基于修正熵的距离扩展目标检测器

针对采用球不变随机向量(spherically invariant random vector, SIRV)建模的非高斯杂波背景下,目标散射点个数估计失配时,修正的依赖于散射点密度的检测器（modified scatter density dependent, MSDD)检测距离扩展目标存在一定的信噪比损失问题,提出了一种基于修正熵的MSDD检测器（modified entropy-MSDD, ME-MSDD）。ME-MSDD先采用修正熵对目标强散射点个数进行估计,然后对目标强散射点进行积累形成检测统计量。最后,针对不同的目标模型及实测目标一维距离像对检测器性能进行评估,结果表明,与不依赖于散射点密度的检测器（non-scatter density dependent, NSDD)、基于动态阈值的检测器（dynamic threshold, DT)和MSDD相比,ME-MSDD能根据实际观测值自适应地估计目标散射点个数,具有更好的检测性能和鲁棒性。     

高斯背景下距离扩展目标的恒虚警率检测

对宽带高分辨率雷达(HRR)中的距离扩展目标进行检测,若还采用分辨雷达的检测方案,目标回波的全部能量得不到充分利用,会影响雷达的检测性能。提出了一类基于二进制积累的距离扩展目标检测算法,推导出了它们的平均虚警概率和平均检测概率的数学解析式,并进行了性能分析和比较。这些方法较常规低分辨雷达方法可获得目标信噪比8个多分贝的性能改善,且这些次优积累的高分辨雷达距离扩展目标检测方法具有易于工程实现的优点。     

一种基于谐波数估计的距离扩展目标检测算法

宽带雷达的目标回波信号分布在多个距离分辨单元内,被称为距离扩展目标。距离扩展目标信号傅里叶变换后在距离频率域可表示为由散射点强度和相对位置决定的不同幅度、频率和相位谐波叠加的谐波过程。将高斯白噪声中距离扩展目标检测问题转换为谐波过程的谐波数估计问题来进行目标检测。给出了高斯白噪声中使用总体最小二乘奇异值分解的谐波数估计的距离扩展目标检测器,对检测器的性能分析表明该检测器具有恒虚警性能。使用模拟数据和实测飞机数据的计算机仿真实验表明,本文提出的检测器比能量积累检测器有更好的检测能力。     

距离扩展目标检测的研究

本文以脉冲串作为距离扩展目标的回波模型，根据回波信号的不确定性，分别以相干脉冲串、非相干脉冲串及振幅独立起伏的非相干脉冲串的检测来讨论高距离分辨雷达的检测问题，并实测了Ｎ１７飞机缩比模型的回波信号，给出了相应检测性能改善的估计。     

高斯杂波中距离扩展目标的模糊CFAR检测

为提高高分辨雷达的检测性能,提出了一种高斯杂波背景下距离扩展目标的模糊检测方法。该方法采用模糊恒虚警率(constant false alarm rate, CFAR)检测器代替传统的二进制CFAR检测器,将距离单元值转换成映射到虚警空间的模糊隶属函数值,然后采用模糊积累准则进行积累,得到检测统计量。研究了模糊代数积、模糊代数和两种积累准则,推导出这两种方法虚警概率的数学解析式。仿真结果表明,高斯杂波背景下模糊代数积积累较双门限二进制积累可获得近2 dB的性能改善。同时,模糊检测方法只采用单个检测门限,具有易于调节的优点。     

基于非线性变换的高分辨率距离像雷达目标识别

雷达目标识别的预处理工作是高分辨距离像领域中的重要组成部分,也是提高识别率的重点和难点。给出了一种结合信号统计特性的信号预处理方法,通过对高分辨距离像(highresolutionrangeprofiles,HRRP)的非线性变换作为特征,有效地拉大了异类目标信号之间的欧氏距离,从而提高了分类的识别率。基于ISAR雷达实测飞机数据的实验结果证明了该方法的有效性。     

扩展目标的最优二进制检测

研究了高斯白噪声背景下扩展目标二进制检测器的优化问题。散射中心展布特性是制约二进制检测器检测性能的重要因素之一。首先从理论上系统分析了不同的散射中心展布对二进制检测器检测性能的影响,然后采用经验拟合的办法给出了设计最优二进制参数的经验公式,进而得到最优二进制参数设计的一般原则。仿真结果证明,最优二进制参数和距离像的长度及散射中心的个数有关。     

基于目标一维距离像的雷达目标识别方法

讨论了马氏距离的性质,利用目标的一维距离像,提出了一种雷达目标识别方法.对雷达回波进行快速傅立叶变换,得到目标的一维距离像,计算其马氏距离,得到目标的稳定特征向量,根据相关算法进行目标识别.3种不同类型飞机回波的实测数据的识别结果,表明该方法是切实可行的.     

