动态雷达目标仿真中目标姿态角的计算

为了对动态雷达目标建立合适的数学模型,逼真地复现目标的运动特性和回波特性,从而实现动目标仿真,提出了利用野外真实试验中实际测得的目标RCS数据建立动目标仿真模型,实现动态雷达目标仿真的一种新方法.文章首先探讨了采用该方法对动态雷达目标RCS仿真的具体步骤,然后对实现仿真的一项关键技术--运动目标姿态角的求解进行了公式推导,并列举了应用实例,为进行良好的动态雷达目标仿真提出了一个新思路.要实现仿真还需要做许多工作,如对动态目标RCS起伏规律进行分析,计算统计参数,应用常见RCS起伏模型对目标动态RCS统计分布进行拟合等.     

地面RCS起伏特性模拟及对ATI检测性能的影响

在假定目标RCS起伏为高斯形状频谱特性的前提下，将高斯白噪声通过一个高斯谱特性的低通滤波器来模拟目标RCS起伏特性。首先用康斯坦尼兹法设计了低通滤波器，并根据地杂波等效速度的不同，得到一组不同的滤波器响应，进而实现了背景RCS起伏程度不同的地杂波的模拟。然后以该地杂波为背景，采用ATI方法进行动目标检测，分析了地面背景RCS起伏特性对动目标检测性能的影响。计算机仿真结果表明：在一定的虚警概率下，当不考虑接收机噪声时，随着RCS起伏加剧，动目标径向最小可检测速度增大。最后得到结论：用基于ATI方法进行动目标检测时，若不考虑雷达接收机噪声，则地面背景RCS起伏特性是影响最小径向可检测速度的主要因素。     

昆虫雷达散射截面积特性分析

昆虫雷达是观测昆虫迁飞最有效的工具。研究昆虫的雷达散射截面积(RCS)特性对于昆虫雷达目标识别有着重要意义。该文将分析昆虫的静态RCS特性和动态RCS特性。首先,基于实测的X波段全极化昆虫RCS数据,分析昆虫的静态RCS特性,包括水平和垂直极化RCS随体重变化规律以及昆虫极化方向图随体重的变化规律。其次,总结当前通过电磁仿真研究昆虫RCS特性所用到的介质和几何形状模型,并对比了水、脊髓、干皮肤和壳质与血淋巴混合物4种介质和等体型扁长椭球体、等质量扁长椭球体和三轴椭球体3种几何模型组成的12种介质模型,经过电磁仿真结果与实测数据相对比发现脊髓介质等质量扁长椭球体模型与实测昆虫RCS特性最接近。然后,基于Ku波段高分辨昆虫雷达外场实测昆虫回波数据,分析了昆虫动态RCS的起伏特性,将实测昆虫动态RCS起伏数据与4种经典的RCS起伏分布模型χ2, Log-normal, Weibull和Gamma分布分别进行了拟合分析,从最小二乘拟合误差和拟合优度检验结果可以看出,相比于其他3种模型,Gamma分布可以较好地描述昆虫目标RCS起伏的统计特性。最后,综述了昆虫RCS特性在昆虫雷达测量昆虫朝向、体重等参数测量的应用。     

被动雷达的目标散射特性和时间序列

目标的雷达散射截面积是判断雷达系统中能否检测到目标的重要参数指标之一,为研究以GNSS为辐射源的被动雷达系统下飞行目标的RCS散射特性,仿真了不同机型在被动雷达系统中的静态RCS数据,分析了同一视线角下不同机型的RCS共性及辐射源-目标-接收机位置关系对目标RCS的影响。另外根据设定航路的目标飞行姿态计算得出的雷达视线角,结合飞机静态双基地RCS起伏特性数据,计算了空域中不同位置辐射源对应该航路目标的RCS时间序列,为被动雷达系统的辐射源选择提供了一定参考。     

变区间分组检验相乘积累进动周期估计

 该文首先分析了弹道中段进动锥体目标RCS序列的统计特性及其周期性特点,指出目标本身RCS起伏产生的虚假周期是影响传统进动周期估计方法性能的主要因素.基于非参数统计理论,本文提出了一种变区间分组检验相乘积累的RCS序列进动周期估计方法,仿真结果表明,该方法不仅能够有效克服虚假周期影响,并能明显改善进动周期估计精度.     

