显示方式:
单发单收穿墙雷达具备便携、系统简单、可独立工作等优势,但难以实现目标二维定位与跟踪。该文基于便携式单发单收雷达设计了一套分布式无线组网穿墙雷达系统,同时提出了一种目标联合定位方法,能够兼顾系统便携、低成本和目标二维信息估计。首先,设计了基于互补格雷码发射波形的超宽带雷达系统,解决了同频段多台雷达同时工作互相干扰的问题;分布式无线组网超宽带穿墙雷达系统包括3个雷达节点,并通过无线模块与数据处理中心通信。其次,提出了一种基于行为认知理论和模板匹配相结合的数据同步方法,通过识别各雷达数据中的相同运动状态来解决无线组网雷达慢时同步问题,摆脱了传统同步方法对硬件的苛刻要求。最后,提出基于Levenberg-Marquardt(L-M)最优化算法的雷达位置自估计和目标位置求解方法,实现了无先验雷达节点位置信息下的目标快速定位与跟踪。通过仿真分析与实验验证,该文设计的无线组网雷达系统可以实现目标二维定位与实时跟踪,雷达自身位置的估计精度优于0.06 m,对运动人体目标定位精度优于0.62 m。 单发单收穿墙雷达具备便携、系统简单、可独立工作等优势,但难以实现目标二维定位与跟踪。该文基于便携式单发单收雷达设计了一套分布式无线组网穿墙雷达系统,同时提出了一种目标联合定位方法,能够兼顾系统便携、低成本和目标二维信息估计。首先,设计了基于互补格雷码发射波形的超宽带雷达系统,解决了同频段多台雷达同时工作互相干扰的问题;分布式无线组网超宽带穿墙雷达系统包括3个雷达节点,并通过无线模块与数据处理中心通信。其次,提出了一种基于行为认知理论和模板匹配相结合的数据同步方法,通过识别各雷达数据中的相同运动状态来解决无线组网雷达慢时同步问题,摆脱了传统同步方法对硬件的苛刻要求。最后,提出基于Levenberg-Marquardt(L-M)最优化算法的雷达位置自估计和目标位置求解方法,实现了无先验雷达节点位置信息下的目标快速定位与跟踪。通过仿真分析与实验验证,该文设计的无线组网雷达系统可以实现目标二维定位与实时跟踪,雷达自身位置的估计精度优于0.06 m,对运动人体目标定位精度优于0.62 m。
扫描雷达角超分辨技术是基于目标与天线方向图的关系,采用解卷积方法获取超越实波束的角分辨能力。目前的角超分辨方法大都是基于理想的无畸变天线方向图,未考虑实际过程中方向图的变化。然而,由于雷达天线罩、天线测量误差与平台非理想运动等因素的影响,天线方向图在实际中往往存在未知的误差,会导致目标分辨能力下降,甚至产生虚假目标。针对此问题,该文提出一种机载扫描雷达未知天线方向图误差下的角超分辨成像方法。首先,基于总体最小二乘(TLS)准则,该文考虑了方向图误差矩阵的影响,导出了相应的目标函数;其次,基于交替迭代的求解思路,利用迭代重加权优化方法实现了目标函数求解;最后,针对算法超参数选取,引入了一种自适应参数选取方法。仿真与实测结果表明,该文方法能实现未知天线误差条件下的超分辨重建,进一步提升了超分辨算法的稳健性。 扫描雷达角超分辨技术是基于目标与天线方向图的关系,采用解卷积方法获取超越实波束的角分辨能力。目前的角超分辨方法大都是基于理想的无畸变天线方向图,未考虑实际过程中方向图的变化。然而,由于雷达天线罩、天线测量误差与平台非理想运动等因素的影响,天线方向图在实际中往往存在未知的误差,会导致目标分辨能力下降,甚至产生虚假目标。针对此问题,该文提出一种机载扫描雷达未知天线方向图误差下的角超分辨成像方法。首先,基于总体最小二乘(TLS)准则,该文考虑了方向图误差矩阵的影响,导出了相应的目标函数;其次,基于交替迭代的求解思路,利用迭代重加权优化方法实现了目标函数求解;最后,针对算法超参数选取,引入了一种自适应参数选取方法。仿真与实测结果表明,该文方法能实现未知天线误差条件下的超分辨重建,进一步提升了超分辨算法的稳健性。
地物精细分类是合成孔径雷达(SAR)的主要应用方向之一。在多波段全极化SAR工作模式下,可充分获取目标不同波段信息和极化响应特征,有望提高目标分类精度。然而国内外现有的数据集仅有个别波段、少数地区、少量样本的低分辨率全极化分类数据。为推动多波段全极化SAR分类应用的发展,在高分航空观测系统应用校飞与验证项目支持下,利用多维度SAR在海南的校飞数据构建了一个样本量充分大、地物类别较为丰富、分类可靠性较高的多波段全极化精细分类数据集。该文概述了该数据集的构成,给出了发布数据(MPOLSAR-1.0)的信息描述方式、数据集制作流程和方法,并分别基于极化特征分类方法和经典机器学习分类方法给出了初步的分类实验结果,为该数据集的共享和应用提供支撑。 地物精细分类是合成孔径雷达(SAR)的主要应用方向之一。在多波段全极化SAR工作模式下,可充分获取目标不同波段信息和极化响应特征,有望提高目标分类精度。然而国内外现有的数据集仅有个别波段、少数地区、少量样本的低分辨率全极化分类数据。为推动多波段全极化SAR分类应用的发展,在高分航空观测系统应用校飞与验证项目支持下,利用多维度SAR在海南的校飞数据构建了一个样本量充分大、地物类别较为丰富、分类可靠性较高的多波段全极化精细分类数据集。该文概述了该数据集的构成,给出了发布数据(MPOLSAR-1.0)的信息描述方式、数据集制作流程和方法,并分别基于极化特征分类方法和经典机器学习分类方法给出了初步的分类实验结果,为该数据集的共享和应用提供支撑。
雷达微弱目标处理是实现优异探测性能的基础和前提,在复杂的实际环境应用过程中,由于强杂波干扰、目标信号微弱、图像特征不明显、有效特征难提取等问题,导致雷达微弱目标检测与识别一直是雷达处理领域中的难点之一。传统模型类处理方法与实际工作背景和目标特性匹配不精准,导致通用性不强。近年来,深度学习在雷达智能信息处理领域取得了显著进展,深度学习算法通过构建深层神经网络,可以自动地从大量雷达数据中学习特征表示,提高目标检测和识别的性能。该文分别从雷达目标微弱信号处理、图像处理、特征学习等多个方面系统梳理和总结近年来雷达微弱目标智能化处理的研究进展,具体包括噪声与杂波抑制、微弱目标信号增强;低、高分辨雷达图像和特征图处理;特征提取、融合、目标分类与识别等。针对目前微弱目标智能化处理应用存在的泛化能力有限、特征单一、可解释性不足等问题,从小样本目标检测(迁移学习、强化学习)、多维多特征融合检测、网络模型可解释性、知识与数据联合驱动等方面对未来发展进行了展望。 雷达微弱目标处理是实现优异探测性能的基础和前提,在复杂的实际环境应用过程中,由于强杂波干扰、目标信号微弱、图像特征不明显、有效特征难提取等问题,导致雷达微弱目标检测与识别一直是雷达处理领域中的难点之一。传统模型类处理方法与实际工作背景和目标特性匹配不精准,导致通用性不强。近年来,深度学习在雷达智能信息处理领域取得了显著进展,深度学习算法通过构建深层神经网络,可以自动地从大量雷达数据中学习特征表示,提高目标检测和识别的性能。该文分别从雷达目标微弱信号处理、图像处理、特征学习等多个方面系统梳理和总结近年来雷达微弱目标智能化处理的研究进展,具体包括噪声与杂波抑制、微弱目标信号增强;低、高分辨雷达图像和特征图处理;特征提取、融合、目标分类与识别等。针对目前微弱目标智能化处理应用存在的泛化能力有限、特征单一、可解释性不足等问题,从小样本目标检测(迁移学习、强化学习)、多维多特征融合检测、网络模型可解释性、知识与数据联合驱动等方面对未来发展进行了展望。
动平台分布式雷达系统可有效提升系统的生存能力和探测性能,但运动平台之间通常采用无线传输方式,难以配备大通信带宽以传输完整的信号数据,给雷达系统的高性能检测带来极大挑战。由于低比特量化技术可显著降低分布式系统的通信传输代价和计算资源消耗,该文针对低信噪比弱信号环境下提出了动平台分布式雷达系统的低比特量化运动目标检测算法。首先,根据系统资源将各节点的多脉冲观测数据选择对应位数的低比特量化器进行量化,推导了关于量化器和多个目标状态的似然函数。其次,证明了低比特量化数据对应似然函数关于未知目标反射系数的凸性,并基于该特性设计了多普勒频移和反射系数的联合估计器。然后,针对探测区域中存在的多个状态未知目标设计了多目标检测器,推导了其恒虚警率门限。最后,通过推导系统的渐近性能设计了最优低比特量化器,在保证系统鲁棒性的同时有效提升了系统的检测性能。仿真实验分析了所提算法的检测与估计性能,结果证明了所提算法在低信噪比弱信号环境下的有效性,同时表明低比特量化数据可在仅占用低于20%通信带宽的基础上实现接近高精度(16比特量化)数据对应的检测和估计性能,且2比特量化策略可作为检测性能和雷达系统资源消耗的折中选择。 动平台分布式雷达系统可有效提升系统的生存能力和探测性能,但运动平台之间通常采用无线传输方式,难以配备大通信带宽以传输完整的信号数据,给雷达系统的高性能检测带来极大挑战。由于低比特量化技术可显著降低分布式系统的通信传输代价和计算资源消耗,该文针对低信噪比弱信号环境下提出了动平台分布式雷达系统的低比特量化运动目标检测算法。首先,根据系统资源将各节点的多脉冲观测数据选择对应位数的低比特量化器进行量化,推导了关于量化器和多个目标状态的似然函数。其次,证明了低比特量化数据对应似然函数关于未知目标反射系数的凸性,并基于该特性设计了多普勒频移和反射系数的联合估计器。然后,针对探测区域中存在的多个状态未知目标设计了多目标检测器,推导了其恒虚警率门限。最后,通过推导系统的渐近性能设计了最优低比特量化器,在保证系统鲁棒性的同时有效提升了系统的检测性能。仿真实验分析了所提算法的检测与估计性能,结果证明了所提算法在低信噪比弱信号环境下的有效性,同时表明低比特量化数据可在仅占用低于20%通信带宽的基础上实现接近高精度(16比特量化)数据对应的检测和估计性能,且2比特量化策略可作为检测性能和雷达系统资源消耗的折中选择。
