经网络的有用信息是网络的输出,而该文中则是输出层的权系数。侦察截获的混沌直扩信号同时用作神经网络的输入和期望输出,神经网络收敛后的输出层权系数就是混沌扩频序列的估计值。仿真结果证明了该方法的有效性。     

一种基于深度学习残差网络的模糊函数赋型方法

基于模糊函数（Ambiguity Function, AF）赋型的恒模波形设计是雷达系统中的一项关键技术。该问题可构造为一个非线性的复四次问题（NP?hard）。现有的方法可分为两类：第一类方法通过松弛方式来求解该问题,但不可避免地会引入近似误差;第二类方法直接求解该问题,但该类方法的参数选取较为困难。我们注意到深度神经网络是一个天然的非线性系统,与上述的非线性问题模型高度契合。因此,本文提出了一种基于深度学习残差网络的方法来对AF赋型,该方法不需要松弛操作以及复杂的参数选取。具体步骤为：1）将该问题转化为一个无约束的相位优化问题;2）将该无约束问题的非凸目标函数构造为网络的损失函数;3）使用残差网络直接优化波形的相位。仿真结果表明,所提方法的信干比（Signal?to?Interference Ratio, SIR）有显著提升并且有着更好的目标探测性能。     

一种改进的天波雷达海杂波循环对消算法

在天波超视距雷达中,舰船等慢速目标的频谱通常靠近强大的海杂波谱,检测难度大,在短相干积累条件下,回波频谱的多普勒分辨率降低,进一步增加了目标检测难度。目前的海杂波抑制方法主要是循环对消法,但是传统的循环对消方法仅通过傅里叶变换后最大谱线来估计频率,频率估计精度不高,杂波残留严重,而且容易将目标信号也对消掉。针对该问题,提出了一种改进的循环对消算法,该算法中,首先给出了短相干积累下海杂波频率的高精度估计算法,利用最大的3根谱线进行插值来对粗估计得到的频率进行校正,从而精确估计海杂波频率,在此基础上估计时域的海杂波信号;为了避免将目标信号也对消掉,进一步给出了海杂波的频率界限,只在杂波界限内进行海杂波循环对消;与传统算法相比,所提算法能够对海杂波参数进行高精度估计,从而减少了对消过程中剩余杂波的能量,有利于舰船目标的峰值显露,而且杂波频率界限的使用能够避免将目标信号对消掉,提高了目标的检测效能。仿真和实测数据处理结果均表明,与传统循环对消法相比,所提算法能用更少的对消次数凸显出舰船目标,而且残留杂波能量更低。     

基于遗传算法的OTHR机动弱目标检测

天波超视距(OTH)雷达系统中,为了获得较高的多普勒分辨率,通常会采用长的相干积累时间,但对于机动目标,长相干积累时间会导致回波的多普勒展宽,不利于检测。对于弱目标,由于其能量低,容易被强目标掩盖,加大了检测难度,针对这一问题,提出一种基于目标运动参数估计的OTHR机动弱目标检测方法。利用遗传算法优越的参数估计性能这一特点,采用遗传算法估计各目标的运动参数,并引入\"clean\"算法的思想,在时域上逐个减去强目标,以消除强目标的掩盖效应。又考虑到遗传算法的运算量较大,进一步提出采用时频分析算法估计各参数范围,减小遗传算法的运算量。仿真结果表明,与已有算法相比,文中算法具有更高的参数估计精度和弱目标检测性能。     

探地雷达多目标识别方法的研究

与现有的机器学习算法相比,在有限样本的情况下,支撑矢量机具有更强的分类推广能力。该文在提出利用非线性映射进行探地雷达目标识别的基础上,将多目标识别支撑矢量机与探地雷达目标识别相结合,得到了基于一对一(One against one) 支撑矢量机的探地雷达多目标识别方法。所提方法包括基于一对一的探地雷达多目标识别方法、交叉验证的参数选取方法、多通道识别方法;并且和传统的神经网络识别方法进行对比分析。所提识别方法可以与各种目标特征选取方法相结合。对实测数据的对比处理表明所提方法优于传统探地雷达目标识别方法,所得结论对探地雷达目标识别的研究有指导意义。     

基于回声状态网络的OTHR海杂波抑制方法

在短相干积累时间(CIT)情况下,天波超视距雷达(OTHR)中低速目标检测很困难:低速目标靠近强大的海杂波频谱;短CIT导致多普勒分辨率低,使目标信号与海杂波更难区分。传统方法一般利用海杂波与目标信号的时频特征不同来抑制海杂波,目标速度较高时这些方法很有效,然而在短CIT、低速目标情况下目标与海杂波信号的时频特征的区分度很小,使得传统方法难以有效抑制海杂波。针对上述问题,考虑到海杂波与目标信号具有不同的动力学特征,提出一种基于回声状态网络的天波雷达海杂波抑制方法。该方法首先用海杂波参考信号训练回声状态网络,使该神经网络\"记住\"海杂波的混沌动态特征;然后用前述训练好的网络重构和预测天波雷达回波中...