CN105182312B - 自适应环境变化的恒虚警检测方法 - Google Patents
自适应环境变化的恒虚警检测方法 Download PDFInfo
- Publication number
- CN105182312B CN105182312B CN201510632322.2A CN201510632322A CN105182312B CN 105182312 B CN105182312 B CN 105182312B CN 201510632322 A CN201510632322 A CN 201510632322A CN 105182312 B CN105182312 B CN 105182312B
- Authority
- CN
- China
- Prior art keywords
- data
- cfar
- mrow
- window
- interference
- 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
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
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
自适应环境变化的恒虚警检测方法,利用了多个周期数据对应位置上的相关性和同一组数据相邻数据之间的相关性进行门限检测,即利用了时间上和空间上的相关性进行门限检测,通过初始化部分是将干扰存储器组分别初始化为第一个周期数据的频谱信息;估计当前数据的杂波信息是利用了之前M个周期的杂波信息和当前数据的频谱信息进行加权的结果;如果所处环境变化较大或较快,可适当增大当前数据信息对杂波估计的权值;利用当前估计出的杂波信息可作为后面恒虚警检测门限的设定;本发明既能在均匀背景中利用单元平均恒虚警使得性能最优,又能在非均匀杂波背景中利用有序统计方法,使得检测性能和虚警性能显著提高。
Description
技术领域
本发明涉及一种恒虚警检测方法,尤其涉及一种自适应环境变化的恒虚警检测方法。
背景技术
现有的恒虚警检测算法很多,如单元平均、平均选大、平均选小、有序统计、杂波图法等,它们都有各自的适用范围。单元平均对数据特性要求较高,主要基于以下两个假设:a.目标是独立的;b.参考窗内的所有干扰数据样本是独立同分布的,且和包含目标的单元内的干扰同分布。而有序统计主要目的在于抑制遮蔽效应所引起的性能恶化,但有序统计虚警率较高。杂波图法需要对目标所处环境的杂波特性具有先验知识。综上,在实际应用中应根据实际情况合理选择恒虚警检测算法。
单元平均在非均匀背景中性能严重下降,平均选大在多目标环境中检测性能下降非常严重,平均选小在均匀杂波背景中检测性能和杂波边缘中虚警性能都很差。
发明内容
为解决现有技术存在的上述问题,本发明提供了一种自适应环境变化的恒虚警检测方法,利用了空间和时间上的相关信息,既能在均匀背景中利用单元平均恒虚警使得性能最优,又能在非均匀杂波背景中利用有序统计方法,使得检测性能和虚警性能显著提高。
为实现上述目的,本发明所采用的技术方案是:自适应环境变化的恒虚警检测方法,具体步骤如下:
对干扰存储器进行初始化;
S1:将第一个周期FFT数据模值共Q点复制M次,分别存储到M个长度为Q的干扰存储器中;
S2:利用当前周期数据的频谱信息和前面M个周期的干扰频谱信息来估计当前周期数据的干扰频谱;
S3:将当前周期数据的频谱求平方得到当前周期数据的功率谱,对计算出的干扰频谱求平方得到干扰功率谱;
S4:当前周期数据的预判门限的乘积因子为α,则预判门限值为:
该数值P将作为干扰参考窗内是否被目标信号污染的预判依据,Dzb为计算出的干扰频谱,k为干扰存储器里数据的序号;
S5:检测参考窗长L,当前数据点所在位置为i,数据长度为Q:
A、如i<L,即当前需要判决的数据点前窗数据长度小于L,则选择其对应干扰功率谱数组中第i个点位置的后窗的L个数据计算判决门限值,如果后窗的数据均值大于P,则采用有序统计CFAR方法,反之采用单元平均CFAR方法;
B、如L<=i<=Q-L,即当前需要判决的数据点前后窗的数据长度均大于等于L,则选择其对应干扰功率谱数组中第i个点位置的前后窗共2L个数据用于计算其判决门限值;如前后窗的数据均值均大于P,则采用有序统计CFAR;如只有前(后)窗的数据均值大于P,则采用后(前)窗数据进行单元平均CFAR;如前后窗的数据均值均小于等于P,则采用前后窗数据进行单元平均CFAR;
C、如i>Q-L,即当前需要判决的数据点后窗数据长度小于L,则选择其对应干扰功率谱数组中第i个点位置的前窗的L个数据计算判决门限值,如果前窗的数据均值大于P,则采用有序统计CFAR方法,反之采用单元平均CFAR方法;