作为一种由众多亚波长单元周期性或非周期性排列构成的二维人工结构,超表面展示了其在电磁波极化调控领域的卓越能力,开辟了电磁波调控的新途径。电控可重构极化调控超表面,可通过电信号实时调整其结构或材料特性进而动态地调控电磁波的极化状态,因而受到广泛研究关注。该文全面综述了电控可重构极化调控超表面的发展历程,详细探讨了微波段具备不同传输特性的电控可重构极化调控超表面的技术进展,并对电控可重构极化调控超表面技术的未来发展进行了深入的探讨和展望。 作为一种由众多亚波长单元周期性或非周期性排列构成的二维人工结构,超表面展示了其在电磁波极化调控领域的卓越能力,开辟了电磁波调控的新途径。电控可重构极化调控超表面,可通过电信号实时调整其结构或材料特性进而动态地调控电磁波的极化状态,因而受到广泛研究关注。该文全面综述了电控可重构极化调控超表面的发展历程,详细探讨了微波段具备不同传输特性的电控可重构极化调控超表面的技术进展,并对电控可重构极化调控超表面技术的未来发展进行了深入的探讨和展望。
随着深度学习方法在合成孔径雷达(SAR)图像解译领域的广泛应用,SAR目标识别深度网络可理解性问题逐渐受到学者的关注。类激活映射(CAM)作为常用的可理解性算法,能够通过热力图的方式,直观展示对识别任务起作用的显著性区域。然而作为一种事后解释的方法,其只能静态展示当次识别过程中的显著性区域,无法动态展示当输入发生变化时显著性区域的变化规律。该文将扰动的思想引入类激活映射,提出了一种基于SAR背景杂波特性类激活映射方法(SCC-CAM),通过对输入图像引入同分布的全局扰动,逐步向SAR识别深度网络施加干扰,使得网络判决发生翻转,并在此刻计算网络神经元输出激活值的变化程度。该方法既能解决添加扰动可能带来的扰动传染问题,又能够动态观察和度量目标识别网络在识别过程中显著性区域的变化规律,从而增强深度网络的可理解性。在MSTAR数据集和OpenSARShip-1.0数据集上的试验表明,该文提出的算法具有更加精确的定位显著性区域的能力,相比于传统方法,在平均置信度下降率、置信度上升比例、信息量等评估指标上,所提算法具有更强的可理解性,能够作为通用的增强网络可理解性的方法。 随着深度学习方法在合成孔径雷达(SAR)图像解译领域的广泛应用,SAR目标识别深度网络可理解性问题逐渐受到学者的关注。类激活映射(CAM)作为常用的可理解性算法,能够通过热力图的方式,直观展示对识别任务起作用的显著性区域。然而作为一种事后解释的方法,其只能静态展示当次识别过程中的显著性区域,无法动态展示当输入发生变化时显著性区域的变化规律。该文将扰动的思想引入类激活映射,提出了一种基于SAR背景杂波特性类激活映射方法(SCC-CAM),通过对输入图像引入同分布的全局扰动,逐步向SAR识别深度网络施加干扰,使得网络判决发生翻转,并在此刻计算网络神经元输出激活值的变化程度。该方法既能解决添加扰动可能带来的扰动传染问题,又能够动态观察和度量目标识别网络在识别过程中显著性区域的变化规律,从而增强深度网络的可理解性。在MSTAR数据集和OpenSARShip-1.0数据集上的试验表明,该文提出的算法具有更加精确的定位显著性区域的能力,相比于传统方法,在平均置信度下降率、置信度上升比例、信息量等评估指标上,所提算法具有更强的可理解性,能够作为通用的增强网络可理解性的方法。
机载扫描雷达前视成像可广泛应用于态势感知、自主导航和地形跟随。在雷达扫描过程中受到不经意的电磁脉冲干扰或设备性能异常等影响时,雷达回波数据出现异常值。已有的超分辨方法可以抑制回波中的异常值、提高角度分辨率,但没有考虑计算实时性问题。针对上述问题,该文提出了一种机载雷达超分辨方法实现回波数据异常时的快速前视成像。为了更好地拟合回波噪声,引入对异常值更加鲁棒的学生t分布,并采用期望最大化方法对成像参数进行估计。受截断奇异值分解方法的启发,将截断的酉矩阵引入目标散射系数的估计公式中。通过矩阵变换降低了求逆矩阵的尺寸,从而降低了参数估计的计算复杂度。仿真结果表明该文提出加速方法可以用更短的时间提高前视成像的角度分辨率,抑制回波数据中的异常值。 机载扫描雷达前视成像可广泛应用于态势感知、自主导航和地形跟随。在雷达扫描过程中受到不经意的电磁脉冲干扰或设备性能异常等影响时,雷达回波数据出现异常值。已有的超分辨方法可以抑制回波中的异常值、提高角度分辨率,但没有考虑计算实时性问题。针对上述问题,该文提出了一种机载雷达超分辨方法实现回波数据异常时的快速前视成像。为了更好地拟合回波噪声,引入对异常值更加鲁棒的学生t分布,并采用期望最大化方法对成像参数进行估计。受截断奇异值分解方法的启发,将截断的酉矩阵引入目标散射系数的估计公式中。通过矩阵变换降低了求逆矩阵的尺寸,从而降低了参数估计的计算复杂度。仿真结果表明该文提出加速方法可以用更短的时间提高前视成像的角度分辨率,抑制回波数据中的异常值。
合成孔径雷达自动目标识别(SAR-ATR)领域缺乏有效的黑盒攻击算法,为此,该文结合动量迭代快速梯度符号(MI-FGSM)思想提出了一种基于迁移的黑盒攻击算法。首先结合SAR图像特性进行随机斑点噪声变换,缓解模型对斑点噪声的过拟合,提高算法的泛化性能;然后设计了能够快速寻找最优梯度下降方向的ABN寻优器,通过模型梯度快速收敛提升算法攻击有效性;最后引入拟双曲动量算子获得稳定的模型梯度下降方向,使梯度在快速收敛过程中避免陷入局部最优,进一步增强对抗样本的黑盒攻击成功率。通过仿真实验表明,与现有的对抗攻击算法相比,该文算法在MSTAR和FUSAR-Ship数据集上对主流的SAR-ATR深度神经网络的集成模型黑盒攻击成功率分别提高了3%~55%和6%~57.5%,而且生成的对抗样本具有高度的隐蔽性。 合成孔径雷达自动目标识别(SAR-ATR)领域缺乏有效的黑盒攻击算法,为此,该文结合动量迭代快速梯度符号(MI-FGSM)思想提出了一种基于迁移的黑盒攻击算法。首先结合SAR图像特性进行随机斑点噪声变换,缓解模型对斑点噪声的过拟合,提高算法的泛化性能;然后设计了能够快速寻找最优梯度下降方向的ABN寻优器,通过模型梯度快速收敛提升算法攻击有效性;最后引入拟双曲动量算子获得稳定的模型梯度下降方向,使梯度在快速收敛过程中避免陷入局部最优,进一步增强对抗样本的黑盒攻击成功率。通过仿真实验表明,与现有的对抗攻击算法相比,该文算法在MSTAR和FUSAR-Ship数据集上对主流的SAR-ATR深度神经网络的集成模型黑盒攻击成功率分别提高了3%~55%和6%~57.5%,而且生成的对抗样本具有高度的隐蔽性。
多普勒穿墙雷达在定位墙后目标时,存在以下两个难点:(1)准确获取频率混叠区域目标瞬时频率;(2)通过获取精确的墙体参数来减小墙体对定位造成的影响。针对以上问题该文提出了一种结合Hough变换和支持向量回归-BP神经网络的目标定位算法。该文首先设计了一种多视角融合穿墙目标探测模型框架,通过获取不同视角下的目标位置来提供辅助估计墙体参数信息;其次,结合差分进化算法和切比雪夫插值多项式提出了一种目标瞬时频率曲线的高精度提取和估计算法;最后,利用估计的墙体参数信息,提出了一种基于BP神经网络的目标运动轨迹补偿算法,抑制了障碍物对目标定位结果的扭曲影响,实现了对墙后目标的精确定位。实验结果表明,相较于传统的短时傅里叶方法,该文所述方法可以准确提取时频混叠区域的目标瞬时频率曲线并减小墙体造成的影响,从而实现墙后多目标的准确定位,整体定位精度提升了约85%。 多普勒穿墙雷达在定位墙后目标时,存在以下两个难点:(1)准确获取频率混叠区域目标瞬时频率;(2)通过获取精确的墙体参数来减小墙体对定位造成的影响。针对以上问题该文提出了一种结合Hough变换和支持向量回归-BP神经网络的目标定位算法。该文首先设计了一种多视角融合穿墙目标探测模型框架,通过获取不同视角下的目标位置来提供辅助估计墙体参数信息;其次,结合差分进化算法和切比雪夫插值多项式提出了一种目标瞬时频率曲线的高精度提取和估计算法;最后,利用估计的墙体参数信息,提出了一种基于BP神经网络的目标运动轨迹补偿算法,抑制了障碍物对目标定位结果的扭曲影响,实现了对墙后目标的精确定位。实验结果表明,相较于传统的短时傅里叶方法,该文所述方法可以准确提取时频混叠区域的目标瞬时频率曲线并减小墙体造成的影响,从而实现墙后多目标的准确定位,整体定位精度提升了约85%。
摘要(291)
HTML(93) 5930KB(195)
高分辨率雷达成像技术和人工智能、大数据技术的快速发展,有力促进了雷达图像智能解译技术的进步。由于雷达传感器本身的特殊性和电磁散射成像物理的复杂性,雷达图像的解译缺乏光学图像的直观性,准确迅速识别分类的需求对雷达图像解译提出了迫切的挑战。在借鉴人脑光视觉感知机理和计算机视觉图像处理相关技术基础上,进一步融合电磁散射物理规律及其雷达成像机理,我们提出发展微波域雷达图像解译的“微波视觉”的新交叉领域研究。该文介绍微波视觉的概念与内涵,提出微波视觉认知模型,阐述其基础理论问题与技术路线,最后介绍了作者团队在相关问题上的初步研究进展。 高分辨率雷达成像技术和人工智能、大数据技术的快速发展,有力促进了雷达图像智能解译技术的进步。由于雷达传感器本身的特殊性和电磁散射成像物理的复杂性,雷达图像的解译缺乏光学图像的直观性,准确迅速识别分类的需求对雷达图像解译提出了迫切的挑战。在借鉴人脑光视觉感知机理和计算机视觉图像处理相关技术基础上,进一步融合电磁散射物理规律及其雷达成像机理,我们提出发展微波域雷达图像解译的“微波视觉”的新交叉领域研究。该文介绍微波视觉的概念与内涵,提出微波视觉认知模型,阐述其基础理论问题与技术路线,最后介绍了作者团队在相关问题上的初步研究进展。
