【摘 要】
：
随着自动驾驶、智能交通的发展,跟踪算法成为热点问题.本文主要针对的是在毫米波雷达路侧交通场景中通过对广义标签多伯努利滤波器(Generalized Labeled Multi-Bernoulli Filter,GLMB)参数估计从而保证滤波器在时变交通监测中目标跟踪的性能.参数选择是制约滤波器性能的主要因素之一,掌握其特性,具有十分重要的意义.传统的跟踪滤波会在特定的场景中使用一套固定的参数,当场景变化时,滤波器参数无法及时调整,导致跟踪性能降低.针对该问题,本文将长短期记忆神经网络(Long Short
【机 构】
：
北方工业大学信息学院雷达监测技术实验室,北京100144
论文部分内容阅读
随着自动驾驶、智能交通的发展,跟踪算法成为热点问题.本文主要针对的是在毫米波雷达路侧交通场景中通过对广义标签多伯努利滤波器(Generalized Labeled Multi-Bernoulli Filter,GLMB)参数估计从而保证滤波器在时变交通监测中目标跟踪的性能.参数选择是制约滤波器性能的主要因素之一,掌握其特性,具有十分重要的意义.传统的跟踪滤波会在特定的场景中使用一套固定的参数,当场景变化时,滤波器参数无法及时调整,导致跟踪性能降低.针对该问题,本文将长短期记忆神经网络(Long Short Term Memory network,LSTM)引入GLMB滤波器参数估计领域,通过雷达数据训练神经网络,使其具备对滤波器参数估计能力.使用毫米波雷达数据构建的数据集训练神经网络,训练完成后将使用测试数据集验证神经网络对参数估计结果.不同交通场景的雷达实测数据验证结果表明,与人为设定的固定参数方法相比,该方法可以使滤波器在时变交通监测中及时对参数进行估计与调优,提升了GLMB滤波器目标跟踪的性能.
其他文献
滑坡位移变化是危险性的直接表征,位移预测对防灾减灾至关重要.以八字门滑坡为例,基于十年监测数据和神经网络模型(LSTM、RNN)进行滑坡位移预测.用一次移动平均法将总位移分解为趋势项和周期项,趋势项采用三次多项式函数进行分段拟合预测,通过神经网络模型和建立周期项与特征因子的关系并进行预测.其中,周期项特征因子根据位移影响因素初步选取,再通过Pearson相关性分析剔除无关因子.将预测的趋势项、周期项相加即为总位移预测值,对预测值与真实值进行误差分析,绝对误差为10 mm (LSTM)、24 mm (RNN
针对机载雷达低空目标检测应用背景,本文建立低空入射角下FDA (Frequency diverse array)雷达目标探测中的修正型多径检测模型,提出基于FDA雷达的多径干扰抑制方法,并利用无训练数据广义似然比检测(Generalized Likelihood Ratio Test,GLRT)方法实现多径传播环境下的运动目标检测.仿真结果表明,FDA雷达频偏引起的距离-角度依赖性能够有效抑制低入射角下的多径反射回波,因而能够明显提升对低空目标的检测性能.
传统MIMO雷达由于采用全向发射模式导致目标增益损失严重,致使DOA估计算法性能较差.因此,本文提出基于波束空间MIMO雷达的张量模型和快速张量分解的二维DOA估计算法.波束空间MIMO雷达能够通过发射波束成形技术将发射能量集中到指定空域,弥补传统MIMO雷达的发射增益损失.通过高阶张量模型应用MIMO雷达多脉冲接收数据的多维结构,进一步改善DOA估计性能.由于所提方法能有效利用矩阵因子的范德蒙特结构,仅涉及矩阵运算无需优化处理,相对于传统的张量分解方法计算复杂度显著降低.同现有波束空间MIMO雷达DOA
外辐射源多通道前视双基地SAR作为一种新体制观测系统,具有构型设计灵活、前视成像幅宽大、目标区域信噪比高、隐蔽性强、成本低、部署便捷等显著优势.为了拓展外辐射源多通道前视双基地SAR的应用实践,本文设计了一种新型小型化外辐射源多通道前视双基地SAR接收机系统,可部署于地面和小型无人机上,并完成了原理样机的整机集成和调试,在实验室环境下输入频率步进的单频点信号进行测试,并进行了实测场景成像实验,验证了系统设计的正确性和实用性.
