复杂场景下弹道中段雷达目标仿真与识别研究
发布时间：2021-02-02 19:37
随着现代战场环境日益复杂化,信息化技术的提高显得异常重要。目前各国争相发展了先进的弹道导弹突防技术,以弹道中段为例,导弹会释放多种诱饵并且伴随各种微动特性等,形成一个复杂的场景。反导系统的主要任务就是准确及时地识别出真弹头和假诱饵等,以便防空导弹准确拦截。反导系统探测目标的设备是雷达,本文所研究的内容就是仿真反导系统雷达接收回波信号,并准确把不同类型目标区分的过程。主要工作如下:（1）研究了复杂场景的弹道中段及运动的建模。建立了八种真假目标类型,并模拟了弹道导弹的中段运动过程,包含弹道轨迹和不同目标的微动特性。（2）研究RCS序列信号的生成及特征参数的提取。首先是对八种目标建立了静态RCS库,然后结合弹道中段轨迹运动特性仿真生成了所有目标的RCS序列,并提取RCS序列的10种特征,以便后续基于特征参数进行目标识别。（3）研究HRRP信号的生成及特征参数提取。利用CST软件仿真获取了八种目标的的全角域HRRP数据,HRRP需要做能量归一化。再结合RCS序列生成,编写了一款目标信号数据库生成GUI软件。使用PCA、LDA算法提取特征参数,以便后续进行目标识别。（4）分别研究基于特征参数和基...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
FireFly实验结果[9]
提取结构特征信息进行目标分类的主要技术之一就是提取RCS统计特性。文献[15]中，Thomas清晰地指出，使用RCS序列可以识别出弹头和母舱，导弹目标近似为金属球，用等效金属球的大小作为目标的近似大小，对空间目标进行类别划分。利用雷达探测到的大量RCS数据，并且使用了RCS定标卫星对数据进行了修正，这样得到了目标尺寸对应的回波RCS统计模型，称为尺寸估计模型（SizeEstimationModel，SEM）。有了这个SEM后，我们仅需要将探测到的未知目标体的RCS序列输入到SEM中逐个匹配各目标的特征，就能够完成导弹目标的尺寸估计[15]。图1-2显示了美国宇航局使用HAY、HAX和MHR雷达从空间碎片的RCS和尺寸统计中获得的SEM曲线[22]。图1-2基于RCS序列特征的空间目标SEM曲线[22]从测量的RCS回波数据中，能够提取目标的均值、方差、峰度、偏度等统计特征，进而能够提取目标的微动频率特征。微动频率特征提取的传统方式主要有自相关法（AUTOC）、循环自相关法（CAUTOC）、循环平均幅度差法（CAMDF）和方差分析法[14]。其中，CAUTOC、CAMDF算法实现方便，算法原理简单，但是其抗噪性能差、有分频误判的影响，估计效果较差；方差分析法相对CAUTOC和CAMDF算法有了一定的提高，抗噪性能强，无分频误判，但是这种算法需要较高数据率以及相对长时间的观测，对雷达的性能有一定的挑战。（3）基于微多普勒特征运动目标雷达回波的多普勒频移是时变的，表现为频谱的展宽或旁瓣的存在，这种现象称之为微多普勒效应，在窄带回波中能够提取目标的微多普勒特征[17]。微多普勒是雷达回波中描述目标微动瞬时频率的特征，它表示了目标的瞬时微动的速度，一般对目标的平动速度和加速度做运动补偿后，再使用AR模型、小波分析等现代信号处理方法，就能从微动目标的雷达回波中提取?
