CN104181518B - 一种利用波达角差异性选择训练样本的方法 - Google Patents
一种利用波达角差异性选择训练样本的方法 Download PDFInfo
- Publication number
- CN104181518B CN104181518B CN201410369883.3A CN201410369883A CN104181518B CN 104181518 B CN104181518 B CN 104181518B CN 201410369883 A CN201410369883 A CN 201410369883A CN 104181518 B CN104181518 B CN 104181518B
- Authority
- CN
- China
- Prior art keywords
- doppler
- range
- data
- ripple
- unit
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/414—Discriminating targets with respect to background clutter
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种利用波达角差异性选择训练样本的方法,涉及信号处理技术领域,其步骤为:步骤1,对回波数据进行傅里叶变换,得到距离多普勒单元数据;步骤2,构建距离多普勒子单元数据的空域搜索导向矩阵,求解距离多普勒子单元数据对应的波达角;步骤3,利用步骤2求出该通道的每一波达角,并进行排序,得到中间值作为检测门限;步骤4,确定该通道上的奇异样本;步骤5,执行步骤3和步骤4,得到每一通道上的奇异样本;步骤6,从距离多普勒单元数据除去每一通道上的奇异样本之后的即为训练样本。本发明剔除训练本中的干扰目标,从而减弱空时自适应处理过程中待检测单元中的目标相消,能更好的抑制杂波,有效提高了目标检测的性能。
Description
技术领域
本发明属于信号处理技术领域,涉及非均匀杂波背景下训练样本选择策略的问题,尤其涉及一种利用波达角差异性选择训练样本的方法。
背景技术
在非均匀环境下,常规样本选择方法得到训练样本不能准确反映待处理单元中干扰、杂波的统计特性,这样会造成空时自适应处理杂波抑制性能的下降和目标检测虚警率的升高。机载雷达往往工作在非均匀环境下,导致训练样本出现各种不理想特性,Wang H.教授分析了非均匀杂波对于空时自适应处理性能的影响,林肯实验室撰写的J.Ward报告也论述了非均匀杂波给空时自适应处理处理带来的困难。伴随着空时自适应处理信号处理方法的发展,非均匀环境中,合理的训练样本选择策略将一直是雷达工作者的研究热点。
发明内容
针对现有技术的不足,本发明提出一种利用波达角差异性选择训练样本的方法,实现剔除训练本中的干扰目标,从而减弱空时自适应处理处理过程中待检测单元中的目标相消,能更好的抑制杂波,有效提高了目标检测的性能。
为实现上述目的,本发明的技术方案包括以下步骤:
一种利用波达角差异性选择训练样本的方法,其特征在于,包括以下步骤:
步骤1,机载雷达接收目标的回波数据,再对回波数据进行傅里叶变换,将回波数据从阵元-脉冲域转换为阵元-多普勒域,得到M×L维距离多普勒单元数据X,其中,第m个多普勒通道第l个距离门对应的距离多普勒子单元数据xml,1≤m≤M,1≤l≤L,M为多普勒通道数,L为距离门数;
步骤2,构建距离多普勒子单元数据xml和距离多普勒子单元数据xml的空域搜索导向矩阵S(θml);利用距离多普勒子单元数据xml和空域搜索导向矩阵S(θml)求解距离多普勒子单元数据xml对应的波达角θml;
步骤3,根据步骤2构建第m个多普勒通道上L个距离多普勒单元xm1,xm2,…xml,…,xmL;求取L个距离多普勒单元xm1,xm2,…xml,…,xmL分别对应的波达角θm1,θm2,…θml,…,θmL;
对波达角θm1,θm2,…,θml,…,θmL进行排序,在有序的波达角度序列中取出中间值作为检验门限θη;设定经验偏差ε,根据经验偏差ε确定检测范围[θη-ε,θη+ε];