海杂波下距离扩展目标的最优二进制检测

研究了低擦地角下高分辨雷达对静止或慢速运动的距离扩展目标的最优二进制检测问题。采用K分布模型描述低擦地角下海杂波的统计分布,采用Rayleigh快起伏模型描述扩展目标距离像的幅度分布,详细分析了扩展目标二进制检测器参数与扩展目标径向长度、杂波形状参数之间的关系,最终得到最优二进制检测器的参数选择准则和经验公式,对二进制检测器的实际应用具有较强的指导意义。理论和实测杂波数据证明了最优二进制检测器的有效性。     

一种基于相位补偿处理的积累检测器

主要针对宽带雷达下的距离扩展目标提出了一种基于相位补偿处理的能量积累检测器.现有的单脉冲扩展目标检测方法都是在包络检波或平方率检波后进行的,丢失了信号的相位信息,就不可避免的会造成检测性能的损失.从信号的相位分析入手,通过对目标信号的相位进行补偿处理,然后进行能量积累和CFAR检测,实现对扩展目标的检测.最后通过两个Monte Carlo仿真实验,将提出的方法与能量积累检测器作比较,发现在目标散射中心均匀分布及高斯白噪声的假设下,提出的方法有较好的检测性能.     

基于复值HRRP CICA特征的多方位SAR目标识别

提出了一种基于雷达目标复距离像复值独立分量分析（complex independent component analysis, CICA）的合成孔径雷达（synthetic aperture radar, SAR）目标多方位散射特征提取和识别方法。根据雷达目标散射机理,将目标高分辨率复距离像建模为多个散射中心的复相干叠加。在分析复距离像的基础上,采用CICA方法实现了距离像中每个散射中心响应的分离。针对每个散射中心响应,利用高阶矩方法提取特征矢量。分类器基于隐马尔可夫模型（hidden Markov model, HMM）设计。采用美国运动和静止目标获取与识别（moving and stationary target acquistion and recognition, MSTAR）计划公开发布的目标实测数据进行算法实验,实验结果说明了提出方法具有较好的识别率。     

基于方位弯折的高分辨距离像雷达目标识别

针对高分辨雷达距离像的方位敏感性问题,将应用于语音处理的动态时间弯折技术引入高分辨距离像雷达目标识别领域,提出了一种动态方位弯折技术,该技术通过将测试数据与模板特征序列进行非线性伸缩(弯折),获得测试帧与模板之间最小匹配距离对应的最佳匹配路径,实现对测试数据的目标识别。对ISAR实测飞机数据的分类实验及与模板匹配法和RBF识别方法的比较,获得了良好的识别结果,表明了该方法的可行性和有效性。     

基于AEPSO-SVM算法的雷达HRRP目标识别

针对雷达自动目标识别中的高分辨距离像(high resolution range profile,HRRP)识别问题,提出自适应进化粒子群(adaptive evolution particle swarm optimization, AEPSO)算法优化支持向量机(support vector machine,SVM)的目标分类识别方法。该算法利用非线性自适应惯性权重的调整以适应粒子寻优的非线性变化过程,采用分阶段调节加速因子增强粒子在进化过程中的学习能力,通过引入局部搜索算子在增加粒子多样性的同时有效避免了粒子陷入局部最优陷阱。通过改进的PSO算法优化SVM参数,建立分类识别器模型。将该AEPSO-SVM模型应用到雷达HRRP目标识别中,实验结果表明,该算法对于高分辨雷达目标识别精度高、鲁棒性强。     

目标高速运动对一维像的影响及其校正方法

针对目标高速运动引起回波脉冲压缩结果展宽从而严重影响一维距离像质量的问题,提出了基于多分量调幅线性调频信号参数估计的校正方法。首先建立了宽带目标的多散射中心回波模型,定量分析了目标高速运动对高分辨雷达回波的影响。然后提出了多分量调幅线性调频信号参数估计快速算法,估计出目标高速运动引起的回波变化从而加以校正。仿真结果表明,提出的方法能有效校正目标高速运动对一维距离像的影响,并且对噪声具有很好的鲁棒性。     

基于direct LDA的幅度谱子空间雷达目标识别

针对高分辨距离像(HRRP)可分性低和维数高的问题,提出一种新的雷达自动目标识别(RATR)方法:dLDA& SVM.先采用直接线性判别分析在HRRP的幅度谱空间进行特征提取,然后在子空间中采用角域均值模板库训练one-against-a11支撑向量机(SVM)多类分类器进行目标识别.并设计了最短距离分类器与SVM分类器比较.基于外场实测数据的实验结果表明,与LDA幅度谱子空间法,幅度谱原空间法相比,dLDA & SVM可显著降低数据维数并提高识别性能.     

基于二维积累的雷达分布式目标检测新方法

利用单元积累的思想,先在各个方位上提取目标散射中心后,对分布式目标进行一维化处理,然后对各个方位的目标散射中心能量进行非相干积累,得到了高斯背景中高分辨率雷达分布式目标的检验统计量。仿真结果表明,该方法较距离扩展目标检测方法的检测性能有明显改善,且其检测性能随着角分辨率的提高而进一步改善。此方法可用于信号级检测SARI、SAR等分布式目标。     

基于元学习的雷达小样本目标识别方法及改进

基于深度学习的雷达目标识别方法近年来获得较大关注, 但实战中存在时效性约束和资源限制, 小样本识别难题大大限制其在实际识别任务中的性能。针对这一问题, 本文基于元学习算法, 通过从多个相关任务中学习到的元知识改善新任务的性能, 引入迁移学习思想, 提出一种改进的小样本学习方法, 并通过详细的性能对比实验分析了该方法的应用边界条件。基于实测高分辨距离像数据的实验结果表明, 元学习方法在历史积累样本所含目标类别较多, 与目标任务相关度较大的极小样本情况下, 性能优势才突出, 所提方法可显著提升其综合识别性能。