杂波条件下利用一维卷积神经网络的认知雷达波形设计

针对单准则设计的波形难以满足雷达多状态和多任务的问题,提出了一种杂波条件下利用一维卷积神经网络的认知雷达波形设计(CRWD-1D-CNN)方法。首先,设定环境变量,并根据互信息准则和信干噪比准则来构建训练集和测试集;其次,根据数据集的一维数据形式和采样点数,设计一个包含3个卷积层、2个全连接层的1D-CNN模型;最后,使用训练集对1D-CNN模型进行训练,利用1D-CNN对一维数据之间非线性关系的学习能力来学习互信息准则和信干噪比准则,然后,使用训练后的1D-CNN生成波形。为衡量雷达综合性能,提出了一种目标最终识别率指标。实验结果表明,采用CRWD-1D-CNN方法设计的波形作为雷达发射信号时,与使用互信息准则生成的波形相比,雷达综合性能平均提升0.64%,与使用信干噪比准则生成的波形相比平均提升2.13%,证明了CRWD-1D-CNN方法可联合互信息准则和信干噪比准则,提高雷达综合性能。     

基于混合罚函数法的认知雷达波形设计

针对认知雷达发射波形的信杂噪比(SINR: Signal to Interference plus Noise Ratio) 往往需要大于一定阈值的问题, 在传统波形设计准则的基础上建立一种新的认知雷达波形发射系统模型。此模型以目标与回波间的互信息为目标函数, 以信杂噪比和能量作为约束条件, 通过混合罚函数法对模型求解, 最终获得认知雷达的最优波形。仿真实验证明, 该波形可以将波束能量分配给杂波响应较弱、目标响应较强的频段, 满足认知雷达对发射波形的要求, 从而解决了发射波形的SINR 阈值问题, 并最大化目标与回波间的互信息, 具有较强的应用性。     

部分发射天线损毁时 MIMO 雷达信号认知优化

针对电子战环境中多输入多输出(multiple input multiple output,MIMO)雷达部分发射天线遭受摧毁时目标检测问题,提出基于互信息量(mutual information,MI)准则的雷达感知天线状态并再次优化的算法.作为MIMO雷达信号优化设计方法之一,注水法能依据环境状况自适应分配发射信号功率,所提算法能提升分配功率的注水水位,降低天线损毁时目标脉冲响应与目标回波间互信息量损失,进而改善目标检测概率(target detection probability,TDP).仿真结果表明,低检测性能天线损毁时,当信噪比大于0 dB时采用所提方法能提升互信息量;高检测性能天线损毁时,采用所提算法能有效提升互信息量和目标检测概率.信噪比为20 dB时,互信息量提升4.96 nat;若以达到同一检测概率时所需信噪比的减少量表示性能增益,则检测概率为0.8时,性能增益为3.73 dB.     

干扰条件下基于互信息量准则的弹载雷达波形优化

弹载雷达发射波形设计在导弹制导系统中有着重要作用。为解决复杂电磁环境下,弹载雷达受到噪声、杂波和干扰影响导致目标探测性能降低的问题,基于互信息量（mutual information,MI）准则提出了一种新的同时存在噪声、杂波和电子干扰影响时的发射波形优化算法,通过拉格朗日乘子法得到最大化目标响应与雷达回波间互信息量的最优波形表达式,并利用一阶泰勒级数近似简化该表达式。仿真实验对比了不同杂波和压制干扰、不同发射能量约束下优化前后所获互信息量;结果表明,当平均功率限制为100 W时,相比于原始波形,采用优化信号情况下所获互信息量翻倍。优化发射波形能够通过优化信号的频域能量分布,主动避开干扰和杂波影响大的频率,使接收回波包含更多目标信息。     

基于双互信息准则的雷达自适应波形设计方法

自适应波形优化技术是认知雷达的关键技术之一,通过优化发射波形能够提高雷达系统性能.针对目标检测问题,在杂波环境下,提出一种基于双互信息优化准则的自适应波形优化方法.该方法同时以接收信号与目标冲激响应之间的互信息最大和接收信号与杂波冲激响应之间的互信息最小为优化准则,在发射信号能量有限的约束条件下,建立优化模型,通过最大边缘分配算法求解最优波形.仿真结果表明,相对于固定波形,所提方法优化发射波形能够提高目标检测性能.     