无人机等低慢小目标探测对雷达目标检测和识别技术提出了很高的挑战,迫切需要构建相关数据集,支撑低慢小探测技术的发展和应用。该文公开了一个多波段调频连续波(FMCW)雷达低慢小目标探测数据集,基于Ku波段和L波段的FMCW雷达采集6种类型的无人机回波数据,通过雷达调制周期和调制带宽,具备不同时域和频域分辨和测量能力,构建了多波段FMCW雷达低慢小探测数据集(LSS-FMCWR-1.0)。为了进一步提升无人机微动特征提取能力,该文提出基于局部极大值同步提取变换的无人机微动提取和参数估计方法,在短时傅里叶变换的基础上提取时频能量最大值,保留有用信号分量,实现精细化时频表示。基于LSS-FMCWR-1.0进行验证分析,结果表明该方法相较于传统时频方法,熵值平均降低了5.3 dB,旋翼叶长估计误差降低了27.7%,所提方法兼顾高时频分辨率和较高的参数估计精度,为后续目标识别奠定了基础。 无人机等低慢小目标探测对雷达目标检测和识别技术提出了很高的挑战,迫切需要构建相关数据集,支撑低慢小探测技术的发展和应用。该文公开了一个多波段调频连续波(FMCW)雷达低慢小目标探测数据集,基于Ku波段和L波段的FMCW雷达采集6种类型的无人机回波数据,通过雷达调制周期和调制带宽,具备不同时域和频域分辨和测量能力,构建了多波段FMCW雷达低慢小探测数据集(LSS-FMCWR-1.0)。为了进一步提升无人机微动特征提取能力,该文提出基于局部极大值同步提取变换的无人机微动提取和参数估计方法,在短时傅里叶变换的基础上提取时频能量最大值,保留有用信号分量,实现精细化时频表示。基于LSS-FMCWR-1.0进行验证分析,结果表明该方法相较于传统时频方法,熵值平均降低了5.3 dB,旋翼叶长估计误差降低了27.7%,所提方法兼顾高时频分辨率和较高的参数估计精度,为后续目标识别奠定了基础。
微波光子(MWP)雷达是一种通过光子器件对传统微波雷达硬件架构进行改进的新型雷达系统。借助光子器件卓越的物理特性,MWP雷达能够发射超宽带、高线性度的高质量线性调频信号,从而实现对目标的超高分辨率探测与成像。在目标成像与探测过程中,不同结构和特性的目标区域对不同频率信号的响应存在差异。因此,微波光子雷达具备通过散射差异生成伪彩图像的潜力,从而进一步提升微波光子合成孔径雷达(MWP-SAR)的信息获取能力。传统的遥感技术生成的伪彩图像分辨率较低,无法达到厘米级的分辨。因此,该文提出了一种在保证MWP-SAR高分辨率的前提下合成伪彩图像的方法。该算法首先建立了最优子带回波搜索模型,随后采用最优子带搜索算法对超宽带回波进行处理,以获取散射特性相差最大的子带回波通道。再对多子带差异图像进行色彩合成,通过这一处理步骤,能够生成对目标散射特性最佳描述的伪彩图像。同时,为了确保MWP-SAR的分辨率不受到损失,建立了一个融合模型,将全分辨率的SAR图像与多子带图像相融合,以维持伪彩图像的高分辨率。最终,通过实测的机载MWP-SAR数据成功地合成了全分辨率的伪彩色图像,从而验证了该算法的有效性。该算法可以使得MWP-SAR在成像时获取更多的目标信息,为成像雷达微波视觉的实现提供辅助。 微波光子(MWP)雷达是一种通过光子器件对传统微波雷达硬件架构进行改进的新型雷达系统。借助光子器件卓越的物理特性,MWP雷达能够发射超宽带、高线性度的高质量线性调频信号,从而实现对目标的超高分辨率探测与成像。在目标成像与探测过程中,不同结构和特性的目标区域对不同频率信号的响应存在差异。因此,微波光子雷达具备通过散射差异生成伪彩图像的潜力,从而进一步提升微波光子合成孔径雷达(MWP-SAR)的信息获取能力。传统的遥感技术生成的伪彩图像分辨率较低,无法达到厘米级的分辨。因此,该文提出了一种在保证MWP-SAR高分辨率的前提下合成伪彩图像的方法。该算法首先建立了最优子带回波搜索模型,随后采用最优子带搜索算法对超宽带回波进行处理,以获取散射特性相差最大的子带回波通道。再对多子带差异图像进行色彩合成,通过这一处理步骤,能够生成对目标散射特性最佳描述的伪彩图像。同时,为了确保MWP-SAR的分辨率不受到损失,建立了一个融合模型,将全分辨率的SAR图像与多子带图像相融合,以维持伪彩图像的高分辨率。最终,通过实测的机载MWP-SAR数据成功地合成了全分辨率的伪彩色图像,从而验证了该算法的有效性。该算法可以使得MWP-SAR在成像时获取更多的目标信息,为成像雷达微波视觉的实现提供辅助。
合成孔径雷达(SAR)目标识别智能算法目前仍面临缺少鲁棒性、泛化性和可解释性的挑战,理解SAR目标微波特性并将其结合先进的深度学习算法,实现高效鲁棒的SAR目标识别,是目前领域较为关注的研究重点。SAR目标特性反演方法通常计算复杂度较高,难以结合深度神经网络实现端到端的实时预测。为促进SAR目标物理特性在智能识别任务中的应用,发展高效、智能、可解释的微波物理特性感知方法至关重要。该文将高分辨SAR目标的非平稳特性作为一种典型的微波视觉特性,提出一种改进的基于时频分析的目标特性智能感知方法,优化了处理流程和计算效率,使之更适用于SAR目标识别场景,并进一步将其应用到SAR目标智能识别算法中,实现了稳定的性能提升。该方法泛化性强、计算效率高,能得到物理可解释的SAR目标特性分类结果,对目标识别算法的性能提升与属性散射中心模型相当。 合成孔径雷达(SAR)目标识别智能算法目前仍面临缺少鲁棒性、泛化性和可解释性的挑战,理解SAR目标微波特性并将其结合先进的深度学习算法,实现高效鲁棒的SAR目标识别,是目前领域较为关注的研究重点。SAR目标特性反演方法通常计算复杂度较高,难以结合深度神经网络实现端到端的实时预测。为促进SAR目标物理特性在智能识别任务中的应用,发展高效、智能、可解释的微波物理特性感知方法至关重要。该文将高分辨SAR目标的非平稳特性作为一种典型的微波视觉特性,提出一种改进的基于时频分析的目标特性智能感知方法,优化了处理流程和计算效率,使之更适用于SAR目标识别场景,并进一步将其应用到SAR目标智能识别算法中,实现了稳定的性能提升。该方法泛化性强、计算效率高,能得到物理可解释的SAR目标特性分类结果,对目标识别算法的性能提升与属性散射中心模型相当。
合成孔径雷达(SAR)图像是当前微波视觉研究领域的重要数据源。计算机视觉以光学视觉规律为理论基础,无法有效解译SAR图像。因此,借鉴人类视觉感知规律和计算机视觉技术,并融合电磁物理规律的微波视觉成为当前微波遥感领域的一个重要研究方向。探索微波视觉的认知基础对于完善微波视觉理论体系至关重要。该文旨在探讨光学感知规律在微波视觉中的有效性,作为完善微波视觉理论的基础尝试。格式塔感知规律是一类经典的视觉理论,常用于描述人类视觉系统对外部光学世界的感知规律,是计算机视觉的认知理论基础之一。在此背景下,该文以SAR图像为研究对象,借鉴认知心理学实验的设计流程,对格式塔感知规律中的感知组合律和感知不变律在SAR图像中的有效性进行初步研究,探索微波视觉的认知基础。实验结果表明,格式塔感知规律不能够直接应用到SAR图像的算法设计中,人类视觉系统从光学世界中总结出的知识概念、视觉规律在SAR图像中表现不佳,未来需要针对SAR图像等微波图像的特点总结相应的微波视觉认知规律。 合成孔径雷达(SAR)图像是当前微波视觉研究领域的重要数据源。计算机视觉以光学视觉规律为理论基础,无法有效解译SAR图像。因此,借鉴人类视觉感知规律和计算机视觉技术,并融合电磁物理规律的微波视觉成为当前微波遥感领域的一个重要研究方向。探索微波视觉的认知基础对于完善微波视觉理论体系至关重要。该文旨在探讨光学感知规律在微波视觉中的有效性,作为完善微波视觉理论的基础尝试。格式塔感知规律是一类经典的视觉理论,常用于描述人类视觉系统对外部光学世界的感知规律,是计算机视觉的认知理论基础之一。在此背景下,该文以SAR图像为研究对象,借鉴认知心理学实验的设计流程,对格式塔感知规律中的感知组合律和感知不变律在SAR图像中的有效性进行初步研究,探索微波视觉的认知基础。实验结果表明,格式塔感知规律不能够直接应用到SAR图像的算法设计中,人类视觉系统从光学世界中总结出的知识概念、视觉规律在SAR图像中表现不佳,未来需要针对SAR图像等微波图像的特点总结相应的微波视觉认知规律。
