专栏：新体制雷达信号处理和数据处理技术2024(2)
《新体制雷达信号处理和数据处理技术》
专辑发刊词
本期专辑主编：许述文（西安电子科技大学）
本期专辑编委：陈小龙（海军航空大学）
刘维建（空军预警学院）
杨小鹏（北京理工大学）
随着多输入多输出(MIMO)雷达、频率分集阵(Frequency Diverse Array，FDA)雷达、网络化雷达、认知雷达、泛探雷达等新体制雷达系统的提出和发展，雷达数据获取方式逐步由单波段、单极化、单角度等发展到多频率、多极化、多角度和多时相等获取方式，逐步形成了雷达的多维信号处理体系，以满足雷达目标检测、参数估计、目标跟踪和目标识别等任务的需求。提高新体制雷达的信号处理能力是新体制雷达从理论走向工程和装备的核心问题。因此，新体制雷达下的信号处理与数据处理相关技术的研究，具有极为重要的理论价值与实际意义。
本次出版《新体制雷达信号处理和数据处理技术》专栏，通过期刊搭建平台，吸引更多的专家学者共同致力于雷达信号和数据处理技术研究，报道新体制雷达信号处理和数据处理的研究成果，实现相关专业最新进展的互通互享，推动新体制雷达信号处理和数据处理技术的发展。
本次专栏内容十分丰富，包括了新体制雷达目标检测与跟踪技术、新体制雷达杂波类型识别与抑制技术、辐射源个体识别技术、脉冲雷达系统设计等。随着新体制雷达系统的提出和发展，适用于新体制雷达的信号处理和数据处理技术是提升新体制雷达系统性能的关键，将为雷达目标检测、跟踪、识别以及成像与抗干扰等能力提升提供重要支撑。
我们对关心并支持本专栏出版的各位领导、组稿专家、审稿专家，以及积极参与专栏征文活动的所有作者表示衷心的感谢！这一领域的发展还需更多同仁精诚合作，相互促进，相信经过大家共同的努力，该领域必将迎来新一轮发展。
专栏主编简介
许述文，博士，教授，博士生导师，主要研究方向为海杂波特性感知和对海雷达弱目标检测，就职于西安电子科技大学雷达信号处理国家重点实验室。目前为国家级信息感知协同中心副主任，雷达信号处理与数据处理部部长，省部级青年创新团队带头人，IEEE 高级会员、
中国电子学会高级会员、中国通信学会高级会员，科技部国家科技专家库成员，西安电子科技 大学首批华山菁英学者。担任《雷达学报》、《太赫兹科学与电子信息学报》、《电子与信息学报》、《信号处理》青年编委等。曾为加拿大 Mcmaster 大学 CSC 全额资助访问教授，中电集团挂职研究员，省青年人才托举计划获得者，先后发表和录用学术论文 100 余篇，授权专利 20项。先后主持国家自然科学基金、科技部重点研发计划、预研基金等国家级课题 20 余项，产学研课题 20 余项，研制了多套先进对海探测软件实验系统和硬件系统，获得省部级技术发明奖等多项奖励。
针对部分均匀环境中样本数有限以及样本中包含异常值时的扩展目标检测问题，设计了一类基于几何中心的自适应检测器，其包含两个步骤，第一步，构建基于几何中心广义内积的数据选择器，用以剔除包含异常值的样本数据；第二步，利用基于几何中心的协方差矩阵估计量，构建广义自适应子空间检测器的检测统计量。所设计的检测器利用正定矩阵空间中的几何中心特性，无需获得样本数据的先验概率分布。在分析阶段，根据异常值正确剔除概率、恒虚警特性和检测概率，评估检测器的性能。通过仿真数据和实测数据验证，相比传统检测器，本文提出的检测器具有更好的性能。
探讨射频系统级芯片(RFSoC)在脉冲雷达系统设计中的应用，设计实现一个具有高性能数模混合信号处理能力的雷达测距系统。采用IW-RFSoC-49DR高性能RFSoC开发板(包括背景干扰滤除算法的设计)，测试环境设置在空间狭窄、多金属设备干扰的实验室内。实验结果显示，在未经处理的复杂室内环境中，实验数据受到显著干扰；实现背景干扰滤除算法后，频谱图的显示分辨能力得到显著提升。随着测试目标距离由3 m提高至12 m，测距误差值从53 cm降低至 5 cm。RFSoC技术在脉冲雷达系统设计中展现出显著优势，实现了高集成度低功耗设计，为后续基于RFSoC设计便携式雷达打下了基础。
针对外辐射源雷达进行机动目标跟踪时，现有的自适应交互式多模型(AIMM)算法难以达到高精确度跟踪的问题，提出一种基于改进的自适应转移概率交互式多模型(ATPM-IMM)的机动目标跟踪算法。该算法在ATPM-IMM算法的基础上增加了自适应控制窗，对转移概率矩阵进行再次修正，从而可根据目标的机动情况自适应切换机动模型，提高真实模型的匹配概率。仿真和实测数据结果表明，所提算法可有效提高外辐射源雷达进行机动目标跟踪的精确度。
非合作双基地雷达因其特殊的探测方式，致使回波中目标信噪比较低，特别是海上运动目标，在雷达扫描周期的帧与帧之间探测并不稳定，会对后续目标跟踪造成较大困难。本文首先采用低门限恒虚警率(CFAR)检测器将雷达距离-多普勒维和距离-方位维的检测结果匹配，得到相应掩码图，筛选出潜在的运动目标；然后提出一种融合多维特征信息的双主干YOLO(DB-YOLO)，该网络采用双主干结构，同时提取动目标掩码图和其映射下相同尺度P显图的特征，并采用深度可分离卷积模块降低网络的模型参数。将该模型与Faster RCNN、YOLOv5及其常见变种YOLOv5-ConvNeXt进行对比，实验表明，DB-YOLO有效提高了目标检测性能并保证了推理速度，为非合作双基地雷达的目标跟踪奠定了基础。
针对辐射源个体识别(SEI)中个体数据分布不平衡导致的识别准确率下降的问题，提出一种基于动态权重模型的SEI方法。通过设计一个动态类权重(DCW)模型，先利用元学习算法使用少量样本数据通过2层计算得到一个适中的权重初始值；再设计一种新的代价敏感损失函数计算预测值与真实值之间的距离，反向调整赋予少数类的学习权重，适度增加对少数类数据的重视程度。对少数类更加友好，对高度不平衡数据的处理有明显优势，缓解多数类样本对整个识别过程的计算误导，提高整体的识别正确率。
针对高频地波雷达(HFSWR)回波谱中背景噪声复杂、杂波占比较小且电离层杂波形态位置各异，难以自动识别的问题，以DeeplabV3+深度学习算法为基础架构并加以改进，提出一种HFSWR电离层杂波及海杂波自动识别方法。选用轻量级MobileNetV2作为主干特征网络，加入通道注意力机制模块SENet，实现对杂波标签的侧重学习，优化训练集中各类标签的损失权重；采用模型预训练迁移法对网络进行预训练，解决样本空间过小的问题。实测数据集上的实验结果表明，本方法可以实现HFSWR电离层杂波及海杂波的自动识别。相比原DeeplabV3+算法，杂波识别结果更为准确和精细，海杂波识别结果的平均交并比(mIoU)和准确率(ACC)分别提升2.9%和5.1%；电离层杂波识别结果的mIoU和ACC分别提升3.0%和4.9%。