S6:当前周期数据功率谱的数据点与对应的门限值做比较,选取超过门限的峰值点作为目标:如果仅有一个数据超过门限,则该数据直接判为目标,如果有多个连续数据超过门限,则选取其峰值点作为目标,记录并输出检测出的目标数目、目标在功率谱中的位置、目标对应功率谱的数据大小;
S7:判决出目标后对当前数据进行更准确的干扰估计,作为下一个周期数据门限检测的依据,做法如下:如果当前周期的功率谱数据Pi超过判决门限值K1倍,则将该点的数据以及得出的门限值进行加权。
进一步的,所述步骤S1中的Q点是FFT的变换点数,为2的指数次幂。
进一步的,所述步骤S1中的干扰存储器存放的干扰信号包括杂波和噪声。
进一步的,所述步骤S2中估计当前数据的干扰频谱的公式为:
其中数组Di内存储当前周期的前Q点FFT数据模值,CM为干扰存储器,Dzb为计算出的干扰频谱、k为干扰存储器里数据的序号;
进一步的,在步骤S5中的单元平均CFAR算法过程为:将所选窗中的数据排序,分别去除掉10%-20%的最大值和10%-20%的最小值后,做单元平均检测,输出门限值,进行单元平均检测的公式如下:
其中,TA,i为门限值,L′为做单元平均的数据长度,β为门限因子,PFA为虚警概率;
进一步的,在步骤S5中的有序统计CFAR算法过程为:分别将前后窗中数据进行升序排列,然后分别选取第3/4位置的数据作为前窗门限值和后窗门限值,在前后窗门限值中选取较小的门限值作为当前数据点的判决门限值;
作为更进一步的,在步骤S7中的加权公式为:
将得到的干扰估计值Di′替换掉原数据中的Di,完成当前周期的干扰信号频谱估计,并将当前周期的干扰信号频谱作为一组新的干扰参考单元CM,替换掉干扰参考单元中第一个周期的干扰序列C1,而原来的干扰参考单元CK中的数据放入干扰参考单元Ck-1中,所述k=2~M,完成干扰参考单元M个周期序列的更新。
本发明专利由于采用以上技术方案,能够取得如下的技术效果:由于利用了空间和时间上的相关信息,既能在均匀背景中利用单元平均恒虚警使得性能最优,又能在非均匀杂波背景中利用有序统计方法,使得检测性能和虚警性能显著提高。通过对所处环境的干扰进行估计并不断根据当前数据对干扰信息更新,能够自适应所处干扰环境的变化。
附图说明
本发明共有附图2幅:
图1是本发明的工作流程图;
图2是步骤S5的工作流程图。
具体实施方式
下面通过具体实施例,并结合附图,对本发明的技术方案作进一步的解释说明。
如图1所示,本发明提供的是:自适应环境变化的恒虚警检测方法,具体步骤如下:
对干扰存储器进行初始化;
S1:将第一个周期FFT数据模值的共Q点复制M次,分别存储到M个长度为Q的干扰存储器中;Q点是FFT的变换点数,为2的指数次幂;本设计中杂波RAM数量默认为5,即M=5,Q=256;干扰存储器存放的干扰信号包括杂波和噪声;
S2:利用当前周期数据的频谱信息和前面M个周期的干扰频谱信息来估计当前周期数据的干扰频谱;估计过程如式:
其中数组Di内存储当前周期的前256点FFT数据模值,CM为干扰存储器,Dzb为计算出的干扰频谱、k为干扰存储器里数据的序号;
本设计中M=5,则干扰的频谱估计公式为:
S3:将当前周期数据的频谱求平方得到当前周期数据的功率谱,对计算出的干扰频谱求平方得到干扰功率谱;
S4:当前周期数据的预判门限的乘积因子为α=1,则预判门限
值为:
该数值将作为干扰参考窗内是否被目标信号污染的预判依据;
S5:检测参考窗长L=50,当前数据点所在位置为i,数据长度Q:
A、如i<L,即当前需要判决的数据点前窗数据长度小于L,则选择其对应干扰功率谱数组中第i个点位置的后窗的L个数据计算判决门限值,如果后窗的数据均值大于P,则采用有序统计CFAR方法,反之采用单元平均CFAR方法;
B、如L<=i<=Q-L,即当前需要判决的数据点前后窗的数据长度均大于等于L,则选择其对应干扰功率谱数组中第i个点位置的前后窗共2L个数据用于计算其判决门限值;如前后窗的数据均值均大于P,则采用有序统计CFAR;如只有前(后)窗的数据均值大于P,则采用后(前)窗数据进行单元平均CFAR;如前后窗的数据均值均小于等于P,则采用前后窗数据进行单元平均CFAR;
C、如i>Q-L,即当前需要判决的数据点后窗数据长度小于L,则选择其对应干扰功率谱数组中第i个点位置的前窗的L个数据计算判决门限值,如果前窗的数据均值大于P,则采用有序统计CFAR方法,反之采用单元平均CFAR方法;
单元平均CFAR算法过程:将所选窗中的数据排序,分别去除掉10%-20%的最大值和10%-20%的最小值后,做单元平均检测,输出门限值,进行单元平均检测的公式如下:
其中,Ti为判决门限值,L′为做单元平均的数据长度,β为门限因子,PFA为虚警概率;
有序统计CFAR算法过程:分别将前后窗中数据进行升序排列,然后分别选取第3/4位置的数据作为前窗门限值和后窗门限值,在前后窗中的判决门限值中选取较小的门限值作为当前数据点的判决门限值;
S6:当前周期数据功率谱的数据与对应的门限值做比较,选取超过门限的峰值点作为目标:如果仅有一个数据超过门限,则该数据直接判为目标,如果有多个连续数据超过门限,则选取其峰值点作为目标,记录并输出检测出的目标数目、目标在功率谱中的位置(与频谱中位置相同)、目标对应功率谱的数据大小;
S7:判决出目标后对当前数据进行更准确的干扰估计,作为下一个周期数据门限检测的依据,做法如下:如果当前周期的功率谱数据Pi超过判决门限值K1倍,(K1≥2,本设计采用K1=2)则将该点的数据以及得出的门限值进行加权,加权公式:
将得到的干扰估计值Di′替换掉原数据中的Di,完成当前周期的干扰信号频谱估计,并将当前周期的干扰信号频谱作为一组新的干扰参考单元CM,替换掉干扰参考单元中第一个周期的干扰序列C1,而原来的干扰参考单元CK中的数据放入干扰参考单元Ck-1中,所述k=2~M,完成干扰参考单元M个周期序列的更新。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.自适应环境变化的恒虚警检测方法,其特征在于,具体步骤如下:
对干扰存储器进行初始化;
S1:将第一个周期数据模值共Q点复制M次,分别存储到M个长度为Q的干扰存储器中;
S2:利用当前周期数据的频谱信息和前面M个周期的干扰频谱信息来估计当前周期数据的干扰频谱;
S3:将当前周期数据的频谱求平方得到当前周期数据的功率谱,对计算出的干扰频谱求平方得到干扰功率谱;
S4:当前周期数据的预判门限的乘积因子为α,则预判门限值为:
该数值P将作为干扰参考窗内是否被目标信号污染的预判依据,Dzb为计算出的干扰频谱,k为干扰存储器里数据的序号;
S5:参考窗长为L,当前数据点所在位置为i,数据长度为Q:
A、如i<L,即当前需要判决的数据点前窗数据长度小于L,则选择其对应干扰功率谱数组中第i个点位置的后窗的L个数据计算判决门限值,如果后窗的数据均值大于P,则采用有序统计CFAR方法,反之采用单元平均CFAR方法;
B、如L<=i<=Q-L,即当前需要判决的数据点前后窗的数据长度均大于等于L,则选择其对应干扰功率谱数组中第i个点位置的前后窗共2L个数据用于计算其判决门限值;如前后窗的数据均值均大于P,则采用有序统计CFAR;如只有前窗的数据均值大于P,则采用后窗数据进行单元平均CFAR,如只有后窗的数据均值大于P,则采用前窗数据进行单元平均CFAR;如前后窗的数据均值均小于等于P,则采用前后窗数据进行单元平均CFAR;
C、如i>Q-L,即当前需要判决的数据点后窗数据长度小于L,则选择其对应干扰功率谱数组中第i个点位置的前窗的L个数据计算判决门限值,如果前窗的数据均值大于P,则采用有序统计CFAR方法,反之采用单元平均CFAR方法;
S6:当前周期数据功率谱的数据点与对应的判决门限值做比较,选取超过判决门限的峰值点作为目标:如果仅有一个数据超过判决门限值,则该数据直接判为目标,如果有多个连续数据超过判决门限值,则选取其峰值点作为目标,记录并输出检测出的目标数目、目标在功率谱中的位置、目标对应功率谱的数据大小;
S7:判决出目标后对当前数据点进行更准确的干扰估计,作为下一个周期数据判决门限检测的依据,做法如下:如果当前周期的功率谱数据Pi超过判决门限值K1倍,则将该点的数据以及得出的判决门限值进行加权。
2.根据权利要求1所述的自适应环境变化的恒虚警检测方法,其特征在于,所述步骤S1中的Q点是FFT的变换点数,为2的指数次幂。
3.根据权利要求2所述的自适应环境变化的恒虚警检测方法,其特征在于,所述步骤S1中的干扰存储器存放的干扰信号包括杂波和噪声。
4.根据权利要求3所述的自适应环境变化的恒虚警检测方法,其特征在于,所述步骤S2中估计当前周期数据的干扰频谱的公式为:
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>z</mi>
<mi>b</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msup>
<msub>
<mi>C</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>)</mo>
</mrow>
<mi>M</mi>
</msup>
<msub>
<mi>C</mi>
<mi>M</mi>