舰船检测是极化SAR系统的重要应用之一。现有的舰船检测方法容易受到旁瓣泄露的干扰,使得舰船目标的形态难以提取,导致检测结果不符合真实情况。此外,在舰船过于密集、尺度不一致的情况下,相邻舰船由于旁瓣的影响有时会被认为是单个目标,从而造成漏检。针对这些问题,该文提出一种基于极化SAR梯度和复Wishart分类器的舰船检测方法。首先,将似然比检验(LRT)梯度引入对数比值梯度框架,使其适用于极化SAR数据;基于LRT梯度图进行恒虚警(CFAR)检测,提取舰船的边缘信息,消除伪影的同时抑制强旁瓣对舰船精细轮廓提取的影响。其次,利用复Wishart迭代分类器对舰船强散射部分进行检测,可排除大部分的杂波干扰且保持舰船形态细节。最后,将二者信息融合,从而可以保持舰船形态细节的同时克服旁瓣和伪信号的虚警。该文在3幅来自ALOS-2卫星的极化SAR图像上进行了对比实验,实验表明与其他方法相比,该文所提算法具有更少的虚警和漏检,且能够有效克服旁瓣泄露,保持舰船形态细节。 舰船检测是极化SAR系统的重要应用之一。现有的舰船检测方法容易受到旁瓣泄露的干扰,使得舰船目标的形态难以提取,导致检测结果不符合真实情况。此外,在舰船过于密集、尺度不一致的情况下,相邻舰船由于旁瓣的影响有时会被认为是单个目标,从而造成漏检。针对这些问题,该文提出一种基于极化SAR梯度和复Wishart分类器的舰船检测方法。首先,将似然比检验(LRT)梯度引入对数比值梯度框架,使其适用于极化SAR数据;基于LRT梯度图进行恒虚警(CFAR)检测,提取舰船的边缘信息,消除伪影的同时抑制强旁瓣对舰船精细轮廓提取的影响。其次,利用复Wishart迭代分类器对舰船强散射部分进行检测,可排除大部分的杂波干扰且保持舰船形态细节。最后,将二者信息融合,从而可以保持舰船形态细节的同时克服旁瓣和伪信号的虚警。该文在3幅来自ALOS-2卫星的极化SAR图像上进行了对比实验,实验表明与其他方法相比,该文所提算法具有更少的虚警和漏检,且能够有效克服旁瓣泄露,保持舰船形态细节。
随着合成孔径雷达(SAR)图像在舰船检测和识别领域的广泛应用,准确而高效地进行舰船分类已经成为一个亟待解决的问题。在小样本学习场景下,一般的方法面临着泛化能力不足的问题,因此该文引入了额外的信息和特征,旨在增加模型对目标的理解和泛化能力。该文通过散射关键点构建拓扑结构以表征舰船目标的结构和形状特征,并计算拓扑结构的拉普拉斯矩阵,将散射点之间的拓扑关系转化为矩阵形式,最后将SAR图像和拉普拉斯矩阵分别作为双分支网络的输入进行特征提取。在网络结构方面,该文设计了一个由两个独立的卷积分支组成的双分支卷积神经网络,分别负责处理视觉特征和拓扑特征,并用两个交叉融合注意力模块分别对两个分支的特征进行交互融合。该方法有效地将目标散射点拓扑关系与网络的自动学习过程相结合,从而增强模型的泛化能力并提高分类精度。实验结果表明,在OpenSARShip数据集上,所提方法在1-shot和5-shot任务的平均准确率分别为53.80%和73.00%。而在FUSAR-Ship数据集上,所提方法分别取得了54.44%和71.36%的平均准确率。所提方法在1-shot和5-shot的设置下相比基础方法准确率均提升超过15%,证明了散射点拓扑的应用对SAR图像小样本舰船分类的有效性。 随着合成孔径雷达(SAR)图像在舰船检测和识别领域的广泛应用,准确而高效地进行舰船分类已经成为一个亟待解决的问题。在小样本学习场景下,一般的方法面临着泛化能力不足的问题,因此该文引入了额外的信息和特征,旨在增加模型对目标的理解和泛化能力。该文通过散射关键点构建拓扑结构以表征舰船目标的结构和形状特征,并计算拓扑结构的拉普拉斯矩阵,将散射点之间的拓扑关系转化为矩阵形式,最后将SAR图像和拉普拉斯矩阵分别作为双分支网络的输入进行特征提取。在网络结构方面,该文设计了一个由两个独立的卷积分支组成的双分支卷积神经网络,分别负责处理视觉特征和拓扑特征,并用两个交叉融合注意力模块分别对两个分支的特征进行交互融合。该方法有效地将目标散射点拓扑关系与网络的自动学习过程相结合,从而增强模型的泛化能力并提高分类精度。实验结果表明,在OpenSARShip数据集上,所提方法在1-shot和5-shot任务的平均准确率分别为53.80%和73.00%。而在FUSAR-Ship数据集上,所提方法分别取得了54.44%和71.36%的平均准确率。所提方法在1-shot和5-shot的设置下相比基础方法准确率均提升超过15%,证明了散射点拓扑的应用对SAR图像小样本舰船分类的有效性。
基于调频(FM)广播信号的外辐射源雷达有着检测概率低、虚警率高、量测精度差的特点,这给组网目标跟踪带来了极大挑战。一方面,较高的虚警率使计算量增加,组网算法的实时性受到考验;另一方面检测概率低、方位角精度差造成冗余信息缺乏,量测关联与航迹起始变得困难。为解决这些问题,该文提出初级假设点和初级假设航迹的概念,以及基于此概念的FM广播外辐射源雷达网航迹起始算法。首先构造可能的低维关联假设,并解算出与其对应的初级假设点;随后关联不同时刻的初级假设点,形成多条可能的初级假设航迹;最后联合多场雷达网数据进行假设航迹判决,真实目标对应的初级假设航迹会得到确认,错误关联导致的虚假初级假设航迹会被剔除。相比于已有算法,所提算法有着更低的计算量,更快的航迹起始速度,仿真与实测结果均验证了所提算法的有效性。 基于调频(FM)广播信号的外辐射源雷达有着检测概率低、虚警率高、量测精度差的特点,这给组网目标跟踪带来了极大挑战。一方面,较高的虚警率使计算量增加,组网算法的实时性受到考验;另一方面检测概率低、方位角精度差造成冗余信息缺乏,量测关联与航迹起始变得困难。为解决这些问题,该文提出初级假设点和初级假设航迹的概念,以及基于此概念的FM广播外辐射源雷达网航迹起始算法。首先构造可能的低维关联假设,并解算出与其对应的初级假设点;随后关联不同时刻的初级假设点,形成多条可能的初级假设航迹;最后联合多场雷达网数据进行假设航迹判决,真实目标对应的初级假设航迹会得到确认,错误关联导致的虚假初级假设航迹会被剔除。相比于已有算法,所提算法有着更低的计算量,更快的航迹起始速度,仿真与实测结果均验证了所提算法的有效性。
卷积神经网络(CNN)在合成孔径雷达(SAR)图像目标分类任务中应用广泛。由于网络工作机理不透明,CNN模型难以满足高可靠性实际应用的要求。类激活映射方法常用于可视化CNN模型的决策区域,但现有方法主要基于通道级或空间级类激活权重,且在SAR图像数据集上的应用仍处于起步阶段。基于此,该文从神经元特征提取能力和网络决策依据两个层面出发,提出了一种面向SAR图像的CNN模型可视化方法。首先,基于神经元的激活值,对神经元在其感受野范围内的目标结构学习能力进行可视化,然后提出一种通道-空间混合的类激活映射方法,通过对SAR图像中的重要区域进行定位,为模型的决策过程提供依据。实验结果表明,该方法给出了模型在不同设置下的可解释性分析,有效拓展了卷积神经网络在SAR图像上的可视化应用。 卷积神经网络(CNN)在合成孔径雷达(SAR)图像目标分类任务中应用广泛。由于网络工作机理不透明,CNN模型难以满足高可靠性实际应用的要求。类激活映射方法常用于可视化CNN模型的决策区域,但现有方法主要基于通道级或空间级类激活权重,且在SAR图像数据集上的应用仍处于起步阶段。基于此,该文从神经元特征提取能力和网络决策依据两个层面出发,提出了一种面向SAR图像的CNN模型可视化方法。首先,基于神经元的激活值,对神经元在其感受野范围内的目标结构学习能力进行可视化,然后提出一种通道-空间混合的类激活映射方法,通过对SAR图像中的重要区域进行定位,为模型的决策过程提供依据。实验结果表明,该方法给出了模型在不同设置下的可解释性分析,有效拓展了卷积神经网络在SAR图像上的可视化应用。
全姿态散射中心模型是一种性能优良的光学区复杂目标电磁散射参数化模型。针对传统的基于候选点筛选和聚类的全姿态散射中心建模方法易出现虚假散射中心和遗漏真实散射中心的问题,该文提出了一种基于目标三维空间电磁散射强度场谱峰分析的建模方法。首先,基于目标多视一维散射中心参数,利用随机采样一致性(RANSAC)方法和Parzen窗函数方法估计目标在三维空间中的电磁散射强度场。然后,通过谱峰分析、散射中心关联和多视量测融合,得到全姿态三维散射中心的位置。最后,利用二值形态学处理修正全姿态散射中心的角度可见性,估计全姿态散射中心的散射系数和类型参数。仿真结果表明,该文方法所提取的全姿态散射中心与目标几何结构具有极强的关联性,相较传统方法,在缩减三维散射中心数量的同时提升了模型的表示精度。 全姿态散射中心模型是一种性能优良的光学区复杂目标电磁散射参数化模型。针对传统的基于候选点筛选和聚类的全姿态散射中心建模方法易出现虚假散射中心和遗漏真实散射中心的问题,该文提出了一种基于目标三维空间电磁散射强度场谱峰分析的建模方法。首先,基于目标多视一维散射中心参数,利用随机采样一致性(RANSAC)方法和Parzen窗函数方法估计目标在三维空间中的电磁散射强度场。然后,通过谱峰分析、散射中心关联和多视量测融合,得到全姿态三维散射中心的位置。最后,利用二值形态学处理修正全姿态散射中心的角度可见性,估计全姿态散射中心的散射系数和类型参数。仿真结果表明,该文方法所提取的全姿态散射中心与目标几何结构具有极强的关联性,相较传统方法,在缩减三维散射中心数量的同时提升了模型的表示精度。
该文考虑了海杂波环境下的雷达目标检测问题,提出了一种基于深度学习的海面目标检测器。该检测器通过融合从不同数据源中提取的多种互补性特征以增加目标和杂波的差异性,从而提升对海面目标的检测性能。具体来说,该检测器首先利用两个特征提取分支分别从距离像和距离多普勒谱图中提取多层次快时间特征和距离特征;然后,设计局部-全局特征提取结构从特征的慢时间维度或多普勒维度提取序列关联性;接着,提出基于自适应卷积权重学习的特征融合模块,实现快慢时间特征和距离多普勒特征的高效融合;最后,对多层次特征进行融合、上采样和非线性映射获得检测结果。基于两个公开雷达数据集上的实验验证了所提检测器的检测性能。 该文考虑了海杂波环境下的雷达目标检测问题,提出了一种基于深度学习的海面目标检测器。该检测器通过融合从不同数据源中提取的多种互补性特征以增加目标和杂波的差异性,从而提升对海面目标的检测性能。具体来说,该检测器首先利用两个特征提取分支分别从距离像和距离多普勒谱图中提取多层次快时间特征和距离特征;然后,设计局部-全局特征提取结构从特征的慢时间维度或多普勒维度提取序列关联性;接着,提出基于自适应卷积权重学习的特征融合模块,实现快慢时间特征和距离多普勒特征的高效融合;最后,对多层次特征进行融合、上采样和非线性映射获得检测结果。基于两个公开雷达数据集上的实验验证了所提检测器的检测性能。
