基于天底点的散射回波信号处理算法

针对基于速度选通雷达高度表在森林等纯散射地面无法工作的问题,在深入分析纯散射地面回波信号模型及回波功率分布特征的基础上,提出了基于天底点的散射回波信号处理算法.该算法通过检测天底点附近回波中的多普勒和相位信息,进行相应补偿后获取回波中的二相编码信息,对所得二相编码信号进行相关处理后通过检测其峰值实现高度测量.仿真结果表明,该算法能够有效解决雷达高度表在森林等纯散射地面无法工作问题.     

复杂目标雷达图像形成机理分析

合成孔径雷达(Synthetic Aperture Radar, SAR)图像包含了复杂目标重要的电磁散射特性,图像中的散射中心可以提供目标结构和散射点位置等重要的目标几何信息。定量分析SAR图像中散射中心分布和形成机理在目标探测和识别领域具有重要的理论意义和应用价值。本文选取典型复杂目标（航母和战车）,正向构建了目标散射中心参数化模型。在此基础上,对目标SAR图像中轮廓的形成机理和图像稳定性开展了定量分析,建立了图像中散射中心与散射部件间的良好映射关系,揭示了散射中心的形成机理,进一步分析了目标上随姿态稳定的散射中心与目标局部几何结构之间的联系。此外,针对实际应用中目标几何模型非理想光滑的情形,本文研究了目标表面几何粗糙对SAR图像的影响,目标表面合适的粗糙程度可以改进仿真图像的结果,形成更加清晰的目标轮廓;但若粗糙程度过大则难以客观反映实际模型的电磁特性。本文构建的散射中心模型与实测数据进行了比对,结果吻合良好。     

基于YOLO算法的探地雷达道路图像异常自动检测

探地雷达(ground-penetrating radar, GPR)是一种可用于道路内部异常目标识别的无损检测方法。GPR工作时往往产生海量的扫描数据,而数据解释是技术要求高、任务繁重的工作,通常需要人工完成。此外,道路内部的复杂性和异常目标的多样性增加了图像异常检测的难度。近年来,人工智能(artificial intelligence, AI)技术的快速发展为基于AI的探地雷达B-scan图像自动解释提供了可行的技术思路,常用的深度学习算法有RCNN(region-convolutional neural network)和YOLO(you only look once)。虽然YOLOv3在目标检测方面已经有了一定的成效,但YOLOv4的改进算法可以进一步提高检测能力。结合YOLOv3算法,对比研究分析YOLOv4目标检测算法的改进对于目标检测任务的影响,以及YOLOv4算法对探地雷达图像异常目标检测效率的提升能力。结果表明,YOLOv4的改进算法更适用于探地雷达异常目标的自动检测,经过训练后的YOLOv4网络模型满足探地雷达道路内部异常目标智能化检测需求,具有较强的实用价值。     

不同布局无人作战飞机电磁隐身性能分析

无人作战飞机是当前研究热点之一,为研究不同气动布局无人作战飞机的隐身性能,分别建立常规布局A、无尾飞翼布局B、三角形飞翼布局C的电磁模型。采用物理光学法,计算了不同状态的RCS（Radar Cross Section）散射曲线并分析了分布特点、频率及俯仰角响应特性。结果表明,无人作战飞机的电磁散射特性取决于气动布局和结构形式,也与机翼前后缘、机身、进气道、尾喷口、垂尾等细节设计相关,布局A在前后向均有散射波峰,而采用外形隐身技术的布局B、C无明显散射波峰;频率增加时,各布局不同角域RCS均值减小,布局C前向角域最低为-34.308 7 dBsm,俯仰角变化时,受布局结构外形设计影响,算术均值呈振荡变化;布局C在前、后向角域具有最好的多频隐身性能,布局B在前向角域的不同俯仰角隐身性能较好,布局A隐身性能较差。