步骤4,将第m个多普勒通道上的L个波达角θm1,θm2,…θml,…,θmL分别与检验门限θη进行比较,如果波达角θml位于检测范围[θη-ε,θη+ε]外,则该波达角θml对应的距离多普勒子单元数据xml为第m个多普勒通道的一个奇异样本;
步骤5,根据步骤3和步骤4,得到M个通道上的所有奇异样本y1,y2,…,ym,…,yM;
步骤6,从距离多普勒单元数据X中除去M个通道上的所有奇异样本y1,y2,…,ym,…,yM之后的样本即为训练样本。
上述技术方案的特点和进一步改进在于:
(1)步骤2包括以下子步骤:
2a)设定雷达天线为均匀线阵,则距离多普勒子单元数据xml表达式为:
xml=c+n
其中,n为高斯白噪声矢量,c为空域杂波矢量,空域杂波矢量c的表达式为:
其中,d为相邻阵元间距,N为天线阵元个数,λ为波长,θml代表距离多普勒子单元数据xml所对应的波达角;
2b)构造距离多普勒子单元数据xml的空域搜索导向矩阵S(θml):
S(θml)=[s(θ1),s(θ2),…,s(θk),…,s(θK)]
空域搜索导向矩阵s(θk)是第k个空域搜索导向矢量:
其中θk为第k个空域搜索导向矢量的扫描角,第一个空域搜索导向矢量的扫描角θ1至第K个空域搜索导向矢量的扫描角θk的扫描范围为[-90°,90°],K是在扫描角范围[-90°,90°]内等间隔选取的扫描角的数目;
2c)用空域搜索导向矩阵S(θml)对距离多普勒子单元数据xml通过下式进行匹配滤波,得到距离多普勒子单元数据xml所对应的波达角θml;
上式中,|| ||2为2范数运算,arg(Max(·))表示求解最大值时的最优化,H为求矩阵的共轭转置。
(2)所述经验偏差ε的取值范围为[3°,5°]。
与现有技术相比,本发明具有突出的实质性特点和显著的进步。本发明与现有方法相比,具有以下优点:
第一,本发明提出的训练样本选择方法是基于目标干扰杂波的相位差异进行样本挑选,与现有技术的基于功率强弱样本挑选方法相比,该方法可以更好的估计杂波的协方差矩阵,从而更好的抑制杂波。
第二,本发明提出的训练样本选择方法能够有效剔除训练样本中的干扰目标,从而减弱空时自适应处理过程中待检测单元中的目标相消,提高输出的信杂噪比,有效提高了目标检测的性能。
附图说明
下面结合附图和具体实施方式对本发明做进一步说明。
图1为本发明的流程图;
图2为添加目标后利用现有技术对回波数据进行简单多普勒滤波预处理后的距离多普勒图,横坐标为多普勒通道数,纵坐标为距离门数;
图3为利用本发明的步骤2对图2中各个距离多普勒子单元数据求波达角后得出的波达角度图,横坐标为多普勒通道数,纵坐标为距离门数;
图4是利用本发明的步骤3对第29个多普勒通道的所有距离门单元求波达角后的波达角度值曲线图,横坐标为多距离门数,纵坐标为波达方向角,单位为度;
图5为提出本发明的基于波达角差异性选择训练样本后进行EFA(extend factorapproach)处理后的距离多普勒图,横坐标为多普勒通道数,纵坐标为距离门数;
图6为现有技术EFA处理后的距离多普勒图,横坐标为多普勒通道数,纵坐标为距离门数;
图7为图5和图6中第29个多普勒通道剩余功率切片比较图,横坐标为距离门数,纵坐标为多普勒通道剩余功率,单位为分贝dB。
具体实施方式
下面结合附图1,说明本发明的一种利用波达角差异性选择训练样本的方法,该方法包括以下步骤。
步骤1,机载雷达接收目标的回波数据,再对回波数据进行傅里叶变换,将回波数据从阵元-脉冲域转换为阵元-多普勒域,得到M×L维距离多普勒单元数据X,其中,第m个多普勒通道第l个距离门对应的距离多普勒子单元数据xml,1≤m≤M,1≤l≤L,M为多普勒通道数,L为距离门数。
步骤2,构建距离多普勒子单元数据xml和距离多普勒子单元数据xml的空域搜索导向矩阵S(θml);利用距离多普勒子单元数据xml和空域搜索导向矩阵S(θml)求解距离多普勒子单元数据xml对应的波达角θml。
2a)设定雷达天线为均匀线阵,则距离多普勒子单元数据xml表达式为:
xml=c+n
