CN101581787A - 基于最小均方算法的激光测云雷达信号自适应识别方法 - Google Patents
基于最小均方算法的激光测云雷达信号自适应识别方法 Download PDFInfo
- Publication number
- CN101581787A CN101581787A CNA2009101171853A CN200910117185A CN101581787A CN 101581787 A CN101581787 A CN 101581787A CN A2009101171853 A CNA2009101171853 A CN A2009101171853A CN 200910117185 A CN200910117185 A CN 200910117185A CN 101581787 A CN101581787 A CN 101581787A
- Authority
- CN
- China
- Prior art keywords
- signal
- sequence
- laser
- cloud
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明涉及一种基于最小均方算法的激光测云雷达信号自适应识别方法,将两个不同周期的m序列同步复合,产生一个复合伪噪声序列,并分别同步传送给连续调制激光发射端和信号接收端,所述信号接收端将接收到的信号进行分段累计平均运算,然后采用LMS算法,将分段累计平均运算的结果和所述复合伪噪声序列代入,利用LMS算法得到的收敛结果建立激光大气散射系统模型。本发明有效解决了在脉冲调制激光雷达应用于测云时,要求脉冲峰值功率很高、脉冲极窄带来的电路设计问题和在接收端需要大量采集样本进行累计平均且运算量大、分辨率低、信噪比低等问题,大大提高了测量的效率和精确度。
Description
技术领域
本发明涉及信号处理领域,尤其是一种基于最小均方算法的激光测云雷达信号自适应识别方法。
背景技术
云由水滴或冰晶凝结聚合而成,当激光从大气进入云时,在云的边界处将会产生很强的后向散射,散射信号的大小与激光功率、云底高度、云的类型、大气特性和激光雷达性能参数有关,这样,通过分析激光回波的变化,可以判别云底位置,计算云底高度。通常情况下,探测的距离越远,接收机所接收到的后向散射信号也越弱。在总体上激光雷达信号呈现与距离的平方反比衰减趋势;而在局部,则由于大气不稳定性以及噪声(光电探测器的各种噪声以及天空背景辐射等)的影响引起一定的随机不可预侧的起伏,如图8、图9和图10所示。对脉冲激光雷达来说,可以通过多发峰值功率很高的极窄脉冲累计平均的办法削弱信号的局部起伏,提高信噪比;但累计平均方法受到平均次数限制,信噪比无法提高到理想的高度,且在高层,由于回波信号较弱,脉冲激光器平均功率低,信噪比仍然偏低,如图14和图15所示。
发明内容
本发明的目的是提供一种基于最小均方算法的激光测云雷达信号自适应识别方法,以解决激光从云返回后由于噪声导致返回信号信噪比偏低的问题。
为了达到上述目的,本发明所采用的技术方案为:
一种基于最小均方算法的激光测云雷达信号自适应识别方法,将两个不同周期的m序列同步复合,产生一个复合伪噪声序列,并分别同步传送给激光发射端和信号接收端,所述信号接收端将接收到的信号进行分段累计平均运算,然后采用LMS算法,将分段累计平均运算的结果和所述复合伪噪声序列代入,利用LMS算法得到的收敛结果建立激光大气散射系统模型,如图1和图2所示;所述方法的步骤为:
(1)在CPLD中选择两个级数不同的m序列产生结构,通过同一时钟控制,产生两个不同周期的m序列进行同步模二相加,生成新的较大周期的复合伪噪声序列,所述复合伪噪声序列的周期是两个m序列周期的最小公倍数;
