CN105022041B - 基于经验模态分解特征库的拖引干扰子类型识别方法 - Google Patents
基于经验模态分解特征库的拖引干扰子类型识别方法 Download PDFInfo
- Publication number
- CN105022041B CN105022041B CN201510309996.9A CN201510309996A CN105022041B CN 105022041 B CN105022041 B CN 105022041B CN 201510309996 A CN201510309996 A CN 201510309996A CN 105022041 B CN105022041 B CN 105022041B
- Authority
- CN
- China
- Prior art keywords
- uproar
- mrow
- msub
- dry
- feature
- 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
-
- 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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
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
本发明公开了一种基于经验模态分解特征库的拖引干扰子类型识别方法，包括以下步骤：(1)将已知雷达回波信号分为四类，并进行S4次蒙特卡洛实验，得到S4次蒙特卡洛实验中，S1个干噪比下的四类一维训练数据，对其进行预处理和经验模态分解，得到本征模函数集；(2)从每个本征模函数集中选取前S3个本征模函数，提取四类特征：频域矩偏度、噪声因子、噪声因子、能量比重，并选择出典型特征值，建立典型特征库；(3)雷达接收回波测试数据，并将其进行预处理和经验模态分解，得到一维测试数据的m′个本征模函数，选择其中第一个本征模函数提取出四类特征值，组成一维测试特征向量；(4)将一维测试特征向量与典型特征库内数据进行匹配，识别拖引干扰子类型。
Description
技术领域
本发明属于雷达抗干扰技术领域，涉及一种基于经验模态分解特征库的拖引干扰子类型识别方法，适用于拖引干扰与目标信号混合情况下的拖引干扰子类型识别。
背景技术
在有源干扰中，拖引干扰是现代战争中较为常用、干扰效果较好、产生较为容易的干扰样式。在复杂的电子干扰环境下，使雷达系统尽快识别出所面临的干扰信号类型，进而选择出最有效的抗干扰方法进行对抗，已成为雷达抗干扰技术发展的一个重要方向。虽然现有的雷达一般都装备有特定的抗干扰措施，但由于雷达几乎不具有干扰识别的能力，无法判断干扰类型，也就不能在最短的时间内选取最合适的抗干扰手段，来减少干扰带来的影响，因此，干扰类型识别是抗干扰过程的基础。
目前，关于干扰类型识别方法，国内外的研究成果主要有两类：一类是基于极大似然准则的干扰类型识别方法，另一类是基于对回波信号进行特征提取的干扰类型识别方法。其中，第一类方法的运算量较大，在工程中的实现较为困难；第二类方法利用各类干扰在不同时域、频域、时频域、极化域等领域的特征参数之间的差异对各类干扰信号进行识别，其基本思路为：首先对干扰信号进行特征提取，然后基于所提取的特征识别干扰的类型。
1997年，W.D.Blair等人根据真实目标回波幅度服从瑞利分布(Rayleigh分布)且距离拖引干扰(RGPO)的幅度在一次扫描期间内无起伏的特点，提取信号的幅度特征参数并利用广义极大似然检测模型较为有效地区分RGPO与真实目标。但该方法只能对距离拖引干扰具有一定的识别能力，对其他拖引干扰子类型不能进行识别。
2002年，Ling Lu等人提出了时频分析特征提取方法，该方法直接在原始信号上进行特征提取，虽然对拖引干扰子类型达到了一定程度的识别，但该方法没有考虑原始信号的多层次特性，其干扰识别能力仍然有限。
发明内容
针对上述现有技术的不足，本发明的目的在于提出一种基于经验模态分解特征库的拖引干扰子类型识别方法，考虑了原始信号的多层次性，解决在拖引干扰与目标信号混合的情况下，对拖引干扰子类型进行识别时存在的提取特征区分度不佳和识别能力较差的问题。
为达到上述技术目的，本发明采用以下技术方案予以实现。
一种基于经验模态分解特征库的拖引干扰子类型识别方法，其特征在于，包括以下步骤：
步骤1，针对拖引干扰和目标信号混合的情况，将已知的雷达回波信号分为四类：第一类雷达回波信号为目标信号；第二类雷达回波信号为距离拖引干扰与目标信号的混合信号；第三类雷达回波信号为速度拖引干扰与目标信号的混合信号；第四类雷达回波信号为距离-速度同步拖引干扰与目标信号的混合信号；再对已知的雷达回波信号进行S4次蒙特卡洛实验；在每一次蒙特卡洛试验中，均提取S1个不同干噪比(JNR)下，相同数目的上述四类雷达回波信号的有效回波数据，得到该次蒙特卡洛实验中，S1个不同干噪比下的四类一维训练数据；
步骤2，将步骤1得到的S4次蒙特卡洛实验中，S1个不同干噪比下的四类一维训练数据，经过幅度归一化预处理，再进行经验模态分解，得到S4次蒙特卡洛实验中，S1个不同干噪比下幅度归一化后的四类一维训练数据对应的本征模函数(IMF)集；
步骤3，根据步骤2得到的S4次蒙特卡洛实验中，S1个不同干噪比下幅度归一化后的四类一维数据对应的本征模函数集；从每个本征模函数集中选取前S3个本征模函数；分别从S3个本征模函数中提取出四类特征：频域矩偏度α、噪声因子A1、噪声因子A2、能量比重ER；
步骤4，根据步骤3得到的S4次蒙特卡洛实验中，S1个不同干噪比下幅度归一化后的四类一维训练数据中对应的前S3个本征模函数中提取出的四类特征，选择出S4次蒙特卡洛实验中，S1个不同干噪比下幅度归一化后的四类一维训练数据对应的四类特征的典型特征值；
步骤5，根据步骤4所得的S4次蒙特卡洛实验中，S3个不同干噪比下幅度归一化后的四类一维训练数据对应的四类特征的典型特征值，建立四类雷达回波信号的典型特征库；