</msub>
</mrow>
其中数组Di内存储当前周期的前Q点FFT数据模值,CM为干扰存储器,Dzb为计算出的干扰频谱、k为干扰存储器里数据的序号。
5.根据权利要求1-4任一项所述的自适应环境变化的恒虚警检测方法,其特征在于,在步骤S5中的单元平均CFAR方法为:将所选窗中的数据排序,分别去除掉10%-20%的最大值和10%-20%的最小值后,做单元平均检测,输出门限值,进行单元平均检测的公式如下:
其中,
其中,Ti为判决门限值,L′为做单元平均的数据长度,β为门限因子,PFA为虚警概率。
6.根据权利要求5所述的自适应环境变化的恒虚警检测方法,其特征在于,在步骤S5中的有序统计CFAR方法为:分别将前后窗中数据进行升序排列,然后分别选取第3/4位置的数据作为前窗门限值和后窗门限值,在前后窗门限值中选取较小的门限值作为当前数据点的判决门限值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510632322.2A CN105182312B (zh) | 2015-09-29 | 2015-09-29 | 自适应环境变化的恒虚警检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510632322.2A CN105182312B (zh) | 2015-09-29 | 2015-09-29 | 自适应环境变化的恒虚警检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105182312A CN105182312A (zh) | 2015-12-23 |
CN105182312B true CN105182312B (zh) | 2017-09-12 |
Family
ID=54904512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510632322.2A Active CN105182312B (zh) | 2015-09-29 | 2015-09-29 | 自适应环境变化的恒虚警检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105182312B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105703856B (zh) * | 2016-03-14 | 2018-08-24 | 电子科技大学 | 一种自适应干扰检测方法 |
CN107783085B (zh) * | 2016-08-25 | 2020-11-17 | 大连楼兰科技股份有限公司 | 应用在恒虚警检测及数据处理中的单元平均选小门限检测方法 |
CN107783083B (zh) * | 2016-08-25 | 2020-11-17 | 大连楼兰科技股份有限公司 | 变周期三角波、恒频体制恒虚警检测及数据处理方法 |
CN107783089B (zh) * | 2016-08-25 | 2021-04-20 | 大连楼兰科技股份有限公司 | 单元平均选小门限检测平台 |
CN107783101B (zh) * | 2016-08-25 | 2021-04-09 | 大连楼兰科技股份有限公司 | 基于组合波形的旋翼无人机短距离防撞系统信号处理方法及装置 |
CN107783088B (zh) * | 2016-08-25 | 2021-02-26 | 大连楼兰科技股份有限公司 | 应用在恒虚警检测中的目标配对及数据处理方法 |
CN107783127B (zh) * | 2016-08-25 | 2021-04-09 | 大连楼兰科技股份有限公司 | 旋翼无人机防撞毫米波雷达信号处理方法 |
CN107024680B (zh) * | 2017-03-30 | 2020-03-27 | 安徽工程大学 | 一种基于双删除门限的目标检测方法 |
CN107024682B (zh) * | 2017-03-30 | 2020-06-23 | 安徽工程大学 | 一种基于自适应剔除算法的目标检测方法 |
CN107153180B (zh) * | 2017-06-15 | 2020-02-07 | 中国科学院声学研究所 | 一种目标信号检测方法及系统 |
CN109239677B (zh) * | 2017-07-10 | 2020-12-01 | 中国科学院声学研究所 | 一种环境自适应恒虚警检测门限确定方法 |