(2)采用连续调制激光器,在发射端用复合伪噪声序列连续调制激光器、连续控制激光的发射;
(3)在接收端将接收到的后向散射信号和噪声经A/D转换器转换后传送到信号处理芯片,并对信号按照伪噪声序列周期进行分段累计平均运算;
(4)将分段累计平均运算的结果作为LMS算法的期望向量,复合伪噪声序列作为LMS算法的输入向量,用TiC55系列DSP编译的C语言进行LMS算法运算;
(5)利用LMS算法的收敛结果,建立激光大气散射系统模型;
(6)根据所建立的激光大气散射系统模型、有效提取高信噪比的后向散射信号,利用后向散射廓线进行信号分析,判断能见度、云底云高等参数。
所述的基于最小均方算法的激光测云雷达信号自适应识别方法,其特征在于:所述两个级数不同的m序列产生结构分别为一个八级移位寄存器和一个七级移位寄存器。
本发明解决了在脉冲调制激光雷达应用于测云时,要求脉冲峰值功率很高、脉冲极窄带来的电路设计问题和在接收端需要大量采集样本进行累计平均且运算量大、分辨率低、信噪比低等问题。针对激光测云雷达后向散射信号微弱、系统和背景噪声太大、伪噪声序列白噪声性质明显和最小均方(LMS)算法运算量小、适合宽带信号自适应处理的特点,在发射端用相对低速的伪噪声序列连续调制激光,利用高斯白噪声背景下的自适应滤波接收理论,接收端对原始接收信号进行少量分段平均后,使用与发射端相同的复合伪噪声序列对接收信号进行自适应系统识别,从而实现后向散射特征信号和白噪声的分离。接收端可以在建立大气云层系统模型、恢复后向散射信号的同时大大抑制系统和背景噪声,恢复后的信号经过距离修正,就可以得到实际的后向散射信号廓线,廓线特点是后向散射信号特征突出,信噪比明显高于其他方案。如图11、图12、图16和图17所示,本发明不需要占用大量累计平均时间和运算资源,就能够得到理想的后向散射信号,而且分辨率很高。
附图说明
图1为基于复合伪噪声序列连续调制的激光测云雷达信号处理框图。
图2为基于LMS算法的自适应系统识别结构。
图3为八级m序列产生器结构图。
图4为七级m序列产生器结构图。
图5为七级m序列数字相关波形。
图6为八级m序列数字相关波形。
图7为复合伪噪声序列相关结果。
图8为在没有高斯白噪声背景的情况下接收信号波形图。
图9为在标准差较小的高斯白噪声背景的情况下接收信号波形图。
图10为在标准差较大的高斯白噪声背景的情况下接收信号波形图。
图11为512抽头步长1e-6时收敛情况。
图12为1024抽头步长5e-7时收敛情况。
图13为在标准差较小的高斯白噪声背景的情况下数字相关运算后廓线图。
图14为100次平均结果。
图15为在标准差较小的高斯白噪声背景的情况下脉冲调制4000次累计平均运算后廓线图。
图16为512抽头系统识别结果。
图17为1024抽头系统识别结果。
具体实施方式
1.原理介绍
假设激光器发射的经伪噪声序列调制的信号为s(t),在传播过程中受空间各种信号和干扰噪声的污染,再经空气中的云雾散射进入接收探测器的信号加噪声为:
R(t)=sd(t-τd)+n(t)+sc(t-τc)
式中:sc(t-τc)表示散射回来的连续信号(后面示意图中理想信号的连续包络部分,通常用于描述雾或气溶胶信息),也包括有用信号本身的多径延迟及人为干扰信号(敌方的干扰),n(t)是信道中的所有加性高斯白噪声(如背景光、电路噪声等),sd(t-τd)为突变信号(后面示意图中理想信号的两个冲击,通常用于描述镜面反射和云层信息)。
在接收端用同一伪噪声序列与接收到的R(t)做基于LMS算法的自适应系统识别,由于s(t)所具有的高斯白噪声特性,平均后幅度仍然较高的n(t)很容易被抑制,而sd(t-τd)和sc(t-τc)只有在同步之后才有较大值出现,其中包含的时延和失真信息很容易被解出(如后图所示)。