地基差分干涉雷达相位图中,往往含有大量相位噪声,严重影响相位解缠和形变测量结果.有鉴于此,本文提出一种改进的自适应非局部均值(Non-Local Means)组合滤波算法.该算法首先利用相干系数构造出可自适应的平滑参数模型,有效改善了Non-Local Means算法在滤波参数选择上的固定性.其次,利用维纳滤波可对空变噪声进行有效滤除的优点,本文将自适应Non-Local Means算法与维纳滤波进行有效结合,更好的保持了相位连续性,改善了图像边缘模糊度.实测数据表明,相比于自适应中值滤波算法、Golds
地球同步轨道星机双基地合成孔径雷达(GEO SA-BSAR)系统是以GEO SAR发射,飞机装载多通道系统接收信号的双基地SAR系统,其可充分利用GEO平台提供的长时间稳定的波束覆盖特性,为运动目标的检测和监视提供了便利.但是,GEO SA-BSAR系统由于收发分离,不得不面临发射端和接收端的频率源差异导致的时间同步误差的问题,影响到动目标检测的性能.为了研究GEO SA-BSAR系统的时间同步误差对动目标检测性能的影响,本文对GEO SA-BSAR系统在时间同步误差影响下的多通道运动目标信号建模,并推导
圆周扫描地基合成孔径雷达(GBCSAR)具备大视场、高分辨率等优势,且具备三维分辨能力,在复杂场景形变监测领域具有重要意义.但在大场景下目标点数量庞大,常规的三维成像方法耗时很长,难以满足实时连续监测的需求.因此本文提出一种针对GBCSAR的地形表面成像方法.在场景形变监测时,地形表面形变往往可以反映场景形变趋势,针对这一特性,本文方法将借助地形表面实现成像.利用地形表面提取得到的有效点曲面代替场景的三维空间目标点,实现了降维成像,提高了成像效率.本文首先给出了GBCSAR的几何模型以及信号模型.然后论述
掌握昆虫迁飞规律对于农业防治和生态学研究具有重大意义,雷达正是检测昆虫迁飞最有效的手段.昆虫回波弱,传统的恒虚警检测(Constant False Alarm Rate,CFAR)算法在低信噪比(Signal To Noise Ratio,SNR)时的检测性能下降;同时昆虫目标体积小、飞行速度慢,在距离维和多普勒维的扩展性弱,特征少,在一维距离像上或者距离多普勒域基于深度学习的识别算法效果不佳.针对上述问题,本文提出了基于YOLOv3 (You Only Look Once v3)网络的昆虫目标检测算法,
在雷达自动目标识别(RATR)中,数据驱动方法是强有力的工具之一.然而数据驱动方法的性能十分依赖数据集的质量,数据增强方法通过扩充数据集,能够提升数据驱动模型在现有数据集上的识别率.本文提出了用于高分辨距离像(HRRP)数据生成的一维基础生成对抗网络(BGAN)结构和条件生成对抗网络(CGAN)结构,并利用生成的人工样本补充不完备数据集完成了数据增强.实验表明,本文所提出的两种网络均能有效提升目标识别的准确率,提升效果优于传统的平移和镜像增强方法.基于BGAN的HRRP数据增强方法提升效果最优,但其模型时
基于高相干点进行相位分析,才能有效保证地基SAR(Synthetic Aperture Radar,合成孔径雷达)形变测量的准确性.在差分干涉测量领域中,广泛使用幅度离差法,可以有效地选择出岩石、建筑物等PS(Permanent Scatterer,永久散射体)点作为高相干点,但对于植被边坡,采用该方法选择出高相干点数量较少,不利于差分干涉处理.在星载SAR领域,普遍采用StaMPS方法解决植被边坡的高相干点选择问题.本文探索了StaMPS方法在地基SAR领域的适用性,提出采用非PS点来计算相干系数门限,