结合聚类的GM-PHD滤波器辐射源群目标跟踪

群目标跟踪是一种情况更为复杂的多目标跟踪问题,由于军事辐射源目标经常出现雷达关机的情况,因此常用的多目标跟踪方法对于这类辐射源群目标的跟踪效果并不理想。为此,结合聚类技术提出了一种改进的高斯混合概率假设密度(Gaussian mixture probability hypothesis density,GM-PHD)滤波器跟踪方法。该方法在GM-PHD滤波器的更新过程中,通过引入群中心产生的虚拟量测信息以提高目标跟踪性能,但不进行量测集划分。获得单一个体目标的估计状态后利用Jensen-Shannon divergence计算其相似度,然后再对估计目标进行聚类以实现群目标的跟踪。最后通过对相邻时刻的群中心轨迹点进行关联匹配,从而获得群目标的完整运动轨迹。仿真实验结果表明,所提方法能够对辐射源群目标进行有效跟踪,并具有较好的目标跟踪性能。     

雷达与ESM综合多目标检测、跟踪与识别

为在预警监视系统中对多目标的检测、跟踪、识别过程进行统一处理,提出一种基于跳转马尔可夫系统模型高斯混合概率假设密度滤波(jump Markov system model Gaussian mixture probability hypothesis density filtering,JMS-GMPHDF)算法的雷达、电子支援措施（electronic support measures,ESM）综合多目标检测、跟踪与识别方法。该方法首先根据不同类别目标设计各自的多目标多模型高斯混合概率假设密度滤波器,并在各滤波器处理过程中同时对高斯项进行编号;然后,根据目标速度与加速度模型信息进行高斯项综合与类别判决,同时根据ESM测量信息进行型号判决;最后,通过航迹综合管理,形成具有运动状态信息以及类别、型号、航迹编号信息的确定航迹。仿真实验验证了该方法能够有效综合雷达、ESM测量数据,在进行多目标检测、跟踪的同时进行正确的类别、型号判决,并形成确定航迹。     

基于双谱分析的雷达辐射源个体特征提取

针对复杂电磁环境中雷达辐射源特征参数的分选和识别问题,提出将辐射源信号的双谱作为雷达辐射源个体特征,并进一步提出将Walsh变换作为双谱特征优化算法。利用双谱中包含的信号细微信息和双谱受高斯噪声和杂波影响较小等特性,提高雷达辐射源个体特征参数的有效性;针对信号双谱中包含了很多与个体特征无关的冗余信息,不利于机器进行识别处理的缺点,利用Walsh变换对信号的双谱特征进行优化,剔除其中无效、冗余的信息,将变换后的结果作为雷达辐射源个体特征信息。仿真实验结果验证了算法的可行性。     

基于改进MHT的卫星电子信息舰船目标跟踪

针对电子侦察卫星的重访时间较长且随机、舰船目标运动模型难于精确建立、数据杂波干扰强、多辐射源扩展目标跟踪等问题,结合卫星得到的辐射源特征参数提出了基于多假设跟踪(multiple hypothesis tracking,MHT)改进的舰船目标跟踪算法。首先分析了卫星电子信息舰船目标跟踪的特点;在没有辐射源类别与个数等先验知识的情况下,利用辐射源位置和载频等信息进行了两次聚类,实现了数据压缩以及杂波抑制;再在MHT的框架上利用目标运动状态信息结合辐射源的载频特征信息实现了多目标多辐射源的边跟踪边参数估计。仿真对比实验结果表明,结合辐射源特征信息的方法具有更好的跟踪性能,具有较高的跟踪精确性与稳健性。     

小波-神经网络在辐射源识别中的应用研究

针对目标所采用的辐射源识别方法对复杂体制雷达信号识别效率低或无法识别的现象 ,提出了一种新的辐射源识别方法。首先 ,利用小波包可对信号进行多维多分辨率分析的特点 ,对辐射源信号进行信号特征的提取 ,然后将各辐射源的信号特征作为ART2神经网络的训练样本 ,对其进行辐射源类型的识别。通过计算机仿真 ,对上述方法进行了验证。试验结果表明 ,这种基于小波 神经网络的辐射源识别方法在识别复杂体制雷达信号的应用中不仅克服了目前识别方法识别效率低的弊端 ,而且还有效地解决了对未知雷达信号无法识别的问题     

