摘要：雷达高分辨距离像识别是目前雷达自动目标识别研究领域的一个重点.采用核匹配追踪算法来设计分类器,提取一种非常简单的高分辨距离像平移不变特征———功率谱特征为识别特征,通过把高分辨距离像从像域变换到功率谱域来提取目标的平移不变特征,稳健性较好.基于实测数据的识别结果表明该算法具有较好的识别性能,同时其识别运算量较小.

摘要：针对低信噪比条件下海面目标分类识别精度差的问题,该文提出了一种基于去噪卷积神经网络(Denoising convolutional neural network,DnCNN)的海面目标高分辨一维距离像(High Resolution Range Profile,HRRP)识别方法。所提方法设计了一个海面目标分类识别模型,该模型通过其中的降噪模块提高信噪比。首先,分析了HRRP和二维图像的相似特性,将HRRP降噪转变为二维图像降噪。其次,利用深层次卷积层与批归一化层相结合的结构,提取图像深层次的噪声特征,最后采用残差学习技术,减轻深层次网络的学习负担的同时重构图像进行分类识别。实验结果表明,该模型可以有效提升低信噪比条件下的海面目标分类识别正确率,在不同信噪比条件下其识别性能均优于对比模型,具有良好的识别性能和鲁棒性。

摘要：针对"X"型布局超声速飞行器气动外形与隐身性能一体化设计研究,采用标准k-ωSST湍流模型和多层快速多极子(MLFMA)数值计算方法,对比分析了有/无锯齿进气道唇口飞行器流动机理和散射机理,获得了有/无进气道唇口的气动性能和飞行器的雷达散射截面(RCS)。研究结果表明:在入射频率15GHz时,采用锯齿外形进气道唇口的飞行器在垂直极化(VV)和水平极化方式(HH)时能够降低飞行器的RCS;在锯齿区域附近出现大量的小尺度激波和涡流结构,扰乱了进气道正常流动;无锯齿时,进气道流量系数较大,其次是锯齿角度为90°外形,锯齿角度为45°时进气道的流量系数相对最小,主要是因为锯齿角度45°时的进气道进口泄漏量相对较小;得到了无锯齿时进气道的总压损失最小,同时,无锯齿进气道唇口飞行器的阻力系数相对较小。

摘要：该文针对传统全极化高分辨一维距离像(HRRP)雷达目标识别问题,提出了结合Cameron分解和融合简化核极限学习机(RKELM)的目标识别方法,旨在提高全极化HRRP目标识别性能。在特征提取阶段,所提方法利用Cameron分解定义了目标在各个标准散射体上的投影分量。通过分析,将目标在三面角、二面角和1/4波长器件这3个散射基上沿距离维的投影分量作为目标特征,实现对目标散射特性更加精细化的描述。在分类阶段,考虑到RKELM算法识别性能的不稳定性,提出了一种基于原型聚类预处理的RKELM方法,并在此基础上设计了特征级融合RKELM网络和决策级融合RKELM网络,以对投影特征进行融合分类。实验部分利用10类民用车辆的全极化HRRP数据将所提识别方法和现有方法进行了对比,结果表明:(1)所采用的Cameron分解投影特征表现出了较高的可分性和噪声稳健性;(2)当训练样本数较多时,特征级融合RKELM算法的泛化性能较好;当训练样本数较少时,决策级融合RKELM的泛化性能较好。

摘要：为了解决高速公路多车道车辆监测问题,介绍了一种毫米波雷达道路监测系统的设计方案,并提出了一种道路高分辨雷达信号检测与车辆信息提取的新方法——联合检测方法。为了能够对多车道进行检测,该方案采用了车道分离法,对多车道进行分离。在后续的信号检测中,提出了联合检测方法,并在联合检测方法中采用了一种自适应位置估计方法,不仅能够对车辆有无进行检测,而且能够提取车辆信息。实验结果表明了该方法的有效性。

摘要：为了改善基于卷积神经网络(CNN)的雷达目标识别模型的泛化能力,本文将深度适配网络(DAN)方法引入到高分辨一维距离像(HRRP)目标识别中。为了进一步提高DAN方法的性能,创新性地提出了混合核函数MMD代替传统DAN中的多核MMD,设计了基于混合核函数的MMD损失函数。本文使用服从瑞利分布的海杂波来干扰目标域数据。网络模型中使用一维CNN提取特征,使用混合核函数DAN来减少源域和目标域间特征分布的差异。实验表明,相对常规迁移学习方法和DAN方法,在海杂波影响下该方法可将目标域数据识别率提高15%左右,显著提高了模型的泛化性能和鲁棒性。

摘要：弹道目标识别是一个多目标识别过程,二叉树支持向量机(BTSVM)是一种针对多类分类有效的分类器。BTSVM结构简单,训练快,但容易出现误差积累。为提高目标识别率,引入并改进了直觉模糊支持向量机,设计了一种基于自适应隶属度函数和直觉指数的多类直觉模糊SVM分类器。对训练集进行直觉模糊化处理得到直觉模糊数据集,用于训练分类器得到二叉树直觉模糊SVM分类器。将此分类器应用于弹道目标HRRP识别,提高了识别的正确率和识别效率,仿真结果表明了此分类器的有效性。

摘要：雷达目标高分辨距离像(HRRP)包含目标结构信息,是目标重要的分类特征。提出基于独立分量分析(ICA)的雷达目标特征提取方法,将雷达目标高分辨距离像(HRRP)在"基信号"域中分解,提取相应的基系数组成向量,作为目标特征向量。采用反向传播(BP)神经网络作为识别系统的分类器,对神经网络的输出进行编码,为了克服分类器对非库属目标的误判问题,引入拒识门限设计一种新的分类器。采用电磁场时域有限差分(FDTD)算法仿真了飞机的宽带回波,并用所提的方法进行实验。结果表明,基于以上算法的雷达目标识别系统在最大拒识率前提下具有较高的正确识别概率。

摘要：在如今日益复杂的地面战场环境下,雷达目标识别技术的需求愈加迫切。高分辨一维距离像(High Resolution Range Profile,HRRP)具有可提供目标在雷达视线上的结构信息的特点,使得其在雷达地面目标识别领域受到了广泛的关注与研究。为实现基于HRRP的雷达目标识别实用化,本文构建了一种基于多重支持向量模型的雷达目标识别器。本方法通过对目标特征空间的区域分割、特征区域描述与子分类超平面构建,得到更为精细化的目标特征空间描述,同时达到目标鉴别与分类的联合处理。此外,本方法基于支持向量模型,内存需求少、计算复杂度低,适合目标识别系统的实际工程应用。通过基于实测数据的对比实验,证明了本文所提方法在目标识别性能与实时性两方面均具有较大的优势。

摘要：低频超宽带相控阵雷达以超宽带脉冲信号为工作波形,该信号具有脉冲宽度窄、频谱覆盖范围宽以及相对带宽大等特点【1】。这类窄脉冲信号,很难被敌方截获,具有低截获特点;同时该信号具有极宽的频带,能够有效降低噪声压制干扰的功率谱密度,因此具有较好的抗干扰性能。为仿真验证低频超宽带雷达抗拖曳式干扰性能,本文建立了低频超宽带相控阵雷达的信号模型,并对拖曳式干扰机理和高分辨一维距离像原理进行仿真研究,根据载机和拖曳式干扰信号特性的不同,有效分辨载机和拖曳式诱饵,验证了低频超宽带雷达对抗拖曳式干扰的有效性。