排序方式: 共有27条查询结果,搜索用时 15 毫秒
1.
该文研究了和/差波束干涉SAR/GMTI技术在通道不平衡条件下地杂波对消问题.文中阐述了和/差波束干涉SAR/GMTI的原理,推导了理想条件下地杂波空域对消因子.实际系统中,由于存在通道幅相不一致等误差,直接空域对消并不能有效抑制地杂波.该文研究了基于信号子空间处理的和/差波束干涉SAR/GMTI方案,通过二维信号子空间处理自适应地校正通道误差,进而对地杂波进行空域对消.仿真实验表明该方案对系统误差的敏感度显著下降,具有很好的鲁棒性,更适合于工程实施. 相似文献
2.
3.
4.
对机载有源相控阵雷达系统,进行子阵级ADBF应用研究,运用遗传算法来对子阵形式优化,并结合对角加载技术,实现小采样本条件下波束快速收敛.仿真结果表明,优化后的子阵,自适应副瓣电平得到很大的改善,同时,在干扰方向形成明显的零深. 相似文献
5.
赵军沈明威朱岱寅 《数据采集与处理》2016,31(4):775-781
机载相控阵雷达采用均匀圆形阵列天线具有全方位扫描、同时实现仰俯-方位角估计和天线方向图好等优点;但圆形天线特殊的几何结构使得其各距离单元回波不是独立同分布的样本,造成了空时自适应处理技术性能急剧下降。本文提出了一种基于指数形式导数更新(Exponent derivative based updating,EDBU)的杂波抑制方法,该方法通过对样本数据进行指数形式扩展, 减小均匀圆形天线机载雷达杂波的非均匀程度,提高统计型空时自适应处理(Space time adaptive processing, STAP)处理器的性能。仿真结果表明,该方法不仅明显好于局域处理和杂波距离依赖性补偿算法,而且也优于传统的基于导数更新法。 相似文献
6.
7.
8.
针对低信噪比下基于实数卷积神经网络(RV-CNN)的阵列波达方向(DOA)估计方法对接收信号幅相特征提取不充分的问题,引入复数卷积神经网络(CV-CNN)进行DOA估计。为进一步提高分类准确率,构建了一种基于复数卷积神经网络的非对称双通道DOA估计模型(CV-DCNN)。该模型以阵列接收信号的复数协方差矩阵作为输入,分别输入由空洞卷积层组成的第一通道和由标准卷积层组成的第二通道中,其中空洞卷积在不损失角度信息的情况下,增大特征图的感受野。通过复数卷积神经网络(CV-CNN)独有的复数卷积方式提取和融合信号的幅值和相位特征,将双通道提取的特征融合后通过全连接层和sigmoid函数实现角度分类结果输出。实验结果表明,CV-CNN比RV-CNN有更快的收敛速度,在低信噪比和少快拍条件下,CV-CNN比RV-CNN有更高的估计精度,而CV-DCNN比CV-CNN在收敛速度和估计精度上又有了进一步的提升。 相似文献
9.
该文研究三通道合成孔径雷达(SAR)在通道不平衡条件下的慢动目标检测、定位问题。实际系统中,由于雷达系统存在通道幅相不一致等误差,干涉SAR/GMTI技术的杂波抑制性能急剧下降,无法检测慢动目标并进行定位。本文提出了一种分块SAR图像通道误差校正算法,进而采用空域自适应处理对慢动目标进行检测及定位。仿真实验表明该方案对系统误差的敏感度显著下降,具有很好的鲁棒性,非常适合实际工程实施。 相似文献
10.