激光雷达测云,在一次散射的条件下,云对激光的回波强度满足光雷达方程:
式中,P(z)为激光雷达接收探测距离z(km)处的大气后向散射回波信号强度(W);C为系统常数(W·km3·sr);β(z),σ(z)分别为距离z处大气总的后向散射系数(km-1·sr-1)和消光系数(km-1)。
在系统仪器常数确定的情况下,接收机所收到的激光回波信号强度P(z)主要取决于大气和云体的后向散射微分截面β(z)(或消光系数σ(z)),β(z)越大,P(z)越强,同时衰减越快。由于云体后向散射微分截面远大于气溶胶,所以,当激光在大气中传输遇到云时,P(z)将迅速增大,出现一个突变的P(z)信号。云层与气溶胶相比明显增强的回波信号包含了足够的云层信息,利用激光回波信号的这些特性可以将云层信号与气溶胶信号区别开来,进一步数据处理可以获得后向散射系数、垂直能见度以及云底云高的信息。
白噪声是一种随机过程,它的瞬值服从正态分布,功率谱在很宽频带内都是均匀的,它有极其优良的相关特性,可以用具有类似于带限白噪声统计特性的伪噪声码信号来逼近它,实用上主要应用它具有白噪声统计特性。随机序列具有两方面特点:一是预先不可确定,并且是不可重复实现的;二是它具有某种统计特性,这种统计特性称为随机特性。其主要表现在:序列中两种不同元素出现的次数大致相等;序列中长度为k的元素游程比长度为k+1元素的游程数量多1倍(游程是指连续出现的同种元素串);序列具有类似于白噪声的自相关函数(即δ函数)。
凡自相关函数具有
形式的码称为伪噪声码,又称为狭义伪噪声码。
凡自相关函数具有:
形式的码称为广义伪噪声码,显然狭义的伪噪声码是广义伪噪声码的特例。
m序列是最常用的一种伪噪声序列,它是最长线性反馈移位寄存器序列的简称。带线性反馈逻辑的移位寄存器设定各级寄存器的初始状态后,在时钟触发下,每次移位后各级寄存器状态会发生变化,观察其中一级寄存器(通常为未级)的输出,随着移位时钟节拍的推移会产生一个序列,称为移位寄存器序列。可以发现。移位寄存器序列是一种周期序列,其周期不但与移位寄存器的级数有关,而且与线性反馈逻辑有关。在相同级数的情况下,采用不同的线性反馈逻辑所得到的周期长度不同。此外,周期还与移位寄存器的初始状态有关。正如它的全名所表达的那样,m序列是由带线性反馈的移位寄存器产生的序列,并且具有最长周期。线性反馈移位寄存器序列的周期不但与线性反馈逻辑有关,而且与初始状态有关。但在产生最长线性反馈移位寄存器序列时,初始状态并不影响序列的周期长度,关键在与得到合适的反馈逻辑。
一般情况下,n级线性反馈移位寄存器可以表述为以下线性反馈逻辑表达式。其中Ci(i=0,1,...,n)表示反馈线的连接状态,Ci=1表示连接线通,第n-i级输出参加反馈;Ci=0表示连接线断开,第n-i级输出未参加反馈。
将等式左边的an移至右边,并将an=C0an(C0=1)代人上式,则上式可改写为:
通常定义一个与上式相对应的多项式:
并称之为线性移位寄存器的特征多项式。理论分析表明,特征多项式与输出序列的周期有密切关系,即一个产生最长线性反馈移位寄存器序列(即m序列)的N级移位寄存器,其特征多项式必须是N次的本原多项式。一个N次多项式F(x)若满足下列条件,则称为本原多项式:
(1)F(x)是既约的,即不能再分解因式;
(2)F(x)可整除Xm+1这里m=2n-1;
(3)F(x)不能整除xq+1,这里q<m。
只要找到本原多项式,就能由它构成m序列发生器。人们已将计算得到的本原多项式列成表。
m序列有如下性质:
(1)由n级移位寄存器产生的m序列,其周期为2n-1.
