基于AlexNet的自适应杂波智能抑制方法

由于受观测环境以及雷达参数等因素的影响,构造协方差矩阵的杂波样本数据并不满足独立同分布,导致传统的自适应杂波抑制方法性能降低。针对静止雷达平台,本文提出一种基于AlexNet的自适应杂波智能抑制方法,首先,通过分析海杂波幅度分布特性,建立样本数据库;然后,通过迁移AlexNet在ImageNet数据集上的分类模型,并使用杂波数据集微调网络参数,实现对海杂波数据的准确分类,从而获取服从独立同分布的杂波样本数据,提高自适应杂波抑制方法性能。相比现有杂波抑制方法,所提方法具有人工参与度低、杂波分类准确率高、以及杂波抑制效果更好等优点;最后,通过CSIR实测数据验证了本文所提方法的有效性。      

基于最大图像清晰度的泛探雷达目标距离-多普勒走动校正

泛探雷达长时间的相干积累会增加目标二维走动，导致目标在距离多普勒域散焦，回波信噪比降低。有效的目标二维走动校正才能更好地体现泛探雷达的凝视特性，提升雷达目标检测性能。文中利用Keystone变换进行距离维走动校正，并建立多普勒维走动和图像清晰度的数学关系式，基于最大图像清晰度准则进行多普勒维的走动校正。该方法解决了凝视探测下的二维走动，提高目标在多普勒维的高分辨，同时提升了微弱目标检测能力。