基于高分辨距离像的UWB雷达信号设计

根据目标冲激响应设计相应的雷达信号,可使回波能量最大化,从而提高检测性能.本文针对目标检测的超宽带雷达信号设计发射-接收联合优化的问题,提出基于相位编码的超宽带雷达波形优化方法.该方法充分发挥了雷达发射机的发射能力,即对于固定的发射机来说,以发射更大的能量来得到更大的输出信干噪比.首先针对目标高分辨率距离像的多相编码超宽带雷达信号设计,建立了信号设计优化计算的目标函数,提出了一种恒模共轭梯度(CM-CG)算法实现优化计算.最后仿真结果表明,该方法设计得到的多相编码雷达信号性能很好地逼近最优发射波形,该方法具有收敛速度快、运算量小的特点. 号,可使回波能量最大化,从而提高检测性能.本文针对目标检测的超宽带雷达信号设计发射一接收联合优化的问题,提出基于相位编码的超宽带雷达波形优化方法.该方法充分发挥了雷达发射机的发射能力,即对于固定的发射机来说,以发射更大的能量来得到更大的输出信干噪比.首先针对目标高分辨率距离像的多相编码超宽带雷达信号设计,建立了信号设计优化计算的目标函数,提出了一种恒模共轭梯度(CM-CG)算法实现优化计算.最后仿真结果表明,该方法设计得到的多相编码雷达信号性能很好地逼近最优发射波形,该方法具 收敛速度快、运算     

基于相位调制与OTRD的雷达波形设计

基于噪声与杂波背景下,雷达对微弱目标探测的波形优化问题,以最大化目标回波信干噪比(SINR)为准则,结合相位调制与最优发射接收波形优化方法(OTRD)的各自技术优势,在相位调制信号的基础上进行最优调幅,提出了一种基于相位调制与OTRD的综合雷达波形设计方法。通过仿真,得到了相较于前2种算法更大的SINR,特别在较强的杂波环境下,对低可探测目标的探测中,效果尤为明显,雷达的探测性能得到了显著提升。     

基于相位调制与OTRD的雷达波形设计

基于噪声与杂波背景下,雷达对微弱目标探测的波形优化问题,以最大化目标回波信干噪比(SINR)为准则,结合相位调制与最优发射接收波形优化方法(OTRD)的各自技术优势,在相位调制信号的基础上进行最优调幅,提出了一种基于相位调制与OTRD的综合雷达波形设计方法。通过仿真,得到了相较于前2种算法更大的SINR,特别在较强的杂波环境下,对低可探测目标的探测中,效果尤为明显,雷达的探测性能得到了显著提升。     

用于扩展目标检测的OFDM-MIMO雷达波形设计

为了检测扩展目标,该文提出一种已知统计特性的杂波和噪声背景下提高正交频率分集复用-多输入多输出(OFDM-MIMO)雷达检测性能的波形设计方法.利用扩展目标一维距离像的频率特性,基于匹配照射理论给出了雷达回波向量模型,在此基础上建立最大化检测信杂噪比的目标函数;通过交替迭代搜索获得优化发射波形和最优接收滤波器.仿真结果表明,经调制的OFDM-MIMO雷达发射波形具有稳健的抗杂波性能,可提高检测信杂噪比,改善OFDM-MIMO雷达检测性能.     