(2)除全0状态外,n级移位寄存器可能出现的各种不同状态都在m序列的一个周期内出现,而且只出现一次。由此可知,m序列中“1”和“0”的出现概率大致相同,“1”码只比“0”码多一个。
(3)通常将一个序列中连续出现的相同码称为一个游程。m序列中共有2n-1个游程,其中长度为1的游程占1/2,长度为2的占1/4,长度为3占1/8等。最后还有一个长度为n的连“1”码游程和一个长度为n-1的连“0”码游程。
(4)m序列的自相关函数只有两种取值。满足:
m序列具有双值自相关函数特性。
选择两个级数不同的m序列产生结构,通过同一时钟控制,产生的序列进行同步模二相加,生成的新序列相关特性等噪声性能与m序列相似,但是周期是两个m序列周期的最小公倍数,更加适合需要大量脉冲积累能量、提高信噪比的情况。
LMS是在维纳滤波,kalman滤波等线性滤波基础上发展起来的一种最佳滤波方法。自适应滤波的研究对象是具有不确定的系统或信息过程。“不确定”是指所研究的处理信息过程及其环境的数学模型不是完全确定的。其中包含一些未知因数和随机因数。任何一个实际的信息过程都具有不同程度的不确定性,这些不确定性有时表现在过程内部,有时表现在过程外部。从过程内部来讲,描述研究对象即信息动态过程的数学模型的结构和参数是事先不知道的。作为外部环境对信息过程的影响,可以等效地用扰动来表示,这些扰动通常是不可测的,它们可能是确定的,也可能是随机的。一些测量噪音也是以不同的途径影响信息过程,这些扰动和噪声的统计特性常常是未知的。自适应滤波能够解决这些客观存在的各种不确定性,综合处理信息过程,并使某一些指定的性能指标达到最优或近似最优。
在这几十年里,数字信号处理技术取得了飞速发展,特别是自适应信号处理技术以其而广泛被使用。例如LMS自适应滤波算法在统计信号处理的许多应用中都是非常重要的。在工程实际中,LMS算法以其计算简单、收敛速度快等优点,非常适合强噪声背景中的微弱信号的实时检测。
基于LMS算法自适应滤波器实质上就是一种能调节其自身传输特性以达到最优的维纳滤波器,不需要关于输入信号的先验知识,计算量小,特别适用于实时处理。自适应滤波器的特性变化是由自适应算法通过调整滤波器系数来实现的。一般而言,自适应滤波器由两部分组成,一是滤波器结构,二是调整滤波器系数的自适应算法。根据激光测云雷达的工作特点和具体应用,该方案需要根据具有加性高斯白噪声特性的平均结果和已知的伪噪声序列实现激光大气散射系统的再现。因此可以采用基于LMS算法的自适应系统识别的滤波结构,以平均结果作为LMS算法的期望向量、以与激光发射调制同步的伪噪声序列作为LMS算法的输入向量,对激光大气散射系统进行自适应系统识别。利用LMS算法的收敛结果,建立激光大气散射系统模型、有效提取高信噪比的后向散射信号。
根据LMS算法系统识别的要求,理想的LMS算法输入应具有高斯白噪声特性,期望中的信号加噪声也应该具有白噪声特性且信号和噪声无相关性。因此,该结构强调在激光发射时采用具有高斯白噪声特性的复合m序列进行连续调制,利用复合m序列自相关强、互相关弱的白噪声特性,人为造成后向散射信号与噪声的独立。
图2给出了用自适应系统识别的基本原理。输入端接收从激光器同步发来的伪噪声序列,期望输入端接收受到噪声干扰的后向散射信号,且后向散射信号与噪声无关,但与发射的伪噪声序列相关。利用两输入信号的相关性和信号与噪声的独立性,使自适应滤波器的输出与期望输入逼近并相减,收敛后滤波器的抽头权值就是系统识别的结果,同时输出误差信号。为获得良好的噪声抑制性能,应使期望输入检测到的信号尽可能小,因此该方案需要在自适应滤波前实现少量分段平均。
LMS算法步骤如下
自适应滤波器在时刻n的向量定义:
抽头权向量:W(n)=[b0(n),b1(n),...,bM-1(n)]T
参考输入向量:X(n)=[x(n),x(n-1),...,x(n-M+1)]T
算法步骤:
步骤一:初始化:
步骤二:更新:n=1,2,3,...