其中,n为高斯白噪声矢量,c为空域杂波矢量,空域杂波矢量c的表达式为:
其中,d为相邻阵元间距,N为天线阵元个数,λ为波长,θml代表距离多普勒子单元数据xml所对应的波达角。
本发明在子步骤2a)建立距离多普勒子单元数据xml的数据模型时近似认为雷达天线的各个阵元的接收信号的功率相同,各个阵元的接收信号的功率设定为1。
2b)构造距离多普勒子单元数据xml的空域搜索导向矩阵S(θml):
S(θml)=[s(θ1),s(θ2),…,s(θk),…,s(θK)]
空域搜索导向矩阵s(θk)是第k个空域搜索导向矢量:
其中θk为第k个空域搜索导向矢量的扫描角,第一个空域搜索导向矢量的扫描角θ1至第K个空域搜索导向矢量的扫描角θk的扫描范围为[-90°,90°],K是在扫描角范围[-90°,90°]内等间隔选取的扫描角的数目。
2c)用空域搜索导向矩阵S(θml)对距离多普勒子单元数据xml通过下式进行匹配滤波,得到距离多普勒子单元数据xml所对应的波达角θml。
上式中,|| ||2为2范数运算,arg(Max(·))表示求解最大值时的最优化,H为求矩阵的共轭转置。
在2c)求解波达角θml的过程中,利用阵列空域搜索导向矢量与待测量距离多普勒子单元数据进行匹配滤波处理,即分别求解每一个搜索角度对应的空域导向矢量与待测量距离多普勒单元的相关系数,相关系数最大时的搜索导向矢量对应的角度即为待测量距离多普勒单元的来波方向,保证了输出功率最大的方向即为该距离多普勒单元杂波的来波方向。
步骤3,根据步骤2得到第m个多普勒通道上L个距离多普勒单元xm1,xm2,…xml,…,xmL;求取L个距离多普勒单元xm1,xm2,…xml,…,xmL分别对应的波达角θm1,θm2,…θml,…,θmL;
对波达角θm1,θm2,…,θml,…,θmL进行排序,在有序的波达角度序列中取出中间值作为检验门限θη;设定经验偏差ε,根据经验偏差ε确定检测范围[θη-ε,θη+ε]。
具体的,令距离门数l数目增加1,执行步骤2,将l直到等于L,得到第m个多普勒通道上距离多普勒单元xm1,xm2,…xml,…,xmL分别对应的波达角θm1,θm2,…θml,…,θmL;
本发明中,在利用每一距离多普勒单元对应的波达角θm1,θm2,…θml,…,θmL选择训练样本时,经验偏差ε用于保证从距离多普勒子单元数据中选择的训练样本的选择比例在[80%,98%]内。
在保证选择比例在[80%,98%]的条件下,经验偏差ε的取值范围可以为[3°,5°]。
在自适应权值训练中存在目标信号时可能会造成目标相消,但一般都认为存在目标的样本很少,因此我们可以选取98%的样本作为符合条件的训练样本,若大于98%则不能保证所有的含有目标的距离多普勒子单元都被剔除;若小于80%,则可能造成在后续的EFA处理中训练样本数不够。
从仿真中可见,经验偏差ε取5°,能够在保证后续处理训练样本数目的情况下很好的剔除含有目标的距离多普勒子单元。
需要说明的是,本发明中不限定对波达角的排序方式,经验偏差ε可以根据项目需要、实际观测、经验值等情况确定。
步骤4,将第m个多普勒通道上的L个波达角θm1,θm2,…θml,…,θmL分别与检验门限θη进行比较,如果波达角θml位于检测范围[θη-ε,θη+ε]外,则该波达角θml对应的距离多普勒子单元数据xml为第m个多普勒通道的一个奇异样本。
本发明通过步骤3和步骤4对每一距离多普勒单元xm1,xm2,…xml,…xmL分别对应的波达角θm1,θm2,…θml,…θmL进行排序并对每一距离多普勒单元xm1,xm2,…xml,…xmL分别进行奇异样本的判定实质是利用不同距离多普勒单元对应的波达角不同即波达角的差异性来实现的。
步骤5,根据步骤3和步骤4,得到M个通道上的所有奇异样本y1,y2,…,ym,…,yM。
具体的,设定多普勒通道m增加1,执行步骤3和步骤4,直到多普勒通道m等于M,则得到M个通道上的所有奇异样本y1,y2,…,ym,…,yM。
步骤6,从距离多普勒单元数据X中除去M个通道上的所有奇异样本y1,y2,…,ym,…,yM之后的样本即为训练样本。
