一种基于AD检验的CFAR检测器

传统的恒虚警率(CFAR)检测器鲁棒性较差,为此,提出一种基于AD检验的CFAR检测器AD-CA。通过Monte Carlo仿真得到AD检验的临界值,并删除异常样本。仿真结果表明,在均匀背景下,AD-CA的检测性能与OS检测器相当;在多目标背景下,AD-CA的检测性能比OS检测器有所提升,当干扰目标个数大于N–k时,仍能保持较好的检测性能。     

一种基于强散射中心的距离扩展目标检测方法

针对高分辨率雷达距离扩展目标检测问题,利用广义似然比检验,提出了一种基于强散射中心的恒虚警检测器.首先,以较高的第一虚警概率设置第一门限,提取强散射中心,然后针对强散射中心采用广义似然比方法得到检测统计量,并与基于第二虚警概率的检测门限进行比较,判断目标有无.仿真实验表明,这种检测器在已知和未知散射中心空域分布时都要优于SDD-GLRT(Spatial scattering density-generalized likelihood ratio test)检测器,并且具有鲁棒性.     

非高斯杂波下修正的SDD-GLRT距离 扩展目标检测器

 在球不变随机向量非高斯杂波背景下,针对SDD-GLRT方法在统计平均意义下对距离扩展目标进行最优检测所带来的检测损失,通过充分利用目标散射点的先验信息,基于有序统计检测理论,提出了修正的SDD-GLRT距离扩展目标检测方法.理论分析表明,在不存在目标的假设下,虚警概率与纹理分量的混合分布、杂波协方差矩阵以及确知信号的方向向量无关,即修正的SDD-GLRT方法具有恒虚警率(constant false alarm rate,CFAR)特性.仿真结果表明,随着积累脉冲数及目标散射点所占距离单元个数的增加,修正的SDD-GLRT检测性能得到提高.在散射点分布稀疏条件下,修正的SDD-GLRT的检测性能要明显好于SDD-GLRT和NSDD-GLRT,且在估计目标散射点个数存在微弱偏差和不同杂波尖峰情况下,修正的SDD-GLRT具有很好的鲁棒性.     

方差均值平方比恒虚警检测器

为了提高雷达恒虚警(Constant False Alarm Rate,CFAR)检测器在多目标背景下的鲁棒性,更好地检测目标,提出了一种新的基于方差均值平方比(VMSR)的恒虚警检测器,并建立了相应的检测器模型,得出了标称化因子T值和置信区间(a,b)。在均匀背景和多目标背景下,对VMSR检测器进行了仿真分析。在均匀背景下,VMSR检测性能优于OS,相比CA仅有很小的检测损失;在多目标背景下,VMSR检测性能相比OS得到了提升,特别是在干扰目标个数r>N-k时,OS不能有效检测出目标,而VMSR仍能保持较好的检测性能。结果表明,VMSR在多目标背景下检测性能优于OS,其在多目标背景下具有较强的鲁棒性。     

改进的杂波协方差矩阵结构估计方法

在球不变随机向量建模的非高斯杂波背景下,针对现有协方差矩阵估结构计方法对杂波不具备完全自适应性以及计算复杂度高等问题,本文利用经验信息,提出了基于经验的自适应估计方法(E-AE),并将其作为初始化矩阵,再次利用经验信息进行迭代估计,得到了基于经验的自适应迭代估计方法(E-ARE)。E-AE和E-ARE只需要进行实数运算,减小了计算复杂度。从理论上证明了所提方法对应的ANMF对杂波纹理分量和协方差矩阵结构都具有CFAR特性,并通过仿真实验对其有效性进行了验证。最后,利用匹配滤波器的输出信杂比损失及相应的ANMF检测性能,对所提方法和已有方法进行效果评估,结果表明,本文方法具有收敛速度快、所需的辅助单元数少、信杂比损失小和对应的ANMF检测性能优等特点。      

基于深度多尺度一维卷积神经网络的雷达舰船目标识别

为满足雷达舰船目标识别的高实时性和高泛化性的需求,该文提出了一种基于深度多尺度1维卷积神经网络的目标高分辨1维距离像(HRRP)识别方法。针对高分辨1维距离像特征提取难的问题,所提方法通过共享卷积核的权值,使用多尺度的卷积核提取不同精细度的特征,并构造中心损失函数来提高特征的分辨能力。实验结果表明,该模型可以显著提高目标在非理想条件下的识别正确率,克服目标姿态角敏感性问题,具有良好的鲁棒性和泛化性。     

一种针对拖尾噪声的鲁棒神经网络信号检测算法

与高斯噪声相比,拖尾有更多的异常值,利用传统的神经网络不能有效的检测信号。该文提出一种基于中值滤波的鲁棒神经网络进行处理,首先利用中值滤波抑制异常值,进一步利用BP (Back Propagation) 神经网络消除残留噪声,检测目标信号。基于误差分析的实验结果表明,与传统神经网络相比,所提出的方法不仅能更好地消除拖尾噪声,有效检测信号,而且能有效检测高斯噪声中的目标信号,具有很好的鲁棒性和自适应特性。     

基于损失加权修正的舰船目标HRRP小样本元学习识别方法

针对现有小样本高分辨距离像（high resolution range profile,HRRP）元学习识别方法难以适应任务经验差异的问题,提出了基于损失加权修正的舰船目标元学习识别方法。该方法以元学习理论为基础,设计了基础学习器与元学习器相结合的预训练模型。由于不同的特性损失可反映出学习经验的差异程度,故基于任务损失值对元学习器的损失函数进行加权处理,以减轻不同任务的偏差影响。然后,利用预训练模型对仿真数据的学习经验,在小样本测试任务集上进行舰船目标实测HRRP的分类识别。实验结果表明,所提方法与对比模型相比,可在小样本条件下获得更佳的识别效果,具备良好的小样本分类识别能力。     

非高斯杂波协方差矩阵估计方法及CFAR特性分析

在独立同分布的球不变随机向量非高斯杂波背景下,针对采样协方差矩阵(SCM)、归一化采样协方差矩阵(NSCM)及相应的迭代估计矩阵(NSCM-RE),利用统一理论框架分析了3种不同估计矩阵对应的自适应归一化匹配滤波器(ANMF)的恒虚警率(CFAR)特性.理论分析表明,SCM-ANMF只对杂波归一化协方差矩阵具有CFAR特性;而NSCM-ANMF只对杂波功率水平具有CFAR特性;在有限次迭代下,NSCM-RE-ANMF对杂波归一化协方差矩阵不具有CFAR特性.为了改善ANMF的自适应特性,提出了一种自适应协方差矩阵估计方法(AE),并将其作为初始化矩阵进行迭代估计,在有限次迭代下,所获得的AE-RE-ANMF对杂波归一化协方差矩阵和功率水平均具有CFAR特性.最后,通过仿真验证了所提方法的有效性.     

非高斯背景下基于动态阈值的距离扩展目标检测器

本文研究了球不变随机向量杂波背景下的距离扩展目标检测问题.给出了修正的距离扩展目标检测器MSDD,推导了相应的虚警概率与检测阈值的解析表达式.性能分析表明,目标能量均匀分布时,MSDD能获得最佳的检测性能,并且其对目标所占距离窗的不同大小具有很好的鲁棒性;但当估计目标散射点个数小于实际值时.MSDD存在一定的检测损失....