CN104318593B - 一种雷达海杂波的仿真方法和系统 - Google Patents
一种雷达海杂波的仿真方法和系统 Download PDFInfo
- Publication number
- CN104318593B CN104318593B CN201410523229.3A CN201410523229A CN104318593B CN 104318593 B CN104318593 B CN 104318593B CN 201410523229 A CN201410523229 A CN 201410523229A CN 104318593 B CN104318593 B CN 104318593B
- Authority
- CN
- China
- Prior art keywords
- sea
- correlation
- spatial
- random sequences
- function
- 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
本发明公开了一种雷达海杂波的仿真方法和系统。其中的方法包括:生成复合K分布模型的随机序列;将所生成的随机序列通过一个空间相关性滤波器,生成具有空间相关特性的随机序列;对具有空间相关特性的随机序列进行Kai分布功率调制,得到海杂波空间图像。通过使用本发明中的雷达海杂波的仿真方法和系统,可以准确描述海杂波的多种纹理特性与统计特性,提高海杂波模拟的仿真程度。
Description
技术领域
本发明涉及信号特征控制技术领域,特别涉及一种雷达海杂波的仿真方法和系统。
背景技术
海面作为一种重要的自然环境,其电磁散射特性与雷达图像特征的理论建模仿真和精确描述在海面目标检测与识别、海面舰船间通信等领域具有重要的应用。海面雷达回波与图像的建模与仿真对于深入理解与精确描述海面电磁散射特性(包括雷达散射截面RCS特性)具有重要的意义。因此海杂波的建模与仿真受到了广泛关注。
对于电磁波而言,海面是一种电大尺寸物体。尤其当仿真的海面面积达到公里量级以上时,海面电磁散射将面临巨大的计算量,因此对于海面电磁散射特性的快速复现与随机特性描述的能力相对较弱。为此,大约近10年以来,研究者提出了海杂波的统计仿真方法,从而从统计特性方面精确描述海杂波。雷达海杂波的统计建模能够准确复现海面电磁散射的统计特性,包括幅度概率密度分布函数,时空相关特性等,无需生成海面几何模型,因此其仿真速度得以大大提高。
在现有技术中,海杂波工程化快速统计算法能够应用于海面雷达系统半实物仿真以及仿真模拟训练系统。由于其仿真速度较快,因此统计仿真方法易于与杂波抑制、海面目标检测的实时处理检测算法对接。
当前,杂波统计仿真的关键指标之一——空间相关特性——仍然停留在较为初级的阶段。仿真仍然依赖于杂波相关距离的半经验公式及相关函数简单理论模型,因此迫切需要发展具有真实杂波纹理特性的空间相关性模型及杂波图像仿真方法。
现有的大部分雷达海杂波统计建模都是基于图像的统计特性进行,即对成像处理后获得的雷达图像(或时序回波)的幅度和相位的统计特性进行模拟。研究者在此方面获得了诸多进展,例如,服从特定幅度概率分布的杂波生成、基于杂波图像的幅度分布特征的目标检测、基于实测数据的杂波统计特性建模和海面后向散射系数的电磁理论计算等。
在海面后向散射系数的仿真拟合工作方面,迄今为止已有大量的实测数据校验的幅度密度函数统计结果。其中Nathason等人在1991年总结了约60种资源中测量结果的综合表格,为雷达系统工程师提供了一种实测海杂波反射率的数据库。实测海杂波后向散射系数图通常基于极化、海情、擦地角和频率等系列参数。
关于杂波的时空相关特性,由于参数系统化的高分辨率雷达图像较难获得,因此目前的仿真方法主要根据统计特性的经验公式获得杂波时空相关性。杂波的功率谱仿真较多的集中于对中心频率和3dB带宽两个统计指标,在此方面积累了很多实测数据。而海杂波空间相关性建模仍处于比较简单的发展阶段,空间相关性建模成为亟待解决的一个问题。
杂波空间相关特性通常反映为杂波图像的纹理特征。具有空间分辨率的雷达图像具有特定的海面纹理形态特征。纹理功率、分布、分形等特征已应用于目标检测中的纹理分类与分割、杂波边缘探测,成为目标检测中的重要特征。因此,海杂波空间相关性建模也受到了越来越多仿真算法开发者的关注。