CN109856637B (zh) * | 2017-11-30 | 2021-09-03 | 比亚迪股份有限公司 | 汽车以及基于恒虚警的汽车雷达目标检测方法和装置 |
US10928502B2 (en) * | 2018-05-30 | 2021-02-23 | Richwave Technology Corp. | Methods and apparatus for detecting presence of an object in an environment |
CN109342828A (zh) * | 2018-09-05 | 2019-02-15 | 国网湖北省电力有限公司电力科学研究院 | 一种基于频域恒虚警的雷电脉冲信号检测方法 |
CN110702986B (zh) * | 2019-10-31 | 2021-11-05 | 中国电子科技集团公司第四十一研究所 | 一种自适应信号搜索门限实时动态生成方法及系统 |
CN111190050B (zh) * | 2020-01-08 | 2021-04-27 | 西安电子科技大学 | 基于fpga的电磁信号干扰检测系统及方法 |
CN112180341B (zh) * | 2020-09-29 | 2022-05-17 | 中国船舶重工集团公司第七二四研究所 | 一种背景自适应cfar算法选择的实现方法 |
CN114578384B (zh) * | 2022-05-07 | 2022-09-09 | 成都凯天电子股份有限公司 | 一种用于激光大气系统的自适应恒虚警检测方法 |
CN116973860B (zh) * | 2023-09-19 | 2024-01-02 | 杭州岸达科技有限公司 | 雷达回波信号自适应混检方法、混检装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5499030A (en) * | 1994-03-18 | 1996-03-12 | The United States Of America As Represented By The Secretary Of The Air Force | Expert system constant false alarm rate (CFAR) processor |
FR2873210B1 (fr) * | 2004-07-13 | 2008-02-22 | Thales Sa | Procede de tfac par segmentation statistique et normalisation |
CN103353594B (zh) * | 2013-06-17 | 2015-01-28 | 西安电子科技大学 | 二维自适应雷达恒虚警检测方法 |
CN103760542B (zh) * | 2014-01-10 | 2016-05-04 | 杭州电子科技大学 | 一种基于多模式的变化指数恒虚警目标检测方法 |
CN103760543B (zh) * | 2014-01-10 | 2016-09-07 | 杭州电子科技大学 | 一种基于多模式的恒虚警目标检测方法 |
CN103995258B (zh) * | 2014-06-06 | 2016-04-13 | 中国人民解放军海军航空工程学院 | 复杂杂波边缘环境下雷达目标自适应融合检测方法 |
CN104502899B (zh) * | 2014-12-27 | 2017-11-21 | 长安大学 | 一种自适应的恒虚警率目标检测方法 |
CN104730509B (zh) * | 2015-04-08 | 2017-03-29 | 北京航空航天大学 | 一种基于知识辅助置换检验的雷达检测方法 |
-
2015
- 2015-09-29 CN CN201510632322.2A patent/CN105182312B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105182312A (zh) | 2015-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105182312B (zh) | 自适应环境变化的恒虚警检测方法 | |
CN105373518A (zh) | 恒虚警检测中算法的选择方法 | |
CN104569949B (zh) | 基于组合自适应归一化匹配滤波的雷达目标检测方法 | |
Spekkers et al. | A statistical analysis of insurance damage claims related to rainfall extremes | |
