基于多散射中心模型的雷达目标识别方法

针对宽带毫米波雷达目标识别要求 ,提出了一种基于目标光学区多散射中心模型进行目标匹配识别的新方法。该方法首先基于多散射中心理论建立待识别目标的模型、利用遗传算法的全局优化能力进行目标识别。与常规的全姿态角匹配识别方法比较 ,具有需要的存储量、计算量较少的特点。仿真试验验证了该算法的有效性。     

基于相干极化GTD模型的散射中心提取新方法

针对高分辨极化测量雷达体制,提出了一种基于相干极化几何绕射模型(GTD)的雷达目标散射中心提取新方法。首先建立了全极化测量条件下的相干极化GTD模型,并将MUSIC算法拓展用于高分辨雷达目标的全极化散射中心提取。该方法是一种极化和超分辨联合处理方法,它实现了对不同极化通道的散射中心数目、位置、类型、强度以及归一化相干极化散射矩阵的同时估计,同时还因充分利用了全极化信息,提高了各参数估计的精度。基于仿真和实测数据的实验结果验证了该方法的有效性。     

雷达目标散射中心模型反演及其在识别中的应用

提出了一种基于散射中心模型的距离像识别方法。首先采用稀疏空间网格上的宽带测量数据离线反演目标散射中心模型,再将从距离像中实时提取的一维散射中心特征与该散射中心模型的一维投影进行匹配完成在线识别。在散射中心模型反演中,提出了稳定散射中心的概念并基于此完成稀疏空间网格下的一维散射中心投影关联。在识别过程中,通过设计合适的匹配函数解决散射中心参数估计误差和模型误差造成的散射中心数目、幅度和位置不完全匹配问题。仿真实验表明,对于精度较高的模型,基于模型的识别方法与基于距离像模板的方法识别率相当,而在存储量和灵活性方面优势突出。     

雷达目标-维散射中心识别特征提取研究

针对雷达目标高分辨一维距离像在目标识别中存在计算量和存储量过大的问题,研究了基于一维散射中心的目标识别特征。在使用矩阵束法提取散射中心的基础上,定义了散射中心阶数、散射中心相对位置和中心矩三个平移不变特征用于目标识别,较好地描述了目标散射特性。三类目标外场实测数据的识别试验结果显示,相对于单一特征的目标识别,综合上述三个特征的识别不但能获得更好的目标识别率,而且识别结果对高斯白噪声不敏感。     

基于宽带极化纯度估计的极化测量定标修正

对扩展目标极化散射特性进行测量时,通常期望精确获得宽带高分辨条件下目标各散射中心的极化特征信息,但由于各极化分量散射的信号对测试系统的正交极化通道存在能量泄漏,会严重影响较弱的极化散射分量的测量准确性。基于极化散射测量定标原理与宽带高分辨极化测量表征模型,分析了干扰量的产生原因以及对散射中心测试结果的影响机理,提出了一种基于宽带正交极化纯度估计进而修正复杂目标极化测量结果的方法,并通过对金属球、金属二面角组合和类弹头金属模型3类典型目标的实测,验证了其有效性。     

基于线性调频步进信号的空间自旋目标时变三维成像方法

三维成像对空间目标测量、分类、识别等具有重要的意义。线性调频步进信号具有瞬时带宽较窄的特点,可获得较远的探测距离,在空间目标监视中具有优势。基于线性调频步进信号模型,提出了一种空间自旋目标时变三维成像的方法,并对由此产生的距离走动等问题进行了详细讨论。通过采用L型三天线雷达,首先分别获得各天线回波对应的高分辨距离像(high resolution range profile, HRRP)序列,然后利用Hough变换提取高分辨距离像序列中各个目标散射点的自旋运动特征,以获得各个散射点的自旋“轨迹”,最后通过对不同干涉平面内的高分辨距离像序列进行干涉处理,获得各散射点在每一慢时间时刻的空间方位向和俯仰向位置,结合高分辨距离像序列获得的距离向信息即可准确重构散射点的时变空间三维位置。仿真实验验证了文中自旋目标时变三维成像方法的有效性。     

基于距离像幅度信息和Boosting的目标识别研究

在基于高分辨雷达距离像的目标识别中,有研究者指出散射点的位置信息具有比幅度信息更好的鉴别能力。对此,将距离像各距离单元按照幅度大小进行重排,得到只保留散射点幅度信息而去除散射点位置信息的平移不变特征,它反映了目标的反射特性,并利用Boosting算法和支持矢量机(SVM)进行了分类试验。基于实测数据的仿真结果表明,散射点的幅度同样是一种重要的识别信息。     

基于全极化GTD模型的雷达目标二维散射中心提取

针对全极化二维GTD散射中心模型,首先提出一种二维极化线性变化(polarization linear variation PL)的ESPRIT算法(2D-PL-ESPRIT)用于提取雷达目标散射中心参数;其次,就2D-PL-ESPRIT算法提取目标散射中心的可行性进行了理论分析。相比通过多个单极化通道方法提取散射中心,2D-PL-ESPRIT算法可以有效提高参数估计精度,降低计算复杂度;相比二维极化并行(parallel polarization, PP)的全极化MUSIC方法(2D-PP-MUSIC),2D-PL-ESPRIT算法避免了复杂的二维谱峰搜索以及通过子空间正交方法判断散射类型的步骤,有效降低了运算量。之后,对三种算法进行了复乘计算量的比较以说明2D-PL-ESPRIT算法具有较高的运算效率。最后,通过仿真实验验证了2D-PL-ESPRIT方法用于全极化2D-GTD模型散射中心提取的有效性。     

空间微动目标极化欺骗式干扰信号合成方法

基于宽带逆合成孔径雷达原理,提出一种动态产生微动目标有源欺骗式干扰信号的合成方法。在多散射中心假目标模板中引入了目标全姿态运动模型、全极化散射模型,推导了与进动参数直接相关的微多普勒及姿态角表达式,建立了目标本地极化基到任意雷达极化基下的散射矩阵变换关系,基于瞬时姿态角动态生成了虚假的微动相位和极化散射调制因子,实现了距离或速度欺骗干扰。对进动假目标合成信号的时频分析和雷达成像结果表明,该方法可有效合成具有特定的微动效应、极化散射特性和结构特征的假目标信号。     

高分辨阶梯变频毫米波雷达目标信号仿真研究

首先分析了雷达目标一维距离像形成原理。针对高分辨阶梯变频毫米波雷达 ,将目标看成是由若干个可以单独分辨开的强散射中心组成。并具体分析了目标的散射中心模型、角运动模型及根据这些模型进行目标一维距离像仿真的方法。最后给出了一典型目标的仿真结果。     

基于复值HRRP CICA特征的多方位SAR目标识别

提出了一种基于雷达目标复距离像复值独立分量分析（complex independent component analysis, CICA）的合成孔径雷达（synthetic aperture radar, SAR）目标多方位散射特征提取和识别方法。根据雷达目标散射机理,将目标高分辨率复距离像建模为多个散射中心的复相干叠加。在分析复距离像的基础上,采用CICA方法实现了距离像中每个散射中心响应的分离。针对每个散射中心响应,利用高阶矩方法提取特征矢量。分类器基于隐马尔可夫模型（hidden Markov model, HMM）设计。采用美国运动和静止目标获取与识别（moving and stationary target acquistion and recognition, MSTAR）计划公开发布的目标实测数据进行算法实验,实验结果说明了提出方法具有较好的识别率。     

基于深度学习的HRRP识别姿态敏感性分析

特征提取是基于高分辨距离像(high resolution range profile,HRRP)的雷达目标识别的关键技术之一.传统人工提取特征的算法,仅利用浅层结构特征,无法有效解决姿态敏感性问题,从而限制了目标识别方法的泛化性.对此,提出一种基于深度学习的目标识别方法,并通过详细的姿态角性能测试分析了该方法的应用边...     

一种联合极化的距离瞬时多普勒ISAR成像方法

在传统的逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像中,基于Clean技术的距离瞬时多普勒ISAR成像能够有效地提取散射点中心,因此得到了广泛应用。相比于传统ISAR,极化逆合成孔径雷达(polarimetric inverse synthetic aperture radar, Pol ISAR)能够提供更丰富的信息。本文研究了一种联合极化的距离瞬时多普勒ISAR成像技术,该方法能够对多个极化通道进行联合距离瞬时多普勒成像处理,更准确地提取强散射点信息,减少目标数据量,使各极化通道信息得到有效的融合,同时也能进一步减弱噪声的影响,避免大量虚假点的产生。仿真数据验证了本文方法的有效性。     

基于Wishart距离和超像素的极化SAR图像车辆检测

针对极化合成孔径雷达(synthetic aperture radar, SAR)在城市区域复杂地物条件下的密集车辆目标检测问题, 提出了一种结合超像素分割和Wishart分类器的非监督目标检测方法。首先，根据不同地物的极化散射特征检测出建筑物。然后，利用不包含建筑物的Wishart分类器和超像素分割获得目标的形态信息。接着，利用包含建筑物的Wishart分类器获得目标中心点。最后，通过区域生长对二者进行信息融合并完成目标检测任务。基于X波段的机载极化SAR数据表明, 所提算法不仅可以对密集目标进行区分和定位, 并且目标形态保持完整; 相比于传统方法, 目标检测与虚警鉴别性能得到较大提升。     

基于卷积神经网络的海面目标全极化高分辨距离像识别技术

针对雷达目标全极化高分辨距离像(high resolution range profile, HRRP)提取可分性特征时, 利用全部距离单元作为度量尺度无法保留各距离单元具体特征的问题, 在综合利用4个极化通道的舰船目标HRRP信息时选择单个距离单元作为度量尺度。在此基础上, 提出基于Pauli分解, H、α、A、α₁分解和结构相似性参数的特征提取方法对目标极化散射矩阵进行特征提取, 并将提取得到的特征与基于卷积神经网络(convolutional neural network, CNN)的舰船目标HRRP识别方法结合, 利用改进残差结构CNN从极化特征中进一步提取深层可分性特征进行目标识别。实验结果表明, 所提方法能够保留目标全极化HRRP更多特征, 提高目标识别的准确率。     

基于改进正交匹配追踪算法的属性散射中心提取

属性散射中心模型是描述目标后向电磁散射特性的典型模型, 但其中传统的正交匹配追踪(orthogonal matching pursuit, OMP)算法提取模型时具有参数复杂度高、计算时间长等问题。对此提出一种基于稀疏字典的广义正交性的改进OMP算法, 快速定位模型位置参数值, 避免了正交匹配中的寻优过程, 从而降低算法的运算复杂度。通过对两类算法计算复杂度和计算精度进行多次蒙特卡罗实验比较得出,改进OMP算法提高了模型参数的估计精度与噪声鲁棒性, 且大幅降低了算法的运算复杂度, 相比于传统的OMP算法, 运算时间至少降低30%。     

基于改进MUSIC算法的散射中心参数提取及RCS重构

随着隐身技术的发展，雷达目标的边缘绕射等逐渐取代镜面散射成为主要的散射源，因此基于几何绕射理论（geometric theory of diffraction，GTD）的散射中心模型对隐身目标电磁散射特性的描述要比衰减指数和模型更为精确。显然，准确估计出GTD散射中心参数对刻画目标散射特性犹为重要。针对经典多重信号分类（multiple signal classification，MUSIC）法仅利用目标原始回波数据、参数估计精度不高这一问题，提出一种改进的MUSIC算法对散射参数估计提取。改进的MUSIC算法通过对原始回波数据取共轭，构建新的总协方差矩阵，有效利用了目标原始回波数据的共轭信息。仿真结果表明，与经典MUSIC算法相比，改进的MUSIC算法参数估计精度更高，雷达散射截面重构拟合程度更好，且运算量增加不大，可有效提取出隐身目标的散射中心。     

雷达高分辨距离像自适应角域划分方法

雷达高分辨距离像(radar high resolution range profile, HRRP)具有姿态敏感性的特点,一种有效的方法是分别对一组不发生散射点越距离单元走动角域范围内的HRRP样本进行处理。提出基于HRRP回波功率谱的顺序判别自适应分帧算法,通过对全局HRRP样本进行迭代搜索来确定数据划分边界,并自适应划分角域个数。所提方法依据散射点模型理论,考虑功率谱互相关系数变化规律,有效抑制了HRRP存在“距离像起伏剧烈”的样本。与自适应高斯分类器划分角域方法相比,所提方法在样本数据较小的情况下,仍可以有效地对目标进行角域划分。同时,与传统的利用互相关系数分帧方法和等间隔角域划分方法相比,所提方法可以有效降低识别运算量,减少识别算法处理时间,通过对3类舰船目标的仿真和3类民用船只的外场实测数据分析,表明所提方法是有效的。