在杂波空间相关性建模方面,现有的大部分技术方案中仅使用了较高分辨率下的杂波相关距离的普适性经验公式,如下式所示:
其中,ρ0为相关距离,Vw为风速,θ为风向与雷达视线的夹角,g为重力加速度
根据上述公式,某一方向上的空间相关距离将随该方向与风向的夹角而改变,与风向一致的方向相关距离将达到最大,体现了一定的准周期特性;而与风向抑制的方向相关距离最小,体现了随机特性。但是,杂波空间相关性的系统化建模的技术方案至今尚未出现。
对杂波空间相关函数的仿真方面,K.D.Ward等人提出了一种描述海杂波相关函数理论模型,并应用于Gamma分布空间调制分量的杂波空间随机场的生成,其所提出的空间相关函数如下式所示:
R(x,y)=1+exp(-(x+y)/10)·cos(π·y/8)/v (2)
其中,R为空间相关函数,x和y为空间距离坐标,v为Gamma分布的幅度形状因子。其生成的杂波图像能够反映一定的海浪纹理。
综上可知,随着雷达分辨率的提高,相关距离已不足以描述杂波的空间相关特性,因此需要提出一种能够准确描述海杂波的多种纹理特性与统计特性的雷达海杂波的仿真方法。
发明内容
有鉴于此,本发明提供一种雷达海杂波的仿真方法和系统,从而可以准确描述海杂波的多种纹理特性与统计特性,提高海杂波模拟的仿真程度。
本发明的技术方案具体是这样实现的:
一种雷达海杂波的仿真方法,该方法包括:
生成复合K分布模型的随机序列;
将所生成的随机序列通过一个空间相关性滤波器,生成具有空间相关特性的随机序列;
对具有空间相关特性的随机序列进行Kai分布功率调制,得到海杂波空间图像。
较佳的,所述空间相关特性包括:海面纹理特征参数。
较佳的,所述将所生成的随机序列通过一个空间相关性滤波器,生成具有空间相关特性的随机序列包括:
根据所生成的随机序列生成相关函数R(x,y);
对所述相关函数R(x,y)进行傅立叶反变换;
对傅里叶反变换后的函数进行归一化;
对归一化后的函数进开平方处理,生成具有空间相关特性的随机序列。
较佳的,所述海面纹理特征包括:纹理特征、白帽特征和/或交叉洋流特征。
较佳的,当所述海面纹理特征为纹理特征时,所述对应的相关函数R(x,y)为:
RTexture(m)=0.5+exp(-m·rreso/ρ0/10)·cos(π·m·rreso/ρ0/10)+0.5exp(-|m-100|·rreso/ρ0/10)。
其中,所述m为距离单元,rreso为分辨率,ρ0为相关距离。
较佳的,当所述海面纹理特征为白帽特征时,所述对应的相关函数R(x,y)为:
RWhiteCap(m)=exp(-m·rreso/ρ0/10)·cos(π·m·rreso/ρ0/10)+2exp(-|m-100|·rreso/ρ0/5)。
其中,所述m为距离单元,rreso为分辨率,ρ0为相关距离。
较佳的,当所述海面纹理特征为交叉洋流特征时,所述对应的相关函数R(x,y)为:
RCross(m)=1+exp(-(m-10Vcosθ)·rreso/ρ0/10)·cos(π·m·rreso/ρ0/10)。
其中,所述m为距离单元,rreso为分辨率,ρ0为相关距离,V为风速,θ为风向角。
本发明还提供了一种雷达海杂波的仿真系统,该系统包括:随机序列生成器、空间相关性滤波器和功率调制器;
其中,所述随机序列生成器,用于生成复合K分布模型的随机序列,并将所述随机序列发送给所述空间相关性滤波器;
所述空间相关性滤波器,用于根据所接收到的随机序列,生成具有空间相关特性的随机序列,并将所述具有空间相关特性的随机序列发送给所述功率调制器;
所述功率调制器,用于对具有空间相关特性的随机序列进行Kai分布功率调制,得到海杂波空间图像。
较佳的,所述空间相关性滤波器包括:相关函数生成器、傅立叶反变换器、归一化器和开平方处理器;
其中,所述相关函数生成器,用于根据所生成的随机序列生成相关函数R(x,y),并将所生成的相关函数R(x,y)发送给所述傅立叶反变换器;
所述傅立叶反变换器,用于对所接收的相关函数R(x,y)进行傅立叶反变换,并将傅里叶反变换后的函数发送给所述归一化器;
所述归一化器,用于对所接收的傅里叶反变换后的函数进行归一化,并将归一化后的函数发送给所述开平方处理器;
所述开平方处理器,用于对所接收的归一化后的函数进开平方处理,生成具有空间相关特性的随机序列。
