优先发表
More
传统合成孔径雷达(SAR)只能获取方位-距离二维图像,无法准确反映目标的三维散射结构信息。层析合成孔径雷达(TomoSAR)是一种多基线干涉测量模式,它将合成孔径原理扩展至高程向,除了可对目标进行二维成像之外,还可以准确恢复目标的高度向散射信息,真正实现三维成像。差分层析合成孔径雷达(D-TomoSAR)将合成孔径原理延伸至高程和时间方向,不仅可以获得目标的三维散射结构,还可以高精度获取观测目标的形变速率,实现对目标形变的有效监测。高分三号是我国首颗1米分辨率C频段多极化SAR卫星。它具有高分辨率、大成像幅宽、多成像模式等特点,对我国高分对地观测技术的发展具有重要意义。目前高分三号数据主要应用于目标识别等图像处理领域,没有充分利用SAR图像的相位信息。而且,由于设计之初未考虑后续高维成像应用,现有高分三号获取的SAR图像存在有一定的空间、时间去相干问题,对应用于后续干涉系列处理产生了一定影响。为解决上述问题,该文基于7景高分三号SAR复图像,开展了对北京雁栖湖周围建筑的三维、四维层析成像研究,在获取了建筑物三维散射结构信息的同时,实现了对建筑物形变的毫米级高精度监测。该初步实验结果证明了高分三号SAR数据的应用潜力,为后续进一步扩展高分三号SAR卫星在城市感知与监测中的应用提供了技术支撑。 传统合成孔径雷达(SAR)只能获取方位-距离二维图像,无法准确反映目标的三维散射结构信息。层析合成孔径雷达(TomoSAR)是一种多基线干涉测量模式,它将合成孔径原理扩展至高程向,除了可对目标进行二维成像之外,还可以准确恢复目标的高度向散射信息,真正实现三维成像。差分层析合成孔径雷达(D-TomoSAR)将合成孔径原理延伸至高程和时间方向,不仅可以获得目标的三维散射结构,还可以高精度获取观测目标的形变速率,实现对目标形变的有效监测。高分三号是我国首颗1米分辨率C频段多极化SAR卫星。它具有高分辨率、大成像幅宽、多成像模式等特点,对我国高分对地观测技术的发展具有重要意义。目前高分三号数据主要应用于目标识别等图像处理领域,没有充分利用SAR图像的相位信息。而且,由于设计之初未考虑后续高维成像应用,现有高分三号获取的SAR图像存在有一定的空间、时间去相干问题,对应用于后续干涉系列处理产生了一定影响。为解决上述问题,该文基于7景高分三号SAR复图像,开展了对北京雁栖湖周围建筑的三维、四维层析成像研究,在获取了建筑物三维散射结构信息的同时,实现了对建筑物形变的毫米级高精度监测。该初步实验结果证明了高分三号SAR数据的应用潜力,为后续进一步扩展高分三号SAR卫星在城市感知与监测中的应用提供了技术支撑。
1比特量化技术在大规模MIMO雷达系统中的应用使得系统成本、功耗及传输带宽显著降低。但这同时也对如何从1比特量化后的数据中提取目标高精度信息提出了严峻挑战。针对基于1比特量化的二次定位算法在低信噪比下定位精度低、鲁棒性差的问题,该文提出了一种基于1比特量化的大规模MIMO雷达系统目标直接定位算法。首先,通过将接收信号进行1比特量化,并推导基于1比特信号的概率分布,建立了关于目标位置的代价函数;其次,通过证明代价函数的凸性,利用梯度下降算法求解了回波中未知的信号参数;最后,根据最大似然估计实现了目标直接定位。仿真实验分析了所提算法的定位性能,结果表明,所提算法仅需传输相较于高精度采样(16比特为例)直接定位算法6.25%的通信带宽,同时其功耗仅为前者的0.1%。此外,与基于1比特量化的二次定位算法相比,所提算法在低信噪比下便可实现对目标位置的有效估计,并且其定位性能在低信噪比和低MIMO天线数量下均明显优于前者。同时,其性能会随着过采样技术的应用进一步提升。 1比特量化技术在大规模MIMO雷达系统中的应用使得系统成本、功耗及传输带宽显著降低。但这同时也对如何从1比特量化后的数据中提取目标高精度信息提出了严峻挑战。针对基于1比特量化的二次定位算法在低信噪比下定位精度低、鲁棒性差的问题,该文提出了一种基于1比特量化的大规模MIMO雷达系统目标直接定位算法。首先,通过将接收信号进行1比特量化,并推导基于1比特信号的概率分布,建立了关于目标位置的代价函数;其次,通过证明代价函数的凸性,利用梯度下降算法求解了回波中未知的信号参数;最后,根据最大似然估计实现了目标直接定位。仿真实验分析了所提算法的定位性能,结果表明,所提算法仅需传输相较于高精度采样(16比特为例)直接定位算法6.25%的通信带宽,同时其功耗仅为前者的0.1%。此外,与基于1比特量化的二次定位算法相比,所提算法在低信噪比下便可实现对目标位置的有效估计,并且其定位性能在低信噪比和低MIMO天线数量下均明显优于前者。同时,其性能会随着过采样技术的应用进一步提升。
