CN102928822B - 基于高分辨一维距离像的雷达目标长度计算方法 - Google Patents
基于高分辨一维距离像的雷达目标长度计算方法 Download PDFInfo
- Publication number
- CN102928822B CN102928822B CN201210433979.2A CN201210433979A CN102928822B CN 102928822 B CN102928822 B CN 102928822B CN 201210433979 A CN201210433979 A CN 201210433979A CN 102928822 B CN102928822 B CN 102928822B
- Authority
- CN
- China
- Prior art keywords
- dimensional range
- radar target
- range profile
- radar
- length
- 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.)
- Active
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于常规警戒雷达高分辨一维距离像下雷达目标长度计算的实现方法。该方法主要适用于常规宽带非相参警戒雷达的雷达目标长度计算。其主要流程是:首先对接收到的一维距离像做序列归一初始化处理,计算归一信噪比;然后通过离群峰度方法剔除异常一维距离像,通过模糊幂级数变换的方法提高归一信噪比;最后对剔除异常和模糊幂级数变换处理后的一维距离像做非相干积累,设置雷达目标一维距离像局部阈值,计算雷达目标的长度并进行修正。本发明所提供的方法具有工程实现简单、预处理效果好、所用方法理论依据充分等特点,并且计算雷达目标长度误差在真实雷达目标长度的10%之内。
Description
技术领域
本发明是一种用于基于警戒雷达系统,实现高分辨一维距离像下雷达目标长度计算方法,利用雷达目标的长度信息可以实现雷达目标的粗分类。
背景技术
雷达目标的高分辨距离像是用宽带雷达信号获取的目标散射点子回波在雷达射线上投影的向量和的幅度波形。高分辨距离像样本反映了在一定雷达视角时,雷达目标上散射体的雷达散射截面积沿雷达视线的分布情况,体现了散射点的相对几何关系,因此高分辨一维距离像能够反映出雷达目标在雷达视线上精细的几何结构特征,通过统计散射点的相对几何关系可以估算雷达目标的长度,长度是雷达目标的一个较为直观的特征,利用雷达目标的长度信息可以实现雷达目标的粗分类。
基于高分辨一维距离像的技术研究是雷达领域的研究热点之一,目前很多研究是基于模板匹配的,如在2007年3月南京理工大学学位论文《基于一维距离像的雷达目标识别》中提出的利用基于模糊极小极大神经网络和基于支持向量机的方法对一维距离像模板进行分类器训练进行模板匹配的方法。
与其他文献中提出的方法不同,本发明针对雷达目标的散射点结构特征,通过估算雷达目标的长度,实现雷达目标的粗分类。
发明内容
本发明的目的在于提供一种解决预警雷达系统的高分辨一维距离像下雷达目标长度的计算方法,有效地实现雷达目标的粗分类。通过本发明,能够在预警雷达系统中实现在视距内对各种运动状态下的海面、地面中大型目标进行有效的长度计算,并且计算雷达目标长度误差在真实雷达目标长度的10%之内。
实现本发明的技术解决方案为:
首先对接收到的一维距离像检测全局极大值和全局极小值,做序列归一初始化处理;计算每幅一维距离像的归一信噪比;对序列归一初始化后的一维距离像,计算其峰度矩阵,利用离群峰度法剔除异常一维距离像;对剔除异常一维距离像后的一维距离像做模糊幂级数变换处理;对模糊幂级数变换处理后的一维距离像做非相干积累;根据虚警概率和正态分布分布特性设置雷达目标一维距离像局部阈值;计算雷达目标的径向长度;计算雷达目标的长度。
本发明与现有技术相比,其显著优点为:
采用离群峰度法剔除异常一维距离像的预处理方法,能够准确、有效地剔除一维距离像信息中的异常一维距离像,而且其实现方法简单。采用模糊幂级数变换方法提高一维距离像归一信噪比,能够有效的提高一维距离像的归一信噪比。采用分析虚警概率和正态分布特性设置雷达目标一维距离像局部阈值的方法,能够准确、有效地提取出雷达目标一维距离像信息,该方法具有自适应性好,检测概率高的特点。本发明的提出和工程实现在雷达目标检测和识别领域具有很高的推广应用价值。
下面结合附图对本发明作进一步详细描述。
附图说明
图1是本发明的数据流程图。
图2是序列归一初始化处理后的归一信噪比计算和峰度计算示意图。
图3是本发明的离群峰度法剔除异常一维距离像示意图。
图4是本发明的模糊幂级数变换处理示意图。
图5是本发明的非相干积累示意图。
图6是本发明的雷达目标一维距离像提取示意图。
具体实施方式
