超宽带雷达目标回波建模

根据复杂目标在超宽带信号照射下的电磁散射特性 ,建立起超宽带雷达目标合理的冲击响应模型 ,并分别针对线性调频、冲击、二相编码无载波等三种典型超宽带雷达信号 ,确定了给定目标的回波特征 ,对回波相关处理的结果表明 ,其输出能反映出目标特征 ,有利于雷达目标的识别。     

基于子像空间的雷达目标一维距离像识别

提出了一种基于子像空间的雷达目标一维距离像识别方法。该方法一方面通过建立目标子像空间,改善了对输入目标为库属目标的识别率;另一方面基于假设检验理论,在分类判决中引入判决门限,能够有效地对库属目标和非库属目标进行判别。模拟实验结果表明该方法的有效性。     

基于时间谱信息的低分辨雷达飞机目标分类

雷达目标空间状态随时间的变化特性从侧面揭示了的目标的本质,这种目标空间状态随时间呈现的分布特性称之为目标的时间谱,而利用目标的时谱信息(目标的航迹、速度、机动性、空间坐标信息)可以简化(或缩小)待识别目标的范围。用低分辨雷达测量得到的时间谱信息作为特征,采用模糊逻辑规则对五类飞机目标进行分类判决。结果表明:基于时间谱信息的飞机目标分类为低分辨雷达飞机目标识别提供了一个有效的辅助手段。     

时变海面舰船目标动态雷达特征信号模型

提出了一种时变海面舰船目标动态雷达特征信号的仿真方法。建立了海面舰船目标雷达回波多径效应模型、二维动态粗糙海面的时变复反射系数模型和动态海面舰船运动的水动力模型,并同目标电磁散射计算的高频方法相结合,形成了时变海面舰船目标动态雷达特征信号仿真模型。利用海面浮球的测量数据对模型进行了验证,并对典型舰船目标的动态雷达特征信号进行了仿真和分析。     

基于雷达图表示的多维数据可视化分类方法

傅立叶描述子是分析和识别物体形状的重要方法之一.基于雷达图表示多维数据的原理,提出了一种利用傅立叶描述子识别雷达图形的可视化数据分类新方法.该方法采用多元统计中的雷达图表示多维数据,不同模式类别的多维数据构成不同形状的雷达图多边形.在此基础上,给出基于极半径函数的傅立叶描述子来描述和识别雷达图的边界曲线特征.运用概率神经网络,以傅立叶描述子为输入特征向量完成自动识别雷达图形.实验结果表明这种分类方法有良好的分类精度,可与传统分类器性能相比.     

一种基于稀疏重构的多视角MIMO雷达关联成像算法研究

为改善复杂目标的成像表现、提升雷达图像的视觉效果,提出一种基于稀疏重构的多视角多输入多输出(multiple input multiple output, MIMO)雷达关联成像方法,设计了多视角雷达散射面积(radar cross section, RCS)起伏的稀疏重构关联成像模型。所提算法能提高辐射场信号随机性,改善复杂目标雷达关联成像参考信号与回波之间相关性退化的情况,减小多视角RCS起伏对相关性的影响,提升多视角下的关联成像质量。最后,通过仿真验证了所提方法的有效性。     

目标电磁散射特征信号的统计复现

本文讨论了目标电磁散射特征信号的统计复现问题，提出了一种目标特征信号统计复现的新方法，该方法不但可用于目标雷达散射截面（ＲＣＳ）的统计复现，而且适用于目标其他电磁散射特征（如目标角闪烁等），因而可较好地解决目标特征信号统计复现等一类工程问题。     

一种基于相位补偿处理的积累检测器

主要针对宽带雷达下的距离扩展目标提出了一种基于相位补偿处理的能量积累检测器.现有的单脉冲扩展目标检测方法都是在包络检波或平方率检波后进行的,丢失了信号的相位信息,就不可避免的会造成检测性能的损失.从信号的相位分析入手,通过对目标信号的相位进行补偿处理,然后进行能量积累和CFAR检测,实现对扩展目标的检测.最后通过两个Monte Carlo仿真实验,将提出的方法与能量积累检测器作比较,发现在目标散射中心均匀分布及高斯白噪声的假设下,提出的方法有较好的检测性能.     

S变换在雷达目标识别中的应用

针对雷达目标回波的非平稳特性,推导了S变换及其实现算法,利用电磁场时域有限差分算法仿真了三种军用飞机的宽带散射信号,采用S变换对飞机目标的雷达回波进行时频分析,提取时频分布图的奇异值特征作为目标特征矢量,利用径向基函数神经网络对特征矢量进行训练和学习,最后对三种飞机做了分类识别,取得了很好的识别效果.     

虚拟极化自适应——一个通过极化-向量处理来提高雷达发现目标能力的方法

利用本文所述的抑制杂波与干扰的方法,可以极大地提高雷达接收机输入端的平均目标信号功率与平均无用信号功率之比。幅射的极化状态、目标后向散射场以及干扰场的作用,在本文称作收发天线极化状态虚拟自适应的技术中,都得到了考虑。这项技术可以用来补充频域与空域中的滤波技术。本文对于逻辑积型式的多凹口极化抑制滤波器的潜在优点给予了特别的注意。当要抑制的无用信号的极化状态不确定时,就可以应用这种滤波器。     

基于压缩感知的条带随机噪声雷达稀疏成像方法

将压缩感知理论与条带随机噪声雷达相结合,在假设场景目标稀疏的前提下,通过构造随机噪声的不同时延矩阵为稀疏变换矩阵以及通过构造随机噪声与部分单位阵的乘积为观测矩阵,提出了一种基于压缩感知的条带随机噪声雷达稀疏成像方法。该方法能在大幅减少回波信号采样数据量的前提下,准确重建出原始场景目标高分辨像。仿真结果证明了该方法的有效性与鲁棒性。     

基于特征的雷达目标机动检测算法综述

根据机动检测器所利用的信息不同,雷达目标机动检测算法可分为基于跟踪滤波器信息的机动检测和基于特征信号的机动检测两大类。首先分析了传感器特征信息与目标机动模式之间的关系,给出了基于特征的机动检测算法的3种分类方法,并以检测器所利用的特征信息为线索对机动检测算法做了详细的介绍,分析了各种算法的基本原理、假设条件和优缺点。     

沿直线运动的雷达目标在方位上的高分辨力

在空域监视过程中,有时希望对目标进行分类。在某种程度上,目标的分类,一般可以根据经典的雷达测量方法所测得的飞行轨迹来实现。下面介绍一种可以测量单个目标雷达横截面侧向变化的方法。在采用这种方法时,假定目标至少在几秒钟内按匀速直线飞行,并且能产生一个切向分量。由于飞行路线通常是直线的,而且采用雷达网观察目标,所以总是能得到切向分量。这样,上述的限制条件就不是很苛刻了。这种方法特别适用于电控扫描雷达。     

支持向量机在车辆目标识别中的应用

提出了利用支持向量机对战场侦察雷达目标回波信号进行处理,以实现对卡车、坦克等在地面运动的车辆目标进行分类识别的一种新算法。首先对雷达接收到的目标回波信号作频域分析,从中提取待分类目标信号的特征向量,然后利用所建立的支持向量机模型对目标信号作训练和识别,最后与经典谱分析和神经网络的方法作比较,并采用实际数据验证这种识别方法的有效性。     

基于ESPRIT矩阵束法的UWB雷达目标特征提取

提出了一种基于ESPRIT矩阵束法的UWB雷达目标特征提取方法,该方法把提取信号极点问题转化为求解矩阵束的广义特征值问题。理论分析和数值仿真结果表明,这种方法与传统的Prony算法相比有明显地改进,能有效地提取出目标回波信号的极点和留数,并对随机噪声具有良好的抑制作用。该方法特别适用于UWB雷达或其它高分辨率雷达的目标特征提取。     

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。     

基于独立分量分析的雷达目标识别方法

通过分析雷达距离像的数学模型,利用独立分量分析(independent component analysis,ICA)技术提取雷达距离像信号中的独立分量,并定义为独立基波形。将观测信号投影到几个峰度大的独立基波形上,得到的各个投影分量作为待识别的信号特征。由于独立基波形实际上对应了目标回波中的散射中心响应,使得通过该方法提取的特征不仅保持了独立性,而且还具有实际的物理意义。在此基础上,使用支持矢量机(support vectormachine,SVM)作为分类器,进行了仿真实验和对比实验,实验结果表明该方法是有效和可行的。     

基于观测值聚类的多雷达数据融合

根据多部雷达同一时刻对同一目标的观测值在空间呈团状的特征,运用模式识别理论中聚类的方法解决数据融合问题。采用一种改进的KNN算法对多雷达观测数据进行聚类,结合聚类中心和目标预测值,应用卡尔曼滤波器估计目标状态,从而实现多雷达数据融合。实验结果表明,这种方法是有效的。     

基于改进Dijkstra算法与时频域滤波的雷达目标识别

针对弹道中段雷达目标回波的微多普勒特征提取精准度不高导致目标识别率低的问题, 提出一种基于改进Dijkstra算法与时频域滤波相结合的雷达目标分类识别方法。该方法首先采取改进Dijkstra算法提取多分量回波信号中最强分量的瞬时多普勒特征, 然后利用时频域滤波方法滤除最强分量, 依次提取多分量信号的瞬时多普勒特征, 并将该特征应用于弹道中段雷达目标识别。仿真结果表明, 该方法适用于多种微动形式, 提取回波信号的微多普勒特征的精度更高, 对于弹道中段雷达目标平均识别率较高。     

基于散射中心的目标建模与识别

准光学区目标对高分辨探测信号的散射，表现出多散射中心。本文利用目标的这一物理特性，推导了相邻两个观测方位角上散射信号的近似比例关系，采用梅林变换重建了目标类模式，有效地克服了目标散射中心模型的参数敏感于观测方位角变化而带来的特征选择的困难。文中针对三种飞机目标（歼七、Ｂ５２、Ｍｉｇ２７）进行了识别实验研究，结果表明了本文所提出的目标识别方法是有效可行的。