CN102466795B - 基于多指标的雷达信号脉内特征参数评估方法 - Google Patents

基于多指标的雷达信号脉内特征参数评估方法 Download PDF

Info

Publication number
CN102466795B
CN102466795B CN 201010543670 CN201010543670A CN102466795B CN 102466795 B CN102466795 B CN 102466795B CN 201010543670 CN201010543670 CN 201010543670 CN 201010543670 A CN201010543670 A CN 201010543670A CN 102466795 B CN102466795 B CN 102466795B
Authority
CN
China
Prior art keywords
class
sigma
signal
prime
formula
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.)
Expired - Fee Related
Application number
CN 201010543670
Other languages
English (en)
Other versions
CN102466795A (zh
Inventor
何明浩
韩俊
郁春来
陈昌孝
徐廷新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN 201010543670 priority Critical patent/CN102466795B/zh
Publication of CN102466795A publication Critical patent/CN102466795A/zh
Application granted granted Critical
Publication of CN102466795B publication Critical patent/CN102466795B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种雷达信号脉内特征参数的性能评估方法,该方法包括以下主要步骤:(1)研究影响雷达辐射源信号分选、识别结果的因素;(2)确定利用复杂性、可分离性和稳定性三个指标对雷达辐射源信号脉内特征参数进行度量;(3)分别给出复杂性、可分离性和稳定性三个指标的度量方法;(4)对复杂性、可分离性和稳定性三个指标的度量结果进行规范化处理;(5)根据需求对各指标赋予权值,给出特征参数的综合评估值。

