1 烟台三航雷达服务技术研究所有限公司, 山东 烟台 264001
2 海军航空大学, 山东 烟台 264001
在雷达信号检测环节, 针对长周期信号进行整段脉压检测会出现耗时较长和占用资源较多的问题, 采用一种通过分段匹配实现局部脉压检测的算法。首先将接收到的回波信号按一定规则分段, 逐段匹配滤波并在各自段内进行滑窗检测, 筛选数据后将初次判决后的结果保存。经过多个脉冲周期以后, 将保存的数据进行对齐排列, 精细化处理后实现二次判决, 最终确定目标结果。仿真及测试结果表明, 与传统的先压缩再积累检测的方法相比, 该方式可以有效滤除处理环节中出现的大量无用信息, 节省资源, 易于实现。
雷达信号 信号检测 分段匹配 门限判决 radar signal signal detection segment matching threshold decision-making
海军航空大信息融合研究所, 山东 烟台264001
分析了高分辨率SAR图像中海洋背景和舰船目标的特点,针对高分辨率SAR图像提出了一种两阶段舰船目标快速检测算法:第一阶段采用改进的频谱残差视觉显著计算模型快速获取视觉的感兴趣区域;第二阶段检测阶段,结合贝叶斯理论二元假设检验的思想,设计了一个局部最大后验概率分类器进行像素分类,经参数估计、判决准则完成显著区域内像素二分类以实现目标检测。实验采用典型的高分辨率SAR卫星Terra-SAR-X卫星数据进行仿真实验,结果表明所提算法具有良好的检测性能,也更加符合实际高分辨率图像舰船目标检测的应用需求。通过进一步实验与以往检测算法的对比得出结论,高分辨率SAR图像舰船目标检测方法在能够改善由斑点噪声和不均匀的海杂波背景对检测结果带来虚警的同时,检测速度也提高了25%~50%。
合成孔径雷达图像 舰船目标检测 频谱残差模型 视觉注意机制 局部最大后验概率分类器 synthetic aperture radar image ship target detection spectral residual model visual attention mechanism local maximum posteriori probability classifier
在研究了经典ITTI等视觉注意模型的理论基础上, 结合海面SAR图像背景及目标特点, 对传统视觉模型应用于海面SAR图像的缺陷进行分析总结, 提出一种适用于海面SAR图像视觉注意模型设计算法。首先, 模型借鉴经典ITTI模型的基本框架, 选择并提取了能够较好描述SAR图像的纹理和形状特征, 求取相应的特征显著图;其次, 采用新的特征显著图整合机制替代经典模型的线性相加机制进行显著图融合得到总显著图;最后, 综合各特征显著图下注意焦点的灰度特征, 选择最佳的显著性表征, 完成通过多尺度竞争策略对显著图的滤波及阈值分割实现显著区域的精确筛选, 从而完成SAR图像的显著区域检测。实验采用TerraSAR-X等多幅卫星数据进行仿真实验, 结果验证了模型良好的显著性检测效果, 更符合实际高分辨率图像目标检测的应用需求。通过进一步与经典视觉模型对比分析, 模型在改善了由斑点噪声和不均匀的海杂波背景对检测结果产生的虚警影响的同时, 检测速度也较之提高了25%~45%。
合成孔径 雷达图像 视觉注意模型 特征显著图 融合策略 注意焦点 synthetic aperture radar image visual attention model saliency map of features fusion strategy focus attention
海军航空大学 信息融合研究所, 山东 烟台 264001
针对高分辨率合成孔径雷达图像设计了一种舰船目标几何特征提取算法.通过视觉注意机制检测目标区域的算法, 通过频谱残差视觉显著计算模型求取显著图, 完成显著区域的检测以实现舰船目标的初步定位, 基于获得的视觉显著图采用最大熵算法完成阈值分割筛选出舰船区域.在提取的舰船切片的基础上, 采用针对几何特征的提取算法, 经图像预处理、方位角估计、旋转获取最佳表征舰船目标几何轮廓的外接矩形, 相对有效准确地提取几何特征; 最后, 采用典型的TerraSAR-X数据进行仿真实验.结果表明, 与传统方法相比, 本文提出的频谱残差视觉模型完成合成孔径雷达图像舰船切片的区域分割能够有效降低虚警率, 舰船目标的检测速度提高了25%~50%.该方法能够快速稳定地提取舰船目标的几何特征, 也更加符合实际高分辨率图像舰船目标检测的应用需求.
合成孔径雷达 几何特征提取 舰船目标检测 视觉注意机制 频谱残差计算 方位角估计 最小外接矩形 Synthetic aperture radar Feature extraction Target detection Visual saliency Spectral residual Azimuth estimation Minimum bounding rectangle
为实现装备的故障预测,把支持向量机(SVM)作为基础学习算法,采用加权支持向量机回归方法,对突变点赋予较大的权值,增强对突变点的训练,提高故障预测精度。采用权重自适应裁剪方法,通过计算样本点的回归权重,剔除权重较小的样本点,减少每次参与训练的样本个数,提高预测速度。选定合适的核函数及相关参数,建立故障预测模型,研究以某通信电台为例,验证了算法的有效性和优越性。
故障预测 支持向量回归 突变点 自适应裁剪算法 核函数 fault prediction support vector regression catastrophic point adaptive clipping algorithm kernel function