哈尔滨工业大学工程硕士学位论文-7-取各目标的RCS序列的八种特征参数，编写了GUI软件，以便后续的识别。第4章研究HRRP信号的生成及特征参数的提龋首先也是介绍了HRRP的基本概念，影响因素和特性。针对HRRP的特性，在HRRP信号仿真的过程中采取了相应的预处理。然后，通过添加噪声生成目标HRRP样本集，再结合RCS序列生成过程编写了一款目标信号数据库生成的GUI软件。最后，分析了PCA和LDA算法，并用于HRRP信号的特征参数提龋第5章研究基于特征参数和基于深度学习的目标识别。首先是基于特征参数的目标识别，介绍了使用的相关机器学习算法逻辑斯蒂回归（LR）、随机森林（RF）、支持向量机（SVM），然后分别对RCS序列和HRRP信号进行识别实验，实验中研究了不同样本和不同信噪比对识别率的影响，同样，基于深度学习进行目标识别，首先是介绍从机器学习到深度学习技术的发展，提出深度学习不需要对原始数据提取人为设计的具有可分性的特征。然后介绍了本文所使用的深度学习算法，包括多层感知机（MLP）、门控循环网络（GRU）、双向门控循环网络（Bi-GRU）、一维卷积神经网络（CNN）、全卷积神经网络（FCN）和深度残差网络（ResNet18）。识别实验同样分别从RCS序列和HRRP信号展开，研究了不同样本和不同信噪比对识别率的影响。其中本文设计的ResNet18算法的识别准确率最高。本文的仿真及识别研究总体流程如下图1-3所示：图1-3本文研究总体流程
【参考文献】：
期刊论文
[1]基于深度卷积神经网络的极化雷达目标识别[J]. 盖晴晴,韩玉兵,南华,白振东,盛卫星. 电波科学学报. 2018(05)
[2]基于深度神经网络模型的雷达目标识别[J]. 詹武平,郑永煌,王金霞. 现代雷达. 2018(01)
[3]反导系统与目标识别技术发展综述[J]. 句彦伟,张仕元. 现代雷达. 2016(04)
[4]基于二叉树SVM的弹道目标RCS识别[J]. 王春花,张仕元. 现代雷达. 2015(02)
[5]弹道导弹弹道建模与仿真技术研究[J]. 潘越,周树德. 计算机仿真. 2014(09)
[6]基于三角函数拟合的RCS序列进动周期估计[J]. 张仕元. 电子与信息学报. 2014(06)
[7]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟. 计算机研究与发展. 2013(09)
[8]基于RCS特征的弹道中段目标粗分类[J]. 李星星,姚汉英,孙文峰. 空军预警学院学报. 2013(01)
[9]国外陆军装甲装备信息化发展[J]. 刘立明,杨鸾. 国外坦克. 2011(08)
[10]弹道导弹识别技术发展综述[J]. 吕金建,丁建江,项清,阮崇籍,叶朝谋. 探测与控制学报. 2010(04)
博士论文
[1]基于雷达测量的导弹目标微动特征提取[D]. 刘丽华.国防科学技术大学 2012
[2]弹道中段目标微动特性及综合识别方法[D]. 马梁.国防科学技术大学 2011
[3]弹道中段目标极化域特征提取与识别[D]. 王涛.国防科学技术大学 2006
[4]微动目标雷达特征提取技术研究[D]. 陈行勇.国防科学技术大学 2006
硕士论文
[1]基于决策树的雷达RCS目标识别系统设计与实现[D]. 孟宪成.电子科技大学 2019
[2]基于深度学习的雷达一维距离像目标识别方法研究与实现[D]. 司进修.电子科技大学 2019
[3]基于高分辨一维距离像的目标特征提取及融合识别研究[D]. 周毅.电子科技大学 2018
[4]基于静态RCS重构的真假弹头识别方法研究[D]. 张艺瀛.哈尔滨工业大学 2016
[5]角锥喇叭天线近场增益的研究[D]. 申祥平.华南理工大学 2012
[6]弹道导弹目标电磁散射计算[D]. 王晨宇.电子科技大学 2012
[7]基于一维距离像的空间目标识别技术研究[D]. 李阳.国防科学技术大学 2011
[8]反舰末制导雷达回波建模与信号处理算法研究[D]. 栾丹.西安电子科技大学 2009
[9]基于RCS序列的弹道中段目标特性反演技术研究[D]. 姚辉伟.国防科学技术大学 2007
本文编号：3015261
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
FireFly实验结果[9]
提取结构特征信息进行目标分类的主要技术之一就是提取RCS统计特性。文献[15]中，Thomas清晰地指出，使用RCS序列可以识别出弹头和母舱，导弹目标近似为金属球，用等效金属球的大小作为目标的近似大小，对空间目标进行类别划分。利用雷达探测到的大量RCS数据，并且使用了RCS定标卫星对数据进行了修正，这样得到了目标尺寸对应的回波RCS统计模型，称为尺寸估计模型（SizeEstimationModel，SEM）。有了这个SEM后，我们仅需要将探测到的未知目标体的RCS序列输入到SEM中逐个匹配各目标的特征，就能够完成导弹目标的尺寸估计[15]。图1-2显示了美国宇航局使用HAY、HAX和MHR雷达从空间碎片的RCS和尺寸统计中获得的SEM曲线[22]。图1-2基于RCS序列特征的空间目标SEM曲线[22]从测量的RCS回波数据中，能够提取目标的均值、方差、峰度、偏度等统计特征，进而能够提取目标的微动频率特征。微动频率特征提取的传统方式主要有自相关法（AUTOC）、循环自相关法（CAUTOC）、循环平均幅度差法（CAMDF）和方差分析法[14]。其中，CAUTOC、CAMDF算法实现方便，算法原理简单，但是其抗噪性能差、有分频误判的影响，估计效果较差；方差分析法相对CAUTOC和CAMDF算法有了一定的提高，抗噪性能强，无分频误判，但是这种算法需要较高数据率以及相对长时间的观测，对雷达的性能有一定的挑战。（3）基于微多普勒特征运动目标雷达回波的多普勒频移是时变的，表现为频谱的展宽或旁瓣的存在，这种现象称之为微多普勒效应，在窄带回波中能够提取目标的微多普勒特征[17]。微多普勒是雷达回波中描述目标微动瞬时频率的特征，它表示了目标的瞬时微动的速度，一般对目标的平动速度和加速度做运动补偿后，再使用AR模型、小波分析等现代信号处理方法，就能从微动目标的雷达回波中提取?
