基于Zynq的汽车雷达防撞数据采集系统设计

雷达被广泛地应用于汽车防撞领域.该文设计了一种基于Zynq平台的汽车雷达防撞数据采集系统,将雷达中频模拟信号进行信号调理,AD(Analog to Digital Converter)采样控制模块控制采样,经AD转换后的数据送入Zynq的PL(Programmable Logic)部分进行处理,缓存到DDR(Double Data Rate),并利用AXI(Advanced Extensible Interface)总线实现DDR数据接口及PL,PS(Processing System)通讯接口设计,并且对PS部分进行FFT运算.实验结果表明该系统工作稳定,转换速率快,有效提高了汽车防撞测距测速功能.     

对流层风廓线雷达资料质量分析

为了检验对流层风廓线雷达观测数据的准确性,利用2014年6-7月咸宁的对流层风廓线雷达和GPS移动探空资料,以GPS探空观测值为参考,对对流层风廓线雷达的观测质量进行对比分析,定义两者风向偏差在15°以内或风速偏差在3m/s以下的样本为有效样本,通过比较有效样本占总样本数的比值来判断风向和风速数据的质量。结果表明:降水量对风场影响不明显,风速和风向有效样本数的变化不同,比较时段内,风向数据的质量优于风速,降水提高了风向数据的质量;1~10km高度,风向数据的质量较好,而降水将提高该数据的质量;8km高度以下,风速数据的质量较好,降水对该数据的质量起反效果。总体来说,除近地层(1km以下)外,风速值越大,风向数据的质量越好,降水对高层风向数据的质量有正贡献。     

粗糙K-means和AdaBoost结合的雷达辐射源快速识别算法

针对数据集识别难度分布不均匀,提出了基于粗糙K-means和AdaBoost的雷达辐射源快速识别算法。该算法由2个阶段构成:初级识别阶段提出一种改进粗糙K-means算法,将数据特征空间分割为确定区域、粗糙区域和不确定区域,构建雷达辐射源快速识别算法模型,对数据集进行筛选和识别,同时提出了一种确定粗糙K-means算法初始聚类中心和聚类数量以解决其固有缺陷的思路;在高级识别阶段,基于粗糙区域已知数据训练的多类AdaBoost分类器识别不确定区域未知数据,提升识别精度。仿真结果表明:该算法与RBF-SVM和AdaBoost相比,精度浮动在-0.1%到+1.4%之间,训练时间和测试时间分别最大缩短0.857s和0.005s,在保持了较高识别精度和泛化能力的同时,明显降低了计算复杂度,缩短了耗时,提供了设计雷达辐射源快速识别算法的新思路。     

考虑天线罩误差的雷达导引头隔离度影响与UKF在线补偿

针对雷达导引头隔离度对导弹制导控制系统带来的严重影响,建立了包含天线罩误差在内的雷达导引头隔离度模型,对比分析了弹簧力矩、阻尼力矩及天线罩误差引起的隔离度寄生回路稳定性和时域频域性能,并研究了不同干扰输入条件下导弹脱靶量与隔离度幅值的对应关系,重点提出了一种基于无迹卡尔曼滤波（UKF）的隔离度在线补偿方法,并进行了仿真验证.研究结果表明,导引头隔离度的存在会削弱制导控制系统稳定性、降低制导精度,其中负的天线罩误差斜率影响最为严重;闪烁噪声输入下,负的天线罩误差斜率和弹簧力矩隔离度引起的脱靶量较大,而在目标随机机动输入下,正、负天线罩误差斜率隔离度引起脱靶量较大;所提出的UKF隔离度在线补偿方法分别在速度指向误差和目标常值机动输入下均能够同时估计出弹簧力矩系数、阻尼力矩系数和天线罩误差斜率,并实现了对隔离度的有效抑制,达到了改善制导性能,提高制导精度的目的.      

IMM模型组的选择与参数的设定

交互多模型中模型的确定直接影响到滤波跟踪的精度,通过比较典型单模型和不同模型组的交互多模型的性能,确定适合于所有运动状态的模型组.针对两坐标雷达获得的方位、距离信息,比较不同参数模型的跟踪精度,为模型组中的模型制定较为合理的参数.实际数据验证表明,所选择的模型组与设定的参数更适用于两坐标雷达对目标所有运动状态的跟踪滤波.     

探地雷达在隧道衬砌质量检测中的应用

<正>由于隧道施工条件的特点,在衬砌背部与围岩之间常会存在空洞,会导致围岩松弛,使支护结构产生弯曲应力,而损伤支护结构的功能,降低其承载能力,极大影响隧道的安全使用。     

大地B超——GPR雷达

GPR雷达又叫透地雷达,起源于70年代早期。本文介绍了这种雷达的工作原理和主要的组成部分,以及它在工程和军事上的应用。     

基于SRNN+Attention+CNN的雷达辐射源信号识别方法

针对低信噪比条件下雷达辐射源信号特征提取困难、识别准确率低的问题, 提出一种基于切片循环神经网络(sliced recurrent neural networks, SRNN)、注意力机制和卷积神经网络(convolutional neural networks, CNN)的雷达辐射源信号识别方法, 并在CNN中引入批归一化层, 进一步提升网络的识别能力。模型以雷达辐射源信号幅度序列作为输入, 自动提取信号特征, 输出识别结果。实验结果表明, SRNN相比于门控循环单元(gated recurrent unit, GRU)训练速度大大提升, 注意力机制和批归一化层能有效提高识别准确率; 在采用8种常见雷达辐射源信号进行的实验中, 所提方法在低信噪比条件下仍有较高的识别准确率。     

地质雷达在隧道地质超前预报中的应用

<正>隧道是铁路、公路、水电等建设项目中的常见工程。随着建设工程规模的不断扩大,隧道工程的埋深、数量、长度和跨度也在不断增加,大大增加了隧道勘察工作的难度。为此,地质雷达近年来在隧道地质超前预报中逐渐得到推广。