基于复数卷积-残差网络的雷达杂波幅度统计模型分类

雷达杂波幅度统计模型分类是进行杂波背景下检测目标的重要步骤。雷达杂波原始数据通常是复数数据, 但现有杂波幅度统计模型分类研究都是在实数数据上完成的。复数数据同时包含幅度和相位信息, 更丰富的信息量有助于雷达杂波幅度统计模型分类。为此, 引入复数神经网络, 利用仿真杂波高分辨距离像(high resolution range profile, HRRP)复数数据, 对雷达杂波幅度统计模型分类问题进行研究, 完成了以下工作: 一是为构建复数最大池化层, 定义并改进了复数最大池化算法, 通过复数卷积神经网络(complex-valued convolutional neural networks, CV-CNN) 对杂波幅度统计模型的分类实验, 对比了两种复数最大池化算法和复数平均池化算法的分类效果, 实验结果表明复数最大池化算法的分类效果更好, 分类准确率为97.29%;二是为进一步提高分类准确率, 构建了复数卷积-残差网络(complex-valued convolution-ResNet, CV-CRN), 通过实验对比分析了CV-CRN的性能, 实验结果表明, CV-CRN的分类性能优于CV-CNN, 分类准确率达到98.84%, 并具有较好的鲁棒性。     

序列ISAR像复杂结构航天器在轨姿态估计

针对“中国空间站”等复杂结构航天器在轨姿态估计误差精度优化的问题，提出了一种基于多线性结构特征优化选择的姿态估计方法。首先采用奇异值分解方法获取ISAR等效成像平面的空间位置，然后通过Unet3+神经网络分割出航天器的典型部件，进而获取各部件的线性结构，最后建立优化函数求解航天器在轨姿态角。仿真和实测实验结果表明，相比现有方法，所提方法能够实现结构特征的自动提取并有效减少姿态估计误差。