如上可见,本发明中提供了一种雷达海杂波的仿真方法和系统。由于在本发明中的雷达海杂波的仿真方法和系统中,可以先生成一个复合K分布模型的随机序列,接着将所生成的随机序列通过一个空间相关性滤波器,生成具有空间相关特性的随机序列,然后对具有空间相关特性的随机序列进行Kai分布功率调制,得到海杂波空间图像,因此本发明在理论模型校验和模型选取的基础上,提出了一种基于杂波纹理特征的空间相关性模型,并可进行海杂波图像仿真,生成能够反映多种典型纹理特征、海情和风向角差异的海杂波图像。由于本发明中所提供的空间相关性模型能够描述系列海面指标,包括海面纹理种类、海况、风向角、海面图像的相关距离等主要指标,从而可以准确描述海杂波的多种纹理特性与统计特性,提高海杂波模拟的仿真程度。而且,本发明中的雷达海杂波的仿真方法和系统,可以较好地描述海面的随机特性,能够形成优良的快速实用化工程算法。
附图说明
图1为本发明实施例中的雷达海杂波的仿真方法的流程示意图;
图2为本发明实施例中的雷达海杂波的仿真系统的结构示意图;
图3为本发明实施例中的纹理特性的典型模拟结果的对比示意图;
图4为本发明实施例中的白帽特性的典型模拟结果的对比示意图;
图5为本发明实施例中的交叉洋流特性的典型模拟结果的对比示意图;
图6为本发明实施例中的风速2m/s下的纹理特性的典型模拟结果的对比示意图;
图7为本发明实施例中的风速4m/s下的纹理特性的典型模拟结果的对比示意图;
图8为本发明实施例中的风速6m/s下的纹理特性的典型模拟结果的对比示意图;
图9为本发明实施例中的风向角30度下的纹理特性的典型模拟结果的对比示意图;
图10为本发明实施例中的风向角60度下的纹理特性的典型模拟结果的对比示意图;
图11为本发明实施例中的风向角70度下的纹理特性的典型模拟结果的对比示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举实施例,对本发明进一步详细说明。
本实施例提供了一种基于空间纹理相关特性的雷达海杂波的仿真方法和系统。
图1为本发明实施例中的雷达海杂波的仿真方法的流程示意图。如图1所示,本发明实施例中的雷达海杂波的仿真方法主要包括:
步骤11,生成复合K分布模型的随机序列。
海杂波的产生机理复杂,依赖于许多因素,例如,雷达的工作状态(入射角、发射频率、极化、分辨率等)和背景状况(如海况,风速、风向)等。因此,可以将海杂波看做为一个随机过程。在描述多个脉冲检测时,一般可以采用复合K分布模型,复合K分布模型不仅能够很好地拟合海杂波的幅度,还便于描述杂波的时间相关性和空间相关性。由统计特性直接生成仿真图像的方法已经广泛应用于仿真图像的生成。为了发展统计仿真方法,有必要对二维图像的空间相关特性及其引入方法进行研究。
因此,在本发明的技术方案中,在本步骤中,可以生成一个复合K分布模型的随机序列。
在本发明的较佳实施例中,可以利用多种随机过程方法仿真得到复合K分布模型的随机序列。
步骤12,将所生成的随机序列通过一个空间相关性滤波器,生成具有空间相关特性的随机序列。
在生成复合K分布模型随机序列之后,即可将该所生成的复合K分布模型随机序列通过一个空间相关性滤波器,生成具有空间相关特性的随机序列。
在本发明的较佳实施例中,所述空间相关特性可以包括:海面纹理特征参数。
在本发明的技术方案中,可以通过多种方式来实现上述的步骤12。以下将以其中的一种具体实施方式为例,对本发明的技术方案进行详细的介绍。
例如,在本发明的较佳实施例中,所述步骤12可以包括:
步骤121,根据所生成的随机序列生成相关函数R(x,y)。
步骤122,对所述相关函数R(x,y)进行傅立叶反变换(IFFT),
步骤123,对傅里叶反变换后的函数进行归一化。
步骤124,对归一化后的函数进开平方处理,生成具有空间相关特性的随机序列。
通过上述的步骤121~124,即相当于将所生成的随机序列通过一个空间相关性滤波器,从而生成具有空间相关特性的随机序列。因此,上述的步骤121~124也可以看成是一个空间相关性滤波器。
步骤13,对具有空间相关特性的随机序列进行Kai分布功率调制,得到海杂波空间图像。
在本步骤中,可以对具有空间相关特性的随机序列进行Kai分布功率调制,从而得到海杂波空间图像。
其中,所述进行Kai分布功率调制的目的在于引入幅度特性。所述幅度特性可以由海面电磁散射理论计算或实测数据拟合得到。
较佳的,在本发明的具体实施例中,可以使用复合K分布模型作为幅度特性统计模型,对应参数为幅度因子和形状因子。
