全卷积神经网络应用于SAR目标检测

在合成孔径雷达（SAR）图像目标检测中,由于场景杂波的复杂多变,对背景杂波统计模型估计难度增加,从而导致多数检测器容易受到背景杂波的干扰。针对如何避免场景杂波对目标检测干扰的问题,提出了一种基于全卷积神经网络的SAR目标检测模型。该模型将目标检测任务转化为像素分类问题,利用卷积神经网络对数据集中目标像素特征和背景杂波像素的先验信息进行自主学习,有效减少了虚警目标的数量;通过对目标及其阴影区域的联合检测,提高了目标的检测概率。对多个不同场景图像进行测试,实验结果表明提出的检测模型具有良好的检测性能和鲁棒性能,与传统恒虚警检测算法相比,在无需考虑背景杂波统计模型前提下有效降低了虚警概率。     

降低船用连续波雷达虚警概率的海杂波抑制方法

为了解决海杂波引起的船用连续波雷达虚警概率增大,以及海杂波抑制算法工 程应用难度大的问题,提出了一种工程实用的海杂波抑制方法。首先,通过双参数删除型 CFAR检测算法和统计检测算法进行二次检测;然后,依据邻近帧之间目标回波相关性 较强和片状海杂波相关性较弱的特点进行帧间处理。仿真和海上实验均表明,应用该方法的 船用连续波雷达可以降低不同强度的海杂波背景下的虚警概率。     

基于地形融合分类的分区二维恒虚警检测器

在非均匀杂波背景下,由于恒虚警(CFAR)检测器与杂波背景幅度分布不匹配,导致检测器性能出现剧烈下降。针对此问题,提出了一种基于地形融合分类的分区二维CFAR检测器。首先提出一种基于拟合优度(GoF)的地形融合分类算法来对非均匀杂波背景下的地形进行分类编号,同时记录各地形的幅度分布及幅度分布参数;再根据地形编号及记录的幅度分布选择相匹配的CFAR处理窗实现分区二维CFAR;最后利用实测数据验证了该地形融合分类算法的有效性,并用半实测、实测数据对所提出CFAR检测器性能进行了仿真验证,结果表明相比传统二维CFAR检测器,所提出的CFAR检测器在非均匀背景下性能有明显提高。     

一种双通道雷达恒虚警率处理方法

在分析双通道恒虚警率(CFAR)检测系统原理的基础上,以瑞利杂波分布为背景,建立了一个三元检测的数学模型,推导出线性检波下双通道CFAR检测器的虚警概率表达式。结合公式利用MATLAB仿真,定量分析了影响虚警概率的因素,并将其与单通道情况进行了比较,得出双通道的虚警概率是归一化门限与消隐门限的函数的结论。     

基于网络编码的衰落信道频谱感知算法

针对传统认知无线电网络中频谱状态转换频繁和频谱检测时延长的问题,提出基于随机线性网络编码的累积和能量检测频谱感知算法。该算法在主用户信道中引入随机线性网络编码,利用网络编码对频谱的整形作用,使频谱状态转换稀疏,频谱结构更规律化,减小频谱检测时延,提高系统吞吐率。此外,针对传统累积和能量检测算法抗衰落性能差的问题,通过比较该算法在五种衰落信道下的检测时延和吞吐率,研究该算法的抗衰落性能。实验结果表明,在一定的虚警概率下,该算法有效降低了检测时延,提高了吞吐率及抗衰落能力,能够更好地适应复杂的衰落信道环境。     

距离-速度同步干扰环境下的目标检测

针对距离-速度同步干扰,首先基于多普勒滤波器组和恒虚警率（CFAR）检测技术得 到目标检测决策,并结合目标检测决策建立雷达回波的速度-时间数据矩阵。随后分析了目 标和干扰的特征差异,基于超快霍夫变换（VFHT）提取雷达回波的目标特征霍夫空间。最后根 据该霍夫空间采用CFAR检测技术对目标检测,从而形成基于距离-速度同步干扰抑制的目标 检测方法。与常规快速霍夫变换（FHT）相比,提出的VFHT具有更高的计算效率。同时 ,该方法由于在雷达数据处理层面进行目标检测,不需要改变雷达系统的信号处理结构,大 大降低了雷达装备成本。理论仿真表明在同样的目标检测性能前提下,基于VHFT的目标检测 算法所需的信噪比要求放宽了10 dB以上,为弱目标回波信号环境中的应用奠定了基础 。     

恒虚警处理中基于噪声采样的检测门限设定

恒虚警（CFAR）检测是雷达信号处理的重要组成部分。介绍了某型雷达的目标检测 原理,分析了噪声恒虚警处理中门限系数对目标检测的影响,提出了一种基于噪声采样的门 限系数确定方法,最后在仿真计算的基础上验证了该方法的可行性。     

正弦调频连续波雷达数字中频信号处理机的设计

采用ADC＋FPGA＋DSP模式设计了一种正弦调频连续渡雷达数字中频信号处理机。该处理机利用了数字接收机和恒虚警检测（CFAR）原理实现了目标多普勒信号提取、检测和存储，具有体积小、功耗低、可靠性高等特点，且具有一定的灵活性和可扩展性。介绍了处理机各组成部分的功能及参数选择，并分析了处理机所用的恒虚警检测算法。测试结果表明，该处理机克服了采用模拟接收电路的固有缺点，提高了通道一致性和测量精度。     

α稳定分布噪声环境下基于神经网络的信号检测方法

本文给出了一种在分数低阶α稳定分布噪声环境下利用多层前向BP神经网络对确定性信号进行检测的方法。此方法只需在特定虚警概率以及噪声条件下对神经网络进行训练,再通过调整偏移节点的连接权值,就可以得到不同虚警概率条件下的检验统计量。计算机模拟结果表明,利用该神经网络可以实现对分数低阶α稳定分布噪声环境下信号的有效检测,且检测性能明显优于传统的局部最优(LO)检测器。     

基于波形对比度最优的扩展动目标恒虚警检测

在太赫兹高分辨引信系统中,引信与目标的相对运动会引起高分辨距离像剧烈变形,从而严重影响目标的检测。针对太赫兹引信扩展目标检测问题,提出了一种基于波形对比度最优的扩展动目标恒虚警检测方法。该方法利用波形对比度最优准则来估计雷达与目标之间的相对运动速度,进而实现运动补偿和恒虚警率目标检测,从而显著提高了太赫兹引信的目标检测性能。该方法简单并且在低信噪比的情况下也能有很好的检测效果。仿真实验验证了所提方法的优点和有效性。