基于自注意力的双波段预警雷达微动融合识别

针对预警雷达对气动目标协同识别的需求，提出一种自适应权重双输入自注意力残差融合识别方法。通过分析不同波段雷达对气动目标的微动差异性，在传统卷积块注意力模块(convolutional block attention module, CBAM)残差网络的基础上进行针对性改进，设计加权双输入CBAM(weighted double input-CBAM, WDI-CBAM)残差结构，对两种波段的时频图浅层特征自动分配权重并融合，从而均衡不同波段对目标识别的贡献度。仿真和实测数据处理结果表明，WDI-CBAM残差网络训练代价小，在信噪比较低及驻留时间较短的情况下识别率高。可视化结果进一步证明了所提方法能够合理分配不同波段输入对气动目标分类的重要性。     

基于调制谱超分辨重构的微多普勒参数估计

调制谱间隔是气动目标识别的重要特征，在雷达波形资源受限的情况下存在估计精度差且噪声鲁棒性弱的问题。针对此问题，利用稀疏迭代协方差谱估计方法进行调制谱超分辨，根据调制谱谱线等间隔的原理提出用基频组功率累积占比表征基频谱，进而实现基频的超分辨估计。基于甚高频波段雷达的仿真和实测数据分析证明了该方法抗噪能力强，且在相参积累时间大于1.5倍微动周期、调制谱折叠、重频参差等场景下均可有效提高调制谱间隔参数估计准确率。