依据多普勒效应,传统雷达可以实现对运动目标探测,但是在对旋转目标的角向运动趋势感知存在检测盲区。涡旋电磁波的旋转多普勒效应的发现,因有助于解决直视下的旋转目标的角向运动趋势感知问题,引起了国内外研究人员的广泛关注。该文主要介绍了近年来涡旋电磁波旋转多普勒效应的研究进展,特别是微波波段的相关研究成果,包括目标在准轴和非准轴状况下的旋转多普勒效应研究,复杂运动条件下的径向多普勒、微多普勒和旋转多普勒效应的解耦合研究,以及旋转多普勒效应在雷达成像和测速中的应用研究。同时,该文也对该领域亟待解决的问题进行了总结分析,并对未来的研究方向及相关应用进行了展望。 依据多普勒效应,传统雷达可以实现对运动目标探测,但是在对旋转目标的角向运动趋势感知存在检测盲区。涡旋电磁波的旋转多普勒效应的发现,因有助于解决直视下的旋转目标的角向运动趋势感知问题,引起了国内外研究人员的广泛关注。该文主要介绍了近年来涡旋电磁波旋转多普勒效应的研究进展,特别是微波波段的相关研究成果,包括目标在准轴和非准轴状况下的旋转多普勒效应研究,复杂运动条件下的径向多普勒、微多普勒和旋转多普勒效应的解耦合研究,以及旋转多普勒效应在雷达成像和测速中的应用研究。同时,该文也对该领域亟待解决的问题进行了总结分析,并对未来的研究方向及相关应用进行了展望。
传统相干雷达信号处理流程中先脉冲压缩再相参处理的级联处理在理论上无法实现对高速目标回波能量的最大化积累,级联处理的输出结果中目标峰值位置存在偏差,甚至还伴随主瓣展宽、增益下降、旁瓣增高的问题。为此该文提出一种联合脉压与Radon傅里叶变换(PC-RFT)的长时间相参积累方法,利用信号之间的相关关系将匹配滤波与Radon傅里叶变换相结合,在快时间(脉内时间)与慢时间(脉间时间)维度上同时补偿脉内和脉间的多普勒频移,从而实现目标增益的最大化。实验表明二维联合处理的性能明显优于级联处理。 传统相干雷达信号处理流程中先脉冲压缩再相参处理的级联处理在理论上无法实现对高速目标回波能量的最大化积累,级联处理的输出结果中目标峰值位置存在偏差,甚至还伴随主瓣展宽、增益下降、旁瓣增高的问题。为此该文提出一种联合脉压与Radon傅里叶变换(PC-RFT)的长时间相参积累方法,利用信号之间的相关关系将匹配滤波与Radon傅里叶变换相结合,在快时间(脉内时间)与慢时间(脉间时间)维度上同时补偿脉内和脉间的多普勒频移,从而实现目标增益的最大化。实验表明二维联合处理的性能明显优于级联处理。
摘要(118)
HTML(99) 1345KB(46)
电磁波轨道角动量(OAM)量子态指构成电磁波的每个电磁波量子均具有OAM,是涡旋电磁波的重要形态之一。在微波波段,这种电磁波量子称为“涡旋微波量子”。涡旋微波量子与传统平面波微波量子具有不同的物理特性,针对传统吸波材料具有强反射系数,造成雷达散射截面积(RCS)增加,并提升目标回波的接收信号功率和检测概率,是对抗基于吸波材料的隐身目标之利器。该文提出了基于OAM量子态的涡旋微波量子雷达,给出了基本物理架构和数学模型,借助量子电动力学(QED)从理论上分析了涡旋微波量子的高回波功率特性,并通过实验验证了理论分析的正确性。在收发均采用相同极化方式下,与传统平面波雷达相比实验中回波功率提高约9 dB。同时,配合典型雷达工作参数进行了仿真,明确了涡旋微波量子雷达在接收功率和检测概率等性能指标上的提升,进一步展现了涡旋微波量子针对吸波材料的反隐身能力。 电磁波轨道角动量(OAM)量子态指构成电磁波的每个电磁波量子均具有OAM,是涡旋电磁波的重要形态之一。在微波波段,这种电磁波量子称为“涡旋微波量子”。涡旋微波量子与传统平面波微波量子具有不同的物理特性,针对传统吸波材料具有强反射系数,造成雷达散射截面积(RCS)增加,并提升目标回波的接收信号功率和检测概率,是对抗基于吸波材料的隐身目标之利器。该文提出了基于OAM量子态的涡旋微波量子雷达,给出了基本物理架构和数学模型,借助量子电动力学(QED)从理论上分析了涡旋微波量子的高回波功率特性,并通过实验验证了理论分析的正确性。在收发均采用相同极化方式下,与传统平面波雷达相比实验中回波功率提高约9 dB。同时,配合典型雷达工作参数进行了仿真,明确了涡旋微波量子雷达在接收功率和检测概率等性能指标上的提升,进一步展现了涡旋微波量子针对吸波材料的反隐身能力。