该文针对分布式相控阵多雷达网络的多目标跟踪场景,研究非理想检测条件下的节点选择与辐射资源联合优化分配算法。首先,根据分布式相控阵多雷达网络构成、目标运动模型、雷达量测模型以及雷达节点检测情况,推导非理想检测下以雷达节点选择、辐射功率和信号带宽为变量的贝叶斯克拉默-拉奥下界(BCRLB)闭式解析表达式,并以此作为多目标跟踪精度衡量指标。在此基础上,以最小化系统各雷达节点对所有目标的总辐射功率为优化目标,以满足目标跟踪精度门限以及给定的系统射频辐射资源限制为约束条件,建立非理想检测条件下多雷达网络节点选择与辐射资源联合优化分配模型,对各时刻雷达节点选择、辐射功率和信号带宽等参数进行联合优化设计,以提升多雷达网络的射频隐身性能。最后,针对上述非线性、非凸优化问题,采用基于障碍函数法和循环最小化算法的4步分解算法进行求解。仿真结果表明,与现有算法相比,所提算法能在满足给定多目标跟踪精度的条件下有效降低分布式相控阵多雷达网络的总辐射功率,至少降低了约32.3%,从而提升其射频隐身性能。 该文针对分布式相控阵多雷达网络的多目标跟踪场景,研究非理想检测条件下的节点选择与辐射资源联合优化分配算法。首先,根据分布式相控阵多雷达网络构成、目标运动模型、雷达量测模型以及雷达节点检测情况,推导非理想检测下以雷达节点选择、辐射功率和信号带宽为变量的贝叶斯克拉默-拉奥下界(BCRLB)闭式解析表达式,并以此作为多目标跟踪精度衡量指标。在此基础上,以最小化系统各雷达节点对所有目标的总辐射功率为优化目标,以满足目标跟踪精度门限以及给定的系统射频辐射资源限制为约束条件,建立非理想检测条件下多雷达网络节点选择与辐射资源联合优化分配模型,对各时刻雷达节点选择、辐射功率和信号带宽等参数进行联合优化设计,以提升多雷达网络的射频隐身性能。最后,针对上述非线性、非凸优化问题,采用基于障碍函数法和循环最小化算法的4步分解算法进行求解。仿真结果表明,与现有算法相比,所提算法能在满足给定多目标跟踪精度的条件下有效降低分布式相控阵多雷达网络的总辐射功率,至少降低了约32.3%,从而提升其射频隐身性能。
随着卫星技术的发展,极化合成孔径雷达(PolSAR)数据的分辨率和数据质量得到大幅提升,为人造目标的精细化目视解译提供了良好的数据条件。目前主要采用多分量分解的方法,但是易造成像素错分问题,为此,该文结合Yamaguchi极化分解和极化熵提出了一种非固定阈值划分的方法用于实现全极化SAR图像船只结构精细化特征表征。Yamaguchi极化分解能够识别基本散射机制,其修正后的体散射模型更符合实测数据,可有效对人造目标进行表征。极化熵H在弱去极化状态下可以看成某一指定等效点的目标散射机制,能够有效突出船只主散射特征。因此,该文通过将Yamaguchi极化分解算法的非固定三分量与极化熵的低中高熵内嵌,将其分为非固定阈值的九分类成分,从而降低硬阈值处理在阈值边界处受噪声影响产生的类别随机性。并且将二次散射和单次散射均显著的区域称为混合散射(MSM),以更好匹配实验中船只典型结构的散射类型。在此基础上,利用广义相似性参数进一步缩短类内距离,采用改进后的GSP-Wishart分类器进行迭代聚类,旨在通过提高二次散射和混合散射机制以提高不同类型船只可区分度。最后,该文采用中国上海某港口的高分三号全极化SAR数据进行实验,为了验证每艘船只特征表征正确性,通过船舶自动识别系统(AIS)收集并筛选了该港口船只信息及光学数据,并与极化SAR数据中每艘船只进行匹配。实验结果表明该方法可有效区分散货船、集装箱船和油轮3种类型船只。 随着卫星技术的发展,极化合成孔径雷达(PolSAR)数据的分辨率和数据质量得到大幅提升,为人造目标的精细化目视解译提供了良好的数据条件。目前主要采用多分量分解的方法,但是易造成像素错分问题,为此,该文结合Yamaguchi极化分解和极化熵提出了一种非固定阈值划分的方法用于实现全极化SAR图像船只结构精细化特征表征。Yamaguchi极化分解能够识别基本散射机制,其修正后的体散射模型更符合实测数据,可有效对人造目标进行表征。极化熵H在弱去极化状态下可以看成某一指定等效点的目标散射机制,能够有效突出船只主散射特征。因此,该文通过将Yamaguchi极化分解算法的非固定三分量与极化熵的低中高熵内嵌,将其分为非固定阈值的九分类成分,从而降低硬阈值处理在阈值边界处受噪声影响产生的类别随机性。并且将二次散射和单次散射均显著的区域称为混合散射(MSM),以更好匹配实验中船只典型结构的散射类型。在此基础上,利用广义相似性参数进一步缩短类内距离,采用改进后的GSP-Wishart分类器进行迭代聚类,旨在通过提高二次散射和混合散射机制以提高不同类型船只可区分度。最后,该文采用中国上海某港口的高分三号全极化SAR数据进行实验,为了验证每艘船只特征表征正确性,通过船舶自动识别系统(AIS)收集并筛选了该港口船只信息及光学数据,并与极化SAR数据中每艘船只进行匹配。实验结果表明该方法可有效区分散货船、集装箱船和油轮3种类型船只。
合成孔径雷达(SAR)采用相干成像机制,具有全天时、全天候成像的独特优势。飞机目标作为一种典型高价值目标,其检测与识别已成为SAR图像解译领域的研究热点。近年来,深度学习技术的引入,极大提升了SAR图像飞机目标检测与识别的性能。该文结合团队在SAR图像目标特别是飞机目标的检测与识别理论、算法及应用等方面的长期研究积累,对基于深度学习的SAR图像飞机目标检测与识别进行了全面回顾和综述,深入分析了SAR图像飞机目标特性及检测识别难点,总结了最新的研究进展以及不同方法的特点和应用场景,汇总整理了公开数据集及常用性能评估指标,最后,探讨了该领域研究面临的挑战和发展趋势。 合成孔径雷达(SAR)采用相干成像机制,具有全天时、全天候成像的独特优势。飞机目标作为一种典型高价值目标,其检测与识别已成为SAR图像解译领域的研究热点。近年来,深度学习技术的引入,极大提升了SAR图像飞机目标检测与识别的性能。该文结合团队在SAR图像目标特别是飞机目标的检测与识别理论、算法及应用等方面的长期研究积累,对基于深度学习的SAR图像飞机目标检测与识别进行了全面回顾和综述,深入分析了SAR图像飞机目标特性及检测识别难点,总结了最新的研究进展以及不同方法的特点和应用场景,汇总整理了公开数据集及常用性能评估指标,最后,探讨了该领域研究面临的挑战和发展趋势。
显示方式:
综 述
后向投影(BP)算法是合成孔径雷达成像算法发展的重要方向之一。然而,由于BP算法具有较大的计算量,阻碍了其在工程应用上的发展。因此,近年来如何有效地提高BP算法的运算效率受到了广泛的重视。该文讨论了基于多种成像面坐标系的快速BP算法,包括距离-方位平面坐标系、地平面坐标系和非欧氏坐标系。该文首先简要介绍了原始BP算法的原理和不同坐标系对加速BP算法的影响,并对BP算法的发展历程进行梳理。然后讨论了基于不同成像面坐标系的快速BP算法的研究进展,并重点介绍了作者所在研究团队近年来在快速BP成像方面完成的研究工作。最后介绍了快速BP算法在工程上的应用,并展望了未来快速BP成像算法的研究发展趋势。 后向投影(BP)算法是合成孔径雷达成像算法发展的重要方向之一。然而,由于BP算法具有较大的计算量,阻碍了其在工程应用上的发展。因此,近年来如何有效地提高BP算法的运算效率受到了广泛的重视。该文讨论了基于多种成像面坐标系的快速BP算法,包括距离-方位平面坐标系、地平面坐标系和非欧氏坐标系。该文首先简要介绍了原始BP算法的原理和不同坐标系对加速BP算法的影响,并对BP算法的发展历程进行梳理。然后讨论了基于不同成像面坐标系的快速BP算法的研究进展,并重点介绍了作者所在研究团队近年来在快速BP成像方面完成的研究工作。最后介绍了快速BP算法在工程上的应用,并展望了未来快速BP成像算法的研究发展趋势。
