基于集成深度学习的有源干扰智能分类

针对现有基于机器学习的雷达有源干扰分类大多需要构建人工特征集且小样本情况下分类精度低的问题, 提出一种基于多通道特征融合的集成卷积神经网络(convolutional neural network, CNN)分类方法。首先, 建立多种有源干扰的数学模型, 仿真并利用短时傅里叶变换获得其时频分布图; 其次, 提取时频分布图的实部、虚部和模值三通道特征, 通过多种特征组合方式建立不同特征组合的样本集; 最终, 构建以CNN为基分类器的集成深度学习模型, 每个CNN分别提取不同样本集的特征, 对所有基分类器的预测结果做多数投票得到集成模型的整体预测结果。实验表明, 该方法能够有效实现小样本情况下多类有源干扰的高精度智能化识别。     

基于深度学习的复杂背景雷达图像多目标检测#br#

针对传统雷达图像目标检测方法在海杂波及多种干扰物组成的复杂背景下目标分类识别率低、虚警率高的问题,提出将当前热点研究的深度学习方法引入到雷达图像目标检测。首先分析了目前先进的YOLOv3检测算法优点及应用到雷达图像领域的局限,并构建了海杂波环境下有干扰物的舰船目标检测数据集,数据集包含了不同背景、分辨率、目标物位置关系等条件,能够较完备地满足实际任务需要。针对该数据集包含目标稀疏、目标尺寸小的特点,首先利用K means算法计算适合该数据集的锚点坐标;其次在YOLOv3的基础上提出改进多尺度特征融合预测算法,融合了多层特征信息并加入空间金字塔池化。通过大量对比实验,在该数据集上,所提方法相比原YOLOv3检测精度提高了6.07%。     

基于小波变换和神经网络的舰船目标识别和分类

根据舰船轴频电场信号的特点,提出了基于小波变换和神经网络的目标识别和分类方法.利用小波变换计算轴频电场信号的功率谱,提取特征量,根据轴频电场平均累积功率谱对舰船目标和海洋环境进行识别.根据轴频电场信号的功率谱分析,对不同类型舰船目标进行识别.运用BP神经网络,对不同类型舰船目标和海洋环境进行分类.通过对海上试验采集轴频电场数据的仿真计算,证实了该识别和分类方法的有效性.     

星载雷达对弹道目标跟踪模式的选择

针对星载雷达对弹道目标跟踪模式的选择问题,在建立星载雷达对空间轨道目标跟踪所需坐标系的基础上,给出了先转换后绝对运动状态跟踪和先相对运动状态跟踪后转换两种跟踪模式,分析了两种模式的测量误差传递特性以及状态模型建立的难易程度。最后对两种模式的跟踪精度进行了仿真实验,仿真结果表明,相比于前一种模式,后一种模式的跟踪性能获得了明显的改善。研究结果能为星载雷达对弹道目标跟踪模式的选择提供设计依据。     

基于对空无线电引信的平板目标特性建模及仿真

目标的电磁散射特性对回波信号的特性影响巨大。以连续波多普勒体制无线电引信为依托,以平板目标为主要研究对象,研究体目标效应影响下的多普勒信号特性。采用物理光学法和物理绕射法计算目标表面和边缘的雷达散射截面积。建立了平板目标特性模型,结合引信空中弹目交会模型,探讨弹目交会过程中多普勒信号幅度和多普勒频率的变化规律。     

基于SBR和像素法的复杂目标的RCS计算

介绍了计算空腔内部高频电磁散射的射线跟踪法,推导了未进行简化处理的口径积分公式。与已有的计算结果相比,矩形截面直进气道的计算结果与参考值的吻合效果更好。从散射中心的观点出发,将像素法和射线跟踪法结合应用,给出了计算公式,通过软件实现了这些算法。给出了某无人机利用该算法得出的计算结果,并与实验值进行了比较分析。     

基于深度学习的空中目标威胁评估方法

针对空中目标威胁评估因素多、现有评估方法缺乏自学习能力的问题,采用深度学习理论建立了空中目标威胁评估的深层神经网络模型。为了提升模型训练的拟合效果,提出采用对称式的预训练方法,逐层地对模型中的隐含层进行预训练,最后对模型进行整体训练。分别通过样本测试集和空空仿真场景进行验证测试,结果表明：采用对称预训练方法,模型的威胁评估准确率高于其他三种预初始化方法;模型具有较好的鲁棒性,在无噪声下准确率大于90%,10%的正态噪声下,准确率大于70%。     

弹道目标雷达宽带识别仿真与评估

提出了一种将雷达目标识别方法与具体战情相结合的方法,并通过该方法对弹道目标雷达宽带识别方法进行了仿真与评估。仿真了空间目标飞行弹道后,通过坐标变换得到设定战情下的弹道目标雷达视线角。然后结合室内缩比模型静态测量数据,得到设定战情下弹道目标高分辨距离像。对仿真得到的三类弹头类目标进行识别,并分析了雷达带宽、信噪比、观测次数对识别性能的影响。     

基于等效参数的三维涂层目标MCFDTD分析

为精确模拟三维有耗薄涂层问题,提出了一种新的基于等效介质参数的共形FDTD(modified con-formal FDTD,MCFDTD)方法。对于包含薄涂层的元胞,将薄涂层和自由空间用等效介质来代替;元胞中电场采样点处的介电系数和电导率的等效值,通过元胞中涂层介质和自由空间所占的长度加权平均得到,而磁场采样点处的磁导系数和导磁率的等效值,则利用涂层介质和自由空间所占的面积加权平均得到。对于弯曲理想导体表面附近元胞,通过采用围线路径积分导出共形FDTD递推式,包含薄涂层的共形网格在递推式中需采用等效介质参数。涂层理想导体球的计算结果与Mie级数解的比较,说明了该方法的正确性和有效性。     

基于深度学习的HRRP识别姿态敏感性分析

特征提取是基于高分辨距离像(high resolution range profile,HRRP)的雷达目标识别的关键技术之一.传统人工提取特征的算法,仅利用浅层结构特征,无法有效解决姿态敏感性问题,从而限制了目标识别方法的泛化性.对此,提出一种基于深度学习的目标识别方法,并通过详细的姿态角性能测试分析了该方法的应用边...     

基于DCNN的弹道中段目标HRRP图像识别

针对弹道中段目标识别问题,现有的基于高分辨距离像(high resolution range profile, HRRP)的识别方法直接提取一维HRRP(1-dimension HRRP, 1D-HRRP)的整体特征,对局部特征提取能力较弱,且由1D-HRRP数据提取的特征的表达能力有限,为此提出了一种基于深度卷积神经网络(deep convolutional neural network, DCNN)的弹道中段目标HRRP图像识别方法。首先,将1D-HRRP转化为0-1二值图像,从而把数值变化特征转化为图像结构特征;然后,构建DCNN逐层提取图像的局部特征和共性特征并进行识别;最后,结合Dropout和L2正则化双重机制缓解DCNN过拟合问题,利用AdaBound算法提高DCNN训练收敛速度和识别正确率。实验结果表明,所提出的基于HRRP图像的弹道中段目标识别方法比其他12种基于1D-HRRP或二维HRRP(2-dimension HRRP, 2D-HRRP)的识别方法正确率更高,在测试数据集上达到了96.28%,实验结果验证了该方法的有效性。     

基于DCNN的弹道中段目标HRRP图像识别

针对弹道中段目标识别问题,现有的基于高分辨距离像(high resolution range profile, HRRP)的识别方法直接提取一维HRRP(1-dimension HRRP, 1D-HRRP)的整体特征,对局部特征提取能力较弱,且由1D-HRRP数据提取的特征的表达能力有限,为此提出了一种基于深度卷积神经网络(deep convolutional neural network, DCNN)的弹道中段目标HRRP图像识别方法。首先,将1D-HRRP转化为0-1二值图像,从而把数值变化特征转化为图像结构特征;然后,构建DCNN逐层提取图像的局部特征和共性特征并进行识别;最后,结合Dropout和L2正则化双重机制缓解DCNN过拟合问题,利用AdaBound算法提高DCNN训练收敛速度和识别正确率。实验结果表明,所提出的基于HRRP图像的弹道中段目标识别方法比其他12种基于1D-HRRP或二维HRRP(2-dimension HRRP, 2D-HRRP)的识别方法正确率更高,在测试数据集上达到了96.28%,实验结果验证了该方法的有效性。     

基于MIMO-ISAR的弹道目标结构参数估计方法

传统的单站逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像为实现方位向的高分辨,往往会增大成像时间,但对于高速运动的弹道目标而言,此方法并不适用。针对这一问题,提出利用多输入多输出逆合成孔径雷达(multiple input multiple output ISAR, MIMO-ISAR)在空间上的多分布来达到时间上积累的效果。在得到多通道回波信号后,利用时频图和时间距离像对弹道目标锥顶散射点进行匹配。然后根据锥顶散射点信息对多幅ISAR像进行配准融合,得到一幅高分辨的融合ISAR像。最后利用不同雷达视线下的目标投影长度和目标几何参数之间存在的映射关系,反演出弹道目标的几何结构参数。通过仿真结果可以验证算法的有效性。     

基于MP稀疏分解的弹道中段目标微动ISAR成像新方法

弹道目标在中段的运动包括轨道运动和微动。与轨道运动相比,弹道目标的微动能引起目标相对雷达视线角更为快速的变化,有利于逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像。针对自旋对称弹头的微动特性,提出了一种基于匹配追踪(matching pursuit, MP)稀疏分解的微动ISAR成像算法,分析了成像平面和成像所需积累转角,并通过计算机仿真与传统的距离－多普勒(range-Doppler, RD)、魏格纳－维尔(Wigner-Ville, WV)成像算法进行了比较。仿真结果表明：本文算法具有更好的成像精度和稳定性,且不受交叉项的干扰,是一种有效的微动目标成像算法。     

弹道目标电磁特征提取技术的研究进展

随着弹道导弹突防和防御技术研究的不断深入,对目标特征提取提出了更加严格的要求。在突防设计中需要对目标和诱饵进行特征控制,以提升突防能力;在防御系统中,则需要从多传感器获取的信息中提取目标各种特征,以实现真假弹头的区分。分析和研究了弹道导弹中段目标电磁特征提取技术以及近年取得的成果,包括中段复杂目标逆合成孔径雷达成像技术、目标几何特性反演技术、目标微动特征提取技术等,最后对弹道目标特征提取技术的难点进行了分析,提出了一些解决思路。     

Infrared modeling and imaging simulation of midcourse ballistic targets based on strap-down platform

An infrared （IR） imaging simulation framework based on the strap-down platform is proposed for midcourse ballistic targets. It overcomes the shortcoming of the existing algorithms, which cannot simulate IR imaging from the entire midcourse process. The proposed framework includes three steps, target characteristic modeling, motion modeling, and imaging modeling. In imaging modeling, the staring focal plane is taken into account due to its wide employment. In order to obtain IR images of high fidelity, especially that the fluctuation of the target signal-to-noise ratio （SNR） is reasonably similar to the actual one, this paper proposes an improved IR imaging simulation method. The proposed method considers two critical factors of the pixel plane, occupy-empty ratio and defect elements, which affect the imaging of targets markedly but are neglected in previous work. Finally, the IR image sequence of high fidelity is obtained. And the correlative parameters of simulation can be set according to the given scene. Thus the generated images can satisfy the needs of algorithms validation for tracking and recognition.     

基于自适应压缩感知的复杂弹道群目标跟踪技术

复杂弹道群目标空间密集程度高,群内目标相互遮挡,在给定雷达工作带宽前提下如何对复杂群目标进行有效分辨、实现航迹的连续稳定跟踪已成为亟待解决的难题。针对该问题,首先通过二体运动预测获得航迹群预测中心,根据预测偏差与分辨阈值关系,自适应开启局部压缩感知群目标分辨算法,提高群目标遮蔽分辨能力。其次,引入航迹片段拼接思想,利用已有航迹档案构建假设检验,对航迹片段进行关联、平滑处理和批号管理,有效减少换批和非线性估计误差。仿真结果表明,所提算法大大增加了可分辨时间,分辨能力可达80%,平均跟踪时长提高一倍,中断期间跟踪均方根误差显著降低,且航迹稳定跟踪并全程未换批,为弹道群目标精确稳定跟踪提供了一种新的思路。     

基于修正小波变换插值-TAN的雷达降水粒子分类

对于双偏振天气雷达在获取数据分辨率较低情况下的降水粒子分类问题, 提出一种双偏振体制天气雷达下基于修正小波变换插值-树扩展朴素贝叶斯(tree augmented naive Bayesian, TAN)的降水粒子分类方法。首先,需要在原雷达偏振参量数据分辨率比较低的情况下进行修正小波变换插值处理,以获得较高分辨率的雷达偏振参量数据。然后,基于互信息理论利用离散化的高分辨率偏振参量数据进行TAN网络结构和参数训练,得到可用于降水粒子分类的TAN网络。最后, 将高分辨率的雷达偏振参量数据带入到最终获得的TAN网络中以实现降水粒子分类。对实测数据的处理结果表明, 对于低分辨率雷达偏振参量数据, 所提方法可以取得较好的降水粒子分类结果。     

基于分布式深度学习的边缘服务放置策略

针对移动边缘计算网络中不合理的服务放置和资源分配所导致的服务质量下降问题, 提出了一种基于分布式深度学习的边缘服务放置策略。首先, 以最小化所有用户服务请求时延与加权服务放置成本总和为优化目标, 将优化问题建模为混合整数非线性规划问题。其次, 在给定服务放置策略情况下, 利用凸优化理论求解出边云最优的计算资源分配方案。最后, 利用分布式深度学习解决了服务放置问题。理论证明及仿真结果表明, 所提策略能够有效降低用户服务请求时延和应用服务提供商的服务放置成本, 并且逐渐逼近全局最优的服务放置策略。