起伏目标检测的应用研究

以RCS 分布模型中最典型的字2 模型为例,分析了起伏目标回波统计特性,推导出单脉冲起伏目标、脉冲积累后起伏目标的检测概率计算公式,并画出相应的检测性能曲线。脉冲积累后起伏目标的检测概率公式填补了目标特性领域在该研究方向上的理论空白,可用于研究脉冲积累下任意起伏目标的检测性能,为目标散射特性研究、雷达系统设计及车辆自     

典型隐身飞机动态RCS 仿真及统计分析

非合作目标的动态RCS 数据难以通过外场测量获取,电磁仿真计算成为了获取其电磁动态特性的有效途径。基于全空域静态RCS 数据库和空气动力学原理对典型隐身飞机的动态RCS 进行了仿真,并采用姿态抖动模型修正了姿态角,使动态数据更加贴近实际情况。其次,分别采用卡方分布、对数正态分布和威布尔分布对动态RCS 进行统计建模, 非参数检验结果表明对数正态分布在不同频率、不同极化均能获得最佳拟合效果,体现出其在描述动态RCS 起伏特性方面具有通用性。研究成果可为实现雷达回波的快速精确仿真提供依据。     

基于χ~2分布的目标RCS起伏特性分析

为分析和评估目标RCS起伏对雷达检测性能的影响，常用一些统计模型来描述目标RCS的起伏。χ^2分布模型属于第二代起伏模型，可以包括Swerling Ⅰ～Ⅳ模型及非起伏模型的情况。文中分析了某民航飞机的外场飞行动态RCS测量数据，并应用电磁散射理论对其进行了解释，可为该飞机RCS的设计和减缩提供参考；此外，还建立了该飞机在不同方位角范围内的起伏模型，可应用于雷达目标仿真。     

一种用于雷达模拟器的RCS时间谱模型

目标特性中的反射截面积是影响模拟器回波质量的关键因素之一。在以往的雷达模拟器中，RCS起伏量多数采用符合分布的统计模型方法，此方法依据分布模型产生一组随机数，虽然可以快速产生RCS值，但没有反映真实的RCS变化情况。根据目标周围的电磁场分布特性计算RCS的方法，模型复杂，计算耗时，难以达到模拟器实时的要求。文中探讨一种RCS的时间谱模型，它依据模拟器前端所产生的航迹数据，经过目标坐标系与雷达坐标系的变换，即可得到RCS随时间起伏的模型。该方法由于利用了模拟器的航迹数据，使模拟器的系统性更加明显，具有一定的可信度。同时，其计算量较小，完全满足模拟器实时计算的需要。经过仿真实验和“防空兵雷达虚拟空情保障系统”的应用，证明方法确实可行。     

一种高速动态目标电磁散射模型外场验证方法

提出了一种基于RCS统计特性的空间高速动态复杂目标电磁散射模型验证方法.该方法首先将高速动态复杂目标电磁散射模型外场验证转化为一个同分布假设检验问题,根据目标类型信息假定其RCS统计分布模型并利用Kolmogorov统计量进行确认;然后,依据起伏统计特性选择假设检验统计量;最后,给出了完整的验证流程并成功用于验证实例.     

基于扑翼模型的鸟类目标动态RCS的仿真研究

提出了一种研究扑翼飞行鸟类的动态雷达散射截面(RCS)仿真方法。结合鸟类飞行中的3种典型扑翼姿态建立了对应的CAD模型,并基于FEKO计算了每种姿态的全空域静态RCS数据。建立了叠加位置扰动的鸟类飞行航迹模型,解算出雷达视线在目标坐标系中的视线角,计算鸟的扑翼频率,得到扑翼姿态随时间变化的序列。最后对全空域静态数据进行线性插值获得所需的RCS。仿真结果表明:鸟正侧方的动态RCS要大于前侧方和后侧方的RCS;考虑鸟扑翼的RCS比没有考虑扑翼的RCS振荡更加剧烈。该方法为研究雷达鸟类目标动态特性提供了参考。     