多径利用雷达(MER)目标探测技术主要基于电磁波在介质表面的反射、衍射等非直视(NLOS)多路径传播特性,实现对城市街角、车辆遮挡等“视觉”盲区内隐蔽目标的有效探测,其能够为城市作战、智能驾驶等多种应用提供服务,具有重要的现实意义和研究价值。为获知该领域的发展脉络,并预测未来可能的发展趋势,该文对21世纪初以来该领域国内外公开文献进行了归纳总结。相关文献的梳理结果表明,根据探测平台类型的不同,多径利用雷达目标探测技术目前主要包括两类:基于空中平台的多径探测技术和基于地面平台的多径探测技术。这两类技术均已取得一定具有实际意义的研究成果。针对空中平台,该文围绕可行性验证、影响因素分析、建筑环境感知和非视距目标探测4个方面展开梳理;针对地面平台,该文则从目标检测与识别、目标二维定位、目标三维信息获取及新型探测方法4个方面展开论述。最后,对多径利用雷达目标探测技术进行总结和展望,指出该技术在目前实际应用中所面临的潜在问题和挑战。这些结果表明,多径利用雷达目标探测技术正朝着多样化、智能化的方向发展。 多径利用雷达(MER)目标探测技术主要基于电磁波在介质表面的反射、衍射等非直视(NLOS)多路径传播特性,实现对城市街角、车辆遮挡等“视觉”盲区内隐蔽目标的有效探测,其能够为城市作战、智能驾驶等多种应用提供服务,具有重要的现实意义和研究价值。为获知该领域的发展脉络,并预测未来可能的发展趋势,该文对21世纪初以来该领域国内外公开文献进行了归纳总结。相关文献的梳理结果表明,根据探测平台类型的不同,多径利用雷达目标探测技术目前主要包括两类:基于空中平台的多径探测技术和基于地面平台的多径探测技术。这两类技术均已取得一定具有实际意义的研究成果。针对空中平台,该文围绕可行性验证、影响因素分析、建筑环境感知和非视距目标探测4个方面展开梳理;针对地面平台,该文则从目标检测与识别、目标二维定位、目标三维信息获取及新型探测方法4个方面展开论述。最后,对多径利用雷达目标探测技术进行总结和展望,指出该技术在目前实际应用中所面临的潜在问题和挑战。这些结果表明,多径利用雷达目标探测技术正朝着多样化、智能化的方向发展。
随着雷达目标探测需求的增加,基于压缩感知(CS)模型的稀疏恢复(SR)技术被广泛应用于雷达信号处理领域。该文首先对压缩感知的基本理论进行梳理;接着从场景稀疏以及稀疏观测两个角度介绍了雷达信号处理中的稀疏特性;然后基于稀疏特性,从空域处理、脉冲压缩、相参处理、雷达成像以及目标检测等角度概述了压缩感知技术在雷达信号处理中的应用。最后,对压缩感知技术在雷达信号处理中的应用进行了总结。 随着雷达目标探测需求的增加,基于压缩感知(CS)模型的稀疏恢复(SR)技术被广泛应用于雷达信号处理领域。该文首先对压缩感知的基本理论进行梳理;接着从场景稀疏以及稀疏观测两个角度介绍了雷达信号处理中的稀疏特性;然后基于稀疏特性,从空域处理、脉冲压缩、相参处理、雷达成像以及目标检测等角度概述了压缩感知技术在雷达信号处理中的应用。最后,对压缩感知技术在雷达信号处理中的应用进行了总结。
论 文
穿墙雷达能够穿透建筑物墙体,实现室内人体目标探测。利用深度学习提取不同肢节点的微多普勒特征,可以有效辨识障碍物后的人体行为。但是,当生成训练、验证集与生成测试集的受试者不同时,基于深度学习的行为识别方法测试准确率相对验证准确率往往较低,泛化能力较差。因此,该文提出一种基于微多普勒角点特征与Non-Local机制的穿墙雷达人体步态异常终止行为辨识技术。该方法利用Harris与Moravec检测器提取雷达图像上的角点特征,建立角点特征数据集;利用多链路并行卷积和Non-Local机制构建全局上下文信息提取网络,学习图像像素的全局分布特征;将全局上下文信息提取网络重复堆叠4次得到角点语义特征图,经多层感知机输出行为预测概率。仿真和实测结果表明,所提方法可以有效识别室内人体步行过程中存在的坐卧、跌倒等突发步态异常终止行为,在提升识别准确率、鲁棒性的前提下,有效控制泛化精度误差不超过\begin{document}$ 6.4\% $\end{document} 穿墙雷达能够穿透建筑物墙体,实现室内人体目标探测。利用深度学习提取不同肢节点的微多普勒特征,可以有效辨识障碍物后的人体行为。但是,当生成训练、验证集与生成测试集的受试者不同时,基于深度学习的行为识别方法测试准确率相对验证准确率往往较低,泛化能力较差。因此,该文提出一种基于微多普勒角点特征与Non-Local机制的穿墙雷达人体步态异常终止行为辨识技术。该方法利用Harris与Moravec检测器提取雷达图像上的角点特征,建立角点特征数据集;利用多链路并行卷积和Non-Local机制构建全局上下文信息提取网络,学习图像像素的全局分布特征;将全局上下文信息提取网络重复堆叠4次得到角点语义特征图,经多层感知机输出行为预测概率。仿真和实测结果表明,所提方法可以有效识别室内人体步行过程中存在的坐卧、跌倒等突发步态异常终止行为,在提升识别准确率、鲁棒性的前提下,有效控制泛化精度误差不超过\begin{document}$ 6.4\% $\end{document}
该文提出了一种新的多模态协同感知框架,通过融合激光雷达和相机传感器的输入来增强自动驾驶感知系统的性能。首先,构建了一个多模态融合的基线系统,能有效地整合来自激光雷达和相机传感器的数据,为后续研究提供了可比较的基准。其次,在多车协同环境下,探索了多种流行的特征融合策略,包括通道级拼接、元素级求和,以及基于Transformer的融合方法,以此来融合来自不同类型传感器的特征并评估它们对模型性能的影响。最后,使用大规模公开仿真数据集OPV2V进行了一系列实验和评估。实验结果表明,基于注意力机制的多模态融合方法在协同感知任务中展现出更优越的性能和更强的鲁棒性,能够提供更精确的目标检测结果,从而增加了自动驾驶系统的安全性和可靠性。 该文提出了一种新的多模态协同感知框架,通过融合激光雷达和相机传感器的输入来增强自动驾驶感知系统的性能。首先,构建了一个多模态融合的基线系统,能有效地整合来自激光雷达和相机传感器的数据,为后续研究提供了可比较的基准。其次,在多车协同环境下,探索了多种流行的特征融合策略,包括通道级拼接、元素级求和,以及基于Transformer的融合方法,以此来融合来自不同类型传感器的特征并评估它们对模型性能的影响。最后,使用大规模公开仿真数据集OPV2V进行了一系列实验和评估。实验结果表明,基于注意力机制的多模态融合方法在协同感知任务中展现出更优越的性能和更强的鲁棒性,能够提供更精确的目标检测结果,从而增加了自动驾驶系统的安全性和可靠性。
干涉合成孔径雷达(InSAR)可实现地表高程的高效获取,在地形测绘中应用广泛。双/多通道InSAR技术可借助不同通道(基线、频点)的高程模糊度差异,解决相位欠采样问题,完成高程陡变区域的干涉相位解缠,实现InSAR技术在测绘困难区域的有效应用。该文即面向高效高精度相位解缠需求,利用深度学习这一有力工具,结合不同通道的相位特征及相互约束关系,提出了一种双/多通道联合干涉相位解缠网络:Multi-Channel-Joint-UNet (MCJ-UNet)。该网络的构建以双通道(双频、双基线) InSAR为基本观测构型,并可实现向多通道构型的扩展,其构建的核心思路主要包括3点:首先,将干涉相位解缠中的模糊数估计问题转化为语义分割问题,并采用UNet网络完成分割处理;其次,引入挤压激励模块(SE)动态调整信息权重,以增强网络不同通道对其所需信息的感知能力;最后,利用多通道联合约束下的相位残差优化损失函数,实现网络调谐。此外,为避免语义分割结果的边缘细节误差对解缠效果的影响,该文还提出了一种基于多通道联合约束的解缠误差自修正方法,以保证解缠质量。模拟地形仿真数据、真实地形仿真数据以及TerraSAR-X实测数据验证了所提方法的有效性。 干涉合成孔径雷达(InSAR)可实现地表高程的高效获取,在地形测绘中应用广泛。双/多通道InSAR技术可借助不同通道(基线、频点)的高程模糊度差异,解决相位欠采样问题,完成高程陡变区域的干涉相位解缠,实现InSAR技术在测绘困难区域的有效应用。该文即面向高效高精度相位解缠需求,利用深度学习这一有力工具,结合不同通道的相位特征及相互约束关系,提出了一种双/多通道联合干涉相位解缠网络:Multi-Channel-Joint-UNet (MCJ-UNet)。该网络的构建以双通道(双频、双基线) InSAR为基本观测构型,并可实现向多通道构型的扩展,其构建的核心思路主要包括3点:首先,将干涉相位解缠中的模糊数估计问题转化为语义分割问题,并采用UNet网络完成分割处理;其次,引入挤压激励模块(SE)动态调整信息权重,以增强网络不同通道对其所需信息的感知能力;最后,利用多通道联合约束下的相位残差优化损失函数,实现网络调谐。此外,为避免语义分割结果的边缘细节误差对解缠效果的影响,该文还提出了一种基于多通道联合约束的解缠误差自修正方法,以保证解缠质量。模拟地形仿真数据、真实地形仿真数据以及TerraSAR-X实测数据验证了所提方法的有效性。
小型化、轻量化的无人机(UAV)为合成孔径雷达(SAR)提供了更加灵活、机动的观测平台,无人机载干涉SAR (InSAR)逐步应用于干涉测量领域。无人机小而轻,易受气流扰动的影响,采用多航过模式进行干涉测量时,飞行航迹非线性且不平行。非线性、不平行的飞行轨迹导致两幅图像之间存在几何畸变。在复杂地形条件下,无人机载InSAR的干涉图像对之间的偏移量大且具有明显的空变特性,给图像配准带来了很大的技术挑战,常规的基于多项式拟合的配准方法不再适用。该文提出了一种利用地形辅助分区的图像配准方法。首先基于航迹信息生成高程门限,利用外部地形对测量区域进行图像分区处理,然后对区域内的偏移量构建多项式变换模型,对各区域边界处的偏移量施加约束,并进行联合求解,最后获得连续的全局偏移量拟合面,通过对辅图像进行重采样实现精配准。基于P波段无人机载InSAR获取的实测数据,初步验证了该方法的有效性。 小型化、轻量化的无人机(UAV)为合成孔径雷达(SAR)提供了更加灵活、机动的观测平台,无人机载干涉SAR (InSAR)逐步应用于干涉测量领域。无人机小而轻,易受气流扰动的影响,采用多航过模式进行干涉测量时,飞行航迹非线性且不平行。非线性、不平行的飞行轨迹导致两幅图像之间存在几何畸变。在复杂地形条件下,无人机载InSAR的干涉图像对之间的偏移量大且具有明显的空变特性,给图像配准带来了很大的技术挑战,常规的基于多项式拟合的配准方法不再适用。该文提出了一种利用地形辅助分区的图像配准方法。首先基于航迹信息生成高程门限,利用外部地形对测量区域进行图像分区处理,然后对区域内的偏移量构建多项式变换模型,对各区域边界处的偏移量施加约束,并进行联合求解,最后获得连续的全局偏移量拟合面,通过对辅图像进行重采样实现精配准。基于P波段无人机载InSAR获取的实测数据,初步验证了该方法的有效性。