本发明高分辨一维距离像下雷达目标长度计算方法具体实施步骤为,参见附图1:
(1)一维距离像的序列归一初始化处理,方法如下:
确定一维距离像的全局极大值和全局极小值,计算样本数据与全局极小值的差值和全局极大值与全局极小值差值的比值。
其中P是一维距离像样本数据,max(P)是样本数据的全局极大值,min(P)是样本数据的全局极小值,Pt是序列归一初始化处理后的样本数据。
(2)计算一维距离像的归一信噪比,方法如下:
根据高分辨一维距离像分辨率和雷达目标径向长度关系,可以估算出雷达目标一维距离像在高分辨一维距离像中所占的距离单元个数为:
其中L是雷达目标长度,在这里选取现有雷达目标长度集合的最小上限,s是雷达距离分辨率,M是雷达目标在高分辨一维距离像中的距离单元个数。
确定一维距离像的全局极大值的位置,默认全局极大值前后各距离单元为雷达目标一维距离像距离单元区域,将余下的距离单元视为噪声并平均分组,分别求取每组的全局极大值,选取全局极大值集合中的中间值作为噪声,计算归一信噪比。
Snr=20*log10(1/x)
其中Snr为归一信噪比,x为噪声。
(3)离群峰度法剔除异常一维距离像,方法如下:
计算一维距离像的峰度矩阵K,找到峰度矩阵的最大元素max(K)及其对应的一维距离像,统计余下一维距离像集合{Xi}和离群峰度集合{ki}
其中N是一维距离像的个数,Xi是余下的第i个一维距离像样本数据,μi是样本均值,σi是样本标准方差,E(Xi-μi)4是第i个一维距离像样本数据的4阶中心距。如果ki非正,则认为第i个一维距离像为异常一维距离像,将样本数据置为0,如附图2、附图3。
(4)分别对每幅一维距离像做模糊幂级数变换处理,方法如下:
Y=Xv
其中X是原始数据,Y为转换后的数据,v为模糊幂级数变换的系数,Snr为一维距离像归一信噪比。
经过模糊幂级数变换之后的归一信噪比为
Snrt=20log10(1/xv)=v·Snr
即经过模糊幂级数变换之后的一维距离像的归一信噪比提高到了原来的v倍,如附图4。
(5)一维距离像的脉间非相干积累,方法如下:
以峰度矩阵最大元素对应的一维距离像为基像,采用最小熵谱估计准则进行对齐处理,对对齐后的一维距离像做非相干积累,如附图5。
I(xk)=-logpk
其中xk是一维距离像样本数据,I(xk)是信息量,X是离散随机变量,pk是事件X=xk发生的概率,χ是一维距离像样本数据集合,H(X)是熵。
其中si为对齐后的第i个距离单元的非相干积累结果,N是一维距离像的个数。
(6)设置雷达目标一维距离像局部阈值,方法如下:
统计(2)中方法提取的噪声部分的一阶中心距和二阶中心距,按照虚警概率和正态分布的特性,将雷达目标一维距离像M个距离单元的局部阈值设置为噪声部分的一阶中心距与二阶中心距和模糊幂级数变换系数积的和形式,如附图6。
gate=mean(X)+kv*std(X)
其中gate是局部阈值,X是噪声数据集合,v是模糊幂级数变换系数,k是一常值系数。
(7)计算雷达目标的一维距离像径向长度,方法如下:
f=(pEnd-pStart)*s
其中pEnd是过门限距离单元中最后距离单元的位置,pStart是过门限距离单元中第一个距离单元的位置,s是雷达距离分辨率,f是径向长度。
(8)计算雷达目标长度,方法如下:
其中f是雷达目标的一维距离像径向长度,θ是姿态角,L是雷达目标长度;计算出雷达目标长度后根据雷达目标的接近、远离状态和姿态角对雷达目标长度进行修正。
其中L′为修正后的长度,θ是姿态角,L是雷达目标长度,D是距离(万米)。
Claims (3)
1.基于高分辨一维距离像的雷达目标长度计算方法,其特征在于:通过计算一维距离像的峰度矩阵K,找到峰度矩阵的最大元素max(K)及其对应的一维距离像,统计余下一维距离像集合{Xi}和离群峰度集合{ki},利用离群峰度法剔除异常一维距离像,其中i=1,2,…,N-1,N是一维距离像的个数,Xi是余下的第i个一维距离像样本数据,μi是样本均值,σi是样本标准方差,E(Xi-μi)4是第i个一维距离像样本数据的4阶中心距;然后对剔除异常一维距离像后的一维距离像按照Y=Xv方法做模糊幂级数变换处理,其中X是原始一维距离像数据,Y为转换后的数据,为模糊幂级数变换的系数,Snr为一维距离像归一信噪比;以峰度矩阵最大元素对应的一维距离像为基像,采用最小熵估计准则对一维距离像进行对齐处理,对对齐后的一维距离像做非相干积累;统计噪声部分的一阶中心距与二阶中心距,根据虚警概率和正态分布特性,按gate=mean(X)+kv*std(X)方法设置雷达目标一维距离像局部阈值,其中gate是局部阈值,X是噪声数据集合,mean(X)是噪声部分的一阶中心距,std(X)是噪声部分的二阶中心距,v是模糊幂级数变换系数,k是一常值系数;通过距离单元和雷达距离分辨率按照f=(pEnd-pStart)*s方法计算雷达目标的径向长度,其中pEnd是过门限距离单元中最后距离单元的位置,pStart是过门限距离单元中第一个距离单元的位置,s是雷达距离分辨率,f是径向长度;最后通过雷达目标姿态和雷达目标的径向长度与雷达目标长度之间的三角函数关系按照方法计算雷达目标的长度并修正,其中f是雷达目标的一维距离像径向长度,θ是姿态角,L是雷达目标长度;通过该方法计算雷达目标长度误差在真实雷达目标长度的10%之内。