通过上述的步骤11~13,即可得到基于空间纹理相关特性的海杂波空间图像。
在本发明的技术方案中,所述“空间相关特性”指的是空间形态(例如地面、海面、光滑表面等)特定间距的两个点的关联程度;而所述“空间纹理相关特性”是指一种具有一定空间周期特性的空间形态的特定间距的两个点的关联程度。
在本发明的技术方案中,变化空间相关特性的参数(例如,海面纹理特征参数),在理论上可以得到任意纹理特征的图像。在本发明上述的步骤12中,根据数学统计理论引入了空间相关性滤波器,生成了具有空间相关特性的随机序列,并最终得到了基于空间相关特性的海杂波空间图像,从而能够在所生成的海杂波空间图像中体现多种海面空间相关特征。一般来说,比图像尺度略小的相关性成分(例如,波矢低频或中频成分)代表图像中的准周期成分,而比图像尺度小很多的相关性成分(波例如,矢高频成分)代表图像中的噪点或耀斑成分。
另外,一般来说,海杂波图像的空间相关特性均呈衰减形式,因此,经典的空间相关特性函数为指数衰减、幂次衰减等形式。其中,广泛采用的指数衰减的空间相关特性函数可以如下式所示:
R(x,y)=exp(-ρ/ρ0) (3)
其中,R为相关函数,ρ为图像分辨单元的距离,ρ0为相关距离。
在通过实验进行验证对比之后,根据实验数据可知,当指数衰减形式在相关距离与分辨率可比拟时,具有良好的拟合程度。
为了确保本发明中的上述雷达海杂波的仿真方法能够确保引入所输入的相关特性模型,在本发明的技术方案中,还通过模拟实验的方式对上述所生成的基于空间相关特性的海杂波空间图像进行了相关性验证。根据模拟实验的结果可知,根据上述雷达海杂波的仿真方法所生成的基于空间相关特性的海杂波空间图像的空间相关性与理论输入的符合程度非常良好。
另外,在使用已验证空间相关特性的上述雷达海杂波的仿真方法的基础上,还可以选取更具有真实纹理特性的相关性模型。
随着雷达分辨率的提高,相关距离的数值有可能超过分辨率一个数量级以上,此时需要发展更复杂的相关函数的形式。较佳的,在本发明的具体实施例中,本发明中的海面纹理特征可以包括:纹理(Texture)特征、充分发展(白帽,White Cap)特征和/或交叉洋流(Cross Swell)特征三种。海杂波普通的纹理图像对应的相关特性中,包含低频和高频成分;白帽结构显著的图像的相关函数对应高频成分较强;而交叉洋流一类周期性较强的图像中包含的低频成分较强。经过多次模拟实验与观察,我们可以为上述这三种典型纹理特征设置了对应的相关函数R(x,y)。
例如,较佳的,在本发明的具体实施例中,当所述海面纹理特征为纹理特征时,所述对应的相关函数R(x,y)为:
RTexture(m)=0.5+exp(-m·rreso/ρ0/10)·cos(π·m·rreso/ρ0/10)+0.5exp(-|m-100|·rreso/ρ0/10) (4)
较佳的,在本发明的具体实施例中,当所述海面纹理特征为白帽特征时,所述对应的相关函数R(x,y)为:
RWhiteCap(m)=exp(-m·rreso/ρ0/10)·cos(π·m·rreso/ρ0/10)+2exp(-|m-100|·rreso/ρ0/5) (5)
较佳的,在本发明的具体实施例中,当所述海面纹理特征为交叉洋流特征时,所述对应的相关函数R(x,y)为:
RCross(m)=1+exp(-(m-10Vcosθ)·rreso/ρ0/10)·cos(π·m·rreso/ρ0/10) (6)
其中,上述三个公式中的m为距离单元,rreso为分辨率,ρ0为相关距离,V为风速,θ为风向角。
如图3~图5所示,通过针对上述三种纹理特征所进行的模拟实验的实验结果可知,上述三种纹理特征所对应的特征图像显著的体现了三种典型洋流的特征。其中,图中的纵轴表示距离向,横轴表示方位向,分辨率均为4m,分辨单元个数为512×256,方向角为30度,风速为4m/s。如图3~图5所示,纹理特征对应的空间相关函数的低频周期分量和高频尖峰分量的强度在同一量级上;白帽特征的空间相关函数具有较强的高频尖峰分量;而交叉洋流特征的空间相关函数具有较强的低频周期分量。由此可知,空间相关函数在低频主要能量区域符合程度良好。另外,通过比较三种典型纹理特征所对应的特征图像可知,交叉洋流特征的空间相关函数在空间中的弥散程度最大。
