基于频域多通道图特征感知的海面小目标检测

海洋物理环境和电磁环境日趋复杂,海杂波背景下的微弱慢速小目标检测始终是一个研究难点和重点。海面小目标的雷达散射截面积小、回波能量低,传统基于能量的检测方法存在性能瓶颈。基于特征的检测方法聚焦于提取纯杂波和目标回波的差异性特征来实现目标检测,且有效提升了检测性能。该文利用回波数据间频域中幅度的关联性,将图论的方法引入到特征检测中。首先将实测数据进行块白化处理,对海杂波进行一定的抑制,然后在频域提取各多普勒通道下的数据,借助图的处理方法,构建所提取数据的距离邻接矩阵,再转换为拉普拉斯矩阵。该方法计算不同时间序列下拉普拉斯矩阵的最大特征值,并将其与刻画频域能量信息的相对多普勒峰高进行融合,得到新的检验统计量来区分纯杂波和含有目标的回波。通过全相参的X波段(IPIX)实测数据验证,该文所提方法的检测性能更为优越。     

基于多域多维特征融合的海面小目标检测

多维特征检测技术是提高海面小目标检测的有效途径。为了进一步提升海面小目标检测性能,本文提出基于多域多维特征融合的检测方法。首先,从时域、频域、时频域、极化域等多域,充分挖掘海杂波和含目标回波的差异性,并将这些差异性表征为多维特征,构建高维特征空间。其次,通过极化域和特征域的多维特征线性融合,将多维特征压缩到3D特征空间中,获得高维度信息的同时减少维度计算代价。然后,结合凸包学习算法获得3D判决区域,实现异常检测。最后,基于IPIX实测数据的实验结果表明:相对现有的极化检测器,提出的检测器具有25%以上的显著性能提升。      

基于多普勒谱非广延熵的海面目标检测方法

根据海杂波和目标多普勒谱的聚集性差异,可以用熵特征来检测海杂波背景下的小目标,然而常用的香农熵仅仅是统计学角度的宏观量值,并不能反映出海杂波的非线性特性。非广延熵是香农熵的推广,可以描述海杂波已被证实的多重分形特性。该文首先给出了非广延熵与分形维数的关系,然后结合有目标单元回波的多普勒谱较纯杂波单元回波的多普勒谱聚集性更强以及海杂波回波具有多重分形特性的特点,提出了基于多普勒谱非广延熵的海杂波背景下的小目标检测方法,最后通过实测数据进行实验比较,验证了该文算法的有效性,在观测时间较短的情况下,与现有的多重分形频域Hurst指数方法和基于香农熵的方法相比,该文算法具有更好的检测性能。      

基于四极化通道融合的海面漂浮微弱目标特征检测

海杂波背景下的微弱漂浮目标检测是雷达目标检测的热点和难点问题。由于海杂波背景下的微弱漂浮目标的回波能量低和多普勒频率通常位于主杂波区,传统的自适应类相参积累检测方法无法有效检测该类目标。基于特征类的目标检测方法是解决海面漂浮目标检测问题的有效途径。本文首先分别提取四个极化通道的三种时域和频域特征（相对平均振幅、相对多普勒峰高和向量熵）,然后在极化通道维度上进行融合,获得四极化通道融合特征。最后,在三维特征空间中使用快速凸包学习算法来确定海杂波的判决区域,从而完成检测。实测海杂波数据实验验证了新方法的有效性,并表明其具有优良的检测性能。      

实测海杂波频域分形特性分析

该文主要研究海杂波在频域中的分形特性以及不同参数对频域分形特性的影响。首先,该文以分数布朗运动(FBM)为例,较为系统地阐述了在时域FBM具有分形特性的前提下,FBM频谱也具有分形特性。然后,采用X波段与S波段实测海杂波数据验证频域中海杂波的分形特性,并分析了不同参数对频域海杂波分形特性的影响。结果表明,实测海杂波频谱在统计意义下满足自相似条件,具有分形特性,且频域分形特征对海杂波与目标回波表现出一定的可分性,具有在海杂波微弱目标检测中应用的潜力。     

基于回声状态网络的OTHR海杂波抑制方法

在短相干积累时间(CIT)情况下,天波超视距雷达(OTHR)中低速目标检测很困难:低速目标靠近强大的海杂波频谱;短CIT导致多普勒分辨率低,使目标信号与海杂波更难区分。传统方法一般利用海杂波与目标信号的时频特征不同来抑制海杂波,目标速度较高时这些方法很有效,然而在短CIT、低速目标情况下目标与海杂波信号的时频特征的区分度很小,使得传统方法难以有效抑制海杂波。针对上述问题,考虑到海杂波与目标信号具有不同的动力学特征,提出一种基于回声状态网络的天波雷达海杂波抑制方法。该方法首先用海杂波参考信号训练回声状态网络,使该神经网络"记住"海杂波的混沌动态特征;然后用前述训练好的网络重构和预测天波雷达回波中...     