鉴于涡旋电磁波所体现出的独特空间电磁场分布特征,以及其携带的轨道角动量(OAM)在理论上所具有的无穷维度模态正交特性,涡旋电磁波在无线通信领域和雷达探测与成像领域均表现出重要的研究价值和应用潜力。该文主要从涡旋电磁波空间电磁场分布的角度以及OAM模态正交性保持的角度,重点对涡旋电磁波射频收发链路中OAM模态的抗干扰性能进行分析。在C波段分别设计了不同的平面阵列天线用来产生和接收携带有OAM模态为\begin{document}$\ell = + 1$\end{document}\begin{document}$\ell = - 2$\end{document}的涡旋电磁波束,并建立起涡旋电磁波的射频收发链路。通过引入一个喇叭天线作为干扰源,以相应涡旋电磁波束的OAM模态谱分布以及OAM模态正交性作为主要的分析依据,在不同干扰场景下抗干扰性对涡旋电磁波的收发射频链路的OAM模态性能进行仿真和分析。该文对设计的天线模型进行加工和测试,对涡旋电磁波射频收发链路中OAM模态抗干扰性能的分析,可以为涡旋电磁波在无线通信及雷达探测与成像等有关研究领域提供一些前瞻性的探索和设计上的指导。 鉴于涡旋电磁波所体现出的独特空间电磁场分布特征,以及其携带的轨道角动量(OAM)在理论上所具有的无穷维度模态正交特性,涡旋电磁波在无线通信领域和雷达探测与成像领域均表现出重要的研究价值和应用潜力。该文主要从涡旋电磁波空间电磁场分布的角度以及OAM模态正交性保持的角度,重点对涡旋电磁波射频收发链路中OAM模态的抗干扰性能进行分析。在C波段分别设计了不同的平面阵列天线用来产生和接收携带有OAM模态为\begin{document}$\ell = + 1$\end{document}\begin{document}$\ell = - 2$\end{document}的涡旋电磁波束,并建立起涡旋电磁波的射频收发链路。通过引入一个喇叭天线作为干扰源,以相应涡旋电磁波束的OAM模态谱分布以及OAM模态正交性作为主要的分析依据,在不同干扰场景下抗干扰性对涡旋电磁波的收发射频链路的OAM模态性能进行仿真和分析。该文对设计的天线模型进行加工和测试,对涡旋电磁波射频收发链路中OAM模态抗干扰性能的分析,可以为涡旋电磁波在无线通信及雷达探测与成像等有关研究领域提供一些前瞻性的探索和设计上的指导。
当期目录
More
微波遥感信息智能处理专题
三维成像是合成孔径雷达技术发展的前沿趋势之一,目前的SAR三维成像体制主要包括层析和阵列干涉,但面临数据采集周期长或系统过于复杂的问题,为此该文提出了SAR微波视觉三维成像的新技术思路,即充分挖掘利用SAR微波散射机制和图像视觉语义中蕴含的三维线索,并将其与SAR成像模型有效结合,以显著降低SAR三维成像的系统复杂度,实现高效能、低成本的SAR三维成像。为推动SAR微波视觉三维成像理论技术的发展,在国家自然科学基金重大项目支持下,拟构建一个比较完整的SAR微波视觉三维成像数据集。该文概述了该数据集的构成和构建规划,并给出了第一批发布数据(SARMV3D-1.0)的组成和信息描述方式、数据集制作的方法,为该数据集的共享和应用提供支撑。 三维成像是合成孔径雷达技术发展的前沿趋势之一,目前的SAR三维成像体制主要包括层析和阵列干涉,但面临数据采集周期长或系统过于复杂的问题,为此该文提出了SAR微波视觉三维成像的新技术思路,即充分挖掘利用SAR微波散射机制和图像视觉语义中蕴含的三维线索,并将其与SAR成像模型有效结合,以显著降低SAR三维成像的系统复杂度,实现高效能、低成本的SAR三维成像。为推动SAR微波视觉三维成像理论技术的发展,在国家自然科学基金重大项目支持下,拟构建一个比较完整的SAR微波视觉三维成像数据集。该文概述了该数据集的构成和构建规划,并给出了第一批发布数据(SARMV3D-1.0)的组成和信息描述方式、数据集制作的方法,为该数据集的共享和应用提供支撑。