步骤6，雷达接收干噪比在-10dB到15dB范围内的回波测试数据，将该回波测试数据进行幅度归一化预处理，得到幅度归一化后的一维测试数据；
步骤7，将步骤6得到的幅度归一化后的一维测试数据进行经验模态分解，得到一维测试数据的m′个本征模函数；
步骤8，从步骤7得到的一维测试数据的m′个本征模函数的第一个本征模函数中提取四类特征，即频域矩偏度α′、噪声因子A1′、噪声因子A2′、能量比重ER′，将得到的四个特征值组成一维测试特征向量；
步骤9，将步骤8得到的一维测试特征向量与典型特征库内的数据进行数据信息匹配，识别出回波测试数据的信号类别，即识别出拖引干扰子类型；
9.1计算一维测试特征向量与特征库内第1到第24行典型特征向量间的欧式距离，分别为d1，d2，...，d24；
9.2利用距离加权K最近邻分类方法识别回波测试数据的信号类别，距离加权K最近邻分类方法的具体子步骤为：
9.2.1从24个欧氏距离d1，d2，...，d24中，确定K个最小的欧氏距离；将K个最小的欧氏距离对应的典型特征库的K个典型特征向量，作为一维测试特征向量的K个最近邻，K个最近邻组成的集合为Dz；
9.2.2设一维测试特征向量的类标号y′(y′的可能取值为1，2，3，4)，可用如下公式计算y′：
其中，v是类标号，yj是一维测试特征向量的第j个最近邻的类标号，j＝1，2，...，K；I(·)是指示函数，如果括弧中的等式为真，则I(·)取值为1，否则I(·)取值为0；wj＝1/dj 2，dj为一维测试特征向量的第j个最近邻对应的欧式距离。
与现有技术相比，本发明具有以下优点：
1)本发明利用经验模态分解算法，提取信号更多的特征参数，并选择区分度较好的信号特征，实现对三类拖引干扰子类型的较好的识别。
2)本发明建立了典型特征库对三类拖引干扰子类型进行识别，考虑了数据的多层次性，识别能力更高，识别效果更佳。
附图说明
下面结合附图说明和具体实施方式对本发明作进一步详细说明。
图1是本发明的拖引干扰子类型识别流程图。
图2是从第1次蒙特卡洛实验中，第1个干噪比条件下，经过幅度归一化后的第一类一维训练数据，经过经验模态分解得到的第1个本征模函数中提取的四类特征的流程图。
图3是本发明与原始数据提取特征识别方法分别对三类拖引干扰以及目标的识别结果比较图，横坐标为干噪比，单位为分贝(dB)，纵坐标为识别率，其中：
图3a为本发明与原始数据提取特征识别方法对距离拖引干扰与目标信号的混合信号在不同干噪比下的识别结果图；
图3b为本发明与原始数据提取特征识别方法对速度拖引干扰与目标信号的混合信号在不同干噪比下的识别结果图；
图3c为本发明与原始数据提取特征识别方法对距离-速度同步拖引干扰与目标信号的混合信号在不同干噪比下的识别结果图；
图3d为本发明与原始数据提取特征识别方法对目标信号在不同干噪比下的识别结果图。
具体实施方式
参照图1，本发明的基于经验模态分解特征库的拖引干扰子类型识别方法，包括以下步骤：
步骤1，针对拖引干扰和目标信号混合的情况，将已知的雷达回波信号分为四类：第一类雷达回波信号为目标信号；第二类雷达回波信号为距离拖引干扰与目标信号的混合信号；第三类雷达回波信号为速度拖引干扰与目标信号的混合信号；第四类雷达回波信号为距离-速度同步拖引干扰与目标信号的混合信号；再对已知的雷达回波信号进行S4次蒙特卡洛实验；在每一次蒙特卡洛试验中，分别提取S1个不同干噪比(JNR)下相同数目的上述四类雷达回波信号的有效回波数据，得到该次蒙特卡洛实验中，S1个不同干噪比下的四类一维训练数据。
本发明实例中，针对距离拖引干扰与目标信号的混合信号、速度拖引干扰与目标信号的混合信号、距离-速度同步拖引干扰与目标信号的混合信号以及目标信号，对已知的雷达回波信号进行S4＝500次蒙特卡洛实验；每一次蒙特卡洛实验中，均提取S1＝6个不同干噪比(JNR1＝-10dB、JNR2＝-5dB、JNR3＝0dB、JNR4＝5dB、JNR5＝10dB、JNR6＝15dB)下20个上述四类雷达回波信号的有效回波数据，得到该次蒙特卡洛实验中，上述6个不同干噪下的四类一维训练数据。
步骤2，将步骤1得到的S4次蒙特卡洛实验中，S1个不同干噪比下的四类一维训练数据，经过幅度归一化预处理，再进行经验模态分解，得到S4次蒙特卡洛实验中，S1个不同干噪比下幅度归一化后的四类一维训练数据对应的本征模函数(IMF)集。
步骤2的具体子步骤为：
2.1对第1次蒙特卡洛实验中，在第1个干噪比(JNR1＝-10dB)下的四类一维训练数据，分别进行幅度归一化预处理，得到幅度归一化后的四类一维训练数据，分别为X1(t)、X2(t)、X3(t)、X4(t)；
2.2对第1次蒙特卡洛实验中，在第1个干噪比(JNR1＝-10dB)下幅度归一化后的第一类一维训练数据X1(t)进行经验模态分解，具体步骤如下：
2.2.1在X1(t)中，找到其所有的局部极大值和所有的局部极小值；
2.2.2用三次样条函数，将X1(t)中所有的局部极大值拟合得到上包络线E1，并将所有的局部极小值拟合得到下包络线E2；
2.2.3计算上下包络线的均值m1(t)＝(E1+E2)/2，再将X1(t)减去m1(t)，得到一个去掉低频(上下包络线的均值m1(t))的新数据序列h1(t)，h1(t)＝X1(t)-m1(t)；判断h1(t)是否满足本征模函数(IMF)的条件；
满足IMF的条件为：在新数据序列h1(t)中，其过零点的个数与其所有局部极值点(包括局部最大值和局部最小值)的个数相等或者至多相差一个，同时，要求新数据序列h1(t)在其任意一点，均关于时间轴局部对称；其中，新数据序列h1(t)关于时间轴局部对称是指：用三次样条函数，将新数据序列h1(t)中所有局部极大值拟合得到h1(t)的上包络线，将新数据序列h1(t)中所有局部极小值拟合得到h1(t)的下包络线，h1(t)的上下包络线的均值为零；
如果新数据序列h1(t)满足IMF条件，则得到第1个本征模函数c1(t)，c1(t)＝h1(t)，执行下一步操作；如果新数据序列h1(t)不满足IMF条件，则将X1(t)更新为新数据序列h1(t)，返回步骤2.2.1；
