雷达与AIS目标航迹模糊关联算法与仿真

采用多因素模糊综合决策方法,研究了雷达与AIS(船舶自动识别系统)目标航迹关联算法.建立了该算法的模糊因素集、评价集、单因素模糊评判矩阵、多因素模糊综合决策准则、以及航迹关联与脱离质量等数学模型。计算机仿真验证了该方法可以改进目标航迹的精度与可靠性。同时讨论了关联门限取值等问题。     

雷达目标识别中的BP神经网络算法改进及应用

针对雷达目标信号的复杂性和实用雷达目标识别系统所应具备的稳健性、扩展性及通用性等要求,提出多种简单有效的BP神经网络算法改进。通过平衡训练样本数量、动态重置初始权值、评定网络规模等措施,解决了BP算法收敛速度慢、受初始样本分布影响大等缺陷,提高了识别算法的稳健性和泛化能力。结果已成功应用到不同型号雷达上的多套目标识别系统中。大量试验和长期使用证明了该方法的有效性和实用性     

基于多驻留测量的相控阵雷达目标跟踪算法

针对相控阵雷达目标跟踪和资源调度问题,给出了基于后向概率的后向递归概率数据关联滤波(PDAF),以及基于后向概率最大的多维数据关联(N-D)方法。推导了预测位置偏离波束指向、且误差是相关的情况下,估计目标平均信噪比和目标检测概率的方法。通过仿真,比较了不同测量窗口数据长度和不同杂波环境下,相应算法对目标维持跟踪的性能和雷达能量需求。仿真结果表明,基于后向递归的PDAF优于常规的PDAF和N-D方法;虽然基于后向概率最大的N-D方法比常规的N-D方法好,但当维数较少时仍然比PDAF性能要差。     

基于群目标的多目标关联算法研究

针对群目标跟踪数据关联的特点以及多目标跟踪数据关联经典的联合概率数据关联算法存在的计算量大与假设条件苛刻等问题,提出了基于群目标的多目标概率数据关联算法GJPDA（Group-target joint probability data association）。该算法首先把跟踪空间内的所有回波看作一个群,跟踪空间中任一关联门内的所有回波看作一个子群,通过关联门是否交叉、多少回波位于关联门交叉区内的判别及其相对于不同关联中心概率的计算,确定交叉区域内回波的归属。以每一个关联门内所有回波的等效回波为量测实现多群目标跟踪。仿真结果表明了该算法的有效性。     

基于三角稳定的海上目标航迹抗差关联算法

针对现有航迹抗差关联算法缺乏对海上目标航迹特点和规律的考虑、实际应用效果差的问题,根据典型的实测数据对比分析结果,结合海上目标位置变化慢、空间拓扑关联稳定的特点,以三角形稳定结构为基础,设计了适用于海上目标航迹的抗差关联算法。首先,构建拓扑三角形,通过三角形匹配系数和航迹图匹配系数进行阈值判断,得到航迹对的关联系数。其次,保留其中最大关联系数,构建航迹对关联系数矩阵。最后,采用最大关联系数和阈值判别原则,输出关联航迹。实测数据验证结果表明,所提算法成功实现了所有航迹的有效关联,明显优于对比算法,具有较强的稳定性和鲁棒性,可有效解决实际中海上目标航迹关联问题,实用性强。     

基于三角稳定的海上目标航迹抗差关联算法

针对现有航迹抗差关联算法缺乏对海上目标航迹特点和规律的考虑、实际应用效果差的问题,根据典型的实测数据对比分析结果,结合海上目标位置变化慢、空间拓扑关联稳定的特点,以三角形稳定结构为基础,设计了适用于海上目标航迹的抗差关联算法。首先,构建拓扑三角形,通过三角形匹配系数和航迹图匹配系数进行阈值判断,得到航迹对的关联系数。其次,保留其中最大关联系数,构建航迹对关联系数矩阵。最后,采用最大关联系数和阈值判别原则,输出关联航迹。实测数据验证结果表明,所提算法成功实现了所有航迹的有效关联,明显优于对比算法,具有较强的稳定性和鲁棒性,可有效解决实际中海上目标航迹关联问题,实用性强。     

基于BP神经网络模型的目标属性识别仿真

在地面防空作战中,对空中目标进行属性识别是防空导弹武器发射决策的关键环节之一,可靠及时的识别可有效地避免误伤我（友）机,准确消灭敌机。结合现代防空作战特点,对影响目标属性识别的各种因素进行定性和定量分析,建立了基于BP神经网络的目标属性识别模型,仿真分析表明了模型的有效性和实时性。     

基于雷达与图像信息融合的目标跟踪仿真研究

提出了同平台上一种基于雷达与图像信息融合的目标跟踪系统结构和相应算法。该结构引入“反馈加引导”的思想,即在将系统融合状态反馈给局部传感器作为跟踪初始状态的基础上,利用距离信息引导图像传感器捕获目标,利用角度信息引导雷达跟踪目标,真正做到了两种不同传感器的优势互补。仿真结果证明该系统具有良好的跟踪性能。     

舰船目标雷达回波特征信号的建模与仿真

目标建模与特征信号仿真是雷达对目标进行探测与识别的重要前提和基础。针对宽带条件下大型舰船目标的雷达特征信号难以进行实测和缩比测量的难点，采用面元法对目标的雷达散射截面（RCS）进行了有效的预估，通过多频点RCS成像方法获得目标的一维距离像特征信号。给出了具体建模和仿真计算的实例，并进行了详尽的结果分析。     