双边恒虚警率(BCFAR)检测算法通过高斯核密度估计器计算出合成孔径雷达(SAR)图像的空间信息,并将它与图像的强度信息相结合得到联合图像以进行目标检测。相较于只使用强度信息来进行目标检测的经典CFAR检测算法,双边CFAR有着更好的检测性能和鲁棒性。然而,在复杂环境下出现连片的高强度异质点时(例如防波堤、方位模糊和幻影等),核密度估计器计算出的空间信息会出现较多误差,这会导致检测结果中出现大量虚警。此外,当遇到相邻像素点间相似度较低的弱目标时,双边CFAR会发生漏检。为了有效改善这些问题,该文设计一种复杂环境下改进的SAR图像双边CFAR舰船检测算法(IB-CFAR)。该文所提IB-CFAR主要分为3个阶段来实现,分别为基于非均匀量化法的强度层级划分、强度-空间域信息融合、杂波截断后的参数估计。基于非均匀量化法的强度层级划分可以提升弱目标的相似度和对比度信息,从而提升舰船检测率。强度-空间域信息融合在于将空间相似度、距离向和强度等信息进行融合,在进一步提升检测率的同时对舰船的结构信息进行精细化描述。杂波截断后的参数估计可以去除背景窗口中连片的高强度异质点,最大限度地保留真实海杂波样本,使参数估计更加精确。最后,根据估计出的参数建立精确的海杂波统计模型以进行CFAR检测。该文使用高分3号和TerraSAR-X数据来验证该算法的有效性和鲁棒性。实验结果表明,所提出的算法在包含较多密集分布的弱目标环境下表现良好,在此类环境下能获得97.85%的检测率和3.52%的虚警率,相比于现有的检测算法,检测率提升了5%,并且虚警率降低了10%,但在弱目标个数较少且背景十分复杂的环境下,则会出现少量虚警。 双边恒虚警率(BCFAR)检测算法通过高斯核密度估计器计算出合成孔径雷达(SAR)图像的空间信息,并将它与图像的强度信息相结合得到联合图像以进行目标检测。相较于只使用强度信息来进行目标检测的经典CFAR检测算法,双边CFAR有着更好的检测性能和鲁棒性。然而,在复杂环境下出现连片的高强度异质点时(例如防波堤、方位模糊和幻影等),核密度估计器计算出的空间信息会出现较多误差,这会导致检测结果中出现大量虚警。此外,当遇到相邻像素点间相似度较低的弱目标时,双边CFAR会发生漏检。为了有效改善这些问题,该文设计一种复杂环境下改进的SAR图像双边CFAR舰船检测算法(IB-CFAR)。该文所提IB-CFAR主要分为3个阶段来实现,分别为基于非均匀量化法的强度层级划分、强度-空间域信息融合、杂波截断后的参数估计。基于非均匀量化法的强度层级划分可以提升弱目标的相似度和对比度信息,从而提升舰船检测率。强度-空间域信息融合在于将空间相似度、距离向和强度等信息进行融合,在进一步提升检测率的同时对舰船的结构信息进行精细化描述。杂波截断后的参数估计可以去除背景窗口中连片的高强度异质点,最大限度地保留真实海杂波样本,使参数估计更加精确。最后,根据估计出的参数建立精确的海杂波统计模型以进行CFAR检测。该文使用高分3号和TerraSAR-X数据来验证该算法的有效性和鲁棒性。实验结果表明,所提出的算法在包含较多密集分布的弱目标环境下表现良好,在此类环境下能获得97.85%的检测率和3.52%的虚警率,相比于现有的检测算法,检测率提升了5%,并且虚警率降低了10%,但在弱目标个数较少且背景十分复杂的环境下,则会出现少量虚警。
针对极化合成孔径雷达(极化SAR)图像地物分类中标注样本数量少的问题,该文提出一种基于空间-通道选择性卷积核全卷积网络(SCSKFCN)和预选-联合优化半监督学习(SPUO)的极化SAR图像地物分类方法。SCSKFCN通过使用空间和通道注意力机制,对不同感受野的特征进行自适应加权融合,有效提升了模型的分类性能。SPUO能够高效地利用标注样本,挖掘无标注样本中蕴含的信息。它采用K-Wishart距离进行样本预选并生成伪标签,然后在联合优化阶段使用真实标注样本和伪标注样本同时对模型进行优化。在模型优化过程中,SPUO对伪标注样本进行两步验证并筛选可靠的伪标注样本参与优化。实验结果表明,该方法能够在只使用少量标注样本的条件下实现高精度、高效率的极化SAR图像地物分类。 针对极化合成孔径雷达(极化SAR)图像地物分类中标注样本数量少的问题,该文提出一种基于空间-通道选择性卷积核全卷积网络(SCSKFCN)和预选-联合优化半监督学习(SPUO)的极化SAR图像地物分类方法。SCSKFCN通过使用空间和通道注意力机制,对不同感受野的特征进行自适应加权融合,有效提升了模型的分类性能。SPUO能够高效地利用标注样本,挖掘无标注样本中蕴含的信息。它采用K-Wishart距离进行样本预选并生成伪标签,然后在联合优化阶段使用真实标注样本和伪标注样本同时对模型进行优化。在模型优化过程中,SPUO对伪标注样本进行两步验证并筛选可靠的伪标注样本参与优化。实验结果表明,该方法能够在只使用少量标注样本的条件下实现高精度、高效率的极化SAR图像地物分类。