Description

基于多指标的雷达信号脉内特征参数评估方法
技术领域
本发明设计是一种雷达信号脉内特征参数的性能评估方法,能够全面准确地评估雷达信号脉内特征参数的性能,在不同的作战应用需求下选择出性能最优的脉内特征参数。
背景技术
利用脉内特征参数对雷达辐射源信号进行分选、识别是电子对抗的一个重要环节,也是必不可少的环节。可用于分选、识别的脉内特征参数较多,有的适合在实时处理时使用(特征参数的运算量低);有的适合在事后处理时使用(特征参数的可分离性高);还有的适合在低信噪比时使用(特征参数的稳定性强)。当前国内外学者在评价和选择这些特征参数时,仅仅考虑了可分离性这一个因素。由于战场的应用需求多元化、动态化,例如在实时进行雷达辐射源信号的分选、识别时,处理速度是首要需求;在事后进行分选、识别时,准确率则是首要需求,因此,亟需一种方法能够全面科学地评估雷达信号脉内特征参数的性能,并在不同的作战应用需求下选择出性能最优的特征参数。
本发明针对上述问题,利用复杂性、可分离性和稳定性三个指标对脉内特征参数进行度量,然后推导、定义了每个指标相应的度量方法,并对各个指标进行规范化,最终构建了基于多指标的脉内特征参数评估方法。通过数据验证,本发明准确有效,能够在不同的应用需求下选择出最优的特征参数。例如在实时处理雷达辐射源信号时,处理时间是首要需求,利用本发明选择出的特征参数比传统方法提供的特征参数最多可以节省2万秒左右(当信号流密度为百万每秒时);再例如在事后处理时,准确率是首要需求,利用本发明选择出的特征参数比传统方法提供的特征参数最多可以提高3-4个百分点。因此,本发明能够满足当前的作战需求,具有明显的军事应用价值。
发明内容
本发明的方法包括以下技术措施:
(1)基于计算机仿真平台,建立雷达辐射源信号分选、识别的处理模型;
(2)确定利用复杂性、可分离性和稳定性三个指标对雷达辐射源信号脉内特征参数进行度量;
(3)推导、定义每个指标相应的度量方法;
(4)对各个指标的度量结果进行规范化;
(5)根据作战需求对各指标赋予权值,构建基于多指标的脉内特征参数评估方法。
本发明相比背景技术具有如下优点:
(1)本发明工程实现容易,成本低,。
(2)本发明具有普适性。
附图说明
附图1是本发明的流程图。参照附图1,本发明的流程由建立模型、研究影响处理结果的指标、对各指标进行度量、对各指标的度量结果规范化、各指标赋予权值以及获得最终的评估值6个部分组成。其中1用于建立雷达辐射源信号分选、识别的处理模型;2用于分析影响雷达辐射源信号分选、识别的具体指标;3用来对复杂性、可分离性和稳定性三个指标进行量化计算;4用来对各指标的度量结果进行规范化处理;5用来对复杂性、可分离性和稳定性三个指标根据需求而赋予一定的权值;6用来计算最终的特征参数评估值。
附图2、3是不同信号环境、不同特征参数时的雷达辐射源信号分选时间和分选准确率的结果图。其中图2是指:选用不同的特征参数对8类雷达信号进行分选所需的时间不同,随着信号总数的增加,分选所需时间也逐渐增加。图3是指:在信噪比分别为5dB、10dB、15dB和20dB时,选择不同的特征参数对8类雷达辐射源信号进行分选的准确率也不同。图中1-5分别为小波包、相像系数、复杂度、熵值以及模糊函数。
具体实施方式
实施本发明的原理如下:利用复杂性、可分离性和稳定性三个指标对特征参数进行度量,给出了每个指标相应的度量方法,构建了基于多指标的特征参数评估方法。本发明旨在全面地反映每个特征参数的性能,在不同的应用需求下选择出性能最优的特征参数,为提高雷达辐射源信号分选、识别的效能打下基础。
(1)度量指标的确定。通过分选、识别的试验(结果见图2和图3),可以得出以下结论:当信号环境及分选、识别的特征参数发生改变时,分选、识别的结果就会随之改变,改变的幅度大小与选择的特征参数的复杂性、可分离性以及稳定性的优劣直接关联。因此,度量一个特征参数的性能优劣时应综合考虑其复杂性、可分离性以及稳定性,将这三个指标作为全面评估特征参数的基本要素。
(2)复杂性的度量。在算法分析时,往往对算法的时间复杂性和渐近时间复杂性不予区分,经常是将渐近时间复杂性T(n)=o(f(n))简称为时间复杂性,常见的时间复杂性按数量级递增排列依次为:常数O(C)、对数阶
Figure BSA00000345241300021
线形阶O(n)、线形对数阶
Figure BSA00000345241300022
平方阶O(n2)、立方阶O(n3)、…、k次方阶O(nk)、指数阶O(2n)。
(3)可分离性的度量。首先给出三个定义:
定义1第i类信号的类内聚集度Cii
C ii = max k = 1,2 , . . . , M i q { | | x ik q - E ( X i q ) | | } - - - ( 1 )
式中,q为特征向量维数,
Figure BSA00000345241300031