基于概率数据关联的雷达导引头抗速度拖引干扰算法

针对在速度拖引干扰下, 脉冲多普勒雷达导引头无法精确跟踪、制导目标的问题, 提出了基于概率数据关联的抗速度拖引干扰算法。对于雷达导引头角度测量信息和Doppler测量信息, 采用序贯扩展卡尔曼滤波算法进行目标状态估计。根据Doppler信息强非线性的特点构建了伪量测信息, 并提出了在Doppler量测更新滤波估计阶段,采用概率数据关联算法进行抗速度拖引干扰。给出了算法的推导过程, 并进行了数值仿真验证。仿真结果表明, 采用该算法能够稳定跟踪释放多重速度拖引干扰的目标, 有效抑制速度拖引干扰对制导信息估计的影响, 改善导弹的制导精度。     

基于雷达观测的空间目标识别仿真软件的设计与实现

介绍了基于雷达观测的空间目标识别仿真软件的主要功能组成，仿真模型和实现方法，讨论了计算动态RCS需要考虑的坐标转换问题，在WindowsNT4.0平台下，采用VisualC 6.0集成开发环境实现了该仿真软件，最后给出了该软件的部分仿真结果。     

基于航迹关联的STLFMCW雷达多目标配对

首先分析了STLFMCW雷达估计目标径向运动速度的原理。针对利用频谱特征进行目标配对求取速度方法存在的缺陷,将多目标跟踪技术应用于目标配对,分别对上、下扫频段多目标回波起始"局部航迹",在"局部航迹"正确起始后,利用同一目标上、下扫频段内"局部航迹"的相关性实现了多目标配对;并通过配对确认矩阵的拆分减小了配对的多义性,从而显著提高了目标正确配对的概率。仿真结果表明,在复杂多目标与杂波环境下,该方法能有效实现上、下扫频段目标回波的正确配对。     

基于目标不变信息量的模糊航迹对准关联算法

探讨了在组网雷达存在系统误差情况时的目标航迹对准关联问题。通过将探测系统误差对目标航迹的影响表示为各目标航迹数据的旋转和平移,从而说明了目标之间的相对拓扑关系不受系统误差影响;由此提出了一种雷达组网模糊航迹对准关联算法,该算法通过提取包括目标间拓扑信息在内的各种不受系统误差影响的目标不变信息量,采用模糊信息处理理论来解决目标航迹的对准关联问题,从而较好地实现了误差配准前的准确航迹对准关联。     

异步航迹关联算法与仿真

在分布式多传感多目标信息融合系统中,由于每个局部传感器的采样频率不同以及具有不同的通信延迟,导致送入融合中心的局部航迹往往不是同步的。本文提出一种异步航迹的关联方法,该方法首先基于最小二乘法实现单传感器的时域融合,从而将多传感异步航迹同步化;然后利用网络优化算法,获得相应于每个目标的各个传感器的局部航迹组合。仿真试验表明本文算法在解决异步航迹关联问题的有效性。     

基于子像空间的雷达目标一维距离像识别

提出了一种基于子像空间的雷达目标一维距离像识别方法。该方法一方面通过建立目标子像空间,改善了对输入目标为库属目标的识别率;另一方面基于假设检验理论,在分类判决中引入判决门限,能够有效地对库属目标和非库属目标进行判别。模拟实验结果表明该方法的有效性。     

弹道目标雷达宽带识别仿真与评估

提出了一种将雷达目标识别方法与具体战情相结合的方法,并通过该方法对弹道目标雷达宽带识别方法进行了仿真与评估。仿真了空间目标飞行弹道后,通过坐标变换得到设定战情下的弹道目标雷达视线角。然后结合室内缩比模型静态测量数据,得到设定战情下弹道目标高分辨距离像。对仿真得到的三类弹头类目标进行识别,并分析了雷达带宽、信噪比、观测次数对识别性能的影响。     

S变换在雷达目标识别中的应用

针对雷达目标回波的非平稳特性,推导了S变换及其实现算法,利用电磁场时域有限差分算法仿真了三种军用飞机的宽带散射信号,采用S变换对飞机目标的雷达回波进行时频分析,提取时频分布图的奇异值特征作为目标特征矢量,利用径向基函数神经网络对特征矢量进行训练和学习,最后对三种飞机做了分类识别,取得了很好的识别效果.     

一种基于稀疏重构的多视角MIMO雷达关联成像算法研究

为改善复杂目标的成像表现、提升雷达图像的视觉效果,提出一种基于稀疏重构的多视角多输入多输出(multiple input multiple output, MIMO)雷达关联成像方法,设计了多视角雷达散射面积(radar cross section, RCS)起伏的稀疏重构关联成像模型。所提算法能提高辐射场信号随机性,改善复杂目标雷达关联成像参考信号与回波之间相关性退化的情况,减小多视角RCS起伏对相关性的影响,提升多视角下的关联成像质量。最后,通过仿真验证了所提方法的有效性。     

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。     

基于注意力机制的堆叠LSTM网络雷达HRRP序列目标识别方法

传统的雷达高分辨距离像(high resolution range profile, HRRP)序列识别方法依赖于人工特征提取, 并且现有的深度学习方法存在梯度消失问题, 导致收敛速度慢, 识别精度低。针对上述问题, 提出一种基于注意力机制的堆叠长短时记忆(attention-based stacked long short-term memory, Attention-SLSTM)网络模型, 该模型通过堆叠多个长短时记忆(long short-term memory, LSTM)网络层, 实现了HRRP序列更深层次抽象特征的提取; 通过替换模型的激活函数, 减缓了堆叠LSTM(stacked LSTM, SLSTM)模型梯度消失问题; 引入注意力机制计算特征序列的分配权重并用于分类识别步骤, 增强了隐藏层特征的非线性表达能力。模型在雷达目标识别标准数据集MSTAR上多种不同目的的实验结果表明, 所提方法具有更快的收敛速度和更好的识别性能, 与多种现有方法对比具有更高的识别率, 证明了所提方法的正确性和有效性。