目前深度学习技术在SAR图像的船舶检测中已取得显著的成果,但针对SAR船舶图像中复杂多变的背景环境,如何准确高效地提取目标特征,提升检测精度与检测速度仍存在着巨大的挑战。针对上述问题,该文提出了一种多尺度特征融合与特征通道关系校准的 SAR 图像船舶检测算法。在Faster R-CNN的基础上,首先通过引入通道注意力机制对特征提取网络进行特征间通道关系校准,提高网络对复杂场景下船舶目标特征提取的表达能力;其次,不同于原始的基于单一尺度特征生成候选区域的方法,该文基于神经架构搜索算法引入改进的特征金字塔结构,高效地将多尺度特征进行充分融合,改善了船舶目标中对小目标、近岸密集目标的漏检问题。最后,在SSDD数据集上进行对比验证。实验结果表明,相较原始的Faster R-CNN,检测精度从85.4%提高到89.4%,检测速率也从2.8 FPS提高到10.7 FPS。该方法能够有效实现高速与高精度的SAR图像船舶检测,具有一定的现实意义。 目前深度学习技术在SAR图像的船舶检测中已取得显著的成果,但针对SAR船舶图像中复杂多变的背景环境,如何准确高效地提取目标特征,提升检测精度与检测速度仍存在着巨大的挑战。针对上述问题,该文提出了一种多尺度特征融合与特征通道关系校准的 SAR 图像船舶检测算法。在Faster R-CNN的基础上,首先通过引入通道注意力机制对特征提取网络进行特征间通道关系校准,提高网络对复杂场景下船舶目标特征提取的表达能力;其次,不同于原始的基于单一尺度特征生成候选区域的方法,该文基于神经架构搜索算法引入改进的特征金字塔结构,高效地将多尺度特征进行充分融合,改善了船舶目标中对小目标、近岸密集目标的漏检问题。最后,在SSDD数据集上进行对比验证。实验结果表明,相较原始的Faster R-CNN,检测精度从85.4%提高到89.4%,检测速率也从2.8 FPS提高到10.7 FPS。该方法能够有效实现高速与高精度的SAR图像船舶检测,具有一定的现实意义。
SAR图像多尺度目标检测能够实现大场景SAR图像中关键目标的定位与识别,是SAR图像解译的关键技术之一。然而针对尺寸相差较大的SAR目标的同时检测,即跨尺度目标检测问题,现有目标检测方法难以实现。该文提出一种基于特征转移金字塔网络(FTPN)的SAR图像跨尺度目标检测方法。在特征提取阶段采用特征转移方法,实现各层特征图的有效连接,实现不同尺度特征图的提取;同时采用空洞卷积群方法,增大特征提取的感受野,促使网络提取到大尺度目标特征。上述环节能够有效保留不同尺寸目标特征,从而实现SAR图像中跨尺度目标的同时检测。基于高分三号SAR数据、SSDD数据集及高分辨率SAR舰船检测数据集-2.0等数据集的试验表明,该文方法能够实现SAR图像中机场、舰船等跨尺度目标的检测,在已有数据集上mAP达96.5%,较特征金字塔网络算法提升8.1%,并且整体性能优于现阶段最新的YOLOv4等目标检测算法。 SAR图像多尺度目标检测能够实现大场景SAR图像中关键目标的定位与识别,是SAR图像解译的关键技术之一。然而针对尺寸相差较大的SAR目标的同时检测,即跨尺度目标检测问题,现有目标检测方法难以实现。该文提出一种基于特征转移金字塔网络(FTPN)的SAR图像跨尺度目标检测方法。在特征提取阶段采用特征转移方法,实现各层特征图的有效连接,实现不同尺度特征图的提取;同时采用空洞卷积群方法,增大特征提取的感受野,促使网络提取到大尺度目标特征。上述环节能够有效保留不同尺寸目标特征,从而实现SAR图像中跨尺度目标的同时检测。基于高分三号SAR数据、SSDD数据集及高分辨率SAR舰船检测数据集-2.0等数据集的试验表明,该文方法能够实现SAR图像中机场、舰船等跨尺度目标的检测,在已有数据集上mAP达96.5%,较特征金字塔网络算法提升8.1%,并且整体性能优于现阶段最新的YOLOv4等目标检测算法。
