为了获取无源雷达中微弱目标回波的角度信息,现有研究主要采用基于时延Doppler域二维相关处理的估计算法,其基本思想是通过参考信号和监视信号的互模糊函数来获得积累增益,提升回波信号信噪比,而后进行角度估计。该文针对高速多目标场景,提出了一种更加高效稳健的时延Doppler域角度估计算法。根据目标运动和外辐射源信号参数,对参考信号和监视信号进行分段处理,段内为快时间,段间为慢时间;考虑到目标高速运动可能引发距离徙动问题,利用Keystone变换对各频率的时间轴进行尺度变换,校正高速目标的距离徙动,继而将目标回波信号能量积累至同一时延Doppler域;检测并提取目标回波所在时延单元的阵元慢时间采样信号,并转化为慢时间维度的多快拍信号测角问题;针对多目标场景下可能存在的相干信号,利用均匀圆阵轴向虚拟平移解相干和多信号分类(MUSIC)算法对信号处理得到目标方位角和俯仰角估计。仿真实验结果表明:所提出的算法可以以较低的计算复杂度实现无源雷达微弱目标回波信号的角度估计,特别是在高速多目标场景下,具有明显的性能优势。

为了准确测量应力波在木材内部的传播时间,提高木材内部缺陷识别的精度,提出了一种基于小波变换和高阶统计量的广义相关时延估计算法。该方法利用滤波算法,将采集到的应力波信号进行滤波去噪,然后输入到广义互相关时延模型,求出传播时延估计值。仿真和实际的木材检测实验结果表明:提出的算法比传统的定时器计时法时延估计精度提高81.5%,并具有较强的抗干扰能力。

船舶交通管理系统(Vessel Traffic Service, VTS)对于保障水上交通运输安全具有重要作用，而雷达站作为系统核心组成部分其位置选择对于系统功能发挥具有至关重要的作用。针对当前VTS雷达站选址研究较少考虑实际拟建雷达站数量约束和雷达无线电波在空气中传播存在衰减性的问题，在考虑雷达配置的情况下从建站成本和覆盖率两方面基于逐渐覆盖思想提出了VTS雷达站双目标选址模型并设计自适应权重粒子群算法进行求解，并用算例分析，然后从覆盖函数和建站数量两方面进行讨论和敏感性分析，并进行方案选择分析和实例验证，结果表明最终方案能够在满足约束的条件下实现最优选址，为VTS雷达站选址提供了一种解决思路。

【目的】使用深度学习方法实现对根系雷达图像的多目标检测和多参数估计。【方法】构建了一种以YOLOv5s和CNN-LSTM为主要框架的网络模型实现对根系雷达扫描图像的多目标检测和多参数估计。首先，通过仿真模拟和预埋试验获取试验所需的根系雷达剖面图数据，同时为了增加数据的多样性，使用CycleGAN风格迁移网络获取了一批具有真实雷达图像特征的仿真数据；然后，使用YOLOv5s目标检测网络识别并提取根系响应区域；接着引入频域变换，获取频域特征，并将根系雷达图像的时域特征和频域特征融合；最后，利用卷积神经网络、卷积注意力机制以及长短期记忆网络强调和提取与根系参数相关的信息特征，并使用多任务学习的方法实现对根系半径、深度、相对介电常数以及水平倾角的预测。【结果】（1）仿真试验中，根系半径估计的最大误差是4.3 mm,R2为0.980，均方根误差为1.32，深度估计的最大误差是35.1 mm,R~2为0.962，均方根误差为17.68，相对介电常数估计的最大误差是3.1,R~2为0.960，均方根误差为1.10，水平倾角估计的最大误差是10.2°，R~2为0.821，均方根误差是4.96。（2）在实测数据上对根系半径估计的平均相对误差是9.112%，深度估计的平均相对误差是5.772%，水平倾角估计的平均相对误差是11.25%。【结论】本文提出的基于深度学习与探地雷达的多目标检测方法可以为根系检测和根系参数估计提供便利。

