基于贝叶斯估计的高精度ISAR成像

基于贝叶斯估计原理,提出了一种贝叶斯逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像算法。基于最大后验概率准则建立ISAR成像模型,利用回波数据进行统计参数估计,以实现ISAR成像的自适应表征,从而提高ISAR成像的精度。特别是运动误差相位估计和ISAR图像的重构通过求解最优化问题实现,而未考虑误差相位的具体形式,具有较高的鲁棒性。此外,本文方法在低信噪比 (signal-to-noise ratio, SNR)条件下,可以取得良好的聚焦效果,具有较好的噪声抑制能力。最后,贝叶斯估计问题转换为最优化问题进行求解,利用快速傅里叶变换及其逆变换（fast Fourier transform/inversed fast Fourier transform, FFT/IFFT）和矩阵对应点乘（Hadamard乘积）操作,有效提高该算法的效率。基于实测数据的实验验证了本文算法的有效性。     

基于加权l1范数优化的双基地ISAR稀疏成像算法

针对低信噪比条件下实现双基地逆合成孔径雷达(inverse synthetic aperture radar, ISAR)稀疏孔径成像时重构质量较差的问题, 提出了一种基于加权l₁范数优化的高分辨成像算法。首先, 假设各像元稀疏非同分布, 利用贝叶斯准则和最大后验概率估计将双基地ISAR稀疏孔径成像问题转化为加权l₁范数约束问题, 建立成像模型; 然后, 利用柯西-牛顿算法进行加权l₁范数约束最优化问题的求解, 实现目标图像重构。由于假设各像元独立非同分布, 故通过像元加权的方式更好地利用了目标的能量聚集和结构特性, 提高了成像质量。最后, 仿真实验验证了算法的有效性和优越性。     

基于扩展距离像序列的ISAR成像相位补偿方法

逆合成孔径雷达（inverse synthetic aperture radar, ISAR）相位补偿算法对成像结果具有重要影响。首先从ISAR成像原理出发推导了相位误差产生原因,针对多普勒中心跟踪法,分析了横向交叉项对多普勒中心的影响,采用CLEAN算法分离了距离单元内强散射中心簇,构建了扩展距离像序列,提出了基于扩展距离像序列的相位补偿方法,有效地减小了横向交叉项对多普勒中心的影响,提高了相位误差估计精度。成像结果表明,该方法能够较好地补偿ISAR成像中的相位误差,噪声环境下优于其他方法。     

基于乘积型高阶相位函数的复杂运动目标ISAR成像

在逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像中,当目标存在非匀速转动甚至是三维转动时,散射点回波中高次相位项造成方位聚焦质量下降,基于目标匀速旋转模型的传统距离〖CD*2〗多普勒(range Doppler, RD)算法已经无法获得目标的清晰图像。提出了一种基于乘积型高阶相位函数(product high order phase function, PHPF)的瞬时成像方法。通过构造不同的乘积型高阶相位函数,并对其进行一维搜索即可得到调频率变化率和调频率值的估计,补偿高次相位后进行快速傅里叶变换(fast Fourier transform, FFT),根据幅度最大的位置估计中心频率和幅度信息,在距离〖CD*2〗频率平面和距离〖CD*2〗调频率平面对目标进行瞬时成像,可以获取更多的目标信息。最后,实测数据成像结果验证了该方法的有效性。     

联合运动补偿的逆合成孔径雷达成像方位定标方法

在雷达识别系统中,确定目标的尺寸对于提高目标识别能力具有重要的意义。针对逆合成孔径雷达（inverse synthetic aperture radar, ISAR）成像的定标问题,考虑了等效转台和残余平动引入的相位误差,提出了一种ISAR目标有效转动速度估计的新方法。通过在距离多普勒图像中自适应提取若干目标特征点,对其建立时变自回归模型（time varying autoregressive, TVAR）。利用多项式拟合极点的多普勒历程,解算有效转动速度与残余相位误差系数。该方法不仅能可靠实现方位定标,残余的相位误差补偿可进一步提高图像的聚焦性能。仿真和实测数据实验验证了所提方法的有效性。     