基于信噪杂比最大能量分配认知雷达波形设计

针对认知雷达信号处理中基于信噪杂比（SINR：Signal to Interference plus Noise Ratio）最优波形设计中因对拉格朗日乘子进行搜索而导致计算量大的问题, 提出一种基于信噪杂比最大能量分配方法。该方法通过离散化的能量进行合理分配, 获取回波的最大SINR, 从而得到认知雷达的最优发射波形。仿真实验表明, 基于信噪杂比最大能量分配方法与拉格朗日乘子算法获取的认知雷达最优波形相近, 但该方法因不需对乘子进行搜索而减少了计算量, 提高了计算速度。     

一种基于正交脉冲分集的ISAR欺骗干扰消除与识别方法

延时转发欺骗性干扰是针对逆合成孔径雷达(ISAR)成像的一种重要干扰方法,为了对抗干扰产生的假目标,提出一种基于正交脉冲分集的ISAR欺骗干扰识别与消除方法。首先建立了逆合成孔径雷达干扰信号模型,研究并给出了针对此干扰的正交脉冲设计应当满足的约束条件,通过设计一组半正交化的脉冲实现了对于延迟转发欺骗干扰的消除与识别。该方法通过对逆合成孔径雷达波形的正交化设计,可以检测并消除延时转发干扰产生的假目标,实现相应的逆合成孔径雷达抗干扰。最后通过仿真实验在20 dB的干信比条件下,产生了0.3倍峰值的旁瓣波形,并成功得到ISAR图像。同时在5 dB以上的高信噪比条件下,将文中方法与已有方法进行对比,ISAR图像的峰值信噪比提升了约5 dB,验证了所提方法的有效性。     

基于单频涡旋电磁波雷达的人体目标步态精细识别

现有基于传统平面电磁波雷达的人体目标识别技术能够实现对步态差异较大的人体目标的分类识别,但在步态精细识别方面面临较大困难。将涡旋电磁波雷达应用于人体步态识别中,尝试通过发射携带有轨道角动量的单频涡旋电磁波来增加雷达回波中的目标信息量,以提高人体步态精细识别能力。首先建立了人体目标的涡旋电磁波雷达回波模型,并仿真生成了3种步态下的回波数据集;然后通过将回波变换到基频,获得目标线多普勒和角多普勒混合信息并用时频图表征,最终将时频图输入到卷积神经网络模型中获得分类结果。仿真实验表明：相比于传统平面电磁波雷达,使用涡旋电磁波可以提升人体步态精细识别能力。     

基于宽窄带微多普勒融合的锥体目标三维重构

目标三维特征包含更为精细的结构和微动信息,以锥体弹头为研究对象,提出了一种基于宽、窄带混合体制雷达组网的锥体目标三维重构方法。首先建立锥体目标进动模型,详细分析了目标在不同体制雷达回波中的微多普勒调制特性,然后,使用改进的viterbi算法和最小二乘法对各散射中心的幅相信息进行提取和估计,并通过灰色关联度分析实现非理想散射中心的匹配。在此基础上,构建宽、窄带微多普勒信息融合方程组,解算出锥体目标的进动和结构参数,进而确定目标空间位置,实现三维重构。仿真结果表明,在信噪比为5dB情况下,目标的三维重构精度在91%左右。     

基于部分匹配的雷达回波信号检测

针对雷达回波信号检测中对整个回波信号全部匹配滤波需要较长时间及较多资源的问题,提出部分匹配滤波方法.将雷达接收机接收到的回波数据,以雷达发射的线性调频(LFM)脉冲信号的脉宽为长度,分成若干段,逐段匹配滤波,通过判决门限找到匹配结果中的信号峰值后,计算出目标反射回波的位置.运用Matlab对时宽带宽积为500的线性调频脉冲信号进行仿真,结果表明:该方法适用于信噪比高于-12 dB的信号的搜索定位;该方法既可减少处理时间,又能节省系统资源.     

基于深度卷积神经网络的弹道目标微动分类

针对传统弹道目标微动分类缺乏智能性及噪声条件下分类性能差的问题,利用深度学习的高维特征泛化学习能力,提出一种将深度卷积神经网络用于弹道目标微动分类的方法。首先,在建立弹道目标微动模型的基础上,分析3种微动形式下的微多普勒表示,并生成雷达回波信号的时频图,作为训练、验证及测试的数据集;然后,运用深度卷积神经网络中的迁移学习对AlexNet和GoogLeNet进行再训练;最后,利用训练后的网络实现3种微动形式下的目标分类,并研究信噪比对分类性能的影响。仿真结果表明,与传统的微动目标分类方法相比,该方法不仅智能化程度高,而且在低信噪比条件下分类准确性更强。