面向低成本轻量级雷达的应用需求,该文提出了一种联合单比特采样量化和时分复用接收机的雷达信号收发框架。首先,通过介绍该框架的工作原理,阐述其在节省接收机数量方面的优势。从雷达资源配置的角度,分析了单比特采样量化在该框架中的重要性,并提出了该框架可利用时间换空间,获得比经典线性调频连续波雷达更好的探测性能。接着,推导了雷达测距、测速和测角公式,以及目标参数估计的克拉美罗界。在此基础上,验证了该框架的性能优势,同时也给出了其稳定工作的信噪比条件。最后,利用一种基于单比特二维多重信号分类的速度维配对算法,验证了该框架获取目标原理的正确性,以及性能分析的可靠性。 面向低成本轻量级雷达的应用需求,该文提出了一种联合单比特采样量化和时分复用接收机的雷达信号收发框架。首先,通过介绍该框架的工作原理,阐述其在节省接收机数量方面的优势。从雷达资源配置的角度,分析了单比特采样量化在该框架中的重要性,并提出了该框架可利用时间换空间,获得比经典线性调频连续波雷达更好的探测性能。接着,推导了雷达测距、测速和测角公式,以及目标参数估计的克拉美罗界。在此基础上,验证了该框架的性能优势,同时也给出了其稳定工作的信噪比条件。最后,利用一种基于单比特二维多重信号分类的速度维配对算法,验证了该框架获取目标原理的正确性,以及性能分析的可靠性。
传统的波达角(DOA)估计方法的实现通常基于相控阵天线系统,而其高昂的硬件成本限制该技术在不同领域的应用和推广,此外相控阵天线普遍不具备隐身性能,其在工作频段内雷达散射截面积(RCS)普遍较高。为解决上述问题,该文在时空编码(STC)理论的基础上提出了一种基于超表面同时实现RCS缩减和DOA估计的方法,并利用一款毫米波超表面对算法进行了验证。实验结果表明,该方法实现的波达角估计误差在1°以内,同时RCS缩减大于10 dB,为DOA估计和RCS缩减功能的集成提供了全新的思路,具有高性能、低成本等特点。 传统的波达角(DOA)估计方法的实现通常基于相控阵天线系统,而其高昂的硬件成本限制该技术在不同领域的应用和推广,此外相控阵天线普遍不具备隐身性能,其在工作频段内雷达散射截面积(RCS)普遍较高。为解决上述问题,该文在时空编码(STC)理论的基础上提出了一种基于超表面同时实现RCS缩减和DOA估计的方法,并利用一款毫米波超表面对算法进行了验证。实验结果表明,该方法实现的波达角估计误差在1°以内,同时RCS缩减大于10 dB,为DOA估计和RCS缩减功能的集成提供了全新的思路,具有高性能、低成本等特点。
正交频分复用(OFDM)波形设计是实现雷达通信一体化的物理层关键技术之一。OFDM波形通常存在峰均功率比(PAPR)高,以及波形自相关旁瓣电平高的问题。该文针对现有联合降低PAPR和自相关旁瓣方法存在的通信速率下降问题,提出了一种基于数据失真的一体化波形设计方法。该文还将通信数据的误差矢量幅度作为优化目标之一,降低了数据失真引起的通信误码率。首先,构建了PAPR约束下最小化积分旁瓣比和误差矢量幅度的优化模型。其次,根据调制星座图特点,通过外围星座调制的数据失真和所有调制数据失真,将多目标高维非凸优化问题转化为两个单目标优化子问题,分别采取凸松弛操作和交替方向乘子法(ADMM)求解简化后的子问题,得到低积分旁瓣比波形和PAPR约束下的低误差矢量幅度波形。仿真结果表明该方法设计的一体化波形可满足PAPR要求,同时具有良好的感知和通信性能。 正交频分复用(OFDM)波形设计是实现雷达通信一体化的物理层关键技术之一。OFDM波形通常存在峰均功率比(PAPR)高,以及波形自相关旁瓣电平高的问题。该文针对现有联合降低PAPR和自相关旁瓣方法存在的通信速率下降问题,提出了一种基于数据失真的一体化波形设计方法。该文还将通信数据的误差矢量幅度作为优化目标之一,降低了数据失真引起的通信误码率。首先,构建了PAPR约束下最小化积分旁瓣比和误差矢量幅度的优化模型。其次,根据调制星座图特点,通过外围星座调制的数据失真和所有调制数据失真,将多目标高维非凸优化问题转化为两个单目标优化子问题,分别采取凸松弛操作和交替方向乘子法(ADMM)求解简化后的子问题,得到低积分旁瓣比波形和PAPR约束下的低误差矢量幅度波形。仿真结果表明该方法设计的一体化波形可满足PAPR要求,同时具有良好的感知和通信性能。
在开展认知雷达波形设计时,由于发射波形与接收滤波器的非匹配体制,互模糊函数赋形相比传统模糊函数赋形优化自由度更高。该文针对强杂波条件下微弱运动目标检测问题,以最大化信干噪比为优化准则,提出了一种联合发射相位编码序列与接收滤波器设计的互模糊函数赋形方法。在恒模约束下,优化问题被建模为二次分式规划形式;然后通过引入辅助变量,并利用共轭梯度法求解Stiefel流形空间上的最小化问题,非凸优化据此转化为恒模约束二次优化问题;通过交替循环和类幂迭代算法求得最优解。此外考虑到发射波形受硬件限制而难以实现严格恒模,该文构建了一种低峰均比约束二次优化问题模型,并利用最近邻向量法求得最优解。最后,不同参数下的仿真与实测数据实验表明,该文赋形方法相较于传统方法具有较高的信干噪比增益和收敛速度。 在开展认知雷达波形设计时,由于发射波形与接收滤波器的非匹配体制,互模糊函数赋形相比传统模糊函数赋形优化自由度更高。该文针对强杂波条件下微弱运动目标检测问题,以最大化信干噪比为优化准则,提出了一种联合发射相位编码序列与接收滤波器设计的互模糊函数赋形方法。在恒模约束下,优化问题被建模为二次分式规划形式;然后通过引入辅助变量,并利用共轭梯度法求解Stiefel流形空间上的最小化问题,非凸优化据此转化为恒模约束二次优化问题;通过交替循环和类幂迭代算法求得最优解。此外考虑到发射波形受硬件限制而难以实现严格恒模,该文构建了一种低峰均比约束二次优化问题模型,并利用最近邻向量法求得最优解。最后,不同参数下的仿真与实测数据实验表明,该文赋形方法相较于传统方法具有较高的信干噪比增益和收敛速度。
密集假目标干扰通过在真实目标周围产生大量假目标,形成欺骗和压制双重干扰效果,严重影响雷达的目标探测能力。为此,该文提出一种基于脉间码型捷变波形的距离-多普勒二维干扰重构算法来抑制密集假目标干扰。该算法基于脉间码型捷变波形的距离选通性,在距离-多普勒域通过交替反演实现干扰和目标重构,并从回波中对消干扰来实现干扰剔除。首先,通过构造不同距离段的接收滤波器组来实现干扰和目标回波的分距离段处理;其次,采用联合失配滤波器组使各脉冲滤波输出的距离旁瓣结构近似相同,减小脉间码型捷变波形经脉冲多普勒处理后沿多普勒维的散布能量;然后,利用干扰和目标回波在不同距离-多普勒平面上的能量分布特性构造滤波矩阵;最后,通过交替反演实现干扰和目标的精准重构,进而实现密集假目标干扰的抑制。仿真结果表明,与传统方法相比,该文所提算法在干扰抑制和运行时间方面展现出优越的性能,显著提升了雷达在强干扰环境中的目标检测能力。 密集假目标干扰通过在真实目标周围产生大量假目标,形成欺骗和压制双重干扰效果,严重影响雷达的目标探测能力。为此,该文提出一种基于脉间码型捷变波形的距离-多普勒二维干扰重构算法来抑制密集假目标干扰。该算法基于脉间码型捷变波形的距离选通性,在距离-多普勒域通过交替反演实现干扰和目标重构,并从回波中对消干扰来实现干扰剔除。首先,通过构造不同距离段的接收滤波器组来实现干扰和目标回波的分距离段处理;其次,采用联合失配滤波器组使各脉冲滤波输出的距离旁瓣结构近似相同,减小脉间码型捷变波形经脉冲多普勒处理后沿多普勒维的散布能量;然后,利用干扰和目标回波在不同距离-多普勒平面上的能量分布特性构造滤波矩阵;最后,通过交替反演实现干扰和目标的精准重构,进而实现密集假目标干扰的抑制。仿真结果表明,与传统方法相比,该文所提算法在干扰抑制和运行时间方面展现出优越的性能,显著提升了雷达在强干扰环境中的目标检测能力。
随机步进频雷达通过合成大带宽,能在较低硬件复杂度下获得距离高分辨效果,同时由于其每个脉冲的载频随机捷变,因而具有强的抗干扰、电磁兼容能力,在复杂电磁环境高精度探测领域具有重要的应用价值。然而,由于其波形在时频域稀疏的感知形式,造成回波相参信息有所缺失,因而传统匹配滤波方法在估计高分辨距离-多普勒时会演化为欠定估计,导致估计谱中产生起伏高旁瓣,严重影响探测性能。为此,该文提出一种基于Hankel重构矩阵填充的随机步进频雷达高分辨距离-多普勒谱低旁瓣稀疏恢复方法。该方法采用低秩矩阵填充思想补全波形在时频域稀疏感知时造成的缺失采样,恢复目标连续相参信息,可以有效解决欠定估计问题。文章首先构建了随机步进频雷达的慢时间-载频(时-频)回波欠采样数据矩阵;然后,重构待恢复数据矩阵为双重Hankel型,并分析证明了矩阵满足低秩先验特性;最后,利用ADMM算法补全未采样时频数据,恢复相参信息,保证了高分辨距离-多普勒谱低旁瓣稀疏恢复。仿真和实测试验证明了该文所提方法的有效性和优越性。 随机步进频雷达通过合成大带宽,能在较低硬件复杂度下获得距离高分辨效果,同时由于其每个脉冲的载频随机捷变,因而具有强的抗干扰、电磁兼容能力,在复杂电磁环境高精度探测领域具有重要的应用价值。然而,由于其波形在时频域稀疏的感知形式,造成回波相参信息有所缺失,因而传统匹配滤波方法在估计高分辨距离-多普勒时会演化为欠定估计,导致估计谱中产生起伏高旁瓣,严重影响探测性能。为此,该文提出一种基于Hankel重构矩阵填充的随机步进频雷达高分辨距离-多普勒谱低旁瓣稀疏恢复方法。该方法采用低秩矩阵填充思想补全波形在时频域稀疏感知时造成的缺失采样,恢复目标连续相参信息,可以有效解决欠定估计问题。文章首先构建了随机步进频雷达的慢时间-载频(时-频)回波欠采样数据矩阵;然后,重构待恢复数据矩阵为双重Hankel型,并分析证明了矩阵满足低秩先验特性;最后,利用ADMM算法补全未采样时频数据,恢复相参信息,保证了高分辨距离-多普勒谱低旁瓣稀疏恢复。仿真和实测试验证明了该文所提方法的有效性和优越性。