是第i类信号的样本数,
Figure BSA00000345241300032
是第i类信号q维特征的第k个样本向量,
Figure BSA00000345241300033
Figure BSA00000345241300034
Figure BSA00000345241300035
的期望值。
定义2第i类信号与第j类信号的距离Dij定义为
D ij = | | E ( X i q ) - E ( X j q ) | | - - - ( 2 )
式中,
Figure BSA00000345241300037
Figure BSA00000345241300038
分别是
Figure BSA00000345241300039
Figure BSA000003452413000310
的期望值。
定义3第i类信号与第j类信号的类间分离度Sij定义为
S ij = D ij C ii + C jj - - - ( 3 )
式中,Dij是第i类与第j类信号的距离,Cii与Cjj分别为第i类与第j类信号的类内聚集度。
如果用于分选、识别的信号共有H类,根据定义1和3给出的类内聚集度和类间分离度,评价特征集可分离度质量的准则函数为
f = 2 H ( H - 1 ) Σ i = 1 H - 1 Σ j = i + 1 H S ij q - - - ( 4 )
显然,f的值越大,特征集可分离度的质量就越高。
(4)稳定性的度量。采用单因子方差分析法研究噪声对特征参数的稳定性是否有显著的影响。假定信噪比有m个水平,分别记为SNR1,…,SNRm。在每一种水平下,做k次试验,在每次实验后可得一实验值,记做Cij,它表示在第i个水平下的第j个实验值(i=1,…,m;j=1,…,k)。
为了考察SNR对实验结果是否有显著的影响,把SNR的m个水平SNR1,…,SNRm看成是m个正态总体,而Cij为取自第i个总体的第j个样本,因此可设Cij~N(ai,σ2),i=1,…,m;j=1,…,k。
可以认为ai=μ+εi,εi是因子SNR的第i个水平Si所引起的差异,因此检验因子SNR的各水平之间是否有显著的差异,相当于做下列检验
H01=a1=…=am=μ    (5)
定义ST为总离差平方和,它是所有观察值Cij与其总平均值
Figure BSA000003452413000313
之差的平方和,是描述全部数据离散程度的数量指标;定义Se是观察值与组类平均值
Figure BSA000003452413000314
之差的平方和,称为组内平方和或误差平方和,它反映了组内(在同一水平之下)样本的随机波动;定义SA是组类平均值
Figure BSA00000345241300041
与总平均值之差的平方和,称为组间平方和,它反映了因子各个水平不同引起的差异。ST、Se以及SA的表达式如下所示
S T = Σ i = 1 m Σ j = 1 k ( C ij - C ‾ ) 2 - - - ( 6 )
S e = Σ i = 1 m Σ j = 1 k ( C ij - C ‾ i ) 2 - - - ( 7 )
S A = Σ i = 1 m Σ j = 1 k ( C ‾ i - C ‾ ) 2 = k Σ i = 1 m ( C ‾ i - C ‾ ) 2 - - - ( 8 )
式中, C ‾ i = 1 k Σ j = 1 k C ij , C ‾ = 1 m Σ i = 1 m C ‾ i = 1 mk Σ i = 1 m Σ j = 1 k C ij .
给出平方和分解公式,如下式所示
ST=Se+SA    (9)
由平方和分解公式可知,观察值关于其总平均值之间的差异可以看成两部分组成,即组内平方和(也叫误差平方和,它反映了因随机因素的作用引起的差异)和组间平方和(由因子各个水平不同引起的差异)。因此SA与Se的比值就反映了两种差异所占的比重,若SA与Se的比值越大,说明因子的各个水平不同引起的差异显著。因此,统计量F如下式:
F = S A / m - 1 S e / m ( k - 1 ) - - - ( 10 )
F可用来检验因子的效应是否显著。
由平方和分解定理可知,在假设公式(5)成立时,SA与Se是相互独立地,可得到下式。
F~F(m-1,m(k-1))    (11)
至此,可以给出假设检验H01规则如下:对于给定的显著性水平α,由F分布表查出自由度为(m-1,m(k-1))的临界值Fα,若F>Fα,则拒绝假设H01,说明因子对指标影响显著,且F越大影响越显著;若F≤Fα,则接受假设H01,说明因子对指标影响不显著。
(5)各指标度量结果的规范化。对复杂性的规范化通过建立一一映射或定性等级量化表来进行,具体见表1。对可分离性和稳定性的规范化方法为:将指标值映射为上、下限分别为100和0的实数,这种数学变换关系是一个从实数集R到[0,100]的函数,记为F(x):R→[0,100],称为指标的规范化函数,具体转换方法见公式(12)和公式(13)。