基于信号包络的辐射源细微特征提取方法

雷达信号体制和调制样式的多样化,信号环境的复杂化,使得常规的识别方法很难适应实际需要,无法有效地对雷达辐射源信号进行分类识别。提出了一种结合小波变换技术的辐射源细微特征提取新方法。该方法克服了传统包络分析方法的缺点,提高了提取信号包络信息的精度。最后通过辐射源个体识别实例说明了这种方法提取的细微特征是有效的。     

基于模糊函数代表性切片的运动雷达辐射源识别

针对运动雷达辐射源的信号特性,提出了一种基于模糊函数代表性切片特征优化的个体识别算法。首先抽取模糊函数的“近零”频偏切片作为辐射源的代表性特征子集,从而保留了运动雷达辐射源信号的稳定个性特征,然后利用直接判别比准则在代表性切片上进行核点排序,以选择最具有判别力的特征。对美国海军实验室仿真雷达数据和实测运动雷达辐射源数据的实验均表明,本文算法不仅有效地解决了现有的模糊函数全平面优化法的计算问题,而且显著提高了对运动雷达辐射源的个体识别性能。     

基于GM-PHD滤波的空间邻近多目标跟踪算法

针对传统的高斯混合概率假设密度(Gaussian mixture probability hypothesis density,GM-PHD)滤波器在跟踪空间邻近目标时存在错误估计、虚警和漏警问题,本文提出了一种改进算法.首先,提出一种权值重分配方案,对目标的高斯分量权值进行重分配,以提高目标邻近时GM-PHD滤波器的...     

基于非合作雷达辐射源的无源雷达技术综述

对基于非合作雷达辐射源的无源雷达技术进行了综述,介绍了该领域内的研究历史与现状。然后对非合作式双基地雷达系统基本原理进行了分析与研究,主要内容包括基本几何关系、信号能量关系、接收站的组成以及参数测量与目标定位方法。最后,对辐射源的信号分析与优化选择、系统同步、直达波参考信号的恢复、微弱目标信号的检测与参数估计以及跟踪、融合与目标识别等系统关键技术进行了分析与评述。     

基于GPU的外辐射源雷达信号处理实时实现方法

随着外辐射源雷达技术的发展,实时处理能力成为制约外辐射源雷达系统性能的重要因素。现有的处理手段仅适用于较小采样率信号以及低速目标的情况,对于数字电视信号等大带宽高采样率的外辐射源雷达信号以及高速小目标的情况很难满足实时性的要求。提出了一种基于图形处理器的外辐射源雷达信号处理实时实现方法,能够提高分块最小均方误差算法和Keystone算法的并行处理能力。通过真实数据验证表明基于所提结构的实现方法能够满足外辐射源雷达信号处理实时性的需求。     

基于辐射能量缩减约束的双机雷达协同目标跟踪方法

辐射能量减缩是提高机载雷达射频隐身性能的有效途径。针对目标跟踪过程中辐射能量的减缩量约束, 首先通过分析双机雷达协同的目标回波信噪比, 分别从双机与目标距离比和目标雷达散射截面积推导了其对雷达总辐射能量减缩值的贡献; 然后针对雷达目标跟踪过程中的采样间隔算法, 分析了基于滤波残差的递推法与其他两种方法的目标跟踪精度与仿真计算效率; 最后利用交互式多模型卡尔曼滤波算法与基于滤波残差的递推采样间隔法仿真, 验证了目标跟踪过程中双机雷达辐射能量的减缩量, 并仿真了有源无源协同目标跟踪对双机雷达总辐射能量减缩值的贡献。实验结果表明，本文设计的跟踪策略具有更佳的隐身性能。     

高斯混合概率假设密度滤波的改进与应用研究

针对高斯混合概率密度(Gaussian mixture probability hypothesis density, GM-PHD)滤波器存在新生目标在整个检测区域随机出现位置难以确定的问题,实现了一种基于量测驱动目标新生概率密度函数算法,每个扫描周期接收到新的量测信息自适应生成目标强度函数,记录存活目标强度函数,从而实现自适应区分存活目标的强度函数和新生目标,提高算法精度。利用多目标位置追踪仿真数据以及实测海豚哨声信号频率对算法进行了测试,最优子模式分配函数(optional sub pattern assignment, OSPA)作为算法监测标准,结果证明了新算法在目标数目估计以及追踪精度方面都有明显的改善, 目标数目估计正确率达到97%,OSPA距离较GM-PHD算法下降30%。     