哈尔滨工业大学工程硕士学位论文-7-取各目标的RCS序列的八种特征参数，编写了GUI软件，以便后续的识别。第4章研究HRRP信号的生成及特征参数的提龋首先也是介绍了HRRP的基本概念，影响因素和特性。针对HRRP的特性，在HRRP信号仿真的过程中采取了相应的预处理。然后，通过添加噪声生成目标HRRP样本集，再结合RCS序列生成过程编写了一款目标信号数据库生成的GUI软件。最后，分析了PCA和LDA算法，并用于HRRP信号的特征参数提龋第5章研究基于特征参数和基于深度学习的目标识别。首先是基于特征参数的目标识别，介绍了使用的相关机器学习算法逻辑斯蒂回归（LR）、随机森林（RF）、支持向量机（SVM），然后分别对RCS序列和HRRP信号进行识别实验，实验中研究了不同样本和不同信噪比对识别率的影响，同样，基于深度学习进行目标识别，首先是介绍从机器学习到深度学习技术的发展，提出深度学习不需要对原始数据提取人为设计的具有可分性的特征。然后介绍了本文所使用的深度学习算法，包括多层感知机（MLP）、门控循环网络（GRU）、双向门控循环网络（Bi-GRU）、一维卷积神经网络（CNN）、全卷积神经网络（FCN）和深度残差网络（ResNet18）。识别实验同样分别从RCS序列和HRRP信号展开，研究了不同样本和不同信噪比对识别率的影响。其中本文设计的ResNet18算法的识别准确率最高。本文的仿真及识别研究总体流程如下图1-3所示：图1-3本文研究总体流程
【参考文献】：
期刊论文
[1]基于深度卷积神经网络的极化雷达目标识别[J]. 盖晴晴,韩玉兵,南华,白振东,盛卫星. 电波科学学报. 2018(05)
[2]基于深度神经网络模型的雷达目标识别[J]. 詹武平,郑永煌,王金霞. 现代雷达. 2018(01)
[3]反导系统与目标识别技术发展综述[J]. 句彦伟,张仕元. 现代雷达. 2016(04)
[4]基于二叉树SVM的弹道目标RCS识别[J]. 王春花,张仕元. 现代雷达. 2015(02)
[5]弹道导弹弹道建模与仿真技术研究[J]. 潘越,周树德. 计算机仿真. 2014(09)
[6]基于三角函数拟合的RCS序列进动周期估计[J]. 张仕元. 电子与信息学报. 2014(06)
[7]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟. 计算机研究与发展. 2013(09)
[8]基于RCS特征的弹道中段目标粗分类[J]. 李星星,姚汉英,孙文峰. 空军预警学院学报. 2013(01)
[9]国外陆军装甲装备信息化发展[J]. 刘立明,杨鸾. 国外坦克. 2011(08)
[10]弹道导弹识别技术发展综述[J]. 吕金建,丁建江,项清,阮崇籍,叶朝谋. 探测与控制学报. 2010(04)
博士论文
[1]基于雷达测量的导弹目标微动特征提取[D]. 刘丽华.国防科学技术大学 2012
[2]弹道中段目标微动特性及综合识别方法[D]. 马梁.国防科学技术大学 2011
[3]弹道中段目标极化域特征提取与识别[D]. 王涛.国防科学技术大学 2006
[4]微动目标雷达特征提取技术研究[D]. 陈行勇.国防科学技术大学 2006
硕士论文
[1]基于决策树的雷达RCS目标识别系统设计与实现[D]. 孟宪成.电子科技大学 2019
[2]基于深度学习的雷达一维距离像目标识别方法研究与实现[D]. 司进修.电子科技大学 2019
[3]基于高分辨一维距离像的目标特征提取及融合识别研究[D]. 周毅.电子科技大学 2018
[4]基于静态RCS重构的真假弹头识别方法研究[D]. 张艺瀛.哈尔滨工业大学 2016
[5]角锥喇叭天线近场增益的研究[D]. 申祥平.华南理工大学 2012
[6]弹道导弹目标电磁散射计算[D]. 王晨宇.电子科技大学 2012
[7]基于一维距离像的空间目标识别技术研究[D]. 李阳.国防科学技术大学 2011
[8]反舰末制导雷达回波建模与信号处理算法研究[D]. 栾丹.西安电子科技大学 2009
[9]基于RCS序列的弹道中段目标特性反演技术研究[D]. 姚辉伟.国防科学技术大学 2007
本文编号：3015261
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3015261.html