移动机器人的室内定位是机器人领域中的一个热点问题,移动机器人的定位包括位置与方位两方面。为对移动机器人方位进行有效的估计,该文提出了基于支持向量机(support vector machine,SVM)的机器人方位回归模型,选定激光雷达信息作为模型的输入量、机器人的方位作为输出量;并与基于极限学习机(extreme learning machine,ELM)的机器人方位回归模型进行对比。实验结果表明:基于极限学习机回归模型的均方误差为0.320rad,训练时间为0.936s;基于支持向量回归模型的均方误差为0.113rad,训练时间为9 273s。该回归模型可为机器人方位估计提供一定的应用价值。

该文基于多分支特征融合的3D目标检测算法将无序的点云划分为规则的体素，利用体素特征编码模块和卷积神经网络学习体素特征，再将稀疏的3D数据压缩为稠密的二维鸟瞰图，最后通过2D骨干网络的粗糙分支和精细分支对多尺度鸟瞰图特征进行深度融合。该文实现了对多尺度特征的语义信息、纹理信息和上下文信息的聚合，得到了更加精确的原始空间位置信息、物体分类、位置回归和朝向预测，在KITTI数据集上取得优异的平均精度，并在保持一定帧率的同时具有较强的稳健性。

高频地波雷达接收阵列不可避免地存在幅度和相位误差,这时天线方向图会产生歧变并使杂波对消算法失效。校准方法有采用辅助信源、建立阵列模型进行参数估计、利用噪声或杂波做为校准源等,缺点分别为成本高、实时性差、不能校准相位误差。针对以上问题,该文提出了孤立大目标分层校准算法。首先将阵列分成若干子阵,然后选取在空域和Doppler域都具有唯一性的大信噪比目标作为校准源,采用改进的噪声子空间拟合法或者相差校准法对各子阵的幅相误差进行校准,最后通过对各子阵误差矢量的融合得到统一的误差矢量,从而实现整个阵列的幅相校准。校

激光雷达(LiDAR)是一种适用于大范围快速获取森林三维数据的新手段,但是基于Li DAR的林业参数估计算法和提取精度仍有待进一步提高。以海南省三亚市热带区域森林为研究对象,基于其扫描获取的Li DAR点云数据提出了改进的动态移动窗口搜索算法,进行冠高模型建模与生成,并提出了基于此模型进行林木平均高度估计的方法。通过改进的算法,利用C#编程、Las Tools、Arc GIS等相关工具对点云数据进行网格化,从而进行DEM和DSM提取、CHM生成、平均树高等参数估计。结果表明:经过算法的改进,大面积森林的数字地面模型(DEM)、数字表面模型(DSM)和冠高模型(CHM)可以从Li DAR数据中快速提取,但Li DAR点云获得的树高值比实际值低。这是由于Li DAR数据树顶的错失及点云的低密度所导致的,然而通过最低树高值的不断增加,其实测值与估计值的差值也在逐渐缩小。

大型的抽样调查不仅是多目标的复杂调查,而且在估计总体目标变量的基础上还需要对其中的一些域的目标变量进行估计,所以小域估计和多目标估计问题一直是抽样调查的热点问题。文章主要利用模型校准权数的方法,解决小域中的多目标估计问题,并得到小域的多个目标变量的稳健估计量。

利用完全覆盖三峡流域的3部多普勒天气雷达探测资料,并结合三峡流域周边水文自动站实时观测资料,集成多种定量降水估算方法,对三峡流域进行面雨量估算。结果表明:这种方法在一定程度上弥补了传统利用自动站观测资料采用插值方法计算流域面雨量中由于自动站观测资料时空分辨率不足的缺点,提高了流域面雨量的估算精度,从而更好的为三峡水资源利用和洪峰预报提供重要参考。

指出合成孔径雷达(SAR)图像目标识别特征具有多维度特性和图像场景的复杂性,因此融入知识信息就成为解决SAR图像目标识别复杂问题的重要途径。结合实例分析知识信息在SAR中的重要性,阐述知识的描述方法,由此提出一种基于知识的SAR图像目标识别模型。以可信度方法为例,就知识信息的处理过程进行具体说明。最后通过案例分析,证明引入专家知识有助于增强目标识别结果的可靠性。

在现代战争中,地对空雷达对抗日趋重要,对于地对空雷达对抗装备训练水平评估成为了亟待解决的问题。开展对地对空雷达对抗训练内容的分析,构建了地对空雷达对抗训练水平评估指标体系,运用层次分析法确定个体指标权重,再将所有专家的个体指标权重集结为群体指标权重,根据灰色关联度(GRG)计算各专家的个体指标权重与群体指标权重的接近程度从而确定专家权重,采用了权重自适应调整的方法调整专家权重和群体指标权重,最终确定指标权重。最后,用实例说明了该方法的实用性。