时域编码超表面是一项可以对电磁波进行时变调制的新技术,针对该技术的调控特性,该文提出了一种基于时域编码超表面脉内-脉间编码优化的雷达干扰方法。首先分别在快时间域和慢时间域建立优化模型,通过优化脉内-脉间相位编码,实现目标能量的搬移,形成距离-多普勒二维图上的欺骗干扰。然后通过遗传算法对该离散优化模型进行求解。另外,该文从超表面编码策略的角度分析了多种调控因素对干扰效果的影响,为实现欺骗干扰的最佳策略提供指导。 时域编码超表面是一项可以对电磁波进行时变调制的新技术,针对该技术的调控特性,该文提出了一种基于时域编码超表面脉内-脉间编码优化的雷达干扰方法。首先分别在快时间域和慢时间域建立优化模型,通过优化脉内-脉间相位编码,实现目标能量的搬移,形成距离-多普勒二维图上的欺骗干扰。然后通过遗传算法对该离散优化模型进行求解。另外,该文从超表面编码策略的角度分析了多种调控因素对干扰效果的影响,为实现欺骗干扰的最佳策略提供指导。
自卫式干扰机发射的瞄准干扰使多种基于信号处理的被动干扰抑制方法失效,对现代雷达产生了严重威胁,频率捷变作为一种主动对抗方式为对抗瞄准干扰提供了可能。针对传统随机跳频抗干扰性能不稳定、频点选取自由度有限、策略学习所需时间长等问题,该文面向频率捷变雷达,提出了一种快速自适应跳频策略学习方法。首先设计了一种频点可重复选取的频率捷变波形,为最优解提供了更多选择。在此基础上,通过利用雷达与干扰机持续对抗收集到的数据,基于深度强化学习的探索与反馈机制,不断优化频点选取策略。具体来说,通过将上一时刻雷达频点及当前时刻感知到的干扰频点作为强化学习输入,神经网络智能选取当前时刻各子脉冲频点,并根据目标检测结果以及信干噪比两方面评价抗干扰效能,从而优化策略直至最优。从提高最优策略收敛速度出发,设计的输入状态不依赖历史时间步、引入贪婪策略平衡搜索-利用机制、配合信干噪比提高奖励差异。多组仿真实验结果表明,所提方法能够收敛到最优策略且具备较高的收敛效率。 自卫式干扰机发射的瞄准干扰使多种基于信号处理的被动干扰抑制方法失效,对现代雷达产生了严重威胁,频率捷变作为一种主动对抗方式为对抗瞄准干扰提供了可能。针对传统随机跳频抗干扰性能不稳定、频点选取自由度有限、策略学习所需时间长等问题,该文面向频率捷变雷达,提出了一种快速自适应跳频策略学习方法。首先设计了一种频点可重复选取的频率捷变波形,为最优解提供了更多选择。在此基础上,通过利用雷达与干扰机持续对抗收集到的数据,基于深度强化学习的探索与反馈机制,不断优化频点选取策略。具体来说,通过将上一时刻雷达频点及当前时刻感知到的干扰频点作为强化学习输入,神经网络智能选取当前时刻各子脉冲频点,并根据目标检测结果以及信干噪比两方面评价抗干扰效能,从而优化策略直至最优。从提高最优策略收敛速度出发,设计的输入状态不依赖历史时间步、引入贪婪策略平衡搜索-利用机制、配合信干噪比提高奖励差异。多组仿真实验结果表明,所提方法能够收敛到最优策略且具备较高的收敛效率。
间歇采样转发干扰属于一类脉内相干欺骗干扰,其运用欠采样原理,在距离维上产生多个虚假的目标峰,从而干扰真实目标的检测与跟踪。为了解决这一问题,该文提出了一种基于波形域的匹配滤波前抗间歇采样转发干扰方法。首先,考虑到间歇采样转发干扰的部分匹配特性,该文在匹配滤波过程中引入了扩展域,即波形域,以研究干扰信号与真实目标回波信号元素的局部特征,并在每个波形域上定义了自适应的阈值函数。其次,引入卡尔曼滤波对波形域信号进行状态估计,通过自适应阈值检测筛选出波形域信号中的有效积分元素与无效积分元素,并建立关于有效积分元素的估计状态空间。最后,在抑制波形域信号中的无效积分元素的同时,从有效积分元素的估计状态空间中补充相应长度的积分元素,保留剩余的有效积分元素,通过积分得到不含虚假目标的距离像结果。该文所提方法不倚赖于任何干扰机参数等先验信息,即可有效抑制间歇采样转发干扰。仿真实验表明,与传统方法相比,该文方法实现的抗间歇采样转发干扰性能更优。 间歇采样转发干扰属于一类脉内相干欺骗干扰,其运用欠采样原理,在距离维上产生多个虚假的目标峰,从而干扰真实目标的检测与跟踪。为了解决这一问题,该文提出了一种基于波形域的匹配滤波前抗间歇采样转发干扰方法。首先,考虑到间歇采样转发干扰的部分匹配特性,该文在匹配滤波过程中引入了扩展域,即波形域,以研究干扰信号与真实目标回波信号元素的局部特征,并在每个波形域上定义了自适应的阈值函数。其次,引入卡尔曼滤波对波形域信号进行状态估计,通过自适应阈值检测筛选出波形域信号中的有效积分元素与无效积分元素,并建立关于有效积分元素的估计状态空间。最后,在抑制波形域信号中的无效积分元素的同时,从有效积分元素的估计状态空间中补充相应长度的积分元素,保留剩余的有效积分元素,通过积分得到不含虚假目标的距离像结果。该文所提方法不倚赖于任何干扰机参数等先验信息,即可有效抑制间歇采样转发干扰。仿真实验表明,与传统方法相比,该文方法实现的抗间歇采样转发干扰性能更优。
合理有效的资源调度是天基雷达效能得以充分发挥的关键。针对天基雷达多目标跟踪资源调度问题,建立了综合考虑目标威胁度、跟踪精度与低截获概率(LPI)的代价函数;考虑目标的不确定、天基平台约束以及长远期期望代价,建立了多约束下的基于部分可观测的马尔可夫决策过程(POMDP)的资源调度模型;采用拉格朗日松弛法将多约束下的多目标跟踪资源调度问题转换分解为多个无约束的子问题;针对连续状态空间、连续动作空间及连续观测空间引起的维数灾难问题,采用基于蒙特卡罗树搜索(MCTS)的在线POMDP算法—POMCPOW算法进行求解,最终提出了一种综合多指标性能的非短视快速天基雷达多目标跟踪资源调度算法。仿真表明,与已有调度算法相比,所提算法资源分配更合理,系统性能更优。 合理有效的资源调度是天基雷达效能得以充分发挥的关键。针对天基雷达多目标跟踪资源调度问题,建立了综合考虑目标威胁度、跟踪精度与低截获概率(LPI)的代价函数;考虑目标的不确定、天基平台约束以及长远期期望代价,建立了多约束下的基于部分可观测的马尔可夫决策过程(POMDP)的资源调度模型;采用拉格朗日松弛法将多约束下的多目标跟踪资源调度问题转换分解为多个无约束的子问题;针对连续状态空间、连续动作空间及连续观测空间引起的维数灾难问题,采用基于蒙特卡罗树搜索(MCTS)的在线POMDP算法—POMCPOW算法进行求解,最终提出了一种综合多指标性能的非短视快速天基雷达多目标跟踪资源调度算法。仿真表明,与已有调度算法相比,所提算法资源分配更合理,系统性能更优。
在诸多的军事和民用领域都存在对手目标蓄意入侵我方重要区域从事恶意伤害活动的场景。对手风险评估是基于我方传感器获取的量测数据,在线评估和预测对手行动对我方资产造成的潜在伤害和损失。为了评估随机且动态变化的对手风险,该文提出一种基于标签多伯努利(LMB)跟踪器的统计对手风险动态评估方法。首先,在LMB跟踪器的框架下,基于加性模型和乘性模型,分别推导了统计对手风险最小均方误差估计的表达式。其次,针对所涉及的非线性函数积分问题,结合混合高斯近似和抽样近似方法,提出统计对手风险最小均方误差估计的数值计算方法;最后,将统计对手风险估计方法与LMB跟踪器的迭代过程有机结合,可实现入侵的多目标对我方重要资产期望损失的动态在线评估。模拟多个具有杀伤能力的目标攻击我方雷达阵地的场景,利用雷达获取的实时点迹量测数据,验证了提出算法的有效性和性能优势。 在诸多的军事和民用领域都存在对手目标蓄意入侵我方重要区域从事恶意伤害活动的场景。对手风险评估是基于我方传感器获取的量测数据,在线评估和预测对手行动对我方资产造成的潜在伤害和损失。为了评估随机且动态变化的对手风险,该文提出一种基于标签多伯努利(LMB)跟踪器的统计对手风险动态评估方法。首先,在LMB跟踪器的框架下,基于加性模型和乘性模型,分别推导了统计对手风险最小均方误差估计的表达式。其次,针对所涉及的非线性函数积分问题,结合混合高斯近似和抽样近似方法,提出统计对手风险最小均方误差估计的数值计算方法;最后,将统计对手风险估计方法与LMB跟踪器的迭代过程有机结合,可实现入侵的多目标对我方重要资产期望损失的动态在线评估。模拟多个具有杀伤能力的目标攻击我方雷达阵地的场景,利用雷达获取的实时点迹量测数据,验证了提出算法的有效性和性能优势。

微信 | 公众平台

随时查询稿件 获取最新论文 知晓行业信息

  • EI
  • Scopus
  • DOAJ
  • JST
  • CSCD
  • CSTPCD
  • CNKI
  • 中文核心期刊