雷达目标散射中心正向自动化建模方法研究与实现

为进一步优化散射中心参数化模型建模方法, 本文从目标的几何模型出发, 对复杂目标结构按几何面进行分区编号后, 进行散射中心模型的正向自动化建模。自动化方法主要实现了模型长度、位置等参数的自动推算。该方法实现了对目标散射来源、散射机理和散射中心模型参数的全自动判定, 提高了建模效率。首先对几何模型部件分解, 然后采用射线追踪与分集技术, 将目标散射场依照精度要求简化为部分射线贡献叠加, 并研究了散射中心模型参数的自动推算。最后本文计算了一系列散射中心参数化模型, 并与可靠数据对比, 验证了本文自动化建模方法的有效性。     

基于预分类的全极化HRRP模型匹配目标识别方法

全极化三维散射中心模型可准确描述目标的空间几何以及极化特征,已成为目标识别的有效手段之一。针对传统高分辨距离像的匹配算法计算量大、耗时长的不足,提出一种基于预分类的模型匹配目标识别方法,通过目标散射机理分析,对目标进行预分类,减小匹配模型数,然后利用全极化高分辨距离像的散射中心位置与极化信息构造模型匹配函数,实现了目标类别的判定。基于电磁仿真计算数据的识别实验表明,该方法具有良好的目标识别能力,相比于传统方法具有更高的识别正确率以及更低的存储量和计算量。     

基于电流相位特性的滑动散射中心建模方法

复杂流线型目标通常包含多个滑动型散射中心(sliding scattering center, SSC)。由于SSC位置随观测方位变化而改变, 采用现有的散射中心建模方法所获得的SSC属性参数精度受到雷达图像分辨率、多散射中心图像混叠和参数估计精度的限制。本文提出一种基于表面电流相位特性的散射中心建模方法。该方法基于全波法计算的稀疏采样角度下的表面等效电流数据, 通过驻相点自适应提取、电流分区, 实现目标散射中心的参数化建模。驻相点自适应提取可以精确确定散射中心位置, 电流分区计算可以避免多散射中心成分混叠造成的参数提取困难, 从而保证了散射中心的建模精度。本文以某导弹和飞机模型为例, 采用全波法和传统方法建模计算结果对使用该方法建模的效率和精度进行了验证。     

基于散射中心关联的三维成像方法

基于目标三维散射中心在雷达视线上的几何投影关系,提出了一种雷达目标散射中心关联和三维成像的新方法,采用随机抽样一致性方法实现了对关联样本有效性的检验以及对各散射中心最优关联方案的选取。仿真实验表明,该算法简单易行,适用于目标散射中心和姿态数目较多的情况,并可以对存在缺失点、虚假点等复杂情况的散射中心进行关联和三维成像,具有较高的鲁棒性。     

基于相干极化GTD模型的散射中心提取新方法

针对高分辨极化测量雷达体制,提出了一种基于相干极化几何绕射模型(GTD)的雷达目标散射中心提取新方法。首先建立了全极化测量条件下的相干极化GTD模型,并将MUSIC算法拓展用于高分辨雷达目标的全极化散射中心提取。该方法是一种极化和超分辨联合处理方法,它实现了对不同极化通道的散射中心数目、位置、类型、强度以及归一化相干极化散射矩阵的同时估计,同时还因充分利用了全极化信息,提高了各参数估计的精度。基于仿真和实测数据的实验结果验证了该方法的有效性。     

雷达目标-维散射中心识别特征提取研究

针对雷达目标高分辨一维距离像在目标识别中存在计算量和存储量过大的问题,研究了基于一维散射中心的目标识别特征。在使用矩阵束法提取散射中心的基础上,定义了散射中心阶数、散射中心相对位置和中心矩三个平移不变特征用于目标识别,较好地描述了目标散射特性。三类目标外场实测数据的识别试验结果显示,相对于单一特征的目标识别,综合上述三个特征的识别不但能获得更好的目标识别率,而且识别结果对高斯白噪声不敏感。     

基于改进MUSIC算法的散射中心参数提取及RCS重构

随着隐身技术的发展,雷达目标的边缘绕射等逐渐取代镜面散射成为主要的散射源,因此基于几何绕射理论（geometric theory of diffraction,GTD）的散射中心模型对隐身目标电磁散射特性的描述要比衰减指数和模型更为精确。显然,准确估计出GTD散射中心参数对刻画目标散射特性犹为重要。针对经典多重信号分类（multiple signal classification,MUSIC）法仅利用目标原始回波数据、参数估计精度不高这一问题,提出一种改进的MUSIC算法对散射参数估计提取。改进的MUSIC算法通过对原始回波数据取共轭,构建新的总协方差矩阵,有效利用了目标原始回波数据的共轭信息。仿真结果表明,与经典MUSIC算法相比,改进的MUSIC算法参数估计精度更高,雷达散射截面重构拟合程度更好,且运算量增加不大,可有效提取出隐身目标的散射中心。     

任意理想导电目标的NURBS曲面建模与RCS预估

少量的NURBS参数曲面足够描述任意目标的几何形状,通过Cox-De Boor变换算法可将任意NURBS曲面拆分为Bezier曲面。针对NURBS曲面目标模型,提出了非常适合于工程应用的目标电磁散射建模方法。该方法使用CAD软件(如UG等)进行复杂目标几何建模,通过其IGES接口传递模型数据;应用驻相法计算Bezier曲面上的物理光学(PO)散射场积分,快速、准确地获得任意复杂目标的RCS;讨论了NURBS曲面目标几何建模及其RCS计算中的关键技术。最后通过算例验证了理论算法和计算程序的有效性。     

多视角属性散射中心模型的部件提取与合成

传统的点散射中心模型只能表征目标的位置信息,无法表示目标的长度和角度,而属性散射中心模型表征了目标的几何特性。为了能得到目标的全方位部件信息,鉴于属性散射中心模型参数估计的缘故,提出基于属性散射中心的多视角参数化部件提取与合成算法。首先将大视角有重叠的划分为若干子视角,分别进行属性散射中心模型的参数估计,然后将各参数统一投影到同一坐标系下,再进行参数的融合,最终得到目标参数集。该算法得到的这套参数可以反演目标回波数据,提高图像可视性,进行目标识别与分类。最后用两个仿真实验验证了此算法的有效性。     

一种基于GTD模型的目标散射中心提取方法

随着隐身技术的发展,臆身目标的镜面散射已基本消除.边缘绕射等上升为主要散射源.用基于几何绕射理论的GTD模型取代以镜面散射为主的常规目标的指数和散射模型,来精确描述隐身目标的高频电磁散射特性.并且采用旋转不变技术(TIS_ESPRIT)替代多重信号分类(MUSIC)算法,精确估计目标散射中心的位置信息,避免了MUSIC算法用谱峰搜索提取参数的过程.并时TLS_ESPRIT算法进行了改进,有效降低其计算量.同时,利用特征分析法的信号与噪声子空间正交特性、二项式近似两种方法来提取散射中心的类型参数.仿真结果表明,该算法高效、精确、具有良好的分辨率,可以有效地提取以边缘绕射等为主要散射形式的臆身目标的散射中心.     

基于T-S模型的扩展型模糊神经网络及应用

针对基于T-S模型的模糊神经网络的局部逼近缺陷,提出了一种基于T-S模型的扩展型模糊神经网络,从训练样本特性和网络结构两个方面来提高网络模型的泛化能力.利用先验知识和模糊推理的方法对样本集进行分析和分类处理,使样本集更加规范;并采用模糊规则推理动态调整正则项系数的方法来减小网络结构.仿真结果表明,所提出的网络具有更快的收敛速度和良好的泛化能力.     

基于RBF网络的虚拟仪表人机界面评价方法

提出了基于RBF网络的虚拟仪表人机界面主观评价方法和评价指标。利用RBF网络的自组织、自学习与自适应特性对网络进行训练,使网络学习隐含在训练数据中的人机界面主观评价指标的权重规律,自适应调整主观评价指标的权重,克服了主观赋权法的随机性因素影响。建立了虚拟光柱表人机界面,开发了基于RBF网络的虚拟光柱表人机界面主观评价模型;对训练样本数为50,75和100的三组虚拟仪表网络模型进行了误差分析。分析结果表明,采用75个训练样本可以得到满意的主观评价精度。     

基于神经网络的舰船雷达目标特征抽取与分类方法研究

本文着重研究应用神经网络来进行舰船雷达目标特征抽取与分类问题,提出了一种基于Mellin变换和多层前馈神经网络的特征抽取方法和一种基于Kohonen网络组的特征分类方法。采用实地录取的三类舰船雷达目标视频回波数据对本文提出的有关方法进行检验,结果表明本文提出的雷达目标特征抽取与分类的神经网络方法是切实可行的,其抽取的特征具有良好的稳定性,其分类的精度很高,明显优于传统的K-邻近分类器。     

雷达目标散射中心模型反演及其在识别中的应用

提出了一种基于散射中心模型的距离像识别方法。首先采用稀疏空间网格上的宽带测量数据离线反演目标散射中心模型,再将从距离像中实时提取的一维散射中心特征与该散射中心模型的一维投影进行匹配完成在线识别。在散射中心模型反演中,提出了稳定散射中心的概念并基于此完成稀疏空间网格下的一维散射中心投影关联。在识别过程中,通过设计合适的匹配函数解决散射中心参数估计误差和模型误差造成的散射中心数目、幅度和位置不完全匹配问题。仿真实验表明,对于精度较高的模型,基于模型的识别方法与基于距离像模板的方法识别率相当,而在存储量和灵活性方面优势突出。     

基于多散射中心模型的雷达目标识别方法

针对宽带毫米波雷达目标识别要求 ,提出了一种基于目标光学区多散射中心模型进行目标匹配识别的新方法。该方法首先基于多散射中心理论建立待识别目标的模型、利用遗传算法的全局优化能力进行目标识别。与常规的全姿态角匹配识别方法比较 ,具有需要的存储量、计算量较少的特点。仿真试验验证了该算法的有效性。     

HRRP稀疏自编码器深层特征与散射中心特征的关联性研究

利用稀疏自编码器网络对典型目标一维高分辨距离像(high resolution range profile, HRRP)进行了学习训练, 基于各层权重系数矩阵定义了一种综合权重系数, 通过综合权重系数和降维特征与散射中心特征的对比分析, 发现稀疏自编码器深层特征与散射中心特征之间具有一定的关联性, 并对综合权重系数和深层降维特征的物理意义进行了解释。首先针对HRRP构建稀疏自编码器网络, 经过深层学习后获取训练后的权重系数和降维后的特征, 并与散射中心的位置特征和强度分布特征进行关联性分析。结果表明, 综合权重系数矩阵为与散射中心密切相关的类字典系数矩阵, 反映了距离域强散射中心位置随角度变化的可能的分子集; 降维特征能够实现对强散射中心的学习和提取, 反映了强散射中心位置和强度随角度的变化。最后分析了网络训练层数和降维维数对学习训练结果的影响, 可指导后续网络参数的选择。文章首次针对雷达HRRP数据开展深度学习特征的可解释性研究, 为后续深度学习在雷达数据处理中的广泛应用提供了有益的导引。     

无检测器交叉口交通流量预测的灰色神经网络模型

为解决一般预测方法要求原始数据量较大,而无检测器交叉口获得的交通流量数据又非常有限的矛盾,提出了一种基于灰色神经网络的无检测器交叉口交通流量预测方法。通过选择不同长度的历史数据构建不同的灰色预测模型,对于不同灰色预测模型得到的预测结果再使用神经网络进行组合,该方法综合了GM预测所需原始数据少、方法简单,而神经网络具有非线性拟合能力的特点。以107国道新市站2002年观测的交通流量作为原始数据,采用灰色神经网络进行时交通流量预测,结果表明了该方法是有效可行的。     

基于改进ResNet网络的复数SAR图像舰船目标识别方法

合成孔径雷达(synthetic aperture radar, SAR)采用微波相干成像, 因此SAR图像本质上是复数的。传统基于神经网络的SAR图像目标识别方法, 通常只处理SAR图像的幅度信息, 无法有效利用SAR图像特有的复数信息。本文面向SAR图像中的舰船目标识别应用, 从SAR图像的本质出发, 首先通过组合SAR图像的实部、虚部和幅度三通道信息, 隐式地提供了输入数据的复数信息表示; 然后在ResNet18网络及其结构基础上引入通道注意力机制, 使网络能自适应学习实部、虚部和幅度三通道之间包含的复数信息; 最后引入标签平滑正则化, 解决因复数数据集样本较少出现的过拟合现象。基于OpenSARShip数据集的实验结果表明, 所提方法可以较好利用SAR图像本身的复数信息, 在一定程度上提升了基于深度神经网络的舰船目标识别效果。     

小波神经网络及其在旋转机械轴心轨迹识别中的应用

提出一种基于小波变换理论的小波神经网络模式识别方法,并将该方法应用于旋转机械轴心轨迹的识别。在本文提出的方法中,模式识别分两步来完成。第一步通过小波网络完成对数据的压缩,第二步应用前馈神经网络对第一步中的压缩数据进行学习与分类,从而达到模式识别的目的。     

基于正交试验法的神经网络优化设计

运用正交试验法,以三层前向型神经网络为例,对神经网络的训练样本、权值和阀值、训练参数的选择进行分析和研究。在此基础上,提出一种基于正交试验法的神经网络优化设计方法。研究结果表明,正交试验法对于神经网络模型的确定具有很好的效果,是一种既直观易行又客观科学的方法。