为了实现对室内老人运动状态的实时与准确追踪，提出一种基于毫米波雷达的多目标人物轨迹追踪（multi-objective human trajectory tracking, MOHTT）算法。首先利用静态杂波滤除算法移除雷达数据中的环境干扰；其次根据自适应聚类（self-adaptive clustering, SAC）算法实现人物质心位置识别，基于质心在二维平面中的坐标信息确定人物状态向量，利用多目标离散追踪（multi-objective discrete tracking, MODT）算法实现人物运动状态估计；再利用CNN-GRU校正（CNN-GRU correction, CGC）算法对人物质心状态进行实时校正，得出准确的人体质心位置坐标；在此基础上，通过足迹获取（footprint acquisition, FA）算法得出足迹坐标，经拟合操作后给出完整的人物“质心+足迹”运动轨迹。实验结果表明，MOHTT算法对1、2、3、4个人的检测成功率分别为99.8%、95.6%、93.7%和87.3%，对单人位置检测误差的RMSE为0.152m，且在不同类型干扰下仍能提供具有信服力的检测结果，具有较好的实时性、抗干扰性和准确性，表现出良好的轨迹追踪效果。

【目的】基于机载激光雷达点云数据提取的森林高度参数和郁闭度,结合分层地面样地调查数据,采用随机森林算法构建森林蓄积量估测模型,分析机载激光雷达点云数据在森林蓄积量反演方面的潜力,为森林蓄积量高效准确估测提供方法依据。【方法】以直径30 m的地面样圆离散点云数据为数据源,经数据校准等预处理后,利用Li DAR360软件提取森林高度参数(最大高、平均高等)和郁闭度,并将数据随机分成训练数据(70%)和验证数据(30%)。采用随机森林算法构建森林蓄积量估测模型,对仅用高度参数建模以及联合高度参数和郁闭度建模结果进行比较;同时运用R软件VSURF工具包筛选建模变量,对筛选后变量的建模结果进行分析。【结果】仅用高度参数建模的估测精度为R~2=0.75、RMSE=40.07 m~3·hm~(-2)、MAE=29.21 m~3·hm~(-2)、MRE=49.40%,联合高度参数和郁闭度建模的估测精度为R~2=0.79、RMSE=36.23 m~3·hm~(-2)、MAE=26.16 m~3·hm~(-2)、MRE=38.35%。通过变量筛选,建模参数从24个减少至7个,可极大提高运算效率,同时R~2未变化,RMSE从36.23 m~3·hm~(-2)升至36.50 m~3·hm~(-2),rRMSE从31.92%升至32.97%,MAE从26.16 m~3·hm~(-2)降至26.08 m~3·hm~(-2),MRE从38.35%降至38.05%。【结论】机载激光雷达点云数据可以提取森林的垂直结构信息(高度参数)和水平结构信息(郁闭度),具备三维结构参数提取能力。采用随机森林算法,增加林分郁闭度信息可显著提高森林蓄积量估测精度。通过变量筛选,虽然能够降低参数数量,但对模型精度具有一定影响,在建模精度要求较高的情况下,建议使用全变量进行蓄积量估测;而在数据量较大的情况下,建议使用筛选变量进行蓄积量估测。基于机载激光雷达点云数据估测森林蓄积量显著优于光学遥感数据,可为森林蓄积量高效准确估测提供方法依据,能够满足大范围森林蓄积量快速反演需求。

基于多干扰站空间功率合成理论及协同干扰理念，讨论了在各干扰站发射信号到达机载轰瞄雷达处的相位可精确设置与相位呈随机均匀分布两种情形下的干扰功率合成计算，构建了要地防空作战背景下对机载轰瞄雷达的多站协同干扰压制区计算模型，并进行了示例仿真分析。分析结果表明，与传统的计算干扰压制区的直接叠加法相比，基于空间功率合成理论的整体求值法能够获得更大的有效压制区。论文研究内容可为地对空雷达干扰效能分析评估以及地对空雷达干扰力量优化决策提供科学合理的参考依据。