超视距雷达海杂波与干扰信号的多域特征与海杂波检测

针对超视距(OTH)雷达接收信号成分复杂的问题,该文提出基于多域组图的信号分析方法,讨论海杂波、瞬态干扰和射频干扰的多域特征。运用时域、频域、距离域、重复周期和多普勒5域,组合为6种2维矩阵图,提出雷达接收数据的“五域六图”(5D6M)方法。通过五域六图,各种接收信号成分在多个域得以分离,海杂波和干扰在不同域的特征得以体现,清晰展示海杂波的频谱和多普勒谱特性、瞬态干扰的大功率和短时性以及射频干扰的窄带与多普勒特性。基于五域六图的信号特性分析,能够为雷达信号分析与处理提供很好的帮助。该文以海杂波为例,设计了基于频域-多普勒域的海杂波多普勒单元检测的新方法。     

超视距雷达海杂波与干扰信号的多域特征与海杂波检测

针对超视距(OTH)雷达接收信号成分复杂的问题,该文提出基于多域组图的信号分析方法,讨论海杂波、瞬态干扰和射频干扰的多域特征.运用时域、频域、距离域、重复周期和多普勒5域,组合为6种2维矩阵图,提出雷达接收数据的"五域六图"(5D6M)方法.通过五域六图,各种接收信号成分在多个域得以分离,海杂波和干扰在不同域的特征得以体现,清晰展示海杂波的频谱和多普勒谱特性、瞬态干扰的大功率和短时性以及射频干扰的窄带与多普勒特性.基于五域六图的信号特性分析,能够为雷达信号分析与处理提供很好的帮助.该文以海杂波为例,设计了基于频域-多普勒域的海杂波多普勒单元检测的新方法.     

PD雷达导引头海杂波回波信号模拟

在雷达系统模拟中所面临的一个重要背景环境是杂波,杂波的散射特性直接影响到雷达对目标的检测和跟踪性能。对弹载导引头而言,海杂波成为影响其性能的一个重要因素。文章结合反舰导弹的不同作战背景,对PD雷达体制下的海杂波进行了建模仿真,仿真实现了海杂波的后向散射系数、幅度统计特性、功率谱特性,以及在雷达发射信号为线性调频信号时的海杂波回波信号。仿真结果与理论相符,海杂波的模型可用于目标的检测和跟踪。     

基于高斯短时分数阶Fourier变换 的海面微动目标检测方法

海上目标随海面颠簸导致姿态变化,引起回波功率调制效应,导致回波多普勒体现时变和非平稳特性.为此,本文将微多普勒理论应用于海杂波中弱目标检测,提出一种基于高斯短时分数阶Fourier变换(GSTFRFT)的海面微动目标检测方法.首先,建立海面目标的平动和三维转动回波模型;然后,基于海尖峰判别方法对回波信号进行数据筛选,改善信杂比,并采用GSTFRFT对微动信号进行增强处理,利用海面目标与海杂波的微动特征差异设计恒虚警检测方法;最后,通过GSTFRFT域滤波,提取信号的微动特征并得到瞬时频率.实测雷达数据仿真结果验证了算法的有效性,具有在强海杂波中检测微弱目标的能力.     

基于时频脊-Radon变换的海面小目标检测方法

针对海杂波背景下雷达对海面弱小目标探测技术难题,提出一种基于时频脊-Radon变换的帧平滑双特征检测方法。该方法首先采用分块白化方法对海杂波进行抑制,根据抑制后海杂波单元与目标单元在时频域二维平面呈现的不同能量分布特征,对时频脊做Radon变换并在变换域特征空间中提取出峰值和频宽特征。考虑到实际雷达采用的相干脉冲数通常较少（大多情况下为64个或更少）,易导致特征不稳定,进而影响海杂波与目标可分性,为此,通过多帧扫描历史数据和当前帧数据的综合应用,对特征做帧平滑处理以增强可分性。最后采用凸包分类算法,在双特征平面进行融合检测。经2级和4级海况实测数据验证,在同等参数条件下,本文检测方法相比已有基于时频三特征的检测方法、频域CFAR检测方法和分形特征检测方法具有更好的检测性能。      