基于Beta过程的高分辨ISAR成像

对于高信噪比、完整回波、目标平稳运动等理想观测环境,现有成像技术已经较为成熟,可以获得聚焦良好的高分辨逆合成孔径雷达(inverse synthetic aperture radar, ISAR)像。但在实际中的方位回波缺损与低信噪比观测情况下,随机相位误差等因素会降低现有成像算法的性能甚至使其失效。本文首先建立了ISAR稀疏观测模型,并基于稀疏贝叶斯学习理论,通过引入Beta过程非参数先验构建层级概率模型,进而交替利用Gibbs采样及最大似然方法对ISAR像及随机相位误差进行估计。实验结果表明,所提方法在低信噪比、回波缺损等复杂观测环境下能够获得聚焦良好的ISAR图像。     

双层稀疏贝叶斯学习ISAR超分辨成像算法

传统贝叶斯成像常采用拉普拉斯分布进行成像特征表征，易使得成像结果过稀疏而容易丢失部分弱散射的结构特征，进而影响逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像精度提升。为实现高精度ISAR超分辨成像，本文采用伯努利-拉普拉斯混合稀疏先验对目标统计特性进行概率建模，利用双层稀疏对目标先验进行统计约束，从而有效模拟目标散射场统计先验。并在贝叶斯层级模型下，通过引入隐变量建模的方式对先验进行分层构建，在解决先验分布与高斯似然函数不共轭问题的同时简化贝叶斯推断，降低模型复杂度。为避免繁琐的手动参数调整，实现超参数的自调节，本文对各随机变量建立条件概率依赖模型，并利用马尔可夫链蒙特卡罗随机模拟估计算法解决高维积分和后验分布难以求解的问题，实现相关超参数的统计估计，提升算法自学习能力。仿真和实测数据均证明本文所提方法具有有效性和优越性。     

基于随机阵列的NUFFT BP三维快速成像

传统的二维实阵列用于三维微波成像时,需要相对较高的脉冲重复频率才能切换发射阵元。针对这种情况,利用随机阵列来实现三维成像,目的是有效降低脉冲重复频率。进一步提出利用等效相位中心原理来实现任意随机阵列布局的可行性方案。然后,基于随机阵列,发现使用非均匀快速傅里叶变换(nonuniform fast Fourier transform,NUFFT)来实现后向投影(back projection,BP)算法的插值过程,能够用较少的运算量实现BP算法的高精度插值。最后,结合并行处理技术来实现NUFFT BP算法,结果使得BP算法的执行效率得到显著提高。     

基于Laplace先验的复贝叶斯压缩感知ISAR高分辨成像算法

针对传统方法相位校正后存在残余相位误差导致图像散焦的问题,提出基于Laplace先验的复贝叶斯压缩感知(complex Bayesian compressed sensing,CBCS)逆合成孔径雷达高分辨成像算法。首先,假设目标图像各像元服从Laplace先验,建立稀疏先验模型;然后,把相位误差作为模型误差,利用BCS理论通过迭代交替求得目标图像并实现相位误差更新。该算法直接在复数域进行贝叶斯推理求解,避免了传统方法中将复数转换为实数处理所带来的运算复杂度高、自聚焦效果不强的问题。另外,在求解过程中采用分布式计算方法,与传统的矩阵矢量化求解方法相比,进一步提高了运算效率,仿真实验验证了算法的有效性。     

高阶运动目标的长时间相参积累算法

针对具有任意阶运动的目标的长时间相参积累问题,提出一种基于多维非均匀快速傅里叶变换(non-uniform fast Fourier transform, NUFFT)的长时间相参积累算法。该算法先在快时间频域沿慢时间维利用多维NUFFT实现运动补偿,然后通过快速傅里叶逆变换(inverse fast Fourier transform, IFFT)最终实现相参积累。该算法积累性能接近理论最优且计算量小于已有算法。特别地,对于具有加加速度的运动目标进一步提出基于Wigner NUFFT的相参积累算法,该算法相比多维NUFFT,计算量大大减小,但对积累前单个脉冲的信噪比提出更高要求。仿真结果证明了所提算法的有效性。     