此外,根据模拟实验结果可知,风速参数作为重要的物理量之一,对杂波图像的空间相关特性会产生显著的影响。风速的影响主要体现在空间相关距离上。例如,如图6~图8所示,在进行了不同风速下的图像模拟实验之后,根据模拟实验的结果可知,低风速下海面细碎纹理较多,而高风速下大尺度纹理特征明显。对应空间相关函数的高风速下扩展到更大的空间频率区域。空间相关函数的仿真趋势与理论趋势的符合程度非常好。
以纹理特征为例,在本发明的技术方案中,可以通过上述的雷达海杂波的仿真方法生成不同风向角下的海面二维SAR图像历程图。在进行了相关模拟实验之后,如图9~图11所示,根据实验结果可知,通过上述的雷达海杂波的仿真方法所生成的仿真图像(即海杂波空间图像)能够良好的体现风向角的差异。其中,图中的纵轴表示距离向,横轴表示方位向,分辨率均为4m,分辨单元个数为512×256,风速为6m/s。
在本发明的技术方案,基于上述的雷达海杂波的仿真方法,还提出了一种雷达海杂波的仿真系统。
图2为本发明的实施例中的雷达海杂波的仿真系统的结构示意图。如图2所示,本发明的实施例中的雷达海杂波的仿真系统包括:随机序列生成器21、空间相关性滤波器22和功率调制器23。
所述随机序列生成器21,用于生成复合K分布模型的随机序列,并将所述随机序列发送给所述空间相关性滤波器22;
所述空间相关性滤波器22,用于根据所接收到的随机序列,生成具有空间相关特性的随机序列,并将所述具有空间相关特性的随机序列发送给所述功率调制器23;
所述功率调制器23,用于对具有空间相关特性的随机序列进行Kai分布功率调制,得到海杂波空间图像。
较佳的,在本发明的具体实施例中,所述空间相关性滤波器22包括:相关函数生成器221、傅立叶反变换器222、归一化器223和开平方处理器224;
其中,所述相关函数生成器221,用于根据所生成的随机序列生成相关函数R(x,y),并将所生成的相关函数R(x,y)发送给所述傅立叶反变换器222;
所述傅立叶反变换器222,用于对所接收的相关函数R(x,y)进行傅立叶反变换,并将傅里叶反变换后的函数发送给所述归一化器223;
所述归一化器223,用于对所接收的傅里叶反变换后的函数进行归一化,并将归一化后的函数发送给所述开平方处理器224;
所述开平方处理器224,用于对所接收的归一化后的函数进开平方处理,生成具有空间相关特性的随机序列。
综上可知,由于在本发明中的雷达海杂波的仿真方法和系统中,可以先生成一个复合K分布模型的随机序列,接着将所生成的随机序列通过一个空间相关性滤波器,生成具有空间相关特性的随机序列,然后对具有空间相关特性的随机序列进行Kai分布功率调制,得到海杂波空间图像,因此本发明在理论模型校验和模型选取的基础上,提出了一种基于杂波纹理特征的空间相关性模型,并可进行海杂波图像仿真,生成能够反映多种典型纹理特征、海情和风向角差异的海杂波图像。由于本发明中所提供的空间相关性模型能够描述系列海面指标,包括海面纹理种类、海况、风向角、海面图像的相关距离等主要指标,从而可以准确描述海杂波的多种纹理特性与统计特性,提高海杂波模拟的仿真程度。而且,本发明中的雷达海杂波的仿真方法和系统,可以较好地描述海面的随机特性,能够形成优良的快速实用化工程算法。
此外,通过本发明中的雷达海杂波的仿真方法和系统所生成的海杂波空间图像能够体现海面的多种典型纹理特征,例如,纹理特征、充分发展特征(即白帽特征)和/或交叉洋流特征等。
而且,通过本发明中的雷达海杂波的仿真方法和系统所生成的海杂波空间图像还能够体现海面的风速特征,能够体现不同风速之间的差异,例如,通过模拟实验可知,在所生成的海杂波空间图像中,在大风速下出现了相关距离较大的波浪结构。
另外,通过本发明中的雷达海杂波的仿真方法和系统所生成的海杂波空间图像还能够体现风向角特征,体现不同风向角之间的差异,例如,通过模拟实验可知,在所生成的海杂波空间图像中,风向角的的差异是明显的。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (7)
1.一种雷达海杂波的仿真方法,其特征在于,该方法包括:
生成复合K分布模型的随机序列;
将所生成的随机序列通过一个空间相关性滤波器,生成具有空间相关特性的随机序列;
对具有空间相关特性的随机序列进行Kai分布功率调制,得到海杂波空间图像;
其中,所述将所生成的随机序列通过一个空间相关性滤波器,生成具有空间相关特性的随机序列包括:
根据所生成的随机序列生成相关函数R(x,y);
对所述相关函数R(x,y)进行傅立叶反变换;
对傅里叶反变换后的函数进行归一化;
对归一化后的函数进开平方处理,生成具有空间相关特性的随机序列。
2.根据权利要求1所述的方法,其特征在于,所述空间相关特性包括:
海面纹理特征参数。
3.根据权利要求2所述的方法,其特征在于,所述海面纹理特征包括:
纹理特征、白帽特征和/或交叉洋流特征。
4.根据权利要求3所述的方法,其特征在于,当所述海面纹理特征为纹理特征时,所述相关函数R(x,y)为:
RTexture(m)=0.5+exp(-m·rreso/ρ0/10)·cos(π·m·rreso/ρ0/10)+0.5exp(-|m-100|·rreso/ρ0/10),
其中,所述m为距离单元,rreso为分辨率,ρ0为相关距离。
5.根据权利要求3所述的方法,其特征在于,当所述海面纹理特征为白帽特征时,所述相关函数R(x,y)为:
RWhiteCap(m)=exp(-m·rreso/ρ0/10)·cos(π·m·rreso/ρ0/10)+2exp(-|m-100|·rreso/ρ0/5),
其中,所述m为距离单元,rreso为分辨率,ρ0为相关距离。
6.根据权利要求3所述的方法,其特征在于,当所述海面纹理特征为交叉洋流特征时,所述相关函数R(x,y)为:
RCross(m)=1+exp(-(m-10Vcosθ)·rreso/ρ0/10)·cos(π·m·rreso/ρ0/10),
其中,所述m为距离单元,rreso为分辨率,ρ0为相关距离,V为风速,θ为风向角。
7.一种雷达海杂波的仿真系统,其特征在于,该系统包括:随机序列生成器、空间相关性滤波器和功率调制器;
其中,所述随机序列生成器,用于生成复合K分布模型的随机序列,并将所述随机序列发送给所述空间相关性滤波器;
所述空间相关性滤波器,用于根据所接收到的随机序列,生成具有空间相关特性的随机序列,并将所述具有空间相关特性的随机序列发送给所述功率调制器;
所述功率调制器,用于对具有空间相关特性的随机序列进行Kai分布功率调制,得到海杂波空间图像;以及
所述空间相关性滤波器包括:相关函数生成器、傅立叶反变换器、归一化器和开平方处理器;
其中,所述相关函数生成器,用于根据所生成的随机序列生成相关函数R(x,y),并将所生成的相关函数R(x,y)发送给所述傅立叶反变换器;
所述傅立叶反变换器,用于对所接收的相关函数R(x,y)进行傅立叶反变换,并将傅里叶反变换后的函数发送给所述归一化器;
所述归一化器,用于对所接收的傅里叶反变换后的函数进行归一化,并将归一化后的函数发送给所述开平方处理器;
所述开平方处理器,用于对所接收的归一化后的函数进开平方处理,生成具有空间相关特性的随机序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410523229.3A CN104318593B (zh) | 2014-09-30 | 2014-09-30 | 一种雷达海杂波的仿真方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410523229.3A CN104318593B (zh) | 2014-09-30 | 2014-09-30 | 一种雷达海杂波的仿真方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104318593A CN104318593A (zh) | 2015-01-28 |
CN104318593B true CN104318593B (zh) | 2017-05-17 |
Family
ID=52373819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410523229.3A Active CN104318593B (zh) | 2014-09-30 | 2014-09-30 | 一种雷达海杂波的仿真方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104318593B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105261028A (zh) * | 2015-11-17 | 2016-01-20 | 西安电子科技大学 | 基于能量聚集度测度的海陆杂波场景分割方法 |