空空目标动态RCS仿真方法

预警机具有全空域的远距离探测能力,是现代空战不可缺少的战略装备。首先,推导测量雷达坐标系和目标坐标系在姿态角变换下的转换公式;其次,以苏27 战斗机为例,构建目标全空域的静态RCS数据库,采用准静态法对目标进行动态RCS仿真,大大增加了目标RCS仿真效率,并叠加随机抖动模型修正了姿态角,使数据更加贴近实际,提高了仿真精度。该方法对雷达目标动态特性的研究具有重要的参考价值。     

基于隐马尔科夫模型的RCS识别方法研究

雷达散射截面(RCS)时间序列由目标电磁散射特性和姿态运动特性共同决定,包含了雷达目标的材质、尺寸和结构等信息,是实现雷达目标识别的重要测量量.隐马尔科夫模型(HMM)是一种用参数表示的用于描述随机过程统计特性的概率模型,是一个无记忆的非平稳随机过程,具有很强的表征时变信号的能力,非常适合作为动态模式分类器,对具有不同变化特性的时变信号进行分类识别.文中利用HMM表征雷达目标RCS序列变化模式(规律),根据不同类别目标RCS序列变化模式的差异对雷达目标进行分类识别.实测数据验证结果表明,该算法具有较高的识别概率.     

目标姿态对RCS动态测量影响的研究

在测量动态目标RCS时,其测量数据存在着剧烈的波动,导致这一现象的主要原因是运动目标快速变化的姿态.文中利用动态目标的模型,模拟目标姿态变化对动态RCS测量数据的影响,最终通过计算仿真数据的不确定度对这一影响作定童化的分析.     

多基地雷达自适应CFAR检测融合算法

文章针对多基地雷达的目标RCS在入射角分布起伏较大的问题,提出了基于目标入射角RCS分布未知的检测融合方法。由于目标RCS在入射电波观测角的起伏较大且未知,导致局部雷达站接收目标回波SNR（信噪比）无法确定,无法应用传统的贝叶斯方法获得最佳的融合检测性能。该方法是一种基于无信噪比信息的检测融合算法,通过传输其他雷达站接收信号的检验统计量来完成全局的CFAR检测。并且根据该方法设计了一种自适应门限的检测方法,其中本地雷达站的检测门限是基于其他雷达站接收信号的检验统计量生成。仿真结果表明,该检验方法的综合检测性能接近信噪比已知的融合检测性能。      

Analytical performance evaluation of adaptive detection of fluctuating radar targets

Aradar target whose return varies up and down in amplitude as a function of time represents the basis of a large number of real targets. This paper is intended to provide a complete analysis of CFAR detection of fluctuating targets when the radar receiver post-detection integrates M returned pulses from χ² fluctuating targets with two and four degrees of freedom and operates in a non-ideal environment. Owing to the importance of Swerling models in representing a large number of such type of radar targets, we are interested here in adaptive detection of this class of fluctuation models. Swerling cases I and III represent scan-to-scan fluctuating targets, while cases II and IV represent fast pulse-to-pulse fluctuation. Exact expressions of detection probability are derived for all of these models. A simple and an effective procedure for calculating the detection performance of both fixed-threshold and adaptive-threshold algorithms is obtained. In the CFAR case, the estimation of the noise power levels from the leading and the trailing reference windows is based on the CA technique. The performance of this detector is analyzed in the cases when the operating environment is ideal and when it includes some of spurious targets along with the target of interest. The primary and the secondary interfering targets are assumed to be fluctuating in accordance with the four Swerling’s models cited above. The numerical results show that for strength target return the processor detection performance is highest in the case of SWIV model while it attains its minimum level of detection in the case of SWI model. Moreover, SWII model has higher performance than the SWIII representation of fluctuating targets. For weak target return, on the other hand, the reverse of this behavior is occurred. This observation is common for both fixed-threshold or for adaptive-threshold algorithms.     

基于深度神经网络模型的雷达目标识别

根据雷达测量的目标电磁散射面积(RCS)序列,采用深度神经网络模型识别空间飞行目标。首先,阐述了提取RCS时间序列特征的方法,包括均值、均方差及周期特性等特征;然后,给出了深度神经网络模型识别RCS目标的算法;最后,用仿真数据验证该识别方法,数值实验结果表明该方法能较准确识别雷达跟踪目标。