CN105785330B - 一种认知型副瓣干扰抑制方法 - Google Patents
一种认知型副瓣干扰抑制方法 Download PDFInfo
- Publication number
- CN105785330B CN105785330B CN201610119787.2A CN201610119787A CN105785330B CN 105785330 B CN105785330 B CN 105785330B CN 201610119787 A CN201610119787 A CN 201610119787A CN 105785330 B CN105785330 B CN 105785330B
- Authority
- CN
- China
- Prior art keywords
- interference
- signal
- channel
- array
- formula
- 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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- 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
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/537—Counter-measures or counter-counter-measures, e.g. jamming, anti-jamming
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)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种认知型副瓣干扰抑制方法,包括以下几个步骤:(1)通过雷达或声呐等距线阵阵列接收信号形成数字波束,将数字波束称为主通道信号;并抽取阵列单元作为辅助通道信号;(2)对主通道信号进行包络求取、包络滤波,判断干扰信号是否存在;(3)将阵列单元中的多个辅助通道作为干扰估计通道,然后计算协方差矩阵的特征根,确定干扰个数;(4)确定干扰自适应抑制的辅助通道数量等于干扰个数,采用采样矩阵求逆算法,与辅助通道数量进行自适应加权计算,对消主通道信号中的干扰。本发明可自动判断某一时段的干扰数量和干扰信号密度,从而实现快变环境中的干扰自适应抑制;通过实时的降低通道数量,实现了自适应干扰抑制算法的简化。
Description
技术领域
本发明涉及一种认知型副瓣干扰抑制方法,属于声呐雷达技术领域。
背景技术
在声呐、雷达等系统中,常常需要对副瓣进入的干扰进行抑制,以保证雷达与声呐系统正常的目标检测。一般的雷达与声呐系统,对于副瓣连续干扰采用自适应零点形成、自适应副瓣相消等自适应技术进行抑制,而对于副瓣脉冲干扰,常采用副瓣匿影技术实现抑制。但是,副瓣的干扰形式是多变的,并不是所有的干扰类型都适合采用自适应置零等副瓣干扰相消技术进行抑制。目前的副瓣自适应零点形成干扰抑制方法一般采用部分采样点进行自适应权值计算,对工作帧周期的数据进行干扰抑制。而副瓣匿影技术则直接将干扰段去除,损失信号较多。对于自适应零点形成而言,采样位置的样本直接决定了自适应干扰抑制的性能。样本密度大时选择自适应置零和副瓣对消方法,而样本密度低时选择副瓣匿影方法。目前,普遍采用人工判断的方法实现针对不同的干扰类型的干扰对抗手段的选择。在实际应用中,人工选择无法适应实际环境的快速变化。
发明内容
针对现有技术存在的不足,本发明目的是提供一种认知型副瓣干扰抑制方法,可以实现快变环境中的干扰自适应抑制,在实现连续波或脉冲干扰抑制的同时,实现了自适应干扰抑制方法的简化。
为了实现上述目的,本发明是通过如下的技术方案来实现:
本发明的一种认知型副瓣干扰抑制方法,包括以下几个步骤:
(1)通过雷达或声呐等距线阵阵列接收干扰与目标回波信号,从而形成所需要的数字波束,将所述数字波束称为主通道信号;并随机抽取阵列单元的输出作为辅助通道信号;
(2)将长度为Nd的1帧数据,分成每段长度为Ns点的若干段数据,其中,Nd>Ns;针对每段数据,对所述主通道信号首先进行包络求取,然后进行包络滤波,从而判断干扰信号是否存在,当确定干扰信号存在,则转向步骤(3);