雷达电子对抗
从电子侦察数据中反演多功能雷达的工作模式,是电子侦察领域广泛关注的难点问题,也是充分挖掘电磁大数据情报效益的重要内容,对雷达型号识别、工作状态识别、行为意图推断、精确电子干扰等应用具有直接的支撑作用。该文以多功能雷达信号模型的简洁性为基本依据,参考信息理论定义了雷达脉冲列的复杂度度量规则,并遵循复杂度最小化准则对多功能雷达脉冲列进行语义编码,以提取雷达执行不同功能时的脉组结构,进一步地,基于脉冲列编码序列估计脉组之间的切换矩阵,从而重建了多功能雷达工作模型。该文设置典型的仿真实验对新方法的可行性和性能进行了验证,结果表明新方法能够借助编码理论,自动从多功能雷达侦察脉冲列中准确提取雷达脉组,并高精度重建多功能雷达工作模型,脉冲列的语义编码与模型重建过程对漏脉冲等数据噪声具有较强的适应能力。 从电子侦察数据中反演多功能雷达的工作模式,是电子侦察领域广泛关注的难点问题,也是充分挖掘电磁大数据情报效益的重要内容,对雷达型号识别、工作状态识别、行为意图推断、精确电子干扰等应用具有直接的支撑作用。该文以多功能雷达信号模型的简洁性为基本依据,参考信息理论定义了雷达脉冲列的复杂度度量规则,并遵循复杂度最小化准则对多功能雷达脉冲列进行语义编码,以提取雷达执行不同功能时的脉组结构,进一步地,基于脉冲列编码序列估计脉组之间的切换矩阵,从而重建了多功能雷达工作模型。该文设置典型的仿真实验对新方法的可行性和性能进行了验证,结果表明新方法能够借助编码理论,自动从多功能雷达侦察脉冲列中准确提取雷达脉组,并高精度重建多功能雷达工作模型,脉冲列的语义编码与模型重建过程对漏脉冲等数据噪声具有较强的适应能力。
近年来,以卷积神经网络为代表的深度识别模型取得重要突破,不断刷新光学和SAR图像场景分类、目标检测、语义分割与变化检测等多项任务性能水平。然而深度识别模型以统计学习为主要特征,依赖大规模高质量训练数据,只能提供有限的可靠性能保证。深度卷积神经网络图像识别模型很容易被视觉不可感知的微小对抗扰动欺骗,给其在医疗、安防、自动驾驶和军事等安全敏感领域的广泛部署带来巨大隐患。该文首先从信息安全角度分析了基于深度卷积神经网络的图像识别系统潜在安全风险,并重点讨论了投毒攻击和逃避攻击特性及对抗脆弱性成因;其次给出了对抗鲁棒性的基本定义,分别建立对抗学习攻击与防御敌手模型,系统总结了对抗样本攻击、主被动对抗防御、对抗鲁棒性评估技术的研究进展,并结合SAR图像目标识别对抗攻击实例分析了典型方法特性;最后结合团队研究工作,指出存在的开放性问题,为提升深度卷积神经网络图像识别模型在开放、动态、对抗环境中的鲁棒性提供参考。 近年来,以卷积神经网络为代表的深度识别模型取得重要突破,不断刷新光学和SAR图像场景分类、目标检测、语义分割与变化检测等多项任务性能水平。然而深度识别模型以统计学习为主要特征,依赖大规模高质量训练数据,只能提供有限的可靠性能保证。深度卷积神经网络图像识别模型很容易被视觉不可感知的微小对抗扰动欺骗,给其在医疗、安防、自动驾驶和军事等安全敏感领域的广泛部署带来巨大隐患。该文首先从信息安全角度分析了基于深度卷积神经网络的图像识别系统潜在安全风险,并重点讨论了投毒攻击和逃避攻击特性及对抗脆弱性成因;其次给出了对抗鲁棒性的基本定义,分别建立对抗学习攻击与防御敌手模型,系统总结了对抗样本攻击、主被动对抗防御、对抗鲁棒性评估技术的研究进展,并结合SAR图像目标识别对抗攻击实例分析了典型方法特性;最后结合团队研究工作,指出存在的开放性问题,为提升深度卷积神经网络图像识别模型在开放、动态、对抗环境中的鲁棒性提供参考。
