小样本条件下SCGAN+CNN低分辨雷达目标一步识别算法

现有低分辨雷达目标识别方法,通常采用先特征提取、再进行目标分类的两步识别算法,这种算法存在识别率难以提高和方法泛化性不足的问题,对此,提出一种增强条件生成对抗网络（strengthening condition generative adversarial network,SCGAN）+卷积神经网络（convolutional neural network,CNN）的低分辨雷达目标一步识别算法。该算法利用CNN自动获取采样数据深层本质特征,无需特征提取,实现对目标的一步识别。为进一步提高小样本条件下的识别效果,基于CGAN理论来提高样本在特征空间的覆盖程度,并对CGAN的判别器进行改进,在损失函数中增加混叠惩戒项,通过SCGAN生成不混叠的生成样本来更好地训练CNN,提高其在小样本条件下的识别能力。仿真对比实验校验了一步识别算法较传统两步识别算法的优越性,以及SCGAN+CNN的低分辨雷达目标一步识别算法在小样本条件下的有效性。     

多传感器基于证据理论的机载雷达用途识别

雷达用途识别是分析雷达型号和进行威胁评估的基础。在简要阐述D S证据理论基本概念的基础上 ,较系统地论述了基于D S证据理论的多传感器机载雷达用途识别的信息融合方法。该方法同时采用多个传感器 ,并且每个传感器进行多个周期的测量 ,然后利用多传感器多测量周期的信息 ,基于Dempster组合规则 ,采用中心式融合算法 ,对机载雷达用途进行识别。识别实例表明 ,该方法识别结果令人满意 ,使原来采用单一传感器可能存在的无法识别或误识别等现象得到了明显的改善。     

基于卷积神经网络的低分辨雷达目标一步识别技术

现有低分辨雷达目标识别通常采用先特征提取、再进行目标分类的两步识别算法,存在识别率难以提高和方法泛化性不足的问题,因此提出了一种基于卷积神经网络(CNN)的低分辨雷达目标一步识别算法。该算法直接将采样数据作为输入,利用设计的一维CNN,通过卷积池化等操作自动获取数据深层本质特征,无需特征提取,实现对目标的一步识别。仿真实验结果表明:基于CNN的低分辨雷达目标一步识别方法的识别率较传统基于提取特征的两步识别方法提高了10.31%,识别时间较传统两步识别方法减少了0.142 s,充分证明了一步识别方法的有效性,为低分辨雷达目标识别问题提供了新的解决途径。     

基于DRFM的间歇采样预测转发干扰分析

以对相位编码脉冲压缩雷达干扰为背景,分析了相位编码信号的编码特点,介绍了间歇采样直接转发和重复转发干扰的原理与干扰效果,在时域详细推导了相位编码信号的脉冲压缩处理过程。在此基础上提出了一种基于数字射频存储器的间歇采样预测转发干扰方法,在理论上分析了其干扰效果：可使相位编码脉冲压缩雷达产生多个导前、导后的逼真假目标。研究了码元的选择和重组对干扰效果的影响。通过仿真实验对文中分析的结论进行了验证。结果表明,间歇采样预测转发干扰比间歇采样直接转发和重复转发干扰具有更好的干扰效果。     

基于信息融合的机动多目标单站无源跟踪关键技术研究

跟踪起始与数据关联是机动多目标单站无源跟踪的关键技术。提出了一种基于目标多特征信息融合的自适应跟踪起始算法，通过构造多维动态可变的跟踪门，进行自适应跟踪起始检测，然后根据序列概率比检验准则进行轨迹确认。同时提出了一种基于多目标多特征信息融合的数据关联算法，首先通过定义多个特征数据关联度，将单个有效观测的多特征信息进行融合，再对多目标进行综合数据关联。计算机仿真表明，该跟踪起始算法能够快速有效地进行航迹起始，数据关联算法的性能要优于传统的最近邻（NN）方法。