本发明利用每一距离多普勒子单元数据对应的波达角来进行训练样本的选取,而现有技术中并没有对每一距离多普勒子单元数据求取相对应的波达角,再利用波达角的排序选取中间值作为检验门限,进步一根据检验门限挑选出奇异样本并最终得到训练样本的方案。
下面结合仿真实验对本发明的效果做进一步说明。
1.实验参数及实验条件
本次试验采用阵元均匀排布的正侧视阵,相邻阵元间距与波长比值d/λ为0.5,主波束指向天线法线方向,即与阵面法线方向夹角ψ为0°。为了便于显示本次试验在仿真数据中的500个距离门截取1到200个距离门进行研究,在旁瓣杂波区第29个多普勒通道,第50和100个距离门分别添加一个的目标信号,两个目标信号方位角与主波束方位角相同,且都是0°。雷达采用的脉冲重复频率fr为6000Hz,波长λ为0.1m,地球曲率半径R为6378km,载机高度H为4km,载机速度V为110m/s,脉冲个数P为64,采用N为16的均匀线阵,杂噪比CNR为40dB,信噪比SNR为40dB,天线轴向与载机速度方向夹角α为0°,带宽B为3MHz,俯仰阵元E即列和成子阵的值为8。
2.仿真数据处理结果及分析
图2为添加目标后利用现有技术对回波数据进行多普勒滤波预处理后的距离多普勒图,可以看出目标被强杂波掩盖不能区分。
图3为利用本发明的步骤2对图2中各个距离多普勒子单元数据求波达角后得出的波达角度图,从图3很容易发现,在第11到56个多普勒通道的杂波区间波达角度测量值比较清晰,并呈现一定的渐变规律,而杂波区间外的噪声区波达角度测量值呈杂乱无章分布,并且在杂波背景下可以通过观察区分第29个多普勒通道中目标1和目标2的波达角。
图4是利用本发明的步骤3对第29个多普勒通道的所有距离门单元求波达角后的波达角度值曲线,可以看出除包含目标的第50个距离单元(目标1为1.4°)和100个距离单元(目标2为1.9°)和个别奇异距离单元外,绝大多数距离单元的波达角都集中在波达角中间值-8.6°经验偏差为5°的区间(实际上这个范围还可以进一步缩小)内,我们将波达角不在该区间范围内的样本认为为奇异样本。
图5为本发明提出的基于波达角差异性选择训练样本后进行EFA处理后的距离多普勒图,可以看出目标1和目标2可以被非常清晰的检测出来。图6为现有技术EFA处理后的距离多普勒图,即现有技术中训练样本直接进行EFA处理没有进行奇异样本剔除。从图中可以看出目标1和目标2周围的干扰比较强,目标不能被很好的检测。
图7为图5和图6中第29个多普勒通道剩余功率切片比较图,基于波达角差异训练样本选择后EFA比EFA直接处理后信杂噪比要高出近30dB,可以很好的说明基于波达角差异选择训练样本的方法可以非常好的挑选样本,从而更好的进行抑制杂波。
Claims (3)
1.一种利用波达角差异性选择训练样本的方法,其特征在于,包括以下步骤:
步骤1,机载雷达接收目标的回波数据,再对回波数据进行傅里叶变换,将回波数据从阵元-脉冲域转换为阵元-多普勒域,得到M×L维距离多普勒单元数据X,其中,第m个多普勒通道第l个距离门对应的距离多普勒子单元数据xml,1≤m≤M,1≤l≤L,M为多普勒通道数,L为距离门数;
步骤2,构建距离多普勒子单元数据xml和距离多普勒子单元数据xml的空域搜索导向矩阵S(θml);利用距离多普勒子单元数据xml和空域搜索导向矩阵S(θml)求解距离多普勒子单元数据xml对应的波达角θml;
步骤3,根据步骤2构建第m个多普勒通道上L个距离多普勒单元xm1,xm2,…xml,…,xmL;求取L个距离多普勒单元xm1,xm2,…xml,…,xmL分别对应的波达角θm1,θm2,…θml,…,θmL;
对波达角θm1,θm2,…,θml,…,θmL进行排序,在有序的波达角度序列中取出中间值作为检验门限θη;设定经验偏差ε,根据经验偏差ε确定检测范围[θη-ε,θη+ε];
步骤4,将第m个多普勒通道上的L个波达角θm1,θm2,…θml,…,θmL分别与检验门限θη进行比较,如果波达角θml位于检测范围[θη-ε,θη+ε]外,则该波达角θml对应的距离多普勒子单元数据xml为第m个多普勒通道的一个奇异样本;
步骤5,根据步骤3和步骤4,得到M个通道上的所有奇异样本y1,y2,…,ym,…,yM;
步骤6,从距离多普勒单元数据X中除去M个通道上的所有奇异样本y1,y2,…,ym,…,yM之后的样本即为训练样本。
2.根据权利要求1所述的一种利用波达角差异性选择训练样本的方法,其特征在于,步骤2包括以下子步骤:
2a)设定雷达天线为均匀线阵,则距离多普勒子单元数据xml表达式为:
xml=c+n
其中,n为高斯白噪声矢量,c为空域杂波矢量,空域杂波矢量c的表达式为:
其中,d为相邻阵元间距,N为天线阵元个数,λ为波长,θml代表距离多普勒子单元数据xml所对应的波达角;
2b)构造距离多普勒子单元数据xml的空域搜索导向矩阵S(θml):
S(θml)=[s(θ1),s(θ2),…,s(θk),…,s(θK)]
空域搜索导向矩阵s(θk)是第k个空域搜索导向矢量:
其中θk为第k个空域搜索导向矢量的扫描角,第一个空域搜索导向矢量的扫描角θ1至第K个空域搜索导向矢量的扫描角θk的扫描范围为[-90°,90°],K是在扫描角范围[-90°,90°]内等间隔选取的扫描角的数目;
2c)用空域搜索导向矩阵S(θml)对距离多普勒子单元数据xml通过下式进行匹配滤波,得到距离多普勒子单元数据xml所对应的波达角θml;
上式中,|| ||2为2范数运算,arg(Max(·))表示求解最大值时的最优化,H为求矩阵的共轭转置。
3.根据权利要求1所述的一种利用波达角差异性选择训练样本的方法,其特征在于,
所述经验偏差ε的取值范围为[3°,5°]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410369883.3A CN104181518B (zh) | 2014-07-30 | 2014-07-30 | 一种利用波达角差异性选择训练样本的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410369883.3A CN104181518B (zh) | 2014-07-30 | 2014-07-30 | 一种利用波达角差异性选择训练样本的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104181518A CN104181518A (zh) | 2014-12-03 |
CN104181518B true CN104181518B (zh) | 2016-08-24 |
Family
ID=51962717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410369883.3A Expired - Fee Related CN104181518B (zh) | 2014-07-30 | 2014-07-30 | 一种利用波达角差异性选择训练样本的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104181518B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104730508B (zh) * | 2015-04-03 | 2018-06-05 | 西安电子科技大学 | 机载雷达自适应双指向和差波束的目标联合检测方法 |
CN105005035A (zh) * | 2015-06-25 | 2015-10-28 | 西安电子科技大学 | 基于二维滑窗稳健空时自适应处理的目标检测方法 |
CN104991237A (zh) * | 2015-06-25 | 2015-10-21 | 西安电子科技大学 | 基于稳健空时自适应处理的目标检测方法 |
CN109471065B (zh) * | 2018-09-28 | 2021-05-25 | 中国电子科技集团公司第三十六研究所 | 一种相干信号的测向方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103018727A (zh) * | 2011-09-27 | 2013-04-03 | 中国科学院电子学研究所 | 一种基于样本训练的机载雷达非平稳杂波抑制方法 |