表1指标到评分值的映射
Figure BSA00000345241300051
Z i = 0 y i &le; y i min 100 sin ( y i - y i min y i max - y i min &times; &pi; 2 ) y i min < y i < y i max 100 y i &GreaterEqual; y i max - - - ( 12 )
Z i = 0 y i &le; y i min 100 sin ( y i max - y i y i max - y i min &times; &pi; 2 ) y i min < y i < y i max 100 y i &GreaterEqual; y i max - - - ( 13 )
上式中Zi为第i个指标值yi的评分值,
Figure BSA00000345241300054
Figure BSA00000345241300055
是yi的满意点和无效点。
(6)综合评估。根据作战需求,对每个指标赋予一定的权值时,可得到每个特征参数的综合评分值f。
f=f1ε1+f2ε2+f3ε3    (14)
式中f1,f2,f3分别表示复杂性、可分离性和稳定性指标的评分值,ε1,ε2,ε3则分别表示每个指标的权值,权值大小由实际的应用需求决定。由公式(14)可知,当每个指标的权值发生改变时,综合评分值就会改变,这就意味着每个特征参数的综合评分值是动态的,是随着实际的信号环境与应用需求而改变,这与当前的作战需求是相吻合的。
下面结合两个实例说明一下整个发明的详细步骤和优势。
例1:接收到的雷达信号序列中有4部雷达,每部雷达包含1000个信号,总计4000个。信号形式依次为CW、LFM、FSK和BPSK。每个信号中随机加入噪声,噪声大小为15-20dB。假设对此信号序列进行分选处理时,复杂性、可分离性和稳定性的评分值分别要求达到60、90和60。由此评分值可知,当前的首要需求是可分离性,即利用特征参数进行分选要求达到较高的准确率,而对于特征参数的复杂性和稳定性则要求不高,这是因为分选可能是在事后处理,且信号环境比较理想。可选择的特征参数分别为小波包、相像系数、复杂度、熵值以及模糊函数,记为参数1-参数5。由上述方法计算后可知,参数1、3、5均符合要求,此时需进一步选择出最优的特征参数。由应用需求可得到ε1=0.286,ε2=0.428,ε3=0.286,代入公式(14),可得到特征参数1、3、4的综合评分值f分别为92.31、92.03、93.41。由此可知,在当前的应用需求下,特征参数5的综合性能最优。
为了进一步验证本发明的有效性和合理性,分别使用特征参数1-特征参数5对信号序列进行分选,以直观反映出5个特征参数在当前应用需求下的分选性能,分选结果如表2所示。通过表2可知,使用参数5时的分选准确率最高,可达到99%,比其它参数更能满足当前的应用需求。
表2参数1-参数5的分选结果
  参数1   参数2   参数3   参数4   参数5
  分选时间/s   84   6.9   7   7.1   87
  分选准确率/%   98.9   96.2   98.4   97.1   99
例2:接收到的雷达信号序列中有4部雷达,每部雷达包含1000个信号,总计4000个。信号形式依次为CW、LFM、FSK和BPSK。每个信号中随机加入噪声,噪声大小为0-5dB。假设对此信号进行分选处理时,复杂性、可分离性和稳定性的评分值分别要求达到90、70和90。由此评分值可知,当前的主要需求是复杂性和稳定性,即分选可能在实时的情况下进行,且信号环境复杂。可选择的特征参数分别为小波包、相像系数、复杂度、熵值以及模糊函数,记为参数1-参数5。由上述方法计算后可知,参数3、4均符合要求。由应用需求可得到ε1=0.36,ε2=0.28,ε3=0.36,代入公式(14),可得到特征参数3、4的综合评分值f分别为92.348、92.072。由此可知,在当前的应用需求下,特征参数3的综合性能最优。
同样,为了进一步验证本发明的有效性和合理性,分别使用特征参数1-特征参数5对信号序列进行分选,以直观反映出5个特征参数在当前应用需求下的分选性能,分选结果如表3所示。由表3可知,虽然参数1和参数5的分选准确率最高,但分选所用时间远远不能满足当前的处理需求,而使用参数3时分选所需的时间最短,分选准确率也比较理想,可达到91.3%,满足当前的应用需求。这充分说明利用本发明比传统的基于准确率的特征评估方法更加准确有效。
表3参数1-参数5的分选结果
  参数1   参数2   参数3   参数4   参数5
  分选时间/s   84   6.9   7   7.1   87
  分选准确率/%   93.1   88.5   91.3   90.8   94

Claims (1)

1.一种雷达信号脉内特征参数的性能评估方法,其特征在于包括以下主要技术措施:
(1)通过建立雷达辐射源信号分选、识别的处理模型,确定使用复杂性、可分离性和稳定性三个指标对雷达辐射源信号脉内特征参数进行度量;
(2)对复杂性、可分离性和稳定性三个指标进行度量,并对度量结果进行规范化处理;
对于复杂性的度量,按数量级递增排列依次为:常数O(C)、对数阶
Figure FSB00001045692600011
线形阶O(n)、线形对数阶
Figure FSB00001045692600012
平方阶O(n2)、立方阶O(n3)、…、k次方阶O(nk)、指数阶O(2n);
对于可分离性的度量,定义1第i类信号的类内聚集度Cii为:
C ii = max k = 1,2 , &CenterDot; &CenterDot; &CenterDot; , M i q { | | x ik q - E ( X i q ) | | } - - - ( 1 ) (1)式中,q为特征向量维数,
Figure FSB00001045692600014
是第i类信号的样本数,
Figure FSB00001045692600015
是第i类信号q维特征的第k个样本向量, X i q = [ x i 1 q , x i 2 q , &CenterDot; &CenterDot; &CenterDot; , x iM i q q ] , E ( X i q ) X i q 的期望值;
定义2第i类信号与第j类信号的距离Dij定义为:
D ij = | | E ( X i q ) - E ( X j q ) | | - - - ( 2 ) (2)式中,
Figure FSB00001045692600019
Figure FSB000010456926000110
分别是
Figure FSB000010456926000111
的期望值;
定义3第i类信号与第j类信号的类间分离度Sij定义为:
S ij = D ij C ii + C jj - - - ( 3 ) (3)式中,Dij是第i类与第j类信号的距离,Cii与Cjj分别为第i类与第j类信号的类内聚集度;
用于分选、识别的信号共有H类,根据定义1和3给出的类内聚集度和类间分离度,评价特征集可分离度质量的准则函数为:
f 2 H ( H - 1 ) &Sigma; i = 1 H - 1 &Sigma; j = i + 1 H S ij q - - - ( 4 ) (4)式中,H表示用于分选、识别的信号种类数,f的值越大,特征集可分离度的质量就越高;
对于稳定性的度量,采用单因子方差分析法研究噪声对特征参数的稳定性是否有显著的影响,假定信噪比SNR有m个水平,分别记为SNR1,…,SNRm,在每一种水平下,做k次试验,在每次实验后可得一实验值,记做C′ij,它表示在第i个水平下的第j个实验值,其中i=1,…,m,j=1,…,k;为了考察SNR对实验结果是否有显著的影响,把SNR的m个水平SNR1,…,SNRm看成是m个正态总体,而C′ij为取自第i个总体的第j个样本,因此可设C′ij~N(αiσ2),其中αi=μ+εi,εi是因子SNR的第i个水平Si所引起的差异,因此检验因子SNR的各水平之间是否有显著的差异,相当于做下列检验:
N01=α1=…=αm=μ    (5)
定义ST为总离差平方和,它是所有观察值C′ij与其总平均值
Figure FSB00001045692600021
之差的平方和,是描述全部数据离散程度的数量指标;定义Se是观察值与组类平均值
Figure FSB00001045692600022
之差的平方和,称为组内平方和或误差平方和,它反映了在同一水平之下的组内样本的随机波动;定义SA是组类平均值
Figure FSB00001045692600023
与总平均值之差的平方和,称为组间平方和,它反映了因子各个水平不同引起的差异,ST、Se以及SA的表达式如下所示:
S T = &Sigma; i = 1 m &Sigma; j = 1 k ( C &prime; ij - C &OverBar; &prime; ) 2 - - - ( 6 )
S e = &Sigma; i = 1 m &Sigma; j = 1 k ( C &prime; ij - C &OverBar; i &prime; ) 2 - - - ( 7 )
S A = &Sigma; i = 1 m &Sigma; j = 1 k ( C &OverBar; i &prime; - C &OverBar; &prime; ) 2 = k &Sigma; i = 1 m ( C &OverBar; i &prime; C &OverBar; &prime; ) 2 - - - ( 8 ) 其中, C &OverBar; i &prime; = 1 k &Sigma; j = 1 k C ij &prime; , C &OverBar; &prime; = 1 m &Sigma; i = 1 m C &OverBar; i &prime; = 1 mk &Sigma; i = 1 m &Sigma; j = 1 k C ij &prime; , 给出平方和分解公式,如下式:
ST=Se+SA    (9)
由平方和分解公式可知,观察值关于其总平均值之间的差异可以看成两部分组成,即组内平方和和组间平方和,故SA与Se的比值就反映了两种差异所占的比重,若SA与Se的比值越大,说明因子的各个水平不同引起的差异显著,因此,统计量F如下式:
F = S A / m - 1 S e / m ( k - 1 ) - - - ( 10 )
F可用来检验因子的效应是否显著;在假设公式(5)成立时,SA与Se相互独立,可得到下式:
F~F(m-1,m(k-1))    (11)
给出假设检验H01规则如下:对于给定的显著性水平α,由F分布表查出自由度为(m-1,m(k-1))的临界值Fα,若F>Fα,则拒绝假设H01,说明因子对指标影响显著,且F越大影响越显著;若F≤Fα,则接受假设H01,说明因子对指标影响不显著;
(3)根据作战需求对每个指标赋予一定的权值,获得综合评估值最高的特征参数。
CN 201010543670 2010-11-09 2010-11-09 基于多指标的雷达信号脉内特征参数评估方法 Expired - Fee Related CN102466795B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201010543670 CN102466795B (zh) 2010-11-09 2010-11-09 基于多指标的雷达信号脉内特征参数评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201010543670 CN102466795B (zh) 2010-11-09 2010-11-09 基于多指标的雷达信号脉内特征参数评估方法