CN105427301B (zh) * | 2015-11-17 | 2018-03-06 | 西安电子科技大学 | 基于直流分量比测度的海陆杂波场景分割方法 |
CN105388465B (zh) * | 2015-12-17 | 2017-10-24 | 西安电子科技大学 | 基于海浪谱模型的海杂波模拟方法 |
CN110308428B (zh) * | 2018-03-27 | 2021-05-14 | 中国民航科学技术研究院 | 一种建立低空杂波分布仿真模型的方法 |
CN111308433A (zh) * | 2020-03-26 | 2020-06-19 | 北京航空航天大学 | 一种包含纹理信息的海杂波仿真方法 |
CN112881988A (zh) * | 2021-01-11 | 2021-06-01 | 西北工业大学 | 导航雷达模拟训练系统中杂波模拟显示方法 |
CN112859034B (zh) * | 2021-04-26 | 2021-07-16 | 中国人民解放军国防科技大学 | 自然环境雷达回波幅度模型分类方法和装置 |
CN117217103B (zh) * | 2023-11-09 | 2024-03-15 | 南京航空航天大学 | 基于多尺度注意力机制的星载sar海杂波生成方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102628935A (zh) * | 2012-04-23 | 2012-08-08 | 北京航空航天大学 | 一种全极化海杂波仿真方法 |
CN103645467A (zh) * | 2013-11-11 | 2014-03-19 | 北京环境特性研究所 | 海杂波抑制以及海杂波背景中目标检测的方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NL1031761C2 (nl) * | 2006-05-08 | 2007-11-13 | Thales Nederland Bv | Werkwijze voor het filteren van zee-clutter in een radarecho door gebruik te maken van een hydrografisch model. |
-
2014
- 2014-09-30 CN CN201410523229.3A patent/CN104318593B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102628935A (zh) * | 2012-04-23 | 2012-08-08 | 北京航空航天大学 | 一种全极化海杂波仿真方法 |
CN103645467A (zh) * | 2013-11-11 | 2014-03-19 | 北京环境特性研究所 | 海杂波抑制以及海杂波背景中目标检测的方法和系统 |
Non-Patent Citations (6)
Title |
---|
《The modelling and exploitation of spatial correlation in spiky sea clutter》;R. J. A. Tough等;《Radar Conference-EURAD 2005》;20051031;全文 * |
《基于统计模型的时-空相关海杂波仿真》;欧阳文等;《系统仿真学报》;20060228;第18卷(第2期);全文 * |
《海杂波视景仿真》;黄权欣等;《海军航空工程学院学报》;20080930;第23卷(第5期);第502页左栏第2段及图1 * |
《舰海雷达模拟中的海杂波建模及仿真》;刘强等;《舰船电子工程》;20090831;第29卷(第8期);全文 * |
ZHU Ming-bo等.《Sea Clutter Simulation Based on Sea Surface Model and Two-scale Scattering Model》.《International Radar Conference》.2013,全文. * |
