双层三阶多项式拟合的弹道导弹发射点估计方法

发射点估计是炮位侦察校射雷达的重要任务之一。在仅利用雷达测量数据的情况下,先通过三阶函数拟合弹道导弹主动段时间-高度曲线估计导弹的绝对发射时刻,从而求得各个弹道轨迹点相对于绝对发射时刻的相对发射时间,然后再次利用三阶函数拟合主动段相对时间-水平位移,进而得到弹道导弹发射点估计结果。通过弹道导弹运动模型仿真具有一二级助推的弹道数据,并增加雷达观测误差,分析验证了所提方法的有效性和精确性。经测试,所提方法求解过程简单,对主动段弹道拟合准确,发射点估计精度达到0.6%以内,定位误差较传统方法降低了50%以上。     

一种基于卷积神经网络的LFM信号超低副瓣脉冲压缩方法(英文)北大核心CSCD

脉冲压缩技术是为了解决雷达探测威力与距离分辨力之间的矛盾而提出的。传统匹配滤波方法采用加汉明窗等窗函数的手段抑制脉冲压缩后的副瓣电平,但只能将压缩后的副瓣电平进行一定程度上的抑制,并且带来了不必要的主瓣展宽。近年来,基于卷积神经网络的信号处理技术被广泛应用于各个领域。文中提出了一种新的基于卷积神经网络的线性调频信号脉冲压缩方法,能够在获取近似理想脉冲压缩主瓣的同时,极大地抑制副瓣电平。该方法共由三个子网络组成,分为两个阶段进行。在第一个阶段,使用两个一维卷积神经网络分别从雷达回波信号的实数部分和虚数部分提取特征,并实现初步脉冲压缩;然后基于第一阶段子网络的输出,在第二阶段中利用含有一层隐藏层的子网络来完成脉冲压缩。通过仿真验证,与传统匹配滤波方法相比,该方法可以在获得极窄的脉冲压缩主瓣情况下将脉冲压缩副瓣电平抑制在-85 dB以下,方法有效性得到了充分验证。     

一种基于LSTM的弹丸长时间落点预测修正方法

针对炮位侦察校射雷达在弹丸上升段长时间预测落点偏差大的问题，文中提出了一种基于长短时记忆(LSTM)网络的弹丸长时间落点预测模型修正算法。针对训练样本少的问题，采用知识驱动和数据驱动相结合的双驱动方法，结合传统无迹卡尔曼滤波预测作为先验知识，利用LSTM网络对射向和侧向偏差量进行学习拟合构建误差模型，并利用误差模型对外推弹道进行射向和侧向修正。仿真验证表明：采用少量训练样本就可显著提升弹丸长时间落点预测的精度，落点预测射向精度提升55%,落点预测侧向精度提升85%～91%。     

基于恒模复值神经网络的正交相位编码集设计

文中研究了广泛应用于多输入多输出雷达系统中的正交相位编码集的设计问题，提出了一种基于复值神经网络的正交相位编码集设计方法。该方法将编码集设计视为非线性系统构建问题，通过最小化反映了编码集自相关和互相关性质的损失函数，在常模约束条件下对网络误差进行后向传播，从而通过网络训练获得具有良好相关性的正交相位编码集。通过与现有先进算法进行不同条件下的仿真对比，文中方法设计得到的正交相位编码集具有更好的相关特性，充分验证了本文所提方法的先进性。