【摘 要】
：
针对基于互质阵列的欠定波达方向(direction of arrival,DOA)估计方法在阵元幅相误差条件下性能急剧下降的问题,提出一种基于校正阵元的互质阵列DOA估计方法.首先,将阵列接收数据分解为两个子阵数据,基于校正阵元对子阵分别进行幅相误差估计,并将子阵幅相误差排序重组.然后,对接收数据协方差矩阵进行误差补偿并扩展为高维的Toeplitz矩阵.最后,基于矩阵填充理论对高维协方差矩阵进行空洞填充,结合求根多重信号分类(root multiple signal classification,root
【机 构】
：
国防科技大学电子对抗学院,安徽合肥230037
论文部分内容阅读
针对基于互质阵列的欠定波达方向(direction of arrival,DOA)估计方法在阵元幅相误差条件下性能急剧下降的问题,提出一种基于校正阵元的互质阵列DOA估计方法.首先,将阵列接收数据分解为两个子阵数据,基于校正阵元对子阵分别进行幅相误差估计,并将子阵幅相误差排序重组.然后,对接收数据协方差矩阵进行误差补偿并扩展为高维的Toeplitz矩阵.最后,基于矩阵填充理论对高维协方差矩阵进行空洞填充,结合求根多重信号分类(root multiple signal classification,root-M USIC)算法进行DOA估计.理论分析和仿真结果表明,该方法可以实现互质阵列的幅相误差估计,并通过误差补偿有效恢复幅相误差条件下的互质阵列DOA估计性能,提高估计精度.
其他文献
微动目标特征提取与辨识一直是弹道目标识别的研究热点与难点.针对复杂运动目标微多普勒(micro-Doppler,m-D)曲线交叠耦合导致的微动辨识难点,提出一种基于曲线趋势估计的分离算法.该算法首先通过骨架提取获得稳定精细的二值化曲线数据,再基于曲线光滑性和插值法对曲线趋势进行精确估计并分离,最后利用变分模态分解(variational mode decomposition,VMD)及经验模态分解(empirical mode decomposition,EMD)算法分解每条m-D曲线并计算相应的微动特性
为有效解决特定辐射源的个体识别问题,提出一种基于Hilbert-Huang变换与对抗训练相结合的方法.首先根据辐射源硬件差异,建立辐射源信号的数学模型;其次,对信号进行Hilbert-Huang变换得到Hilbert谱;然后,在预处理过程中,从信号所有的Hilbert谱时频点对应的能量值中,确定最具区分度的一组能量值,并记录其对应的时频点;最后,对每一类辐射源信号的Hilbert谱提取上述记录的时频点对应的能量值,将其送入卷积神经网络进行训练与测试,并通过对抗训练的方式提升网络的抗噪性能.识别准确率实验表
充分的合成孔径雷达(synthetic aperture radar,SAR)模板数据是目标识别算法(尤其是基于深度学习的智能目标识别算法)获得优异识别性能的关键,基于实际测量获取充分SAR数据是不现实的,基于电磁散射建模的SAR仿真成为当前获取充分样本的一种有效途径.SAR仿真图像与实测图像为非同源数据,由于SAR仿真的目标几何模型与实物之间差异、SAR仿真过程中的传感器模型与实际传感器性能之间差异、实物所处的背景环境与SAR仿真的环境之间差异、电磁建模方法本身误差等因素导致SAR仿真图像与实测图像存在
针对常规间歇采样转发干扰(interrupted sampling repetitive repeater jamming,ISRRJ)存在假目标群幅度递减过快、假目标干扰能量不集中的问题,提出基于梳状谱调制干扰(comb spectrum modulation jamming,CMSJ)和ISRRJ的复合干扰方法.首先,分析CSMJ和ISRRJ的特性;然后,探讨复合干扰形成密集假目标干扰的条件,并给出参数控制字的选择方法;最后,仿真分析不同参数条件下的干扰效果.理论分析和仿真结果表明,所提方法参数控制简
在复杂环境声场景识别任务中,梅尔频谱作为输入的深度卷积神经网络有良好的识别能力,然而梅尔滤波器组依据人耳生理特征设计,对于声场景识别并非最优滤波器组.针对此问题提出声谱图提取神经网络取代传统梅尔频谱提取过程,通过训练该网络使声谱图自动适应声场景数据集.声谱图提取神经网络连接Res-Net50作为声场景识别架构,在DCASE2019声场景数据集上进行训练与测试,实验结果表明该架构比传统模型有更高的识别率,能够有效调整频率曲线、滤波器幅值以及滤波器形状.
对极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)实施有效的电子干扰是合成孔径雷达电子对抗领域的重要课题.针对PolSAR电子干扰的基本原理,首先推导出了接收机输出端和成像处理后的PolSAR方程,并与极化散射矩阵联系起来,完整地描述了不同极化状态组合下的信噪比和杂噪比;然后构建了PolSAR接收机输出端的干扰方程以及成像处理后的非相干、部分相干和完全相干干扰方程,总结了PolSAR电子干扰有效功率的能量分配与守恒规律;最后基于上述方程论证了不同
宽带探测为目标高精度运动参数估计提供了可能.然而,目标多散射特性以及姿态变化等因素限制了测速性能的进一步提升.为此,提出一种基于相位分析与散射点关联相结合的有效方法.首先,通过建立分段匀加速直线运动模型,采用包络对齐方法与自适应Chirplet分解方法相结合的方式,从回波的相位变化中提取出目标的运动信息.然后,使用预测-观测的关联方法,去除其中非平动因素的影响,提高平动速度的估计精度.最后,实测数据的实验结果证明了所提方法的有效性.
结合深度学习思想,提出了一种基于多尺度交互结构卷积神经网络(convolutional neural network,CNN)的合成孔径雷达(synthetic aperture radar,SAR)图像相干斑抑制方法.首先,通过不同尺寸的卷积核及跳跃连接构成多尺度交互特征提取模块以获得不同感受野的特征并加快网络收敛速度.然后,在多尺度交互特征提取模块之间利用简化的密集连接方式使网络能够充分利用浅层纹理特征.最后,采用残差学习策略得到抑制后的图像.实验结果表明,与已有方法相比,所提方法不仅使用较少的计算参
低截获概率(low probability of intercept,LPI)雷达作为一种具有强抗干扰能力及低截获特性的新型雷达,对其精准高效识别已成为雷达对抗一方波形识别的难点.针对该方向主流分类器卷积神经网络(convolution neural network,CNN)的结构智能寻优问题,提出一种基于粒子群优化(particle swarm optimization,PSO)算法-CNN的波形识别算法.该算法利用PSO的寻优特性,可实现较大范围内自动搭建不定层数、不定层类别及层内参数的CNN结构并进
如何解决资源约束条件下的任务调度问题,保证在资源使用存在冲突情况下,多个任务高效执行,其中合理的任务调度和资源冲突消解是影响任务执行效果的关键因素.基于工作流图模型提出了一套资源约束条件下任务调度的框架,并针对调度过程中产生的资源冲突,提出了两种任务调度算法:一种算法通过任务关键度确定优先级,并基于贪心策略和调整工作流图拓扑结构的方法,在任务开始前确定任务调度方案;另一种算法采取弹性资源调度的方式,使产生冲突的任务优先在资源不足的条件下开始执行,任务调度和执行交替进行.最后,通过地震救援案例验证了相关算法