2.2.4将X1(t)减去第1个本征模函数c1(t)，得到残余项r1(t)，判断残余项r1(t)是否为单调序列，如果残余项r1(t)是单调序列，则分解结束，执行下一步操作；如果残余项r1(t)不是单调序列，则将X1(t)替换为残余项r1(t)，返回步骤2.2.1求取下一个本征模函数；
2.2.5X1(t)可表示为：其中，m为自然数，表示经验模态分解得到的本征模函数的总个数，ci(t)表示经验模态分解得到的第i个本征模函数，rm(t)表示第m个残余项，C1＝[c1(t)，...，ci(t)，...，cm(t)]为X1(t)的本征模函数集；
2.3参照步骤2.2，对第1次蒙特卡洛实验中，在第1个干噪比(JNR1＝-10dB)下幅度归一化后的第二、三、四类一维训练数据X2(t)、X3(t)、X4(t)分别进行经验模态分解，得到对应的本征模函数集；
2.4参照步骤2.3，对S4次蒙特卡洛实验中，S1个不同干噪比下幅度归一化后的四类一维训练数据分别进行经验模态分解，得到对应的本征模函数集。
步骤3：根据步骤2得到的S4次蒙特卡洛实验中，S1个不同干噪比下幅度归一化后的四类一维数据对应的本征模函数集；从每个本征模函数集中选取前S3个本征模函数；分别从S3个本征模函数中提取出四类特征：频域矩偏度α、噪声因子A1、噪声因子A2、能量比重ER。
本发明实例中，取S3＝6，即选取前6个本征模函数，分别从6个本征模函数中提取出上述四类特征，其具体子步骤为：
3.1参照图2，从第1次蒙特卡洛实验中，第1个干噪比(JNR1＝-10dB)下幅度归一化后的第一类一维训练数据X1(t)的第1个本征模函数中提取四类特征，即频域矩偏度α1111、噪声因子A11111、噪声因子A21111、能量比重ER1111；其中，每类特征的第一个下标1表示第1个干噪比；第二个下标1表示第一类雷达回波信号；第三个下标1表示第1个本征模函数；第四个下标1表示第1次蒙特卡洛实验；
3.1.1提取第一类特征频域矩偏度α1111；
X1(t)的第1个本征模函数c1(t)的功率谱为C1(ω)，C1(ω)是一个离散数据序列，其均值为μ，标准差为σ，则频域矩偏度α1111为
3.1.2提取第二、三类特征噪声因子A11111和噪声因子A21111；
X1(t)的第1个本征模函数c1(t)的功率谱为C1(ω)，C1(ω)的均值为μ，将C1(ω)中的数据分为大于μ和小于等于μ的两个数据序列，大于μ的数据序列的均值为μ1；重新将C1(ω)中的数据分为大于μ1与小于等于μ1的两个新数据序列，大于μ1的新数据序列的均值为μ2，则噪声因子A11111和噪声因子A21111分别为
3.1.3提取第四类特征能量比重ER1111；
X1(t)的第1个本征模函数为c1(t)，则能量比重ER1111为
其中，c1p表示c1(t)的第p个数据值，xq表示X1(t)的第q个数据值，N表示X1(t)和其第1个本征模函数c1(t)的数据维度；
3.2参照步骤3.1，依次从X1(t)的第1-6个本征模函数中提取出24个特征值，其中，第1个到第6个特征值是X1(t)的第1-6个个本征模函数提取的第一类特征频域矩偏度，即s3＝1...S3；第7个到第12个特征值是X1(t)的第1-6个本征模函数提取的第二类特征噪声因子A1，即s3＝1...S3；第13个到第18个特征值是X1(t)的第1-6个本征模函数提取的第三类特征噪声因子A2，即s3＝1...S3；第19到第24个特征值X1(t)的第1-6个本征模函数提取的第四类特征能量比重ER，即s3＝1...S3；
3.3参照步骤3.2，从S4次蒙特卡洛实验中，S1个干噪比下幅度归一化后的四类一维训练数据对应的前S3个本征模函数中提取出四类特征，即频域矩偏度噪声因子噪声因子以及能量比重其中s1＝1...S1，s2＝1，2，3，4，s3＝1...S3，s4＝1...S4。其中，第1次蒙特卡洛实验中，S1个干噪比下幅度归一化后的四类一维训练数据(对应于四类雷达回波信号)对应的前S3个本征模函数中提取出的四类特征，其组成形式如下：
步骤4，根据步骤3得到的S4次蒙特卡洛实验中，S1个不同干噪比下幅度归一化后的四类一维训练数据中对应的前S3个本征模函数中提取出的四类特征，选择出S4次蒙特卡洛实验中，S1个不同干噪比下幅度归一化后的四类一维训练数据对应的四类特征的典型特征值。
步骤4的具体子步骤为：
4.1首先，计算从第1次蒙特卡洛实验中，第1个干噪比(JNR1＝-10dB)下幅度归一化后的第一类一维训练数据X1(t)的6个本征模函数提取的24个特征值的F比，即然后，取S1＝6，依次计算第2-6个干噪比下，X1(t)的F比，分别为其中，F比的上标表示第s1个干噪比，F比的下标表示第s1个干噪比对应的第1-24个特征值；对于第s4次蒙特卡洛实验中，第s2类雷达回波信号的任意一个特征值其F比为：
其中，s2表示第s2类雷达回波信号，s2＝1，2，3，4，表示S4次蒙特卡洛实验中，第s2类雷达回信号的特征值组的均值，表示的均值；
4.2根据步骤4.1计算得到的第1次蒙特卡洛实验中，6个干噪比下幅度归一化后的第一类一维训练数据的F比，选择出第1次蒙特卡洛实验中，6个干噪比下幅度归一化后的第一类一维训练数据对应的四类特征的典型特征值，具体步骤如下：
4.2.1第1次蒙特卡洛实验中，6个干噪比下幅度归一化后的第一类一维训练数据的第一类特征频域矩偏度是6个干噪比下对应的24个特征值中的前6个特征值的集合，集合中的元素表示为s1＝1...S1，s3＝1...S3；由步骤4.1可知，集合中元素(特征值)对应的F比，分别为其中，F比的上标表示第s1个干噪比；F比的下标表示第s1个干噪比对应的第1-6个特征值；
4.2.2求取在6个干噪比下第1个特征值的F比均值为在6个干噪比下，第2个特征值的F比均值为在6个干噪比下，第6个特征值的F比均值为其中，F1，F2，...，F6的下标表示第1-6个特征值；选择出F1，F2，...，F6中的最大值，将该最大值对应的特征值作为第1次蒙特卡洛实验中，6个干噪比下，幅度归一化后的第一类一维训练数据的第一类特征频域矩偏度的典型特征值；