认知雷达中基于Q学习的自适应波形选择算法

自适应波形选择器是认知雷达中智能发射器的重要组成部分。有效的波形选择能够在不同的环境下选择发射最优的波形序列,从而以更高的精度追踪目标。针对雷达目标转移概率未知这一特点,把自适应波形选择问题建模为随机动态规划模型,提出应用Q学习的方法来解决这个问题。仿真结果说明,该算法接近于最优波形选择方案,并且状态估计的不确定性低于固定波形。     

ISAR成像系统的二维资源自适应调度算法

现有认知雷达成像系统的资源调度策略只从距离向(或波形设计)或者方位向一个维度进行资源调度,没有充分分配和利用雷达系统资源,为此提出了一种针对步进频率逆合成孔径雷达成像系统的二维资源自适应调度算法,来进一步提高雷达系统的工作效率。该算法在对目标特征认知的基础上,根据压缩感知原理,计算对目标二维稀疏观测所需脉冲资源,依据二维资源调度模型,自适应分配二维脉冲资源,实现对多目标的交替稀疏观测成像。最后通过仿真验证了算法的可行性并与常规算法相比在资源饱和的情况下,可以执行更多的成像任务。     

基于波形特征的外辐射源雷达杂波抑制算法

在正交频分复用(orthogonal frequency division multiplexing,OFDM)波形外辐射源雷达系统中,相对于直达波和多径回波,目标回波的功率要微弱许多,因此多径杂波抑制是此雷达信号处理的一项关键技术。许多时域自适应滤波算法被用来抑制直达波和多径回波,但往往存在滤波器阶数过多,或计算负担过高的问题。基于OFDM波形的多载波调制特性,提出了分载波自适应滤波算法,相比于常规时域自适应滤波算法,能够有效降低滤波器阶数和计算复杂度,简单且高效。以基于OFDM调制原理的数字调幅广播外辐射源雷达为例,详细介绍了分载波递归最小二乘和分载波归一化最小均方算法的自适应滤波原理和过程,并基于仿真和实测数据分析比较了常规时域自适应滤波算法和分载波自适应滤波算法的性能差异。     

相控阵雷达波束波形联合自适应调度算法

针对多功能相控阵雷达,提出了一种波束和波形的联合自适应调度算法。首先建立了联合调度的最优化模型,该模型根据当前时刻目标实际协方差与期望值的偏差代价以及所选波形的能量代价,来确定下一时刻相控阵雷达的最佳工作方式。对于多目标跟踪,分别给出协方差偏差均值和最大协方差偏差的两种偏差度量准则。所提出的算法可以依据最佳的调度方式来控制相控阵雷达下一时刻波束的工作模式以及相应的工作波形,使得对所有目标的跟踪偏差代价和资源消耗代价最小化。仿真结果表明本文所提出的算法可以在维持目标期望跟踪状态的条件下,有效地调度雷达的工作模式和波形。最后讨论了期望协方差阵的选取原则。     

认知雷达起伏目标检测

认知雷达通过对探测环境的感知实现对感兴趣目标的探测。考虑杂波和噪声中的起伏目标的认知雷达探测问题,建立从接收机到发射机的反馈支路,使得雷达与探测环境之间构成一个闭环;采用期望最大算法对探测环境中的目标参数进行估计;利用接收机获得的反馈信息,采用信杂噪比最大准则设计下一次迭代所需的发射波形。计算机仿真分析表明,采用了认知雷达闭环探测结构,可以有效增加探测环境信息获取的效率,因此相对于常规雷达而言,具有更好的探测能力。     

宽带相控阵雷达的设计准则与发展方向

宽带相控阵雷达是一种新型的成像雷达,在弹道导弹防御(BMD)中有着重要的应用。首先回顾了国外宽带成像雷达的发展,分析了宽带相控阵雷达的波形选择、子阵的选择及自适应波束形成的实现结构,并给出了有源固态宽带相控阵雷达宽带线性调频Stretch处理的信号处理组成框图,提出了宽带相控阵雷达的未来发展方向。所提的设计准则与给出的发展方向对未来弹道导弹防御雷达的研制有一定的参考意义。     

