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。     

独立分量分析在相控阵雷达信号检测中的应用

相控阵雷达工作的环境日益复杂,分析了干扰、杂波环境下相控阵雷达接收信号的盲可辨识性,建立了目标信号的盲分离模型,在此基础上提出了小波变换与独立分量分析方法相结合检测目标的算法。该算法首先使用小波变换对相控阵雷达接收的回波信号作消噪处理,提高目标信号的信噪比,然后使用独立分量分析方法对源信号进行分离,提取相控阵雷达接收回波中的目标信号。仿真结果验证了算法的有效性。     

强杂波下含旋转部件的目标成像及微多普勒提取

目标结构中的旋转部件引起的雷达回波信号的附加频率调制称为微多普勒现象,其反映了目标独一无二的结构特征,同时也给目标主体的成像带来了污染.提出了一种强地杂波背景下含旋转部件目标成像及微多普勒信号提取的方法.在对目标回波解线调时,采用一次相消技术剔除地杂波,获得清晰的目标谱图;再对谱图进行处理,分离目标主体信息和微多普勒信息,实现目标主体的清晰成像;对微多普勒信息进行分析还可以获取目标的一些微动特征.最后的仿真实验验证了该方法的有效性.     

基于DPCA杂波抑制的地面振动目标微多普勒提取

地面微动目标激励的雷达回波信号的微多普勒调制,反映了该目标的独有特征,因此可用于目标检测与识别。合成孔径雷达(synthetic aperture radar, SAR)对地面振动目标检测时,回波信号中不可避免地包含大量地杂波,给其微多普勒信息提取造成很大困难。为此,提出一种基于双通道SAR/DPCA杂波抑制的地面振动目标的微多普勒信息提取方法。首先利用双通道DPCA技术在复原始数据域对消地杂波以获取振动目标的回波信息,然后详细推导了杂波对消后微多普勒频率的参数化表达式。最后,通过数值仿真验证了该方法的有效性和正确性。     

基于分数阶模糊函数的海面运动弱目标检测

通过推导单频信号、线性调频信号和含有三次项信号的正负对称旋转角的分数阶模糊函数,得到一个有用的结论:单频信号和线性调频(linear frequency modulation, LFM)信号正负对称旋转角的分数阶模糊函数模函数处处相等,而对于含有三次项的回波信号,其模幅度差别很大。根据此特性提出了一种海杂波背景下的基于正负旋转角的分数阶模糊函数模函数对消的运动弱目标检测方法。通过对智能像素处理（intelligent pixel-processing, IPIX)雷达实测数据验证表明,所提方法在增加目标与杂波分数阶模糊函数峰值差、提高信杂比等方面都明显优于仅对回波作分数阶模糊函数。采用双参数恒虚警检测方法设置适当的门限,文中研究的检测方法能够达到更好的检测效果。     

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。     

机载宽带雷达的数据重组空时自适应处理方法

机载宽带雷达具有更高的距离分辨率，有利于目标成像或识别。但是，提高分辨率也使目标信号和杂波信号在脉冲间和(或)阵元间距离走动量增加。若采用窄带空时自适应处理方法，则会导致输出信杂噪比严重下降。针对上述问题，提出了一种数据重组空时自适应处理方法。首先，针对待检测速度-角度重组回波数据，使不同脉冲及阵元的目标信号包络对齐；然后，进行距离维数据重组空时处理，并将输出信号作为检验统计量；最后，给出目标角度和速度搜索方法。所提方法降低了相干积累后的目标能量损失，提高了目标检测和杂波抑制性能。仿真实验验证了所提方法的有效性。     

适用于宽带雷达的非相干杂波抑制方法

针对常规窄带雷达中的杂波抑制通常采取MTI或MTD的相干处理的实现方法,在宽带条件下,提出一种新的杂波抑制方法———非相干动目标显示(NMTI)方法,即通过雷达回波信号的瞬时位移来检测运动目标。从地面雷达杂波的模拟出发,对宽带雷达条件下的NMTI方法作了较深入的仿真研究。在相应的速度条件下,信杂比改善因子指标能够满足实际应用要求。同时,其实现过程比相干处理更加简单,降低了系统设计的复杂性。该方法可有效应用于宽带雷达的杂波抑制处理中。     

基于可调Q因子小波变换的海杂波抑制算法

针对海杂波背景下弱目标检测中存在的信杂比低的问题，提出了改进的基于可调Q因子小波变换的海杂波抑制算法。由于海杂波能量远大于目标信号能量，提出选取与海杂波振荡特性相匹配的参数进行可调Q因子小波变换，得到各小波子带的系数，并对小波系数进行稀疏优化后重构海杂波信号。为了判断弱目标信号是否存在，提出一种自适应的阈值检测方法，将原始回波信号与海杂波重构信号的差作为检测样本，实现对弱目标信号的检测。该算法不依赖海杂波具体模型。最后对某实测海杂波数据集进行实验，验证了所提算法的正确性。     

基于Hough变换的低可观测海面运动目标检测

针对一般信号检测方法无法检测低可观海面运动目标的问题,提出了运用Hough变换方法对海杂波背景下运动目标进行检测的方法。首先,用无记忆非线性变换法模拟海杂波,在此基础上模拟海面微弱运动目标的雷达回波;然后通过Hough变换对模拟所得的雷达回波数据进行处理;并根据处理结果进行了检测目标。另外用蒙特卡罗方法对Hough变换目标检测进行仿真,讨论了检测概率与雷达回波信噪比(SNR)及其它一些参量的关系。仿真结果证明了用Hough变换方法进行目标检测的可行性。     

基于局部围线积分双谱的空间目标识别算法

提出了基于局部围线积分双谱的空间目标识别算法,从空间目标距离像的双谱中提取出局部围线积分双谱特征。应用BP神经网络进行分类识别,为了避免网络权值陷入局部极值点,采用遗传算法来获取网络权值的初值。仿真实验表明,即使在较低的信噪比下,该算法仍然可以取得比较高的识别率。     

基于熵评价模态分解的雷达信号双谱特征识别

针对在低信噪比下雷达信号调制识别准确率低、抗噪性差的问题, 提出一种基于熵评价模态分解和双谱特征提取的识别方法。利用双谱可以抑制高斯噪声的特点, 分析了在低信噪比下进行信号调制识别的可行性并引入了噪声项。由于噪声项的干扰, 双谱在0 dB以下时, 噪声抑制效果变差, 提出了基于信息熵评价的经验模态化分解对信号进行预处理, 提高信噪比。最后, 设计了卷积神经网络分类器, 实现对不同调制类型信号的识别。仿真实验结果表明, 本文方法相比传统方法具有良好的抗噪性, 能够在低信噪比下对不同类型信号进行有效识别。     

雷达作用距离的分形特性研究

雷达信号的检测特性是根据目标回波的某种随机分布确定的,但实践证明雷达目标回波具有分形特性,即雷达回波是受非线性动力学系统控制的,随机性中又存在着某种确定性。根据雷达回波信号的分形特性,分析提出了雷达作用距离也具有分形特征。通过建立仿真模型进行实验,证明了所提理论的有效性,得到了雷达作用距离的分维数,对于修正雷达检测特性曲线具有一定的指导意义。     

利用子波变换提取目标回波波形特征

对Donoho阈值决策子波域去噪方法进行了研究，该方法采用软限幅函数对噪声信号的子波变换系数做阈值处理以达到去噪的目的。具体讨论了在Sym8子波基底下,用此方法对非平稳雷达回波进行五尺度的Mallat算法仿真，结果表明该方法除对噪声具有很好的拟制效果外，还有效地保留了目标回波波形特征，从中看到子波变换用于特征提取在雷达信号处理中是一个十分吸引人的新方法。     

基于声学亮点特征的水下目标回波模型

水下目标回波亮点结构是重要的目标特征，目标回波亮点时空特征的提取，是水下主动目标识别的一种有效方法，本文基于数学仿真的方法，研究了水下高频（20－35kHz)主动声学目标模型及仿真性能，建立了水下目标声学亮点数学模型，并给出了仿真结果，仿真表明：该模型反映了目标尺度特征，可用此模型生成的目标回波校验目标尺度识别器的性能。     

基于小波变换和神经网络的水下宽带回波分类

目标识别是水下信息处理系统的主要任务之一,针对此问题,从目标识别的三个基本环节研究了水下宽带回波的分类。首先基于连续小波变换提取了实测莱蒙湖底回波的尺度———小波能量谱,以径向基函数作为分类器,得到了很好的分类效果。接着给出了三种选择特征的准则,并研究了这三种准则对分类效果的影响,结果表明,这三种方法都可以在保证分类准确度的同时有效降低特征维数。     

双谱vs零相位谱

在基于距离像的识别中,双谱和零相位谱都是保留了相位信息的平移不变特征,但零相位谱的特征维数要远低于双谱,而识别性能也低于双谱。经过分析指出双谱识别性能优于零相位谱的主要原因在于频谱的幅度通过相乘得到了加权;然后给出了三种特征加权方法:幂法、频谱幅度加权以及基于Fisher判决率的加权方法;最后将Fisher判决率加权和幂变换法结合起来对零相位谱进行加权,获得了识别性能优于双谱,而特征维数远低于双谱的加权零相位谱,基于仿真数据的试验验证了结论的正确性。     

基于深层卷积神经网络和双谱特征的雷达信号识别方法

针对复杂电磁环境下利用人工提取特征识别雷达信号存在的主观性强、特征冗余的问题,提出了一种基于深层卷积神经网络的识别方法。该方法首先提取雷达信号的双谱信息作为深层卷积神经网络模型的输入,然后利用模型的自学习能力提取深层特征,实现对不同调制样式雷达信号的识别,最后对不同结构网络模型的识别结果进行对比。仿真实验结果表明,相比传统雷达信号识别方法,该方法对于不同调制类型信号的识别效果优异,并且在识别率、抗噪性上都有所提升。     

UWB radar target recognition based on time-domain bispectrum

1 .INTRODUCTIONWith rapid development of computer technology ,modern radar is required to not only find and tracktargets but also extract ,classify and identify tar-gets which signatures have been detected by radar .Information and signatures of target can be extrac-ted fromamplitude and phase of echoes .But thosecan not be extracted using power spectrumbecauseit suppress phase information of signal , moreover ,the method can not eli minate clutter and noise .In recent years , the researc…