4.2.3参照步骤4.2.1和步骤4.2.2，选择出第1次蒙特卡洛实验中，6个干噪比下幅度归一化后的第二、三、四类一维训练数据对应的四类特征的典型特征值；
4.3参照步骤4.2，选择出S4次蒙特卡洛实验中，S3个不同干噪比下幅度归一化后的四类一维训练数据对应的四类特征的典型特征值，即 其中，第一个下标表示第s1个干噪比，s1＝1...S1；第二个下标表示第s2类雷达回波信号，s2＝1，2，3，4；第三个下标表示提取出第s4次蒙特卡洛实验中，第s2类雷达回波信号的典型特征值的本征模函数，其中，的第一个上标表示第s4次蒙特卡洛实验，第二个上标表示第s2类雷达回波信号，是1...S3中的一个值；第四个下标表示第s4次蒙特卡洛实验，s4＝1...S4。
步骤5，根据步骤4所得的S4次蒙特卡洛实验中，S3个不同干噪比下幅度归一化后的四类一维训练数据对应的四类特征的典型特征值，建立四类雷达回波信号的典型特征库。
步骤5的具体子步骤为：
5.1计算S4＝500次蒙特卡洛实验在第1个干噪比(JNR1＝-10dB)下幅度归一化后的第一类一维训练数据对应的四类特征的典型特征值的均值，即第一组均值 其中，第一个下标1表示第1个干噪比；第二个下标1表示第一类雷达回波信号；依次计算S4＝500次蒙特卡洛实验在第2-6个干噪比下幅度归一化后的第一类一维训练数据对应的四类特征的典型特征值的均值；将得到的6组均值分别组合为6个一维典型特征向量，作为典型特征库的第1到第6行典型特征向量；并设定典型特征库的第1到第6行典型特征向量的类标号均为“1”，对应于第一类雷达回波信号在6个不同干噪比下的四类特征的典型特征值的均值，即 s1＝1...S1；
5.2计算S4＝500次蒙特卡洛实验中，6个不同干噪比下幅度归一化后的第二、三、四类一维训练数据对应的四类特征的典型特征值的均值；将得到的18组均值分别组合为18个一维典型特征向量，作为典型特征库的第7到第24行典型特征向量；设定典型特征库的第7到第12行典型特征向量的类标号均为“2”，对应于第二类雷达回波信号在6个不同干噪比下的四类特征的典型特征值的均值，即 s1＝1...S1；设定典型特征库的第13到第18行典型特征向量的类标号均为“3”，对应于第三类雷达回波信号在6个不同干噪比下的四类特征的典型特征值的均值，即s1＝1...S1；设定典型特征库的第19到第24行典型特征向量的类标号均为“4”，对应于第四类雷达回波信号在6个不同干噪比下的四类特征的典型特征值的均值，即s1＝1...S1；至此，四类雷达回波信号的典型特征库建立完成，建立的典型特征库内的数据组织形式如下：
典型特征库
步骤6，雷达接收干噪比在-10dB到15dB范围内的回波测试数据，将该回波测试数据进行幅度归一化预处理，得到一维测试数据。
步骤7，参照步骤2，将步骤6得到的一维测试数据进行经验模态分解，得到一维测试数据的m′个本征模函数。
步骤8，从步骤7得到的一维测试数据的m′个本征模函数的第一个本征模函数中提取四类特征，即频域矩偏度α′、噪声因子A1′、噪声因子A2′、能量比重ER′，将得到的四个特征值组成一维测试特征向量。
步骤9，将步骤8得到的一维测试特征向量与典型特征库内的数据进行数据信息匹配，识别出回波测试数据的信号类别，即识别出拖引干扰子类型。
步骤9的具体子步骤为：
9.1计算一维测试特征向量与典型特征库内第1到第24行典型特征向量间的欧式距离，分别为d1，d2，...，d24；
9.2利用距离加权K最近邻分类方法识别回波测试数据的信号类别，距离加权K最近邻分类方法的具体子步骤为：
9.2.1从24个欧氏距离d1，d2，...，d24中，确定K个最小的欧氏距离；将K个最小的欧氏距离对应的典型特征库的K个典型特征向量，作为一维测试特征向量的K个最近邻，K个最近邻组成的集合为Dz；
9.2.2设一维测试特征向量的类标号y′(y′的可能取值为1，2，3，4)，可用如下公式计算y′：
其中，v是类标号(v的可能取值为1，2，3，4)，yj是一维测试特征向量的第j个最近邻的类标号，j＝1，2，...，K；I(·)是指示函数，如果括弧中的等式为真，则I(·)取值为1，否则I(·)取值为0；wj＝1/dj 2，dj为一维测试特征向量的第j个最近邻对应的欧式距离；
识别雷达接收的回波测试数据为第y′类雷达回波信号。
下面结合仿真实验对本发明的效果作进一步说明。
1.实验参数及实验条件
本次仿真实验中，雷达发射信号为线性调频信号，信号时宽为10μs，脉冲重复周期为500μs，信号带宽为5MHz，采样频率为20MHz，距离拖引干扰的速度为750m/s，速度拖引干扰的多普勒频率变化速度为50KHz/s，噪声n(t)是服从分布的高斯白噪声，干噪比(JNR)在-10dB到15dB之间，干信比(JSR)为3dB，信噪比SNR＝JNR-JSR。
2.实验内容：比较本发明方法与原始数据提取特征识别方法分别对三类拖引干扰以及目标的识别结果。
3.实验结果分析
针对速度拖引干扰与目标信号的混合信号，在JNR＝15dB时，本发明方法的识别率略低于原始数据提取特征识别方法，在其它拖引干扰类型的识别中，本发明方法的识别率均高于原始数据提取特征识别方法，说明本发明的基于经验模态分解特征库的拖引干扰子类型识别方法可更加有效地区分拖引干扰子类型，得到更好的识别结果。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种基于经验模态分解特征库的拖引干扰子类型识别方法，其特征在于，包括以下步骤：
步骤1，针对拖引干扰和目标信号混合的情况，将已知的雷达回波信号分为四类：第一类雷达回波信号为目标信号；第二类雷达回波信号为距离拖引干扰与目标信号的混合信号；第三类雷达回波信号为速度拖引干扰与目标信号的混合信号；第四类雷达回波信号为距离-速度同步拖引干扰与目标信号的混合信号；再对已知的雷达回波信号进行S4次蒙特卡洛实验；在每一次蒙特卡洛试验中，均提取S1个不同干噪比下，相同数目的上述四类雷达回波信号的有效回波数据，得到该次蒙特卡洛实验中，S1个不同干噪比下的四类一维训练数据；
步骤2，将步骤1得到的S4次蒙特卡洛实验中，S1个不同干噪比下的四类一维训练数据，经过幅度归一化预处理，再进行经验模态分解，得到S4次蒙特卡洛实验中，S1个不同干噪比下幅度归一化后的四类一维训练数据对应的本征模函数集；
步骤3，根据步骤2得到的S4次蒙特卡洛实验中，S1个不同干噪比下幅度归一化后的四类一维数据对应的本征模函数集；从每个本征模函数集中选取前S3个本征模函数；分别从S3个本征模函数中提取出四类特征：频域矩偏度α、噪声因子A1、噪声因子A2、能量比重ER；
步骤4，根据步骤3得到的S4次蒙特卡洛实验中，S1个不同干噪比下幅度归一化后的四类一维训练数据中对应的前S3个本征模函数中提取出的四类特征，选择出S4次蒙特卡洛实验中，S1个不同干噪比下幅度归一化后的四类一维训练数据对应的四类特征的典型特征值；
步骤5，根据步骤4所得的S4次蒙特卡洛实验中，S3个不同干噪比下幅度归一化后的四类一维训练数据对应的四类特征的典型特征值，建立四类雷达回波信号的典型特征库；
其中，所述步骤5的具体子步骤为：
5.1计算S4＝500次蒙特卡洛实验在第1个干噪比下幅度归一化后的第一类一维训练数据对应的四类特征的典型特征值的均值，即第一组均值其中，第一个下标1表示第1个干噪比；第二个下标1表示第一类雷达回波信号；依次计算S4＝500次蒙特卡洛实验在第2-6个干噪比下幅度归一化后的第一类一维训练数据对应的四类特征的典型特征值的均值；将得到的6组均值分别组合为6个一维典型特征向量，作为典型特征库的第1到第6行典型特征向量；并设定典型特征库的第1到第6行典型特征向量的类标号均为“1”，对应于第一类雷达回波信号在6个不同干噪比下的四类特征的典型特征值的均值，即s1＝1...S1；
5.2计算S4＝500次蒙特卡洛实验中，6个不同干噪比下幅度归一化后的第二、三、四类一维训练数据对应的四类特征的典型特征值的均值；将得到的18组均值分别组合为18个一维典型特征向量，作为典型特征库的第7到第24行典型特征向量；设定典型特征库的第7到第12行典型特征向量的类标号均为“2”，对应于第二类雷达回波信号在6个不同干噪比下的四类特征的典型特征值的均值，即s1＝1...S1；设定典型特征库的第13到第18行典型特征向量的类标号均为“3”，对应于第三类雷达回波信号在6个不同干噪比下的四类特征的典型特征值的均值，即s1＝1...S1；设定典型特征库的第19到第24行典型特征向量的类标号均为“4”，对应于第四类雷达回波信号在6个不同干噪比下的四类特征的典型特征值的均值，即 s1＝1...S1；
步骤6，雷达接收干噪比在给定范围内的回波测试数据，将该回波测试数据进行幅度归一化预处理，得到幅度归一化后的一维测试数据；
步骤7，将步骤6得到的幅度归一化后的一维测试数据进行经验模态分解，得到一维测试数据的m′个本征模函数；
步骤8，从步骤7得到的一维测试数据的m′个本征模函数的第一个本征模函数中提取四类特征，即频域矩偏度α′、噪声因子A1′、噪声因子A2′、能量比重ER′，将得到的四个特征值组成一维测试特征向量；
步骤9，将步骤8得到的一维测试特征向量与典型特征库内的数据进行数据信息匹配，识别出回波测试数据的信号类别，即识别出拖引干扰子类型。
2.如权利要求1所述的基于经验模态分解特征库的拖引干扰子类型识别方法，其特征在于，所述步骤2的具体子步骤为：
2.1对第1次蒙特卡洛实验中，在第1个干噪比下的四类一维训练数据，分别进行幅度归一化预处理，得到幅度归一化后的四类一维训练数据，分别为X1(t)、X2(t)、X3(t)、X4(t)；
2.2对第1次蒙特卡洛实验中，在第1个干噪比下幅度归一化后的第一类一维训练数据X1(t)进行经验模态分解，具体步骤如下：
2.2.1在X1(t)中，找到其所有的局部极大值和所有的局部极小值；
2.2.2用三次样条函数，将X1(t)中所有的局部极大值拟合得到上包络线E1，并将所有的局部极小值拟合得到下包络线E2；
2.2.3计算上下包络线的均值m1(t)＝(E1+E2)/2，再将X1(t)减去m1(t)，得到一个去掉低频的新数据序列h1(t)，h1(t)＝X1(t)-m1(t)；判断h1(t)是否满足本征模函数的条件，如果新数据序列h1(t)满足本征模函数条件，则得到第1个本征模函数c1(t)，c1(t)＝h1(t)，执行下一步操作；如果新数据序列h1(t)不满足本征模函数条件，则将X1(t)更新为新数据序列h1(t)，返回步骤2.2.1；
2.2.4将X1(t)减去第1个本征模函数c1(t)，得到残余项r1(t)，判断残余项r1(t)是否为单调序列，如果残余项r1(t)是单调序列，则分解结束，执行下一步操作；如果残余项r1(t)不是单调序列，则将X1(t)替换为残余项r1(t)，返回步骤2.2.1求取下一个本征模函数；
2.2.5 X1(t)可表示为：其中，m为自然数，表示经验模态分解得到的本征模函数的总个数，ci(t)表示经验模态分解得到的第i个本征模函数，rm(t)表示第m个残余项，C1＝[c1(t)，...，i(t)，...，cm(t)]为X1(t)的本征模函数集；
2.3参照步骤2.2，对第1次蒙特卡洛实验中，在第1个干噪比下幅度归一化后的第二、三、四类一维训练数据X2(t)、X3(t)、X4(t)分别进行经验模态分解，得到对应的本征模函数集；
2.4参照步骤2.3，对S4次蒙特卡洛实验中，S1个不同干噪比下幅度归一化后的四类一维训练数据分别进行经验模态分解，得到对应的本征模函数集。
3.如权利要求1所述的基于经验模态分解特征库的拖引干扰子类型识别方法，其特征在于，所述步骤3的具体子步骤为：
3.1从第1次蒙特卡洛实验中，第1个干噪比下幅度归一化后的第一类一维训练数据X1(t)的第1个本征模函数中提取四类特征，即频域矩偏度α1111、噪声因子A11111、噪声因子A21111、能量比重ER1111；其中，每类特征的第一个下标1表示第1个干噪比；第二个下标1表示第一类雷达回波信号；第三个下标1表示第1个本征模函数；第四个下标1表示第1次蒙特卡洛实验；
3.1.1提取第一类特征频域矩偏度α1111；
X1(t)的第1个本征模函数c1(t)的功率谱为C1(ω)，C1(ω)是一个离散数据序列，其均值为μ，标准差为σ，则频域矩偏度α1111为
<mrow>
<msub>
<mi>&alpha;</mi>
<mn>1111</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>E</mi>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>C</mi>
<mn>1</mn>
</msub>
<mo>(</mo>
<mi>&omega;</mi>
<mo>)</mo>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
<mn>3</mn>
</msup>
</mrow>
<msup>
<mi>&sigma;</mi>
<mn>3</mn>
</msup>
</mfrac>
<mo>;</mo>
</mrow>
3.1.2提取第二、三类特征噪声因子A11111和噪声因子A21111；
X1(t)的第1个本征模函数c1(t)的功率谱为C1(ω)，C1(ω)的均值为μ，将C1(ω)中的数据分为大于μ和小于等于μ的两个数据序列，大于μ的数据序列的均值为μ1；重新将C1(ω)中的数据分为大于μ1与小于等于μ1的两个新数据序列，大于μ1的新数据序列的均值为μ2，则噪声因子A11111和噪声因子A21111分别为
<mrow>
<mi>A</mi>
<msub>
<mn>1</mn>
<mn>1111</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<mi>&mu;</mi>
</mrow>
<mi>&mu;</mi>
</mfrac>
<mo>,</mo>
<mi>A</mi>
<msub>
<mn>2</mn>
<mn>1111</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
</mrow>
<mi>&mu;</mi>
</mfrac>
<mo>;</mo>
</mrow>
3.1.3提取第四类特征能量比重ER1111；
X1(t)的第1个本征模函数为c1(t)，则能量比重ER1111为
<mrow>
<msub>
<mi>ER</mi>
<mn>1111</mn>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msubsup>
<mi>c</mi>
<mrow>
<mn>1</mn>
<mi>p</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>/</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msubsup>
<mi>x</mi>
<mi>q</mi>
<mn>2</mn>
</msubsup>
<mo>,</mo>
</mrow>
其中，c1p表示c1(t)的第p个数据值，xq表示X1(t)的第q个数据值，N表示X1(t)和其第1个本征模函数c1(t)的数据维度；
3.2参照步骤3.1，取S3＝6，依次从X1(t)的第1-6个本征模函数中提取出24个特征值，其中，第1个到第6个特征值是X1(t)的第1-6个个本征模函数提取的第一类特征频域矩偏度，即s3＝1...S3；第7个到第12个特征值是X1(t)的第1-6个本征模函数提取的第二类特征噪声因子A1，即s3＝1...S3；第13个到第18个特征值是X1(t)的第1-6个本征模函数提取的第三类特征噪声因子A2，即s3＝1...S3；第19到第24个特征值X1(t)的第1-6个本征模函数提取的第四类特征能量比重ER，即s3＝1...S3；
3.3参照步骤3.2，从S4次蒙特卡洛实验中，S1个干噪比下幅度归一化后的四类一维训练数据对应的前S3个本征模函数中提取出四类特征，即频域矩偏度噪声因子噪声因子以及能量比重其中s1＝1...S1，s2＝1，2，3，4，s3＝1...S3，s4＝1...S4。
4.如权利要求1所述的基于经验模态分解特征库的拖引干扰子类型识别方法，其特征在于，所述步骤4的具体子步骤为：
4.1首先，计算从第1次蒙特卡洛实验中，第1个干噪比下幅度归一化后的第一类一维训练数据X1(t)的6个本征模函数提取的24个特征值的F比，即然后，取S1＝6，依次计算第2-6个干噪比下，X1(t)的F比，分别为 其中，F比的上标表示第s1个干噪比，F比的下标表示第s1个干噪比对应的第1-24个特征值；对于第s4次蒙特卡洛实验中，第s2类雷达回波信号的任意一个特征值其F比为：
<mrow>
<mi>F</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mfrac>
<mn>1</mn>
<mn>4</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>s</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>4</mn>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msubsup>
<mi>&mu;</mi>
<msub>
<mi>s</mi>
<mn>2</mn>
</msub>
<mi>&Gamma;</mi>
</msubsup>
<mo>-</mo>
<msup>
<mover>
<mi>&mu;</mi>
<mo>&OverBar;</mo>
</mover>
<mi>&Gamma;</mi>
</msup>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mfrac>
<mn>1</mn>
<mn>4</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>s</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>4</mn>
</munderover>
<mfrac>
<mn>1</mn>
<msub>
<mi>S</mi>
<mn>4</mn>
</msub>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>s</mi>
<mn>4</mn>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>S</mi>
<mn>4</mn>
</msub>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msubsup>
<mi>&Gamma;</mi>
<msub>
<mi>s</mi>
<mn>4</mn>
</msub>
<msub>
<mi>s</mi>
<mn>2</mn>
</msub>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>&mu;</mi>
<msub>
<mi>s</mi>
<mn>2</mn>
</msub>
<mi>&Gamma;</mi>
</msubsup>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
其中，s2表示第s2类雷达回波信号，s2＝1，2，3，4，表示S4次蒙特卡洛实验中，第s2类雷达回信号的特征值组的均值，表示的均值；
4.2根据步骤4.1计算得到的第1次蒙特卡洛实验中，6个干噪比下幅度归一化后的第一类一维训练数据的F比，选择出第1次蒙特卡洛实验中，6个干噪比下幅度归一化后的第一类一维训练数据对应的四类特征的典型特征值，具体步骤如下：
4.2.1第1次蒙特卡洛实验中，6个干噪比下幅度归一化后的第一类一维训练数据的第一类特征频域矩偏度是6个干噪比下对应的24个特征值中的前6个特征值的集合，集合中的元素表示为s1＝1...S1，s3＝1...S3；由步骤4.1可知，集合中元素对应的F比，分别为其中，F比的上标表示第s1个干噪比；F比的下标表示第s1个干噪比对应的第1-6个特征值；
4.2.2求取在6个干噪比下第1个特征值的F比均值为F1＝(F1 1+F1 2+...+F1 6)/6，在6个干噪比下，第2个特征值的F比均值为在6个干噪比下，第6个特征值的F比均值为其中，F1，F2，...，F6的下标表示第1-6个特征值；选择出F1，F2，...，F6中的最大值，将该最大值对应的特征值作为第1次蒙特卡洛实验中，6个干噪比下，幅度归一化后的第一类一维训练数据的第一类特征频域矩偏度的典型特征值；
4.2.3参照步骤4.2.1和步骤4.2.2，选择出第1次蒙特卡洛实验中，6个干噪比下幅度归一化后的第二、三、四类一维训练数据对应的四类特征的典型特征值；
4.3参照步骤4.2，选择出S4次蒙特卡洛实验中，S3个不同干噪比下幅度归一化后的四类一维训练数据对应的四类特征的典型特征值，即 其中，第一个下标表示第s1个干噪比，s1＝1...S1；第二个下标表示第s2类雷达回波信号，s2＝1，2，3，4；第三个下标表示提取出第s4次蒙特卡洛实验中，第s2类雷达回波信号的典型特征值的本征模函数，其中，的第一个上标表示第s4次蒙特卡洛实验，第二个上标表示第s2类雷达回波信号，是1...S3中的一个值；第四个下标表示第s4次蒙特卡洛实验，s4＝1...S4。
5.如权利要求1所述的基于经验模态分解特征库的拖引干扰子类型识别方法，其特征在于，所述步骤9的具体子步骤为：
9.1计算一维测试特征向量与典型特征库内第1到第24行典型特征向量间的欧式距离，分别为d1，d2，...，d24；
9.2利用距离加权K最近邻分类方法识别回波测试数据的信号类别，距离加权K最近邻分类方法的具体子步骤为：
9.2.1从24个欧氏距离d1，d2，...，d24中，确定K个最小的欧氏距离；将K个最小的欧氏距离对应的典型特征库的K个典型特征向量，作为一维测试特征向量的K个最近邻，K个最近邻组成的集合为Dz；
9.2.2设一维测试特征向量的类标号y′，可用如下公式计算y′：
<mrow>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<munder>
<mrow>
<mi>arg</mi>
<mi> </mi>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mi>v</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>D</mi>
<mi>z</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<mo>&times;</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>=</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中，v是类标号，yj是一维测试特征向量的第j个最近邻的类标号，j＝1，2，...，K；I(·)是指示函数，如果括弧中的等式为真，则I(·)取值为1，否则I(·)取值为0；wj＝1/dj 2，dj为一维测试特征向量的第j个最近邻对应的欧式距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510309996.9A CN105022041B (zh) | 2015-06-08 | 2015-06-08 | 基于经验模态分解特征库的拖引干扰子类型识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510309996.9A CN105022041B (zh) | 2015-06-08 | 2015-06-08 | 基于经验模态分解特征库的拖引干扰子类型识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105022041A CN105022041A (zh) | 2015-11-04 |