2.如权利要求1所述的基于高分辨一维距离像的雷达目标长度计算方法,其特征在于:离群峰度法剔除异常一维距离像处理方法,该方法通过统计一维距离像的峰度矩阵和峰度矩阵的一阶中心距,自适应剔除异常一维距离像,降低不同归一信噪比下异常一维距离像的影响。
3.如权利要求1所述的基于高分辨一维距离像的雷达目标长度计算方法,其特征在于:雷达目标一维距离像局部阈值构建方法,该方法通过统计噪声的一阶中心距和二阶中心距,自适应构建雷达目标一维距离像局部阈值,提取雷达目标一维距离像信息,降低强噪声和虚警的影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210433979.2A CN102928822B (zh) | 2012-11-02 | 2012-11-02 | 基于高分辨一维距离像的雷达目标长度计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210433979.2A CN102928822B (zh) | 2012-11-02 | 2012-11-02 | 基于高分辨一维距离像的雷达目标长度计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102928822A CN102928822A (zh) | 2013-02-13 |
CN102928822B true CN102928822B (zh) | 2015-01-07 |
Family
ID=47643665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210433979.2A Active CN102928822B (zh) | 2012-11-02 | 2012-11-02 | 基于高分辨一维距离像的雷达目标长度计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102928822B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104459663B (zh) * | 2014-11-27 | 2017-02-22 | 中国船舶重工集团公司第七二四研究所 | 基于高分辨一维距离像的舰艇与货船分类方法 |
CN105676200B (zh) * | 2016-01-07 | 2017-11-03 | 北京环境特性研究所 | 进动目标结构参数提取方法 |
CN105676201B (zh) * | 2016-01-19 | 2017-11-17 | 电子科技大学 | 一种基于滑动平均的雷达目标距离像径向长度提取方法 |
CN106019255A (zh) * | 2016-07-22 | 2016-10-12 | 中国船舶重工集团公司第七二四研究所 | 基于多视角下一维像数据层融合的雷达目标类型识别方法 |
CN106443625B (zh) * | 2016-09-19 | 2018-10-12 | 电子科技大学 | 基于高分辨一维像信息融合的目标识别方法 |
CN106405521B (zh) * | 2016-10-14 | 2019-06-14 | 中国人民解放军海军七〇一工厂 | 一种基于一维距离像的目标长度的计算方法及装置 |
CN107728143B (zh) * | 2017-09-18 | 2021-01-19 | 西安电子科技大学 | 基于一维卷积神经网络的雷达高分辨距离像目标识别方法 |
CN107765240B (zh) * | 2017-10-20 | 2020-11-06 | 中国人民解放军海军七〇一工厂 | 一种运动状态的判断方法、装置和电子设备 |
CN110261828B (zh) * | 2019-07-22 | 2022-12-06 | 西安电子工程研究所 | 基于距离-角误差二维聚类的横向干扰判定方法 |
CN111830501B (zh) * | 2020-06-28 | 2023-04-28 | 中国人民解放军战略支援部队信息工程大学 | Hrrp历史特征辅助的信号模糊数据关联方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101178426A (zh) * | 2006-11-10 | 2008-05-14 | 中兴通讯股份有限公司 | 一种短路检测装置与方法 |
CN102721963A (zh) * | 2012-07-10 | 2012-10-10 | 中国船舶重工集团公司第七二四研究所 | 一种宽带雷达对目标一维成像的目标特征提取算法 |
-
2012
- 2012-11-02 CN CN201210433979.2A patent/CN102928822B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101178426A (zh) * | 2006-11-10 | 2008-05-14 | 中兴通讯股份有限公司 | 一种短路检测装置与方法 |
CN102721963A (zh) * | 2012-07-10 | 2012-10-10 | 中国船舶重工集团公司第七二四研究所 | 一种宽带雷达对目标一维成像的目标特征提取算法 |
Non-Patent Citations (3)
Title |
---|
一种基于高分辨距离像的目标长度特征提取算法;王涛 等;《中国电子科学研究院学报》;20061231;第1卷(第6期);第532-535页 * |
基于高分辨率一维距离像雷达目标识别研究;袁祖霞 等;《雷达与对抗》;20100331;第30卷(第1期);第11-14页 * |
宽带雷达一维高分辨距离像识别研究;张宏铭 等;《雷达与对抗》;20091231(第2期);第11-13,64页 * |
Also Published As
Publication number | Publication date |
---|---|
CN102928822A (zh) | 2013-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102928822B (zh) | 基于高分辨一维距离像的雷达目标长度计算方法 | |
CN106468770B (zh) | K分布杂波加噪声下的近最优雷达目标检测方法 | |
CN103454624B (zh) | 基于降维稀疏重构空时谱的直接数据域动目标检测方法 | |
CN104331583B (zh) | 一种基于实测海杂波数据的多重分形建模方法 | |
CN102722892B (zh) | 基于低秩矩阵分解的sar图像变化检测方法 | |
CN102122352B (zh) | 基于特征值分布统计特性的极化sar图像分类方法 | |
CN106251332B (zh) | 基于边缘特征的sar图像机场目标检测方法 | |
CN102567733B (zh) | 一种微波图像非合作情况下人体隐私部位检测与遮挡方法 | |
CN103426175B (zh) | 基于特征值度量谱聚类的极化sar图像分割方法 | |
CN103439692A (zh) | 基于协方差矩阵广对称特性的stap方法 | |
CN104459663A (zh) | 基于高分辨一维距离像的舰艇与货船分类方法 | |
Li et al. | Radar signal recognition algorithm based on entropy theory | |
CN107450054B (zh) | 一种自适应探地雷达数据去噪方法 | |
CN106529416A (zh) | 基于毫米波雷达决策树分类的电力线检测方法及系统 | |
CN106249219A (zh) | 基于自适应匹配滤波响应的sar动目标检测方法 | |
CN102663437A (zh) | 一种基于广义Hough变换的航天器分类识别方法 | |
CN106019255A (zh) | 基于多视角下一维像数据层融合的雷达目标类型识别方法 | |
DE102010013637A1 (de) | Verfahren zur Klassifizierung von Signalen nach der verwendeten Modulationsart | |
CN105550703A (zh) | 一种适用于人体再识别的图片相似度计算方法 | |
CN104463219A (zh) | 一种基于特征向量度量谱聚类的极化sar图像分类方法 | |
CN106597406A (zh) | 基于多视角下一维像决策层融合的雷达目标识别方法 | |
CN104182768A (zh) | 逆合成孔径雷达图像的质量分类方法 | |
CN103093243A (zh) | 高分辨率全色遥感图像云判方法 | |
CN103077499B (zh) | 基于相似块的sar图像预处理方法 | |
CN109544575A (zh) | 一种基于isar序列多边形匹配的三维轮廓重构方法 |
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 |