CN103364764B (zh) * | 2013-06-25 | 2015-06-17 | 西安电子科技大学 | 一种机载雷达非平稳杂波抑制方法 |
CN103439692B (zh) * | 2013-09-01 | 2015-06-17 | 西安电子科技大学 | 基于协方差矩阵广对称特性的stap方法 |
CN103901409A (zh) * | 2014-03-14 | 2014-07-02 | 西安电子科技大学 | 基于自适应波束形成的机载雷达抗转发式干扰方法 |
-
2014
- 2014-07-30 CN CN201410369883.3A patent/CN104181518B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104181518A (zh) | 2014-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104360325B (zh) | 机载前视阵雷达的空时自适应处理方法 | |
CN104035095B (zh) | 基于空时最优处理器的低空风切变风速估计方法 | |
CN104237883B (zh) | 一种采用稀疏表示的机载雷达空时自适应处理方法 | |
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 | |
CN103176168B (zh) | 一种机载非正侧视阵雷达近程杂波对消方法 | |
CN104181518B (zh) | 一种利用波达角差异性选择训练样本的方法 | |
CN103926572B (zh) | 一种机载非正侧阵雷达用自适应子空间的杂波抑制方法 | |
CN103942449B (zh) | 一种基于信源个数估计的特征干扰相消波束形成方法 | |
CN107167783A (zh) | 一种共形阵列杂波协方差矩阵的稀疏重构方法 | |
CN102879767B (zh) | 一种用于空时自适应处理的干扰目标检测方法 | |
CN104111449B (zh) | 一种改进的基于广义内积的空时二维自适应处理方法 | |
CN105445701A (zh) | Ddma-mimo雷达目标的单脉冲角度估计方法 | |
CN104155633B (zh) | 一种非正侧视双基地mimo雷达的杂波抑制方法 | |
CN106353732A (zh) | 一种基于认知的机载雷达异构杂波抑制方法 | |
CN103176187B (zh) | 一种机载预警雷达地面高速公路目标过滤方法 | |
CN105182313A (zh) | 一种基于不完全杂波先验知识的mimo-stap稳健波形设计方法 | |
CN106249219A (zh) | 基于自适应匹配滤波响应的sar动目标检测方法 | |
CN112612006B (zh) | 基于深度学习的机载雷达非均匀杂波抑制方法 | |
CN108957406A (zh) | 一种基于神经网络的雷达主瓣干扰抑制方法 | |
CN105807275A (zh) | 基于部分杂波先验知识的mimo-ofdm-stap稳健波形设计 | |
CN106483516A (zh) | 基于先验知识的雷达杂波空时自适应处理方法 | |
CN105738887A (zh) | 基于多普勒通道划分的机载雷达杂波功率谱的优化方法 | |
CN104280566A (zh) | 基于空时幅相估计的低空风切变风速估计方法 | |
CN104345299A (zh) | 基于简化ec的机载mimo雷达空时自适应处理方法 | |
CN103792523B (zh) | 基于张量积的uhf波段多通道雷达径向速度检测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160824 Termination date: 20210730 |