面向非协作多功能雷达的波形单元提取方法

针对当前波形单元提取技术难以应用于非协作多功能雷达(multi-function radar, MFR)实侦数据的问题, 构建了基于MFR多参数序列的二分类模型, 在此基础上提出了一种自适应确定输入参数的密度聚类算法进行分类。该方法无需依靠MFR波形库的先验知识, 采用无监督学习的方式提取波形单元。同时, 充分利用多参数间的联合变化和数据集的整体分布信息提高算法鲁棒性, 并通过引入输入参数λ可对不同用户需求调整算法性能。仿真实验表明, 该算法可以有效地提取非协作MFR波形单元, 同时能够适应测量误差和脉冲丢失的干扰, 具有良好的鲁棒性和准确性, 有利于实际工程应用。     

基于多观测向量块稀疏的MIMO雷达非理想正交波形成像

基于稀疏恢复的多输入多输出(multiple input multiple output, MIMO)雷达波形分离方法,能够代替匹配滤波,提高MIMO雷达非理想正交波形分离效果,对目标高分辨成像。但由于目标像稀疏性较弱,多观测向量(multiple measurement vector, MMV)稀疏恢复算法的效果有限。通过调整感知矩阵发掘目标像的块稀疏性,提出了一种基于块稀疏的MMV稀疏重构算法来提高成像质量。首先采用改进的复合三角函数(improved composite trigonometric function, ICTF)作为平滑函数近似l₀范数,然后将其扩展到基于块稀疏的MMV模型,最后通过自适应调整正则化参数提升算法稳健性。通过实验验证了该算法在不同稀疏度、不同信噪比下的重构性能,仿真分析了其应用于MIMO雷达对多散射点目标模型的成像效果。仿真结果表明,所提算法能够更好地提高成像质量。     

基于多观测向量块稀疏的MIMO雷达非理想正交波形成像

基于稀疏恢复的多输入多输出(multiple input multiple output, MIMO)雷达波形分离方法,能够代替匹配滤波,提高MIMO雷达非理想正交波形分离效果,对目标高分辨成像。但由于目标像稀疏性较弱,多观测向量(multiple measurement vector, MMV)稀疏恢复算法的效果有限。通过调整感知矩阵发掘目标像的块稀疏性,提出了一种基于块稀疏的MMV稀疏重构算法来提高成像质量。首先采用改进的复合三角函数(improved composite trigonometric function, ICTF)作为平滑函数近似l₀范数,然后将其扩展到基于块稀疏的MMV模型,最后通过自适应调整正则化参数提升算法稳健性。通过实验验证了该算法在不同稀疏度、不同信噪比下的重构性能,仿真分析了其应用于MIMO雷达对多散射点目标模型的成像效果。仿真结果表明,所提算法能够更好地提高成像质量。     

基于PSO-CNN的LPI雷达波形识别算法

低截获概率(low probability of intercept, LPI)雷达作为一种具有强抗干扰能力及低截获特性的新型雷达, 对其精准高效识别已成为雷达对抗一方波形识别的难点。针对该方向主流分类器卷积神经网络(convolution neural network, CNN)的结构智能寻优问题, 提出一种基于粒子群优化(particle swarm optimization, PSO)算法-CNN的波形识别算法。该算法利用PSO的寻优特性, 可实现较大范围内自动搭建不定层数、不定层类别及层内参数的CNN结构并进行迭代寻优; 采用识别精度及网络复杂度相结合的衡量指标, 可根据需求调整两者比重以实现对精度与轻量性的选择。该算法获取的CNN结构实现了比9种经典CNN结构更好的LPI雷达波形识别效果, 同时避免了波形识别时人工选定CNN超参数缺乏智能性、客观性的问题, 提高了选用CNN结构的适配性及高效性。