滤波:y(n)=WT(n)X(n);
误差估计:e(n)=d(n)-y(n);
权向量更新:W(n+1)=W(n)+2μe*(n)X(n);
其中μ是用来控制稳定性和收敛速度的步长参数。为确保自适应过程的稳定性,μ必须满足0<μ<2/MPin,其中Pin=E[X2(n)]为输入功率。
2.实施步骤
a)如图3和图4所示,用基于两种不同本原多项式的带反馈的移位寄存器结构产生两种周期不同的最大长度反馈移位寄存器序列(m序列)。根据伪噪声编码理论,白噪声是一种随机过程,它的瞬时值服从高斯分布,功率在很宽的频带内都是均匀的,其自相关函数具有类似δ函数的形状。不同的白噪声之间相互独立,其互相关函数为零。伪噪声序列具有白噪声的类似特性,采用了二元域,只具有+1,0两种电平。伪噪声码概率分布不具有高斯分布形式,但使用码长足够长的生成函数,通过中心极限定理可以证明它具有正态分布特性。在实际工程应用中,m序列既可以用硬件产生,也可以用软件产生,然后存在ROM中通过相应的时钟同步输出。在硬件中可使用移位寄存器,也可用声表面滤波器件等延迟线来产生。
b)如图1、图5至图7所示,将两个不同周期的m序列实现同步复合,产生一个较大周期的复合伪噪声序列,同步传送给发射端和接收端。选择两个级数不同的m序列产生结构,通过同一时钟控制,产生的序列进行同步模二相加,生成的新序列相关特性等噪声性能与m序列相似,但是周期是两个m序列周期的最小公倍数。
c)在发射端用复合伪噪声序列连续调制激光器、连续控制激光的发射。采用连续调制激光器,可以不像脉冲调制激光器那样需要很大的峰值功率。
d)在接收端将接收到的后向散射信号和噪声经A/D转换后传送到信号处理芯片,实现该信号按照伪噪声序列周期的分段累计平均运算、以降低系统和背景噪声幅度,实现系统和背景噪声的平均次数远低于脉冲调制激光雷达累计平均的要求。
e)将具有加性高斯白噪声特性的平均结果作为LMS算法的期望向量、与激光发射调制同步的伪噪声序列作为LMS算法的输入向量,对平均结果进行自适应系统识别。利用LMS算法的收敛结果,建立激光大气散射系统模型、有效提取高信噪比的后向散射信号。
f)利用后向散射廓线进行信号分析,可以判断能见度、云底云高等参数。
g)激光信号的产生和信号处理流程及重要结构如附图所示。
根据图8至图15的对比,即使是系统和背景噪声非常大的情况,也可以利用伪噪声序列连续调制后的相关运算提取出后向散射廓线的特征信息。而如果是脉冲调制累计平均方法,在测量周期相同,运算量相似的情况下,未能够提取出后向散射廓线的特征信息。而如图16和17所示,经自适应系统识别后,后向散射信号特征明显,背景和系统噪声抑制情况良好,超过只采用累计平均的方案,也优于相关的方案。
Claims (2)
1、一种基于最小均方算法的激光测云雷达信号自适应识别方法,其特征在于:将两个不同周期的m序列同步复合,产生一个复合伪噪声序列,并分别同步传送给激光发射端和信号接收端,所述信号接收端将接收到的信号进行分段累计平均运算,然后采用LMS算法,将分段累计平均运算的结果和所述复合伪噪声序列代入,利用LMS算法得到的收敛结果建立激光大气散射系统模型;所述方法的步骤为:
(1)在CPLD中选择两个级数不同的m序列产生结构,通过同一时钟控制,产生两个不同周期的m序列进行同步模二相加,生成新的较大周期的复合伪噪声序列,所述复合伪噪声序列的周期是两个m序列周期的最小公倍数;
(2)采用连续调制激光器,在发射端用复合伪噪声序列连续调制激光器、连续控制激光发射到云层;
(3)在接收端将接收到的从上述云层返回的后向散射信号和噪声经A/D转换器转换后传送到信号处理芯片,并对信号按照伪噪声序列周期进行分段累计平均运算;
(4)将分段累计平均运算的结果作为LMS算法的期望向量,复合伪噪声序列作为LMS算法的输入向量,用TiC55系列DSP编译的C语言进行LMS算法运算;
(5)利用LMS算法的收敛结果,建立激光大气散射系统模型;
(6)根据所建立的激光大气散射系统模型、有效提取高信噪比的后向散射信号,利用后向散射廓线进行信号分析,判断能见度、云底云高等参数。
2、根据权利要求1所述的基于最小均方算法的激光测云雷达信号自适应识别方法,其特征在于:所述两个级数不同的m序列产生结构分别为一个八级移位寄存器和一个七级移位寄存器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101171853A CN101581787B (zh) | 2009-06-29 | 2009-06-29 | 基于最小均方算法的激光测云雷达信号自适应识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101171853A CN101581787B (zh) | 2009-06-29 | 2009-06-29 | 基于最小均方算法的激光测云雷达信号自适应识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101581787A true CN101581787A (zh) | 2009-11-18 |
CN101581787B CN101581787B (zh) | 2012-06-20 |