Publications (2)

Publication Number Publication Date
CN102466795A CN102466795A (zh) 2012-05-23
CN102466795B true CN102466795B (zh) 2013-06-26

Family

ID=46070688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201010543670 Expired - Fee Related CN102466795B (zh) 2010-11-09 2010-11-09 基于多指标的雷达信号脉内特征参数评估方法

Country Status (1)

Country Link
CN (1) CN102466795B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573303A (zh) * 2014-05-25 2015-04-29 何明浩 未知辐射源信号信噪比的估计方法
CN105652248A (zh) * 2014-11-10 2016-06-08 中国船舶重工集团公司第七二三研究所 一种基于数字滤波和时频分析的雷达信号微特征分析系统
CN106324575A (zh) * 2016-04-26 2017-01-11 韩俊 基于模糊函数特征的频率捷变信号分选新方法
CN106093873B (zh) * 2016-06-04 2018-08-31 陈昌孝 一种基于多传感器的雷达辐射源信号识别方法
CN106125049B (zh) * 2016-06-08 2019-01-01 陈昌孝 雷达辐射源信号个体差异分析方法
CN108197146B (zh) * 2017-11-29 2020-06-23 山东航天电子技术研究所 基于脉冲流数据的精分类辐射源识别参量在轨生成系统
CN109766926B (zh) * 2018-12-21 2023-03-24 西安电子科技大学 一种雷达辐射源信号脉内特征综合评估方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101109798A (zh) * 2007-07-06 2008-01-23 哈尔滨工程大学 P、l波段辐射源精确测向装置及测向方法
CN101762816A (zh) * 2008-12-25 2010-06-30 清华大学 一种星载mimo-sar静态场景和运动目标联合处理方法和系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005283276A (ja) * 2004-03-29 2005-10-13 Mitsubishi Electric Corp レーダ信号識別装置
DE102008050117A1 (de) * 2008-10-06 2010-04-08 Endress + Hauser Gmbh + Co. Kg Kalibration einer Radareinheit mit gerätespezifischen Korrekturkurven

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101109798A (zh) * 2007-07-06 2008-01-23 哈尔滨工程大学 P、l波段辐射源精确测向装置及测向方法
CN101762816A (zh) * 2008-12-25 2010-06-30 清华大学 一种星载mimo-sar静态场景和运动目标联合处理方法和系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
JP特开2005-283276A 2005.10.13
李合生等.雷达信号分选关键技术研究综述.《系统工程与电子技术》.2005,第27卷(第12期),第2035-2040页.
艾名舜等.雷达脉冲信号检测及参数估计新方法.《无线电工程》.2007,第37卷(第4期),第14-16、36页.
雷达信号分选关键技术研究综述;李合生等;《系统工程与电子技术》;20051231;第27卷(第12期);第2035-2040页 *
雷达信号脉内特征自动识别的一种新方法;韩俊等;《弹箭与制导学报》;20071231;第27卷(第2期);第270-272页 *
雷达脉冲信号检测及参数估计新方法;艾名舜等;《无线电工程》;20071231;第37卷(第4期);第14-16、36页 *
韩俊等.雷达信号脉内特征自动识别的一种新方法.《弹箭与制导学报》.2007,第27卷(第2期),第270-272页.

Also Published As

Publication number Publication date
CN102466795A (zh) 2012-05-23

Similar Documents

Publication Publication Date Title
CN102466795B (zh) 基于多指标的雷达信号脉内特征参数评估方法
CN101908138B (zh) 基于噪声独立成分分析的合成孔径雷达图像目标识别方法
Noroozi et al. Weighted least squares target location estimation in multi‐transmitter multi‐receiver passive radar using bistatic range measurements
CN110515037B (zh) 非视距环境下能时频多域联合的被动定位方法
CN111965632B (zh) 一种基于黎曼流形降维的雷达目标检测方法
CN105425223B (zh) 广义帕累托杂波下稀疏距离扩展雷达目标的检测方法
CN112163373A (zh) 基于贝叶斯机器学习的雷达系统性能指标动态评估方法
CN105785339A (zh) 非均匀杂波环境下机载雷达杂波协方差矩阵的估计方法
CN106772268A (zh) 一种高斯白噪声下的弱信号盲检测方法
CN104614714B (zh) 一种基于加权均方误差最小化的双重定标处理方法
RU2579353C1 (ru) Способ сопровождения воздушной цели из класса &#34;самолёт с турбореактивным двигателем&#34; при воздействии уводящей по скорости помехи
CN108957422A (zh) 一种基于量化数据的云mimo雷达的根克拉美罗下界计算方法
CN109670202A (zh) 一种基于云模型的仿真可信度评估方法
Anderson et al. Analysis of ASCAT ocean backscatter measurement noise
CN106707035A (zh) 无线电环境图场强参数估计算法
Li et al. Identification and parameter estimation algorithm of radar signal subtle features
CN108761384B (zh) 一种抗差的传感器网络目标定位方法
Barthès et al. Separation of multiple echoes using a high-resolution spectral analysis for SuperDARN HF radars
Matsko et al. Impact of radar data sampling on the accuracy of atmospheric refractivity inversions over marine surfaces
CN106772368B (zh) 多随机频率雷达阵列的超分辨三维成像方法
CN106019250B (zh) 基于角闪烁转发式假目标鉴别方法
CN105842674B (zh) 一种统计mimo雷达多目标检测仿真方法
Wang et al. A novel indoor ranging method using weighted altofrequent RSSI measurements
CN109752633B (zh) 一种对变电站局部放电信号进行定位的方法及系统
CN110927822A (zh) 一种评估希尔伯特变换算法获得磁梯度张量准确性的方法

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: 20130626

Termination date: 20191109

CF01 Termination of patent right due to non-payment of annual fee