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。     

弹道目标中段雷达成像仿真研究

对弹道目标进行ISAR成像识别是分辨真假目标的重要手段。本文研究了中段弹道目标成像仿真问题。简介ISAR成像技术后，仿真了中段弹道。研究了中段弹道目标成像，分析了在有无调姿两种情形下和不同弹道阶段对相干积累时间的要求。仿真结果表明，在不同情形下，雷达必须适当调整脉冲积累时间和改变脉冲重复频率才能实现有效成像。     

基于多维极化信息的弹道目标综合识别方法

目标识别是弹道导弹防御系统的核心难题之一,针对弹道导弹突防过程中无源诱饵的极化识别问题进行了研究。首先,基于多个窄带和宽带极化特征量,并结合暗室测量数据,进行了极化特征提取和优选,去除了冗余的极化特征量。在此基础上,提出了一种基于宽窄带极化特征的弹道目标综合识别方法,并利用弹道目标的暗室实测数据进行了验证。结果表明综合识别方法和仅基于窄带或宽带极化特征的识别方法相比具有更好的目标识别性能。     

基于交叉熵的特征提取与河流区域的目标检测

基于交叉熵提出了一种新的参数来衡量河流区域与其他区域的区别。该参数能在河流区域很好地进行舰船检测与桥梁检测。通过确定河流的边界,舰船和桥梁只在河流区域进行检测,所以绝大部分的虚警点都被消除。利用日本新泻地区的X波段全极化数据进行验证,表明该方法具有良好的检测性能。     

一种利用宽带信号对弹道目标成像和跟踪的方法

宽带成像雷达通常采用窄带跟踪、宽带成像的交替工作方式。该方法需要花费两个雷达重复周期才能完成对目标的跟踪和宽带成像,降低了雷达跟踪、成像的数据率。为了克服这个缺点,提出了一种基于宽带固态相控阵雷达对弹道目标成像同时进行跟踪的方法,一个周期就可同时完成对目标的成像和跟踪,大大节省了雷达资源,提高了雷达数据率。同时论述了宽带信号距离信息和角度信息提取方法,利用仿真和模拟试验验证了方法的正确性。     

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KFD+ICA特征提取的SAR图像目标识别

提出了一种用基于核函数的Fisher判别分析(kernel based Fisher discriminant analysis,KFD)和独立分量分析(independent component analysis,ICA)特征提取的合成孔径雷达(synthetic aperture radar,SAR)图像目标识别方法。用基于核函数的Fisher判别分析提取SAR图像样本在高维特征空间中的最佳分类向量,对最佳分类向量做独立分量分析,得到表征图像样本的特征向量,用支持向量机(support vector machine,SVM)对提取得到的特征向量分类完成目标识别。对MSTAR数据库中三类军事目标用该方法进行特征提取和识别实验,识别率为96.92%。结果表明,KFD ICA特征提取方法可提取目标的有效特征,在较低特征维数情况下获得较高的目标正确识别率。     

弹道导弹目标微动特性的微多普勒分析与仿真研究

真假目标识别一直是反导系统中地基雷达(GBR)的技术难点,而基于弹道导弹目标微动特性的雷达识别是近来研究的热点.微多普勒是目标微动特性的一种表征,基于弹头和诱饵微动特性的差异,提取微多普勒特征可用于识别真假目标.首先介绍了弹头和诱饵的运动特性,然后建立了弹头和诱饵的微动模型,并进行了微多普勒理论分析和推导,最后通过仿真实验分别研究了微多普勒的多散射点和噪声污染的问题.仿真分析表明多点和噪声对微多普勒提取影响不大;同时指出以目标微多普勒的周期、频率最大值以及平面变化规律为特征可识别真假目标.     

水下目标的特征提取及识别

针对水下成像的特殊性以及成像环境的复杂性,构造了基于区域矩的仿射变换不变量,以克服水下不确定因素给目标识别带来的困难。此外针对传统的BP神经网络存在收敛速度慢以及容易陷入局部极小值的缺点,引入粒子群算法对神经网络的学习训练进行优化。为了验证所提方法的有效性,对四类水下目标进行了特征提取以及神经网络识别实验。结果表明改进后的神经网络收敛速度快,并且获得了较高的识别准确率。     

水中目标辐射噪声的听觉特征提取

运用听觉心理学的最新研究成果,在3个层次上模仿人耳的处理机理,提出了基于听觉模型的水中目标辐射噪声的特征提取方法。为压缩特征维数,选择可分性最好的特征,采用了基于距离准则的特征选择。水中目标识别实验结果表明,水中目标辐射噪声的听觉特征具有比较高的类别可分性。     