Family
ID=41364020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009101171853A Expired - Fee Related CN101581787B (zh) | 2009-06-29 | 2009-06-29 | 基于最小均方算法的激光测云雷达信号自适应识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101581787B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102207548A (zh) * | 2010-03-31 | 2011-10-05 | 中国科学院电子学研究所 | 采用最小均方误差估计的多发多收合成孔径雷达成像方法 |
CN102890272A (zh) * | 2012-11-05 | 2013-01-23 | 中国航天科工集团第二研究院二十三所 | 一种毫米波云雷达信号处理方法 |
CN104215955A (zh) * | 2014-08-22 | 2014-12-17 | 西安华腾微波有限责任公司 | 低功率毫米波测云方法 |
CN108226942A (zh) * | 2016-12-21 | 2018-06-29 | 赫克斯冈技术中心 | 具有inl误差补偿的激光测距模块 |
CN109490873A (zh) * | 2018-09-28 | 2019-03-19 | 成都天成电科科技有限公司 | 一种近距离目标探测方法及电子设备 |
EP3489145A1 (fr) * | 2017-11-28 | 2019-05-29 | Zodiac Aerotechnics | Procédé de détection de la présence de cristaux de glace dans un environnement |
CN113093223A (zh) * | 2021-04-12 | 2021-07-09 | 广州降光科技有限公司 | 一种激光云高仪 |
CN114412849A (zh) * | 2021-12-07 | 2022-04-29 | 浙江大学 | 负载口独立控制的大惯量旋挖钻机上车回转系统控制方法 |
-
2009
- 2009-06-29 CN CN2009101171853A patent/CN101581787B/zh not_active Expired - Fee Related
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102207548A (zh) * | 2010-03-31 | 2011-10-05 | 中国科学院电子学研究所 | 采用最小均方误差估计的多发多收合成孔径雷达成像方法 |
CN102207548B (zh) * | 2010-03-31 | 2013-09-25 | 中国科学院电子学研究所 | 采用最小均方误差估计的多发多收合成孔径雷达成像方法 |
CN102890272A (zh) * | 2012-11-05 | 2013-01-23 | 中国航天科工集团第二研究院二十三所 | 一种毫米波云雷达信号处理方法 |
CN102890272B (zh) * | 2012-11-05 | 2013-12-04 | 中国航天科工集团第二研究院二十三所 | 一种毫米波云雷达信号处理方法 |
CN104215955A (zh) * | 2014-08-22 | 2014-12-17 | 西安华腾微波有限责任公司 | 低功率毫米波测云方法 |
CN108226942A (zh) * | 2016-12-21 | 2018-06-29 | 赫克斯冈技术中心 | 具有inl误差补偿的激光测距模块 |
CN108226942B (zh) * | 2016-12-21 | 2022-01-04 | 赫克斯冈技术中心 | 确定到目标物体的距离的测距方法和电子激光测距模块 |
US10640218B2 (en) | 2017-11-28 | 2020-05-05 | Zodiac Aerotechnics | Method for detecting the presence of ice crystals in an environment |
FR3074145A1 (fr) * | 2017-11-28 | 2019-05-31 | Zodiac Aerotechnics | Procede de detection de la presence de cristaux de glace dans un environnement |
EP3489145A1 (fr) * | 2017-11-28 | 2019-05-29 | Zodiac Aerotechnics | Procédé de détection de la présence de cristaux de glace dans un environnement |