高飞等.《星载SAR分布杂波仿真及其应用》.《广西工学院学报》.2004,第15卷(第2期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN104318593A (zh) | 2015-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104318593B (zh) | 一种雷达海杂波的仿真方法和系统 | |
CN108008385B (zh) | 基于稀疏贝叶斯学习的干扰环境isar高分辨成像方法 | |
CN104865562B (zh) | 基于混合模型的雷达非合作目标的识别方法 | |
CN106683122A (zh) | 一种基于高斯混合模型和变分贝叶斯的粒子滤波方法 | |
CN107607942B (zh) | 基于深度学习模型的大尺度电磁散射与逆散射的预测方法 | |
CN104535981A (zh) | 海杂波Pareto幅度分布参数的双分位点估计方法 | |
CN105224715A (zh) | 一种山区地貌下强风三维脉动风场综合模拟方法 | |
CN104730511A (zh) | 星凸模型下的势概率假设密度多扩展目标跟踪方法 | |
CN109557538A (zh) | 基于海用相参雷达测量海浪参数的方法 | |
Xu et al. | Computing streamfunction and velocity potential in a limited domain of arbitrary shape. Part I: Theory and integral formulae | |
Nie et al. | Study of microwave backscattering from two-dimensional nonlinear surfaces of finite-depth seas | |
CN105738880A (zh) | 逆高斯纹理复合高斯海杂波幅度分布参数的矩估计方法 | |
CN106019257B (zh) | 基于高频地波雷达海流观测结果空时特征的插值方法 | |
CN104331583A (zh) | 一种基于实测海杂波数据的多重分形建模方法 | |
Barth et al. | Ensemble perturbation smoother for optimizing tidal boundary conditions by assimilation of High-Frequency radar surface currents–application to the German Bight | |
Crisostomi et al. | Neural posterior estimation with guaranteed exact coverage: The ringdown of GW150914 | |
CN103674230A (zh) | 基于降噪源分离的舰艇振动噪声源分离与识别方法 | |
CN111950438A (zh) | 一种基于深度学习的天宫二号成像高度计有效波高反演方法 | |
CN114970378A (zh) | 一种基于gan网络的海杂波样本库构建方法 | |
CN103439698A (zh) | 获取雷达散射面积的方法 | |
CN107064893A (zh) | 基于对数矩的广义帕累托分布参数估计方法 | |
CN106777784B (zh) | 一种基于波浪液面时程监测数据的波浪作用估计方法 | |
Yang et al. | DFFIR-net: Infrared dim small object detection network constrained by gray-level distribution model | |
CN105548986B (zh) | 海杂波背景下基于预白化比率中值检测器的目标检测方法 | |
Gao et al. | A hybrid method for fine-scale wind field retrieval based on machine learning and data assimilation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |