现有全脉冲结构波形与处理方法,如相位编码波形匹配处理存在多普勒容忍度差的固有缺陷,线性调频(linear frequency modulation,LFM)波形加窗处理降低了距离分辨率和信噪比(signal-to-noise ratio,SNR)增益,难以适应高速多目标探测的任...现有全脉冲结构波形与处理方法,如相位编码波形匹配处理存在多普勒容忍度差的固有缺陷,线性调频(linear frequency modulation,LFM)波形加窗处理降低了距离分辨率和信噪比(signal-to-noise ratio,SNR)增益,难以适应高速多目标探测的任务需求。为此,本文提出了一种面向高速目标探测的多子脉冲结构波形设计与处理方法。首先,构建具有多子脉冲结构波形的回波模型,利用分段子脉冲压缩处理和子脉冲间相参处理方法,导出多子脉冲结构波形的距离-多普勒响应函数;然后,根据感兴趣的目标距离速度区间,建立恒模约束下以最小化加权积分距离-多普勒旁瓣电平为目标函数的多子脉冲结构波形优化设计问题;最后,引入坐标下降(coordinate descent,CD)优化框架,将高维非凸约束优化问题的求解转变为多个一维优化问题的迭代求解,且推导出这些低维问题的闭式解。仿真表明,所设计的多子脉冲结构波形具有较好的多普勒容忍度和较低的局部距离-多普勒旁瓣电平,且在高速多目标认知探测场景下,相比于LFM波形、模糊函数优化波形和LFM-noise波形具有更好的高速目标探测能力。展开更多
特征选择是雷达目标识别流程中一个较为关键的环节,通过对原始特征集进行筛选,挑选出其中的优质特征构成新的特征子集,可以有效增加识别准确率,提升识别效率。为了提升开放环境下高分辨距离像(High Range Resolution Profile,HRRP)的识...特征选择是雷达目标识别流程中一个较为关键的环节,通过对原始特征集进行筛选,挑选出其中的优质特征构成新的特征子集,可以有效增加识别准确率,提升识别效率。为了提升开放环境下高分辨距离像(High Range Resolution Profile,HRRP)的识别性能,针对现有特征选择方法基于闭集假设,无法有效应对实际应用中存在库外目标导致的开集识别(Open Set Recognition,OSR)性能下降问题,本文提出了一种基于局部离群因子(Local Outlier Factor,LOF)的HRRP开集识别特征选择方法。首先,从原始HRRP中提取15维特征向量作为原始特征集;其次,该方法引入聚合性概念,并使用LOF作为其度量,通过评估特征子集的聚合性来保证其在OSR时具有最小的开放空间风险。同时,采用重心法评估特征子集的可分性,并使用前向搜索算法优化特征选择过程,确保所选特征子集为维数约束下的最优解。实验结果表明:利用所提方法选择的特征子集在开集环境下识别性能优于现有特征提取方法,提升了开集环境下高分辨距离像的识别性能。展开更多
文摘现有全脉冲结构波形与处理方法,如相位编码波形匹配处理存在多普勒容忍度差的固有缺陷,线性调频(linear frequency modulation,LFM)波形加窗处理降低了距离分辨率和信噪比(signal-to-noise ratio,SNR)增益,难以适应高速多目标探测的任务需求。为此,本文提出了一种面向高速目标探测的多子脉冲结构波形设计与处理方法。首先,构建具有多子脉冲结构波形的回波模型,利用分段子脉冲压缩处理和子脉冲间相参处理方法,导出多子脉冲结构波形的距离-多普勒响应函数;然后,根据感兴趣的目标距离速度区间,建立恒模约束下以最小化加权积分距离-多普勒旁瓣电平为目标函数的多子脉冲结构波形优化设计问题;最后,引入坐标下降(coordinate descent,CD)优化框架,将高维非凸约束优化问题的求解转变为多个一维优化问题的迭代求解,且推导出这些低维问题的闭式解。仿真表明,所设计的多子脉冲结构波形具有较好的多普勒容忍度和较低的局部距离-多普勒旁瓣电平,且在高速多目标认知探测场景下,相比于LFM波形、模糊函数优化波形和LFM-noise波形具有更好的高速目标探测能力。
文摘特征选择是雷达目标识别流程中一个较为关键的环节,通过对原始特征集进行筛选,挑选出其中的优质特征构成新的特征子集,可以有效增加识别准确率,提升识别效率。为了提升开放环境下高分辨距离像(High Range Resolution Profile,HRRP)的识别性能,针对现有特征选择方法基于闭集假设,无法有效应对实际应用中存在库外目标导致的开集识别(Open Set Recognition,OSR)性能下降问题,本文提出了一种基于局部离群因子(Local Outlier Factor,LOF)的HRRP开集识别特征选择方法。首先,从原始HRRP中提取15维特征向量作为原始特征集;其次,该方法引入聚合性概念,并使用LOF作为其度量,通过评估特征子集的聚合性来保证其在OSR时具有最小的开放空间风险。同时,采用重心法评估特征子集的可分性,并使用前向搜索算法优化特征选择过程,确保所选特征子集为维数约束下的最优解。实验结果表明:利用所提方法选择的特征子集在开集环境下识别性能优于现有特征提取方法,提升了开集环境下高分辨距离像的识别性能。