基于VMD和特征融合的辐射源信号识别

在日趋复杂的电子对抗中,如何提高雷达辐射源信号(radar emitter signal, RES)识别率和抗噪性能是亟待解决的问题。为此提出了一种变分模态分解(variational mode decomposition, VMD)和特征融合相结合的RES识别方法。首先利用VMD算法对各雷达信号进行分解得到3个本征模态函数(intrinsic mode function, IMF);然后,对这3个IMF分量提取排列熵(permutation entropy, PE)和样本熵(sample entropy, SE)特征进行特征融合，构成六维特征向量；最后利用支持向量机对辐射源信号进行识别。利用6种不同的辐射源信号对该方法进行了验证,仿真实验结果表明,该方法在低信噪比(signal to noise ratio, SNR)下能取得较好的识别率,当SNR不低于0 dB时,六维特征向量的识别率达到100%,具有较强的抗噪性能。     

基于SRNN+Attention+CNN的雷达辐射源信号识别方法

针对低信噪比条件下雷达辐射源信号特征提取困难、识别准确率低的问题, 提出一种基于切片循环神经网络(sliced recurrent neural networks, SRNN)、注意力机制和卷积神经网络(convolutional neural networks, CNN)的雷达辐射源信号识别方法, 并在CNN中引入批归一化层, 进一步提升网络的识别能力。模型以雷达辐射源信号幅度序列作为输入, 自动提取信号特征, 输出识别结果。实验结果表明, SRNN相比于门控循环单元(gated recurrent unit, GRU)训练速度大大提升, 注意力机制和批归一化层能有效提高识别准确率; 在采用8种常见雷达辐射源信号进行的实验中, 所提方法在低信噪比条件下仍有较高的识别准确率。     

一种NLFM-CPM雷达通信一体化信号设计

针对利用雷达信号调制通信信息提高雷达低占空比脉冲发射形式下的通信速率时,信号自相关旁瓣较高的问题,提出一种基于非线性调频(nonlinear frequency modulation, NLFM)信号的雷达通信一体化信号形式。首先,结合连续相位调制(continuous phase modulation, CPM)建立了NLFM-CPM一体化信号模型。然后,根据雷达自相关性能准则与分辨性能准则,在匹配滤波的处理方案下,分析了一体化信号的调制参数对雷达探测性能的影响。最后,分析了调制参数对通信性能的影响。仿真结果表明,该信号在不损失雷达主瓣能量、距离与速度分辨率以及兼顾通信可靠性的前提下,可实现低于-35 dB的自相关旁瓣。     

利用方向角信息辅助雷达目标跟踪

传统雷达仅能提供目标的方位和距离量测,由于可利用的信息相对较少,跟踪精度很难进一步提高。利用现代雷达的高分辨探测能力,提出了一种基于距离像识别信息辅助目标跟踪的模型,并结合求根不敏卡尔曼滤波技术得到了一种高性能跟踪算法。该算法根据距离像识别结果得到目标方向角的测量,进而通过增加观测量的维数来提高目标的跟踪能力。不同条件下的仿真结果表明,利用方向角信息辅助的跟踪算法收敛速度快,跟踪精度高,且复杂度与传统算法相当。     

基于SE-ResNeXt网络的低信噪比LPI雷达辐射源信号识别

针对低信噪比(signal to noise ratio, SNR)低截获概率(low probability of intercept, LPI)雷达脉内波形识别准确率低的问题,提出一种基于时频分析、压缩激励(squeeze excitation, SE)和ResNeXt网络的雷达辐射源信号识别方法。首先通过Choi-Williams分布(Choi-Williams distribution, CWD)获得雷达时域信号的二维时频图像(time-frequency image, TFI);然后进行TFI预处理降低噪声干扰和频率维的位置分布差异,以适应深度学习网络输入;最后在ResNeXt基础上加入扩张卷积和SE结构提取TFI特征,实现雷达辐射源分类。实验结果表明,SNR低至-8 dB时,该方法对12类常见LPI雷达波形的整体识别准确率依然能达到98.08%。     

针对分布式雷达网的多帧联合航迹起始方法

分布式雷达网相对于单站雷达系统而言, 可以通过信息融合、协同探测等技术获得目标探测性能的提升。然而实际应用中, 目标相对于各个雷达站距离和视角通常不同, 往往存在某些雷达站由于信噪比较低无法捕获成功。针对上述问题, 充分依托分布式雷达网信息共享的优势, 提出一种多帧联合航迹起始方法。首先将已经成功建立目标航迹的雷达站获取的跟踪信息, 传递至尚未发现目标的雷达站, 并基于该跟踪信息建立预测波门, 设计预测波门内的多帧联合检测方法, 最终根据检测结果完成目标航迹起始。仿真试验表明, 所提方法可以实现航迹起始性能的提升。