| CN105022041B true CN105022041B (zh) | 2017-10-13 |
Family
ID=54412145
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510309996.9A Expired - Fee Related CN105022041B (zh) | 2015-06-08 | 2015-06-08 | 基于经验模态分解特征库的拖引干扰子类型识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105022041B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105866749B (zh) * | 2016-03-30 | 2018-07-20 | 西安电子科技大学 | 一种距离和速度同步拖引的雷达干扰识别方法 |
| CN111428561B (zh) * | 2020-02-24 | 2022-06-07 | 西南交通大学 | 一种宽带电磁干扰源识别方法及系统、储存介质、设备 |
| CN113835069B (zh) * | 2021-09-22 | 2023-09-22 | 电子科技大学 | 一种距离门拖引干扰的智能生成方法 |
| CN114594427B (zh) * | 2022-01-13 | 2024-06-04 | 西安电子科技大学 | 基于后验概率支持向量机的雷达有源干扰在线识别方法 |
| CN114755639B (zh) * | 2022-04-27 | 2023-03-21 | 电子科技大学 | 一种面向跟踪对抗的多样式复合欺骗干扰自适应生成方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103760530B (zh) * | 2014-01-15 | 2016-02-10 | 西安电子科技大学 | 基于信号锥的雷达压制式干扰和欺骗式干扰识别方法 |
-
2015
- 2015-06-08 CN CN201510309996.9A patent/CN105022041B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN105022041A (zh) | 2015-11-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105022041B (zh) | 基于经验模态分解特征库的拖引干扰子类型识别方法 | |
| CN104316914B (zh) | 依赖形状参数的雷达目标自适应检测方法 | |
| CN103837863B (zh) | 基于梯度投影的距离‑速度同步拖引欺骗干扰识别 | |
| CN106468770B (zh) | K分布杂波加噪声下的近最优雷达目标检测方法 | |
| CN105044686B (zh) | 一种雷达密集假目标干扰抑制方法 | |
| CN108564005A (zh) | 一种基于卷积神经网络的人体跌倒辨识方法 | |
| CN103760530B (zh) | 基于信号锥的雷达压制式干扰和欺骗式干扰识别方法 | |
| CN106330385A (zh) | 一种干扰类型识别方法 | |
| CN104898103B (zh) | 基于多通道杂波图的低速目标检测方法 | |
| CN105403875B (zh) | 双极化接收雷达的目标检测方法 | |
| CN107247259A (zh) | 基于神经网络的k分布海杂波形状参数估计方法 | |
| CN105137396B (zh) | 一种smsp干扰和c&i干扰的检测方法 | |
| CN104714215A (zh) | 一种基于杂波强度分区的恒虚警检测方法 | |
| CN104502905B (zh) | 基于多通道顺序统计的距离扩展目标检测方法 | |
| CN104881561B (zh) | 一种基于Hough变换的多维参数的检测前跟踪方法 | |
| CN107015207A (zh) | 基于frft域峰值离散特性的有源压制干扰分类识别方法 | |
| CN105785330A (zh) | 一种认知型副瓣干扰抑制方法 | |
| CN109116196A (zh) | 一种电力电缆故障放电声智能识别方法 | |
| CN106249209B (zh) | 一种抗速度欺骗干扰的自适应迭代估计方法 | |
| CN108872961B (zh) | 基于低门限的雷达微弱目标检测方法 | |
| CN105259546A (zh) | 一种基于ar谱分形的海面微弱雷达目标检测方法 | |
| CN102830421B (zh) | 星载电子设备多余物及组件的识别方法 | |
| CN106353743B (zh) | 匹配于等效形状参数的近最优雷达目标检测方法 | |
| CN103886868B (zh) | 冲击声检测方法及检测系统 | |
| CN104977602B (zh) | 一种地震数据采集施工的控制方法及装置 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171013 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |