基于越距离单元徙动校正的空间高速旋转目标ISAR成像方法

逆合成孔径雷达成像是实现对空间目标跟踪，成像与识别的重要手段，但是空间目标的高速旋转运动特性使传统的ISAR成像算法失效。针对这一问题，提出一种基于越距离单元徙动校正的ISAR成像方法。首先，建立空间高速旋转目标回波模型；其次，根据回波特性构造参考信号进行越距离单元徙动校正，实现目标散射点空间参数估计；最后，引入粒子群优化算法实现参数快速搜索。仿真结果表明，该算法可以有效提取目标参数，实现空间目标高质量成像，与传统成像算法对比结果验证了该算法的鲁棒性及优越性。     

基于时频分析的微动弹道目标ISAR成像方法

为克服弹道目标在微动情况时,其散射点的多普勒频率会随微动而变化,最终影响弹道目标的成像质量问题,提出了利用abor变换进行时间选择成像的方法。通过时频分析的方法,在时频域上找寻多普勒频率近似于直线变化的时间段,并在此时间段中对目标进行成像。仿真结果表明:在目标存在微动情况下,选择多普勒频率近似为直线的时间区间进行成像,能有效地聚集ISAR成像,仿真分析验证了该方法的有效性。     

基于FRFT距离压缩的高速目标ISAR成像

通过建立高速运动目标的ISAR全去斜回波模型,分析了传统DFT距离压缩处理中所存在的距离色散问题及其对成像的影响.然后针对高速目标回波是调频斜率相同的多分量LFM信号的特点,提出了基于分数阶Fourier变换的距离压缩处理方法,并讨论了最优旋转角估计的问题.最后结合GRECO软件产生的回波数据进行仿真,证明了该方法能有效解决高速运动目标距离压缩中存在的色散问题,提高ISAR成像质量.     

基于二维稀疏特性的空间目标高分辨ISAR成像方法

针对空间三轴稳定目标成像问题,提出了一种基于目标稀疏特性的空间目标高分辨ISAR成像方法.该方法利用精轨数据构建了保相波形延时字典,实现了距离维高分辨和平动补偿;利用旋转矢量分析方法计算了三轴稳定空间目标有效积累转角,结合高分辨距离像的稀疏特性,给出了一种适用于越距离单元徙动的方位维稀疏字典构建方法.仿真结果表明,构建的稀疏匹配字典正确反映了目标的姿态变化特性,解决了越距离单元徙动问题,结合距离维相干抑制显著提高了空间目标二维ISAR像的分辨能力.      

基于卷积神经网络的图像大数据识别

针对现有的图像大数据识别方法具有收敛速度慢和识别精度低的问题,提出了一种基于卷积神经网络的图像大数据识别方法。首先,对传统的卷积网络结合改进的软最大化分类器进行分析,设计了卷积-软最大化分类器模型;对该模型中的卷积层、池化层、全连接层以及分类层均进行了描述。为了验证所提方法的优越性,在MNIST数据集上进行仿真,结果表明:与其它类似算法相比,所提的方法具有更低的误识率,在更短的时间内,能达到更低的分类均方误差。     

爆炸冲击目标ISAR成像的仿真

在逆合成孔径雷达（ISAR）成像原理的基础上,根据爆炸冲击模型和加速机动情况下ISAR成像模型,利用时间一频率方法对爆炸冲击目标的ISAR二维成像数据进行了仿真研究,结果表明短时傅立叶变换（STFT）成像算法适合于ISAR的实时成像。     

多通道实时ISAR成像系统的设计与实现

基于距离多普勒(R-D)算法原理,以低轨道卫星目标为例,推导了在给定的横向分辨率下所需的成像积累时间,并根据雷达参数和目标特性进行了仿真验证.在实时成像处理运算量和存储量需求分析的基础上,设计和实现了一套多通道实时逆合成孔径雷达(ISAR)成像系统.外场实验结果表明,该系统设计合理,多通道成像效果良好.     

基于卷积神经网络的合成孔径雷达图像目标识别

为了解决现有合成孔径雷达(SAR)图像目标识别算法识别率不高、泛化能力不足的问题,提出一种基于卷积神经网络的SAR图像目标识别模型CMNet网络。通过设计针对SAR图像特点的特征提取网络,在损失函数中引入中心损失与Softmax损失联合监督训练过程,兼顾类内聚合和类间分离,提高算法精度和泛化能力。网络模型中所有卷积层后引入批量归一化层加快模型收敛速度、防止过拟合。实验使用美国运动和静止目标获取与识别数据库进行测试,10类目标平均识别率达到99. 30%。结果表明,提出的CMNet网络模型具有较高的识别率和泛化能力,在公开数据集上取得较好结果。     

基于即插即用2D-FISTA的高分辨ISAR成像方法

基于即插即用框架,将二维快速迭代收缩阈值算法与深度去噪网络DnCNN相结合,提出对不同信噪比回波稳健的逆合成孔径雷达高分辨成像方法PnP 2D-FISTA。首先建立二维ISAR成像的信号模型与稀疏观测模型,给出2D-FISTA成像的迭代公式,然后用DnCNN作为去噪器代替软阈值收缩函数,获得良好的图像重构与去噪性能。仿真与实测数据实验结果表明,PnP 2D-FISTA能在不同信噪比条件下实现高效成像,并具有较好的重构性能与噪声鲁棒性。     

基于块稀疏信号重构的高分辨率ISAR成像算法

为实现快速高分辨率逆合成孔径雷达(Inverse synthetic aperture radar,ISAR)成像,充分利用目标的内在块稀疏结构信息,提出一种块平滑l_0范数稀疏重构ISAR成像算法.首先,将ISAR稀疏成像转化为块l_0范数的优化问题,采用一阶负指数函数趋近块l_0范数.其次,采用单循环步骤代替平滑l_0范数算法中的双循环结构,减小控制参数的间隔,实现对块稀疏信号的优化重构.该算法能够在块稀疏度未知时利用ISAR目标固有的内在结构特征进行高分辨率成像.仿真实验结果证实该算法的成像质量高且快于其它算法.     

机动目标的时频变换ISAR成像仿真

针对机动飞行目标的成像难点,实施了基于时频变换的逆合成孔径雷达(ISAR)成像处理方案.与传统的点目标模型的回波模拟方法不同,该方案采用全波数值方法计算目标在飞行过程中瞬时位置、姿态下的散射场数据,再依据延时顺序将离散时刻的散射场数据叠加,最终获得雷达的回波数据.数值仿真结果验证了该方案的可行性.     

基于改进包络相关法的ISAR成像包络对齐

针对现有包络对齐方法存在对齐精度较低的缺点,该文在包络相关法的基础上,利用Fourier变换的频域移位性质,提出了改进的包络相关法.该方法在常规包络相关法的基础上进行几次迭代,显著地提高了包络对齐的精度.仿真数据和外场实测数据的处理结果都表明,该文方法能显著改善逆合成孔径雷达(ISAR)的成像质量,且运算量增加不多.     

调频步进波形的ISAR回波建模和成像

研究调频步进波形逆合成孔径雷达（ＩＳＡＲ）回波建模和成像的方法,在剖析调频步进雷达信号的数字信号处理方法基础上,建立连续运动目标多散射点的回波模型,提出了用调频步进雷达信号实现连续运动目标的逆合成孔径成像的方法和信号处理方案。通过多个散射点组砀目标的记真,得到不同程度下的目标像,仿真结果证明调频步进波形实现ＩＳＡＲ成像是可行的。     

基于稀疏采样的调频率估计与多目标ISAR成像

针对目前多目标成像中关于信号调频斜率估计的算法存在着采样频率过大,以及短时条件下精度不高的问题,结合压缩感知理论,提出了一种基于稀疏采样的回波信号调频率估计与多目标ISAR成像方法。首先,根据目标回波信号的特点构造超完备稀疏基,将信号投影到该稀疏基上,利用高斯随机矩阵对分解后的信号进行欠采样,采用FOCUSS稀疏重构算法,精确提取出信号的调频斜率;然后,利用估计出的调频斜率对多目标回波信号中各个目标的回波分量进行分离和补偿;最后,基于稀疏采样对各个单目标分别进行成像。仿真实验验证了该方法的可行性和有效性。     

基于卷积神经网络的钳剪工具痕迹识别

钳剪工具痕迹识别对法庭审判和侦查破案有着重要的参考价值,是物证分析识别的重要组成部分。针对该类工具种类繁多,现场痕迹复杂多样的特点,本文提出了一种基于卷积神经网络识别的钳剪痕迹分析方法。使用断线钳、线缆钳等10类常用钳剪工具,采集制作了300枚钳剪样本,在此基础上对特征区域进行录制,共200余段视频,提取钳剪痕迹特征图像共120 000张。提出TpsNet,以钳剪断头的侧面图片为识别分类对象,通过图片的分类实现对钳剪痕迹的分析识别。结果表明,TpsNet模型在钳剪痕迹数据集上的分类精度达到97.56 %,可作为钳剪痕迹分析与识别的重要依据。     

基于卷积神经网络的入侵检测算法

作为深度学习的一种有效算法,深度卷积网络已成功应用在处理图像、视频和音频等领域.通过建立一卷积神经网络模型并应用于网络入侵检测,选取的卷积核与数据进行卷积操作提取特征的局部相关性从而提高特征提取的准确度.采集到的网络数据通过多层"卷积层-下采样层"的处理对网络中正常行为和异常行为的特征进行深度刻画,最后通过多层感知机进行正确分类.KDD 99数据集上的实验表明,文中提出的卷积神经网络模型与经典BP神经网络、SVM算法等相比,有效提高了入侵检测识别的分类准确性.      

基于卷积神经网络的商品图像精细分类

针对某一类别商品图像的精细分类,研究并实现了深度学习中的卷积神经网络方法。所设计的卷积神经网络由2个卷积层、2个亚采样层及1个完全连接层组成,特征平面的神经元只对其感受野的重叠区域做出反应,由反向传播算法调整网络参数最终完成学习任务。通过鞋类图像的精细分类实验表明,该方法平均分类正确率可达91.5%。     

变负载轴承故障诊断卷积神经网络模型

针对轴承故障在实际环境中存在负载变化导致故障难以诊断的问题,提出一种基于一维卷积神经网络的变负载适应轴承故障诊断模型,卷积结构使用小卷积核卷积层堆叠的形式,训练时对输入层进行均匀分布失活率的随机失活,以提高网络的变负载适应能力,且采用全局平均池化降低模型计算量和减轻过拟合程度;在实验验证阶段,提出以两种近邻负载条件的轴承数据构成变负载数据集,充分验证轴承故障诊断的变负载适应性。实验结果表明:本文模型在各测试集均能达到96%以上的准确率且平均准确率达到98.36%,能够在变负载环境下实现准确、稳定的轴承故障诊断,具有良好的泛化能力。     

基于卷积神经网络的磁瓦缺陷检测研究

针对磁瓦缺陷种类多样性及无法准确描述其缺陷的问题,提出一种基于卷积神经网络的缺陷检测方法。构建缺陷类型的数据集,并对数据集中的图像进行预处理;设置卷积神经网络模型参数,训练缺陷分类器;通过训练结果完成对缺陷图像的识别并标注缺陷类型。实验结果表明,该方法检测的准确性和实时性均优于传统检测方法,具有非常好的鲁棒性,为工业生产的实际应用提供了可靠的依据。