(3)针对每段数据,将所述阵列单元中的多个辅助通道作为干扰估计通道,然后计算协方差矩阵的特征根,从而确定干扰个数,并转向步骤(4);
(4)确定干扰自适应抑制的辅助通道数量等于干扰个数,采用采样矩阵求逆算法,将主通道数据与辅助通道数据进行自适应加权计算,从而对消主通道信号中的干扰。
步骤(1)中,对于N单元的雷达或声呐等距线阵阵列,当假设阵列的第i个单元接收信号为xi(n)时,第l个数字波束输出信号形式如下:
式中n为离散时间,αi表示幅度加权,λ表示雷达波长,θ为波束指向角,d为阵元间隔,j表示复数,N表示阵元个数。
步骤(2)中,干扰信号是否存在的判断方法如下:
(2-1)求取波束输出信号的包络
式中,yI(n)与yQ(n)为第l个波束信号yl(n)的实部与虚部;
(2-2)对于某一时刻的信号包络,设σ为门限值;如果存在如下关系
A(n)>σ,A(n+1)>σ,A(n+2)>σ (11)
则判断干扰信号存在,否则判断没有干扰信号。
步骤(2-2)中,将没有干扰时的通道噪声统计作为门限设置的参考,测量的通道噪声记为σ0,则门限值为
σ=σ0+η (12)
其中,η为门限偏差值,取9dB。
步骤(3)中,所述干扰个数的确定方法如下:
(3-1)采用Nf个辅助天线构成干扰个数估计辅助阵列
设一帧数据中的若干个数据包的数据长度为Ns个采样点;第i个辅助通道天线输入信号向量为
式中[·]T表示转置运算,所抽取的Nf个辅助通道的数据构成输入数据矩阵如下:
(3-2)求取输入数据协方差矩阵,
R=X(n)XH(n) (5)
式中[·]H表示转置运算;
(3-3)对协方差矩阵进行特征根分解
λi=eig[R],i=1,2,…,Nf (6)
式中eig[·]表示特征根分解运算,λi为第i个特征根;找到最小特征根
式中min[·]表示寻找最小值,而λmin表示最小特征根;计算其它特征根与最小特征根的比值,记为
定义变量通过与设置的门限ρ0进行比较,检测过门限的大特征根的个数,即干扰个数
ξi>ρ0 (9)
大特征根的个数即对应的干扰个数,记干扰个数为Ng;根据干扰个数选取干扰自适应抑制的通道个数,即自适应抑制的通道个数等于干扰大特征根个数。
步骤(4)中,采用采样矩阵求逆算法,实现第l个波束的自适应副瓣相消,具体的计算方法如下:
根据式(9)确定的干扰个数Ng,随机抽取Ng个阵列通道作为自适应权值计算辅助通道;计算协方差矩阵
式中为随机抽取的Ng个辅助通道,计算互相关向量
式中[·]*表示共轭运算,副瓣相消方法的辅助通道加权计算公式为
式中[·]-1表示矩阵求逆运算,抑制干扰之后的第l个波束的输出为
zl(n)=yl(n)-W*(n)X(n) (16)
zl(n)为第l个波束干扰抑制后的输出。
本发明可以自动判断某一时段的干扰数量,从而实现快变环境中的干扰自适应抑制,通过实时的降低通道数量,该方法在实现连续波或脉冲干扰抑制的同时,实现了自适应干扰抑制方法的简化。
附图说明
图1为本发明的一种认知型副瓣干扰抑制方法工作流程图;
图2为实施例中干扰1的时域模值波形;
图3为实施例中干扰2的时域模值波形;
图4为传统的SMI算法对消结果;
图5为本发明所给方法分段估计的特征根个数;
图6为本发明所给方法的干扰抑制结果。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
参见图1,本发明的方法主要针对副瓣进入的连续波或脉冲干扰。雷达天线或声纳换能器阵列接收的信号,通过数字波束形成得到所需要波束输出,可称为主通道信号。抽取阵列单元作为辅助通道信号。主要的干扰抑制方法采用自适应采样矩阵求逆的方法实现。自适应采用辅助通道信号,通过自适应加权,对消主通道信号中的干扰。与传统的采样矩阵逆方法的区别在于,一帧数据被分成多段小数据包。针对小数据包,分别进行干扰检测与干扰个数判断。该过程主要为,主通道的干扰信号送至干扰检测,干扰检测通过包络求取和包络滤波而实现对有无干扰的判断。干扰数量估计采用干扰估计通道进行。抽取阵列中的多个通道作为干扰估计通道,通过求取协方差矩阵的特征根,确定干扰个数。当干扰检测确定干扰存在,且干扰估计确定了干扰的个数,则自适应干扰抑制采用与干扰个数相同的辅助通道数量计算自适应加权。辅助通道加载自适应加权,对消主通道的干扰。通过实时的降低通道数量,该方法在实现连续波或脉冲干扰抑制的同时,实现了自适应干扰抑制算法的简化。
1.干扰信号形式
本发明的方法适用于干扰位于雷达或声呐的副瓣,空间的干扰为连续波干扰或者脉冲干扰。
2.雷达或声呐阵列线阵形式
为了便于描述,本发明描述中采用了等距线阵的形式。但是,本发明方法不仅适用于等距线阵。对于面阵、球体阵列等存在多个阵元的阵列同样可以采用本发明所述方法。
对于N单元的雷达或声呐等距线阵阵列,当假设阵列的第N个单元接收信号为xi(n)时,第l个波束输出信号形式如下:
式中n为离散时间,αi表示幅度加权,λ表示雷达波长,θ为波束指向角,d为阵元间隔。
3.干扰认知方法:
干扰认知方法主要包括两个部分,分别为干扰个数判断和干扰包络检测。干扰包络检测到存在干扰时,则启动干扰个数判断和干扰自适应抑制。干扰认知过程针对每一个数据包都重复进行计算。
A)干扰个数的判断
(1)采用Nf个辅助天线构成干扰个数估计辅助阵列
设一帧数据中的若干个数据包的数据长度为Ns个采样点;第i个辅助通道天线输入信号向量为
式中[·]T表示转置运算,所抽取的Nf个辅助通道的数据构成输入数据矩阵如下:
求取输入数据协方差矩阵,
R=X(n)XH(n) (5)
式中[·]H表示转置运算;
对协方差矩阵进行特征根分解
λi=eig[R],i=1,2,…,Nf (6)
式中eig[·]表示特征根分解运算,λi为第i个特征根;找到最小特征根
式中min[·]表示寻找最小值,而λmin表示最小特征根;计算其它特征根与最小特征根的比值,记为
定义变量通过与设置的门限ρ0进行比较,检测过门限的大特征根的个数,即干扰个数
ξi>ρ0 (9)
大特征根的个数即对应的干扰个数,记干扰个数为Ng;根据干扰个数选取干扰自适应抑制的通道个数,即自适应抑制的通道个数等于干扰大特征根个数。。
B)干扰在时域上的分析
(1)对干扰时域信号求取包络
求取波束输出信号的包络
式中,yI(n)与yQ(n)为第l个波束信号yl(n)的实部与虚部;
对于某一时刻的信号包络
设σ为门限值。如果存在如下关系
A(n)>σA(n+1)>σA(n+2)>σ (11)
则认为干扰信号存在,否则认为没有干扰。
将没有干扰时的通道噪声统计作为门限设置的参考。测量的通道噪声记为σ0。将门限设置为
σ=σ0+η (12)
η为门限偏差值,取9dB。
C)分段特征根个数的判断
由于干扰的个数在时间和空间上并不确定,随着时间的变化,干扰的形式与个数都会发生变化。针对波束输出主通道进行连续时间检测,当检测到干扰存在时,对辅助通道进行连续特征根分解,判断干扰的数量,从而确定参与自适应的辅助通道个数,之后进行自适应副瓣对消。
4.自适应副瓣对消过程
自适应副瓣对消算法采用采样矩阵求逆算法,实现第l个波束的自适应副瓣相消。主要计算过程如下
根据式(9)确定的干扰个数Ng,随机抽取Ng个阵列通道作为自适应权值计算辅助通道。计算协方差矩阵
式中为随机抽取的Ng个辅助通道,计算互相关向量
式中[·]*表示共轭运算,副瓣相消方法的辅助通道加权计算公式为
式中[·]-1表示矩阵求逆运算,抑制干扰之后的第l个波束的输出为
zl(n)=yl(n)-W*(n)X(n) (16)
zl(n)为第l个波束干扰抑制后的输出。。
实施例
采用计算机仿真对本发明方法进行验证。假定一16单元雷达或声呐阵列为等距线阵,单元之间为半波长。模拟空间存在2个干扰源,干扰1位于30°,为占空比为50%的脉冲干扰,干扰2位于45°,为连续波噪声调频干扰。16单元形成了指向15°的波束。干扰与噪声的比值取60dB。干扰1的时域模值波形见图2所示。干扰2的时域模值波形见图3所示。为了对比本发明所提的认知型副瓣干扰对消算法的性能,采用传统的副瓣对消算法与之进行性能对比。传统算法采用4个辅助通道,对波束输出信号进行干扰抑制。
传统的采用部分采样点采样计算权值的自适应副瓣对消算法在干扰抑制前后的模值曲线见图4所示。由于采样位置缺少干扰1的样本,在抑制后干扰1能量仍然较强。而采用本发明的方法获得干扰抑制性能见图6所示,两个干扰都得到了很好的抑制。图5给出了本发明方法在抑制过程中所确定的各数据包中大特征根的个数,也是参与的辅助通道的个数。可以看出本发明方法参与自适应副瓣对消的辅助通道个数为1个或2个,较传统的4个辅助通道都用时降低了2个维度。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (3)
1.一种认知型副瓣干扰抑制方法,其特征在于,包括以下几个步骤:
(1)通过雷达或声呐等距线阵阵列接收干扰与目标回波信号,从而形成所需要的数字波束,将所述数字波束称为主通道信号;并随机抽取阵列单元的输出作为辅助通道信号;
(2)将长度为Nd的1帧数据,分成每段长度为Ns点的若干段数据,其中,Nd>Ns;针对每段数据,对所述主通道信号首先进行包络求取,然后进行包络滤波,从而判断干扰信号是否存在,当确定干扰信号存在,则转向步骤(3);
(3)针对每段数据,将所述阵列单元中的多个辅助通道作为干扰估计通道,然后计算协方差矩阵的特征根,从而确定干扰个数,并转向步骤(4);
(4)确定干扰自适应抑制的辅助通道数量等于干扰个数,采用采样矩阵求逆算法,将主通道数据与辅助通道数据进行自适应加权计算,从而对消主通道信号中的干扰;
步骤(2)中,干扰信号是否存在的判断方法如下:
(2-1)求取波束输出信号的包络
式中,yI(n)与yQ(n)为第l个波束信号yl(n)的实部与虚部;
(2-2)对于某一时刻的信号包络,设σ为门限值;如果存在如下关系
A(n)>σ,A(n+1)>σ,A(n+2)>σ (11)
则判断干扰信号存在,否则判断没有干扰信号;
步骤(2-2)中,将没有干扰时的通道噪声统计作为门限设置的参考,测量的通道噪声记为σ0,则门限值为
σ=σ0+η (12)
其中,η为门限偏差值,取9dB;
步骤(3)中,所述干扰个数的确定方法如下:
(3-1)采用Nf个辅助天线构成干扰个数估计辅助阵列
设一帧数据中的若干个数据包的数据长度为Ns个采样点;第i个辅助通道天线输入信号向量为
式中[·]T表示转置运算,所抽取的Nf个辅助通道的数据构成输入数据矩阵如下:
(3-2)求取输入数据协方差矩阵,
R=X(n)XH(n) (5)
式中[·]H表示转置运算;
(3-3)对协方差矩阵进行特征根分解
λi=eig[R],i=1,2,…,Nf (6)
式中eig[·]表示特征根分解运算,λi为第i个特征根;找到最小特征根
式中min[·]表示寻找最小值,而λmin表示最小特征根;计算其它特征根与最小特征根的比值,记为
定义变量通过与设置的门限ρ0进行比较,检测过门限的大特征根的个数,即干扰个数
ξi>ρ0 (9)
大特征根的个数即对应的干扰个数,记干扰个数为Ng;根据干扰个数选取干扰自适应抑制的通道个数,即自适应抑制的通道个数等于干扰大特征根个数。
2.根据权利要求1所述的认知型副瓣干扰抑制方法,其特征在于,步骤(1)中,对于N单元的雷达或声呐等距线阵阵列,当假设阵列的第i个单元接收信号为xi(n)时,第l个数字波束输出信号形式如下:
式中n为离散时间,αi表示幅度加权,λ表示雷达波长,θ为波束指向角,d为阵元间隔,j表示复数,N表示阵元个数。
3.根据权利要求1所述的认知型副瓣干扰抑制方法,其特征在于,步骤(4)中,采用采样矩阵求逆算法,实现第l个波束的自适应副瓣相消,具体的计算方法如下:
根据式(9)确定的干扰个数Ng,随机抽取Ng个阵列通道作为自适应权值计算辅助通道;计算协方差矩阵
式中为随机抽取的Ng个辅助通道,计算互相关向量
式中[·]*表示共轭运算,副瓣相消方法的辅助通道加权计算公式为
式中[·]-1表示矩阵求逆运算,抑制干扰之后的第l个波束的输出为
zl(n)=yl(n)-W*(n)X(n) (16)
zl(n)为第l个波束干扰抑制后的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610119787.2A CN105785330B (zh) | 2016-03-02 | 2016-03-02 | 一种认知型副瓣干扰抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610119787.2A CN105785330B (zh) | 2016-03-02 | 2016-03-02 | 一种认知型副瓣干扰抑制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105785330A CN105785330A (zh) | 2016-07-20 |
CN105785330B true CN105785330B (zh) | 2018-06-08 |
Family
ID=56386968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610119787.2A Expired - Fee Related CN105785330B (zh) | 2016-03-02 | 2016-03-02 | 一种认知型副瓣干扰抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105785330B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106483506B (zh) * | 2016-10-26 | 2019-03-22 | 河海大学 | 一种认知型自适应干扰抑制方法 |
CN107561511A (zh) * | 2017-07-27 | 2018-01-09 | 中国船舶重工集团公司第七二四研究所 | 一种基于副瓣对消的干扰抑制方法 |
CN110261846A (zh) * | 2019-05-17 | 2019-09-20 | 北京理工大学 | 一种雷达假目标干扰抑制的自适应旁瓣匿影方法 |
CN110412552B (zh) * | 2019-07-20 | 2023-02-17 | 中国船舶重工集团公司第七二四研究所 | 一种干扰样本自适应选择的副瓣对消方法 |
RU2714491C9 (ru) * | 2019-10-26 | 2020-06-05 | Николай Николаевич Литвинов | Устройство компенсации импульсных помех |
CN111257835B (zh) * | 2020-02-17 | 2022-02-18 | 森思泰克河北科技有限公司 | 雷达的干扰抑制方法及终端设备 |
CN113341381B (zh) * | 2021-03-12 | 2024-04-16 | 中国人民解放军空军预警学院 | 一种全自动抗雷达副瓣干扰系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0098339A1 (en) * | 1982-06-15 | 1984-01-18 | SELENIA INDUSTRIE ELETTRONICHE ASSOCIATE S.p.A. | An adaptive system for the attenuation of an intentional disturbance applied to a phased array type radar with mechanical scanning |
US6366239B1 (en) * | 2000-08-10 | 2002-04-02 | Raytheon Company | Phase stabilization in adaptive arrays |
CN103885041A (zh) * | 2014-02-25 | 2014-06-25 | 西安电子科技大学 | 一种基于认知处理的自适应旁瓣相消方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004257761A (ja) * | 2003-02-24 | 2004-09-16 | Toshiba Corp | レーダ信号処理装置およびレーダ信号処理方法 |
-
2016
- 2016-03-02 CN CN201610119787.2A patent/CN105785330B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0098339A1 (en) * | 1982-06-15 | 1984-01-18 | SELENIA INDUSTRIE ELETTRONICHE ASSOCIATE S.p.A. | An adaptive system for the attenuation of an intentional disturbance applied to a phased array type radar with mechanical scanning |