针对多目标突防组网雷达系统(NRS)场景,该文提出一种面向组网雷达干扰任务的多干扰机资源联合优化分配方法。首先,采用组网雷达在干扰环境中对目标的检测概率作为干扰性能指标;然后,结合不同突防目标的检测性能需求,建立了包含干扰波束和发射功率2个优化变量的资源优化模型,并利用粒子群算法对资源优化问题进行求解;最后,考虑到组网雷达系统参数不确定性带来的检测概率泛化误差,建立了干扰资源稳健优化分配模型。仿真结果表明,该文提出的优化方法能有效压制组网雷达,降低组网雷达对突防目标的检测概率;相比传统方法,稳健方法提升了多干扰机对组网雷达的协同干扰性能,且具有鲁棒性。 针对多目标突防组网雷达系统(NRS)场景,该文提出一种面向组网雷达干扰任务的多干扰机资源联合优化分配方法。首先,采用组网雷达在干扰环境中对目标的检测概率作为干扰性能指标;然后,结合不同突防目标的检测性能需求,建立了包含干扰波束和发射功率2个优化变量的资源优化模型,并利用粒子群算法对资源优化问题进行求解;最后,考虑到组网雷达系统参数不确定性带来的检测概率泛化误差,建立了干扰资源稳健优化分配模型。仿真结果表明,该文提出的优化方法能有效压制组网雷达,降低组网雷达对突防目标的检测概率;相比传统方法,稳健方法提升了多干扰机对组网雷达的协同干扰性能,且具有鲁棒性。
雷达应用技术
空间目标状态估计旨在获取目标在轨姿态运动和几何结构等状态参数,是完成目标动作意图分析、排查潜在故障威胁和预判在轨态势等任务的关键技术。通过雷达光电成像信息处理实现在轨姿态估计是空间目标状态分析的重要途径,当前已经形成了一系列代表性实用方法。该文首先简要介绍了国内外用于空间目标监测的地基逆合成孔径雷达发展现状;重点针对空间目标时序特征匹配、三维成像重建和多视融合姿态估计多类代表性方法进行原理介绍与技术总结:数据特征匹配的状态估计性能可靠但依赖目标模型先验;三维几何重建的状态估计具备目标精细刻画潜力但观测几何要求高。同时,该文也对空间目标在轨状态估计方向未来发展趋势进行了展望。 空间目标状态估计旨在获取目标在轨姿态运动和几何结构等状态参数,是完成目标动作意图分析、排查潜在故障威胁和预判在轨态势等任务的关键技术。通过雷达光电成像信息处理实现在轨姿态估计是空间目标状态分析的重要途径,当前已经形成了一系列代表性实用方法。该文首先简要介绍了国内外用于空间目标监测的地基逆合成孔径雷达发展现状;重点针对空间目标时序特征匹配、三维成像重建和多视融合姿态估计多类代表性方法进行原理介绍与技术总结:数据特征匹配的状态估计性能可靠但依赖目标模型先验;三维几何重建的状态估计具备目标精细刻画潜力但观测几何要求高。同时,该文也对空间目标在轨状态估计方向未来发展趋势进行了展望。
基于多传感器融合感知是实现汽车智能驾驶的关键技术之一,已成为智能驾驶领域的热点问题。然而,由于毫米波雷达分辨率有限,且易受噪声、杂波、多径等因素的干扰,激光雷达易受天气的影响,现有的融合算法很难实现这两种传感器数据的精确融合,得到鲁棒的结果。针对智能驾驶中准确鲁棒的感知问题,该文提出了一种融合毫米波雷达和激光雷达鲁棒的感知算法。使用基于特征的两步配准的空间校正新方法,实现了三维激光点云和二维毫米波雷达点云精确的空间同步。使用改进的毫米波雷达滤波算法,减少了噪声、多径等对毫米波雷达点云的影响。然后根据该文提出的新颖的融合方法对两种传感器的数据进行融合,得到准确鲁棒的感知结果,解决了烟雾对激光性能影响的问题。最后,通过实际场景的实验测试,验证了该文算法的有效性和鲁棒性,即使在烟雾等极端环境中仍然能够实现准确和鲁棒的感知。使用该文融合方法建立的环境地图更加精确,得到的定位结果比使用单一传感器的定位误差减少了至少50%。 基于多传感器融合感知是实现汽车智能驾驶的关键技术之一,已成为智能驾驶领域的热点问题。然而,由于毫米波雷达分辨率有限,且易受噪声、杂波、多径等因素的干扰,激光雷达易受天气的影响,现有的融合算法很难实现这两种传感器数据的精确融合,得到鲁棒的结果。针对智能驾驶中准确鲁棒的感知问题,该文提出了一种融合毫米波雷达和激光雷达鲁棒的感知算法。使用基于特征的两步配准的空间校正新方法,实现了三维激光点云和二维毫米波雷达点云精确的空间同步。使用改进的毫米波雷达滤波算法,减少了噪声、多径等对毫米波雷达点云的影响。然后根据该文提出的新颖的融合方法对两种传感器的数据进行融合,得到准确鲁棒的感知结果,解决了烟雾对激光性能影响的问题。最后,通过实际场景的实验测试,验证了该文算法的有效性和鲁棒性,即使在烟雾等极端环境中仍然能够实现准确和鲁棒的感知。使用该文融合方法建立的环境地图更加精确,得到的定位结果比使用单一传感器的定位误差减少了至少50%。
雷达信号与数据处理