Li et al. | An integrated risk analysis method for planning water resource systems to support sustainable development of an arid region | |
CN102323577B (zh) | 一种基于能量积累的高分辨雷达双门限检测方法 | |
CN103199983B (zh) | 侧信道能量分析中的n阶局域能量模型及其应用 | |
CN101984360B (zh) | 基于frft的归一化泄露lms自适应动目标检测方法 | |
CN105372636A (zh) | 一种基于自适应遗忘因子的杂波图更新方法及装置 | |
CN104316914B (zh) | 依赖形状参数的雷达目标自适应检测方法 | |
CN104977579A (zh) | 一种基于随机协方差矩阵的多亮点目标空时检测方法 | |
CN107102308B (zh) | 一种分布式雷达异构信号级融合目标检测方法 | |
CN101271160A (zh) | 选小单元平均恒虚警率实时检测sar运动目标方法、装置 | |
CN111551903A (zh) | 改进型二维变化指数恒虚警目标检测方法 | |
CN107015221A (zh) | 一种用于地面监视雷达的低虚警率快速目标检测方法 | |
CN104598739A (zh) | 一种面向网络整体效能的指标体系构建方法 | |
Panagoulia et al. | Nonlinear dynamics and recurrence analysis of extreme precipitation for observed and general circulation model generated climates | |
CN105866748A (zh) | 一种基于检测先验的固定窗长恒虚警检测方法 | |
CN109839621A (zh) | 一种改进的tbd算法 | |
CN111062590A (zh) | 用电异常行为检测方法、装置、计算机设备和存储介质 | |
CN106526545A (zh) | 一种鲁棒cfar检测器的检测方法 | |
Hezarkhani et al. | Performance analysis of a CA-CFAR detector in the interfering target and homogeneous background | |
Suman et al. | Unveiling the climatic origin of streamflow persistence through multifractal analysis of hydro-meteorological datasets of India | |
Newton et al. | Atmospheric drivers of winter above‐freezing temperatures and associated rainfall in western Canada | |
CN104849705B (zh) | 局部均匀杂波协方差矩阵自适应估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C41 | Transfer of patent application or patent right or utility model | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20160115 Address after: 116023 Dalian province high tech park, Hui Park, No. 7, take off the garden of the 2 phase of the 11 floor of the Applicant after: Dalian Loulan Technology Co., Ltd. Address before: 116023 Dalian province high tech park, Hui Park, No. 7, take off the garden of the 2 phase of the 11 floor of the Applicant before: XI'AN ZHIJI ANTENNA TECHNOLOGY CO., LTD. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |