基于方位距离的鱼雷目标声成像方法仿真研究

通过鱼雷自导系统提取目标的本质特征,构建目标的伪图像,确定目标的要害部位,达到最有效摧毁目标的目的.采用了正交解调、数字多波束的研究方法,得到了目标的方位和距离信息,在此基础上形成了基于方位距离鱼雷目标的伪图像,其成像原理新颖,成像算法易于实现.仿真研究表明,该方法可以获得良好的目标伪图像,为鱼雷识别目标的关键部位,并对其实施精确打击奠定技术基础.     

FMCW毫米波雷达高分辨率目标距离像及其处理

在毫米波照射下,目标回波可模型化为多个散射中心回波的合成;宽带线性调频连续波(LFMCW)工作体制可以获得目标多散射中心在雷达径向距离轴上的投影分布,即高距离分辨率目标距离像(high range resolution range profile);综合利用距离像所提供的目标多散射中心空间分布和截面积信息,可以改善信号检测和跟踪性能,并完成目标识别。     

基于一种最优核鉴别矢量集的雷达目标识别

基于高分辨距离像的雷达目标识别的关键是如何提取距离像的有效鉴别特征.通过分析核Fisher准则函数下核类内散布矩阵的零空间信息与非零空间信息对识别的贡献,基于同构映射思想,求解出一组最优鉴别矢量集,用于提取距离像的鉴别特征.同时,给出一种快速算法,用较少的训练样本表达投影方向,加快了鉴别特征的提取速度.基于外场实测数据的实验证明了方法的有效性.     

基于距离像时频非负稀疏编码的SAR目标识别

提出了一种基于目标高分辨距离像时频域非负稀疏编码的合成孔径雷达(synthetic aperture radar,SAR)目标识别方法。首先,将目标的SAR复图像转换为高分辨距离像。然后,采用自适应高斯基表示方法计算每个距离像的非负时频矩阵。其次,对训练目标所有距离像的时频矩阵采用非负稀疏编码方法学习时频字典。在目标识别中,通过将每个距离像的时频矩阵投影到低维的时频字典上来提取特征矢量。最后,在提取特征矢量的基础上,通过支撑向量机目标识别决策实现目标识别。采用美国“运动和静止目标获取与识别计划”公开发布的SAR图像数据库进行算法验证实验。实验结果说明了提出方法的有效性。     

基于时间-距离-多普勒像的编队目标架次检测

针对实际编队目标在距离上的分布特性和目标多普勒频率的变化规律，利用联合时频变换代替传统傅立叶变换，建立目标时间-距离-多普勒立体像，提出一种基于立体像的目标架次检测方法。该方法不仅能给出清晰的瞬时距离-多普勒像，而且能反映目标距离-多普勒像的时间演变特性，较好地解决了目标在距离上的分布和多普勒像的模糊。实测回波数据验证了该方法的有效性，成功地实现了4架编队飞机目标的架次检测。     

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。     

双基地雷达系统中的高分辨距离像

采取宽带发射信号,双基地雷达系统获取的目标一维高分辨距离像与单基地雷达下的距离像存在很大差别。首先从回波信号的相位出发,建立了双基地雷达回波信号模型。分析了双基地雷达系统中距离像的特点,并给出了对运动目标双基地距离像的补偿因子。分析了对多散射中心目标的双基地距离像与单基地距离像之间的关系,最后对双基地距离像进行了仿真。所提出的结论为多基地雷达系统利用多站同时获取的双基地距离像构造目标散射点三维结构图奠定了基础。     

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。     

基于方位弯折的高分辨距离像雷达目标识别

针对高分辨雷达距离像的方位敏感性问题,将应用于语音处理的动态时间弯折技术引入高分辨距离像雷达目标识别领域,提出了一种动态方位弯折技术,该技术通过将测试数据与模板特征序列进行非线性伸缩(弯折),获得测试帧与模板之间最小匹配距离对应的最佳匹配路径,实现对测试数据的目标识别。对ISAR实测飞机数据的分类实验及与模板匹配法和RBF识别方法的比较,获得了良好的识别结果,表明了该方法的可行性和有效性。     

基于图像描述技术的飞机目标架次判别方法

利用图像描述技术对非相参回波信号波形作了一定的分析,提取出反映飞机目标不同机型(大、小)和不同编队(架次)可资分类识别的图像特征信息。采用极大极小模糊神经网络对提取出的特征进行了训练和分类识别试验,验证了图像特征信息的有效性。结果表明,基于图像描述技术的架次判别方法,为解决常规非相参雷达编队飞机目标架次判别问题提供了一条新的途径。     

空中目标编队自动分析挖掘算法

针对战场态势数据分析与规律知识挖掘需求，基于掌握的战场目标历史活动信息，分析目标间深层次关联特征，运用Prim算法和模板匹配思想构建目标关联性研判、目标编队自动提取以及编队特征匹配识别模型，提出了一种快速实用的空中目标编队自动分析挖掘算法。通过若干案例仿真验证了该算法模型的可行性和有效性。所提算法能够快速有效地从海量历史活动数据中挖掘出存在关联性的目标编队，给出目标关联可信度，能够对目标间关联关系、编队类型等编队特征进行有效识别，并且该算法计算量小，易于工程实现。     

极化毫米波雷达目标识别方法的研究

本文针对毫米波雷达距离像识别这一应用背景,提出了一种应用极化信息使距离像幅值趋于平稳,用神经学习来提取距离像角不变特征的模式识别新方法;其特点是通过极化处理减弱斑纹可增强对目标的确认,经神经学习获取的子类型特征与常规方法相比载有更多信息因而识别率高;实验结果证明了该方法的有效性.     

雷达高距离分辨率一维像目标识别

随着雷达技术的快速发展和军事应用的迫切需求,目标识别问题日益受到重视,利用高分辨率雷达一维距离像进行目标识别成为雷达和信号处理领域的一个研究热点。雷达目标一维距离像能够反映目标形状及结构特征,而且易于获取,迄今为止采用一维距离像进行非合作目标识别已经取得了丰富的研究成果。总结了近年来研究的基于目标一维距离像的特征提取方法、分类方法和联合跟踪与识别方法,分析了当前研究中亟需解决的关键问题,探讨了这些问题的可能解决思路和发展方向。     

量测点迹空间聚类的多传感器多帧检测算法

针对强干扰环境下微弱目标检测算法运算复杂度高、虚假目标数量多等问题, 利用目标量测点迹在多传感器之间的分布特性及目标能量的可累加性, 提出一种量测点迹聚类的多帧检测算法。该算法首先利用同源检测对多传感的器量测点迹的有效性进行判断，实现杂波/噪声剔除；其次在空间和时间两个维度对目标的能量进行积累实现微弱目标检测。仿真结果和性能分析表明, 该算法能够大幅降低运算复杂度, 提高虚假目标的抑制能力, 并能够提升微弱目标的检测概率, 验证了该算法的有效性和工程的可行性。     

多极化多特征融合的雷达目标识别研究

雷达多极化组合态距离像与单极化组合态距离像相比包含了更多的目标信息,因此也具有更强的目标鉴别能力;而距离像不同的特征同样包含了具有一定差异的鉴别信息,可以用来提高距离像的总体识别能力。基于D-S证据理论将多极化信息和六种常用的距离像特征信息有效融合起来,获得了较高的识别率,基于仿真数据的实验验证了结论的正确性。     

基于两次异常检测的雷达HRRP杂波稳健目标识别方法

对地目标识别中,目标回波中将不可避免的含有大量杂波,严重影响识别性能。针对该问题,提出了杂波稳健识别方法,该方法首先采用基于球形假设聚类的异常检测方法,完成小簇杂波的抑制;然后利用参数非依赖局部异常因子异常检测法对剩余散射点进行异常检测,完成点杂波的抑制;最后利用杂波抑制后的高分辨距离像进行特征提取和目标识别。本文方法对目标是否运动无要求,算法涉及参数不需要人为设定。实测数据验证表明,所提方法的识别率优于传统方法,随着信杂噪比降低识别性能稳健,且运算量较小。     

基于高斯混合EM聚类的多编队航迹起始方法

针对现有航迹起始方法难以对编队目标进行有效航迹起始的问题,在Hough变换法及其衍生算法基础上,提出基于Hough变换和高斯混合最大期望(expactation maximazation,EM)聚类的多编队目标航迹起始方法。该方法首先利用量测数据的时序信息和目标的运动参数进行筛选,剔除大量虚假量测;再对筛选后的量测数据进行Hough变换,得到初步航迹信息;然后利用相异度矩阵对所得航迹进行预聚类,完成聚类中心初始化;最后进行高斯混合EM聚类,得到聚类结果。仿真结果表明,与Hough变换法及其衍生算法相比,该方法能够快速有效地起始编队目标的航迹,解决了目标密集带来的航迹起始混乱问题。     

多域作战下的群目标意图识别与预测

多域作战具有实体多类、队形多变、意图多样等诸多挑战，难以综合利用多元知识，因而主要依靠人工判决，以至于自动化水平不高。为了实现计算机自动推演态势，需要解决知识的图形化建模和意图推理综合两大难题。对此，在空海域管控知识图谱的基础上，搭建了多域作战战术规则库、编队队形与场景态势的映射关系，提出了基于多实体分层贝叶斯网络的群目标意图识别与预测方法。首先，运用群内目标实体的状态和事件信息，构建目标作战实体行为推理层。其次，利用综合作战实体的时序规则、双方相对距离及航向等信息，构建同类目标元意图推理层。最后，利用实体序列协作关系及编队队形信息，构建多域作战下的群目标总意图推理层。以航母群活动仿真数据为例，验证了所提算法能够获得较为可靠的意图推理结果。     

基于区间数聚类的目标分群算法

针对态势认知中目标数量多、信息不确定、数据不精确等问题, 提出一种基于区间数聚类的目标分群算法。首先, 考虑到传感器测量数据具有误差且数据不完全等因素, 采用区间数对传感器探测到的目标进行特征描述。然后, 为有效利用区间数信息定义了一种新的距离度量, 并给出了改进的区间数聚类目标分群算法。最后, 构造4类相互独立的区间数据集, 对区间数据进行分类测试, 并通过典型想定场景设定多类目标实体, 基于目标空间位置、运动特征和属性等要素进行空间分群和任务分群。仿真结果验证了算法能够有效对目标进行分群, 具有较强的稳定性。     

基于正则变换的雷达目标成像识别

本文提出一种基于正则变换的雷达目标成像识别方法。该方法首先将各个训练目标在不同方位角时的距离剖面像构成综合矩阵，并对之作正则变换建立正则子空间；然后将每类目标各方位的像向该子空间投影形成子像，并以其平均结果作为库目标的特征矢量。对未知目标，以其子像对库目标特征矢量的欧氏距离最小为分类准则，进行了识别模拟实验。