飞机尾流是飞机飞行时在其后方产生的一对反向旋转的强烈湍流,对后续飞机飞行以及机场安全起降影响极大,其演化趋势的预测已成为空中交通安全管制的瓶颈,亟需发展基于实时探测数据的飞机尾流行为预测技术。在雷达探测反演得到的尾流涡心位置和速度环量等特征参数基础上,开展飞机尾流行为预测分析,能够预知飞机尾流危害区域,为机场安全起降动态间隔标准制定提供技术支撑。该文结合风场线性切变和最小二乘拟合方法构建了参数化尾流行为预测模型,解决了经典尾流预测模型气象环境参数未随时间演化实时调整的问题。该文根据复杂风场非线性演化特点,设计了基于无迹卡尔曼滤波的数据同化模型,利用雷达探测数据对尾流行为预测进行实时修正。数值仿真验证和实测数据验证结果表明,基于数据同化的飞机尾流行为预测方法能够根据实时探测数据对尾流行为预测轨迹进行修正,得到更加贴近实测的飞机尾流行为预测轨迹。 飞机尾流是飞机飞行时在其后方产生的一对反向旋转的强烈湍流,对后续飞机飞行以及机场安全起降影响极大,其演化趋势的预测已成为空中交通安全管制的瓶颈,亟需发展基于实时探测数据的飞机尾流行为预测技术。在雷达探测反演得到的尾流涡心位置和速度环量等特征参数基础上,开展飞机尾流行为预测分析,能够预知飞机尾流危害区域,为机场安全起降动态间隔标准制定提供技术支撑。该文结合风场线性切变和最小二乘拟合方法构建了参数化尾流行为预测模型,解决了经典尾流预测模型气象环境参数未随时间演化实时调整的问题。该文根据复杂风场非线性演化特点,设计了基于无迹卡尔曼滤波的数据同化模型,利用雷达探测数据对尾流行为预测进行实时修正。数值仿真验证和实测数据验证结果表明,基于数据同化的飞机尾流行为预测方法能够根据实时探测数据对尾流行为预测轨迹进行修正,得到更加贴近实测的飞机尾流行为预测轨迹。
机载合成孔径雷达(SAR)定位误差不仅受载机位置/速度测量误差、系统时间误差等的影响,还与运动补偿残余误差有关。然而现有机载SAR定位模型很少考虑运动补偿误差的影响。该文针对实际中普遍存在的含运动误差和载机航迹测量误差的情况,结合运动补偿和频域成像算法,推导了机载SAR图像定位误差传递模型,阐明了运动补偿残余误差影响下航迹测量误差对定位偏差的影响方式,并基于该模型给出了载机航迹测量误差的标定方法。仿真实验验证了该定位误差传递模型的正确性,相比于不考虑运动补偿残余误差的定位模型,得到了更高精度的航迹测量误差标定结果,证明了该方法的优越性。 机载合成孔径雷达(SAR)定位误差不仅受载机位置/速度测量误差、系统时间误差等的影响,还与运动补偿残余误差有关。然而现有机载SAR定位模型很少考虑运动补偿误差的影响。该文针对实际中普遍存在的含运动误差和载机航迹测量误差的情况,结合运动补偿和频域成像算法,推导了机载SAR图像定位误差传递模型,阐明了运动补偿残余误差影响下航迹测量误差对定位偏差的影响方式,并基于该模型给出了载机航迹测量误差的标定方法。仿真实验验证了该定位误差传递模型的正确性,相比于不考虑运动补偿残余误差的定位模型,得到了更高精度的航迹测量误差标定结果,证明了该方法的优越性。
随着人口老龄化的到来,跌倒检测逐渐成为研究热点。针对基于毫米波雷达的人体跌倒检测应用,该文提出了一种融合卷积神经网络和长短时记忆网络的距离多普勒热图序列检测网络(RDSNet)模型。首先通过卷积神经网络对距离多普勒热图进行特征提取得到特征向量,然后将动态序列对应的特征向量序列依次输入长短时记忆网络,进而学习得到热图序列的时间相关性信息,最后通过分类器网络得到检测结果。利用毫米波雷达采集了不同对象的多种人体动作,构建了距离多普勒热图数据集。对比试验表明,所提出的RDSNet网络模型检测准确率可达到96.67%,计算时延小于50 ms,而且具有良好的泛化能力,可为跌倒检测和人体姿态识别提供新的技术思路。 随着人口老龄化的到来,跌倒检测逐渐成为研究热点。针对基于毫米波雷达的人体跌倒检测应用,该文提出了一种融合卷积神经网络和长短时记忆网络的距离多普勒热图序列检测网络(RDSNet)模型。首先通过卷积神经网络对距离多普勒热图进行特征提取得到特征向量,然后将动态序列对应的特征向量序列依次输入长短时记忆网络,进而学习得到热图序列的时间相关性信息,最后通过分类器网络得到检测结果。利用毫米波雷达采集了不同对象的多种人体动作,构建了距离多普勒热图数据集。对比试验表明,所提出的RDSNet网络模型检测准确率可达到96.67%,计算时延小于50 ms,而且具有良好的泛化能力,可为跌倒检测和人体姿态识别提供新的技术思路。