US6366239B1 (en) * | 2000-08-10 | 2002-04-02 | Raytheon Company | Phase stabilization in adaptive arrays |
CN103885041A (zh) * | 2014-02-25 | 2014-06-25 | 西安电子科技大学 | 一种基于认知处理的自适应旁瓣相消方法 |
Non-Patent Citations (1)
Title |
---|
基于认知原理的机载雷达抗干扰技术研究;贲德等;《中国电子科学研究院学报》;20130831;第8卷(第4期);第368-372页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105785330A (zh) | 2016-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105785330B (zh) | 一种认知型副瓣干扰抑制方法 | |
CN111198374B (zh) | 基于时空频联合干扰抑制的多普勒敏感信号动目标水声探测方法 | |
CN104569948B (zh) | 海杂波背景下子带自适应glrt‑ltd检测方法 | |
CN103399303B (zh) | 机载雷达抗密集转发式欺骗干扰方法与系统 | |
CN105403875B (zh) | 双极化接收雷达的目标检测方法 | |
CN103885041B (zh) | 一种基于认知处理的自适应旁瓣相消方法 | |
CN105137437B (zh) | 一种基于空域相位方差加权的目标检测方法 | |
CN105277934B (zh) | 一种基于阵列的弱线谱目标被动检测方法 | |
CN105510887B (zh) | 一种杂波背景下对机载雷达的有源压制式干扰抑制方法 | |
CN107561512A (zh) | 一种脉冲多普勒雷达抗压制式拖曳干扰的极化对消方法 | |
CN109521430B (zh) | 一种抑制窄带干扰的距离扩展目标检测方法 | |
CN108120976B (zh) | 一种基于多普勒通道特性的地杂波谱泄露抑制方法 | |
CN107390194B (zh) | 一种基于全布雷格曼散度的雷达目标检测方法 | |
CN112014806B (zh) | 一种复杂干扰场景下的机载雷达无意干扰抑制方法 | |
CN104656074A (zh) | 一种加权的鲁棒性宽带波束形成目标检测方法 | |
CN111693971B (zh) | 一种用于弱目标检测的宽波束干扰抑制方法 | |
CN106483506B (zh) | 一种认知型自适应干扰抑制方法 | |
CN115575908B (zh) | 一种基于脉冲描述字的雷达干扰参数优化方法及系统 | |
CN108572353B (zh) | 一种低截获雷达的脉冲时间序列规划方法 | |
CN106019243A (zh) | 一种基于三次初相和frft的drfm干扰检测和对抗方法 | |
CN106772275A (zh) | 一种基于Alpha稳定分布的低秩矩阵恢复检测方法 | |
CN113625233B (zh) | 基于强化学习的雷达抗干扰智能决策方法 | |
CN106501780B (zh) | 一种双极化自适应抗干扰滤波方法 | |
CN110673118A (zh) | 一种主动声纳单频脉冲串波形设计及检测算法 | |
CN106707249B (zh) | 一种雷达同频异步干扰视频信号层抑制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
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: 20180608 Termination date: 20210302 |