CN109490873A (zh) * | 2018-09-28 | 2019-03-19 | 成都天成电科科技有限公司 | 一种近距离目标探测方法及电子设备 |
CN113093223A (zh) * | 2021-04-12 | 2021-07-09 | 广州降光科技有限公司 | 一种激光云高仪 |
CN114412849A (zh) * | 2021-12-07 | 2022-04-29 | 浙江大学 | 负载口独立控制的大惯量旋挖钻机上车回转系统控制方法 |
CN114412849B (zh) * | 2021-12-07 | 2023-01-13 | 浙江大学 | 负载口独立控制的大惯量旋挖钻机上车回转系统控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101581787B (zh) | 2012-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101581787B (zh) | 基于最小均方算法的激光测云雷达信号自适应识别方法 | |
CN105759279B (zh) | 一种基于波形时域匹配的激光测距系统及方法 | |
CN109061589A (zh) | 随机跳频雷达的目标运动参数估计方法 | |
Abraham et al. | Active sonar detection in shallow water using the Page test | |
US7486591B2 (en) | Sonar system and method providing low probability of impact on marine mammals | |
JP5138854B2 (ja) | 光学距離測定 | |
CN101595396A (zh) | 高分辨率超声位移测量的装置与方法 | |
US4730191A (en) | Radar simulation | |
CN107390229B (zh) | 一种测风激光雷达信号的处理方法及其处理装置 | |
CN109891197A (zh) | 布里渊散射测定方法及布里渊散射测定装置 | |
CN108923860A (zh) | 基于过门限修正的盲脉冲信号toa估计方法 | |
US7629920B1 (en) | Entropy method for range alignment for integration of target returns | |
US7363177B2 (en) | Apparatus and method for performing the time delay estimation of signals propagating through an environment | |
Aunsri et al. | Stochastic description and evaluation of ocean acoustics time-series for frequency and dispersion estimation using particle filtering approach | |
Molchanov et al. | On micro-Doppler period estimation | |
US7239580B2 (en) | Noise adaptive sonar signal processor | |
CN110609263B (zh) | 一种同时计算脉冲激光雷达目标回波时延和频偏的方法 | |
US7289388B2 (en) | Estimation of background noise and its effect on sonar range estimation | |
Burkhardt et al. | A modified Newton-Raphson search for the model-adaptive identification of delays | |
CN106646422A (zh) | 增强相干测风雷达多普勒频移信号信噪比的预处理系统 | |
JP2015049074A (ja) | レーダ及び物体検出方法 | |
CN110726995B (zh) | 激光雷达高精度测距方法及系统 | |
CN108663328B (zh) | 适用于光学水质测量系统的光噪音滤除装置 | |
Sytnik | Jitter Problem in Pseudo Random Signal Processing | |
Abraham et al. | Effect of pulse duration on echo matched-filter statistics in a shallow-water channel |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120620 Termination date: 20150629 |
|
EXPY | Termination of patent right or utility model |