ISAR目标多普勒偏置效应分析与补偿

采用相位梯度自聚焦算法对非合作目标进行高分辨逆合成孔径雷达聚焦成像的处理过程中,回波多普勒偏置效应将严重影响后续转动补偿的效果,妨碍成像聚焦质量的提升。从相位梯度自聚焦算法的原理出发,阐释了多普勒偏置效应产生的原因。进而,分析了多普勒偏置效应对散射中心距离徙动补偿的影响。最后,提出了一种基于图像质量评价的多普勒偏置效应估计与补偿算法,并通过数值仿真分析和实测数据处理实验验证了本文分析结果的正确性。     

高速旋转目标三维成像的新算法

针对高速旋转目标三维成像的问题,提出一种有效的GRT CLEAN方法。该方法首先进行平动补偿,将高速目标的回波信号转换为高速转台模型。然后利用基于旋转散射点各次距离像回波的变化曲线所具有的特征,采用广义Radon变换(generalized Radon transform, GRT)得到目标散射点空间位置的近似估计。最后把该目标参数估计方法与修正的CLEAN技术相结合得到每个散射点的特征估计,并进一步得到目标三维像。理论推导与仿真结果验证了该算法的有效性。     

一种基于相位对消的转角估计新方法

逆合成孔径雷达成像中,为校正散射点越多普勒单元走动和方位向定标,需要对目标转角进行估计。在详细分析雷达目标回波相位特性的基础上,提出一种基于相位对消的转角估计方法。该算法通过对消回波的相位一次项后,对回波相位二次项系数进行估计,从而根据二次项系数与转角的关系获得转角估计值。同时,考虑到回波能量在成像平面的分布特点,采用加权最小二乘法对估计结果进行拟合。与现有方法相比较,新方法在稳健性和实时性上有较大改进。仿真数据和暗室数据的成像结果证明了该方法的有效性。     

ISAR像自动识别中的预处理算法

目标逆合成孔径雷达（inverse synthetic aperture radar, ISAR）像通常表现为随视角变化的稀疏散射中心分布,这严重影响了ISAR像特征提取和目标识别的性能。以获得清晰且稳定的ISAR像为目的,研究了一种新的预处理算法:首先根据斑点噪声和横条纹干扰特点,对图像使用全局迭代阈值抑制斑点噪声,局部散射点强度削减抑制横条纹干扰,然后分别利用形态学处理和邻域平均法填充和平滑图像,最后对图像做质心、尺度和视角的归一化。仿真结果表明,该算法有效地提高了ISAR像的稳定性,有利于后续的目标特征提取与识别。     

多基站ISAR成像模型与运动参数估计

针对单站逆合成孔径雷达（inverse synthetic aperture radar, ISAR）成像中难以准确获得目标散射点方位向尺度和运动参数的问题,建立了平面匀加速度运动目标的多基站ISAR目标成像模型,给出了目标成像和运动参数估计算法,分析了多基站ISAR成像约束。目标散射点的坐标由距离向投影方程组求解得到,基于方位向多普勒方程组通过搜索算法最小化目标函数实现目标的固有转速和目标相对于平动补偿后各基站视向量变化的转速的分离,得到目标的位置和目标运动参数的准确估计。仿真实验验证了多基站ISAR平面成像模型和运动参数估计方法。     

宽带MIMO雷达的阵列设计和成像方法

为了降低多输入多输出(multiple-input and multiple-output, MIMO)成像雷达的阵列规模和系统硬件的复杂性,结合宽带MIMO雷达发射/接收阵元的角度分集和信号分集特性,提出了一种基于双均匀线阵组合的非线性阵列模型,并给出了该阵列的设计准则。不同于基于实孔径均匀阵列的宽带MIMO雷达成像系统,提出的非线性阵列模型可有效增加虚拟阵元个数和扩展阵列孔径,在不改变目标方位向成像质量条件下能有效降低实孔径均匀线阵的阵列规模和系统硬件的复杂度。同时,该阵列设计易于操作和实现。最后,仿真实验对该阵列模型的有效性进行了验证。     

基于卷积ADMM网络的高效结构化稀疏ISAR成像方法

结构化稀疏逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像是空间态势感知与目标识别的重要手段。该问题可通过压缩感知(compressive sensing, CS)方法解决。目前, 许多传统CS方法仍存在运算效率低、参数适应性不强等问题。针对该问题, 本文提出了一种基于卷积交替方向乘子法网络(convolutional alternating direction method of multipliers network, C-ADMMN)的结构化稀疏ISAR成像方法。利用深度展开方法, 结合传统结构化稀疏ISAR成像模型, 构建C-ADMMN网络。通过监督学习, C-ADMMN仅需约10层网络便可达到传统方法上百次迭代的效果, 具有较高的运算效率且对不同目标具有一定适应性。基于仿真与实测数据的实验结果验证了网络的高效性与参数适应性。     

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。