论文部分内容阅读
随着信息通信技术和计算机网络技术的快速发展,分布式雷达探测网络由于环境适应能力强,探测性能优异等优势,引发了人们的关注和研究。在危急的救援救灾、室内室外定位,甚至是现在火热的智能驾驶等场景中,都需要一种对目标进行探测的装置,用以获得纷乱场景中的丰富信息。在分布式雷达探测网络中,我们通过多个不同位置的锚点对目标发送信号,并从回波信号中提取目标的位置、轮廓甚至材料等信息。同时,考虑到雷达对于目标的测量往往无法做到全角度域的覆盖,希望能够从已测量角度的雷达散射截面(Radar Cross section,RCS)帮助预测出剩余角度的RCS值。具体包括:雷达发射波束越窄,其角度分辨率越高,系统准确度也越高。受限于天线制造和加工水平,现实中的雷达发射波束存在无法逾越的上下界。针对目前实际场景中,目标雷达散射截面全方位角获取的难操作性以及昂贵开销,本文第三章提出利用后向神经网络(Back Propagation Neural Network,BPNN)和长短时记忆网络(Long Short Term Memory Network,LSTM)对已知角度的RCS序列预测未知角度的RCS序列模型。通过本文的研究发现,这两种算法可以找准其散射规律并且在一定范围内对RCS序列进行外推预测,能够较好的完成RCS数据的拟合。同时,由于LSTM能够解决长时依赖问题,本文选取利用LTSM拟合实际场景下两种缺失片段的RCS序列,并仿真验证了建立的RCS预测模型和外推曲线是正确有效的。目标的探测和识别在军事和民用中有着广泛的应用,它将场景中与目标无关的物体区分开,判断整个网络中是否存在感兴趣的目标,并对物体进行识别。本文提出基于RCS观测序列的目标识别模型。在预测所得完整序列的基础上,从中提取出12种有效特征,结合支持向量机(Support Vector Machine,SVM)方法将得到的识别结果与其他常用方法的识别结果进行比较,显示支持向量机方法具有更高的识别率。本文以分布式雷达探测网络为研究背景,针对RCS序列不全面与目标识别问题,提出了RCS序列的预测和利用RCS进行目标识别的模型,解决了分布式雷达探测网络在现实场景应用的难点,同时仿真验证了其可行性,为系统的实际应用提供了理论支撑。