雷达海上目标双通道卷积神经网络特征融合智能检测方法

受复杂海洋环境影响,基于统计理论的海面目标检测方法由于假设条件不成立,在实际应用中难以实现高性能检测,本文从特征提取分类角度,通过深度学习分类方法对目标和杂波的雷达回波信号进行二元分类,提出了一种基于双通道卷积神经网络(DCCNN)的雷达海上目标智能检测方法。首先,对实测海杂波和目标雷达信号进行预处理,得到信号的时间-多普勒谱和幅度信息;然后,构建DCCNN对预处理得到的数据进行智能特征提取,得到信号的特征向量,并对不同特征提取模型性能进行测试;最后,通过阈值可设的Softmax分类器作为检测器对特征向量进行分类,实现虚警率的控制。测试结果表明:与传统的单通道CNN以及无虚警控制Hog-SVM分类算法相比,基于二维卷积核VGG16和一维卷积核LeNet的DCCNN特征提取模型和softmax分类器可实现更高的检测性能,并可以实现虚警率控制,为复杂海杂波背景下目标智能检测提供了新的技术途径。     

海面漂浮小目标的特征联合检测算法

该文研究了高距离分辨海杂波背景下漂浮小目标的检测问题。漂浮目标使得周围海面的散射特性发生了改变,目标所在的分辨单元的回波满足非加性模型,导致该模型中依赖于目标的参数难以统计建模。为了避开参数建模,该文将检测问题转化为二元分类问题,即确定海杂波所属于的类,目标检测就是判别回波是否属于该类。针对此分类问题,提出了基于非加性模型的特征联合检测算法,首先在回波中提取两个特征组成归一化向量,然后利用凸包训练算法获得判别区域,最后以判别区域是否包含该向量作为判别准则。实测的IPIX雷达数据实验结果表明,该文算法在高分辨海杂波下的检测性能优于对比算法,为海事雷达检测小目标提供了新的检测方案。     

基于CNN的机载气象雷达气象目标检测方法

机载气象雷达系统进行气象探测时易受到强地杂波的干扰,从而导致目标信息丢失。为准确检测地杂波中的气象目标,获取完整的目标信息,本文提出了一种基于卷积神经网络(Convolution Neural Networks, CNN)的机载气象雷达目标检测方法。该方法联合时域、多普勒域和俯仰维空域信息,将杂波相位对准指标、多普勒速度和干涉相位作为CNN的输入,并给出详细的网络结构。本文通过模拟雷达回波仿真产生训练集和测试集,并对所提网络进行训练和测试。仿真结果表明,与目前的气象目标检测方法相比,该方法具有较高的检测概率,而且在谱矩信息变化的情况下仍可维持较好的检测性能,具有很好的鲁棒性。此外,仿真结果表明CNN比传统的贝叶斯分类器和支持向量机等分类网络具有更好的分类性能。     

采用卷积神经网络的海面多目标检测研究

对海雷达多目标检测在军事领域有着重要的应用价值。为了提高海杂波下的目标检测性能,减少临近目标的影响,本文引入深度学习思想,提出了采用卷积神经网络的多目标检测方法。通过雷达实测数据的分析与训练,构造适用于处理一维回波数据的网络模型,引入定向惩罚技术加快自适应学习效率,优化网络超参数提升网络性能,实现了回波数据信杂比的较大改善,完成了海面多目标的有效检测。最后,基于实测数据对该方法进行了性能验证,实验结果显示了本方法的有效性。      

天波雷达电离层污染校正与海杂波抑制

在天波超视距雷达（OTHR）中,舰船目标的多普勒频率与海杂波谱接近,电离层污染会导致海杂波频谱展宽,从而淹没邻近的舰船目标信号。考虑到电离层污染会导致OTHR回波信号的相位缓慢变化,提出了采用相位梯度法对回波信号进行电离层污染校正;利用污染校正后的海杂波可以近似为两个单频信号之和这一特点,提出了应用奇异值分解来实现对海杂波的抑制。仿真结果表明,文中算法可以有效地校正电离层污染,抑制海杂波,显著提高信杂比,从而有效解决强海杂波对舰船目标的遮蔽问题。与现有的HRR—SVD算法相比,文中算法可以适用于相干积累时间较长和电离层污染较大的情况,防止残留的海杂波形成虚警,提高了OTHR对海杂波附近舰船目标的检测能力。     

基于冗余小波变换的高频地波雷达目标检测算法

为了从高频地波雷达(High Frequency Surface Wave Radar, HFSWR)信号生成的复杂距离多普勒(Range Doppler, RD)图像中准确提取运动点目标, 提出了一种基于冗余小波变换(Redundant Discrete Wavelet Transformation, RDWT)的RD图像点目标检测算法.该算法根据点目标与海杂波、电离层杂波等特征的差异, 首先在距离方向进行自适应RDWT以去除海杂波和地杂波, 并在多普勒方向进行自适应RDWT以去除电离层杂波; 然后利用图像形态学运算对背景噪声进行了抑制; 最后进行阈值自适应分割以得到点目标.实验结果表明:该算法能有效抑制RD图像中的海杂波、电离层杂波和背景噪声, 能从复杂的RD图像中实现点目标的有效检测, 其检测性能优于改进的恒虚警率(Constant False Alarm Rate, CFAR)算法.