CN106257302A - 一种杂波环境下的认知雷达目标跟踪方法 - Google Patents
一种杂波环境下的认知雷达目标跟踪方法 Download PDFInfo
- Publication number
- CN106257302A CN106257302A CN201610513892.4A CN201610513892A CN106257302A CN 106257302 A CN106257302 A CN 106257302A CN 201610513892 A CN201610513892 A CN 201610513892A CN 106257302 A CN106257302 A CN 106257302A
- Authority
- CN
- China
- Prior art keywords
- current time
- covariance
- relevant
- waveform parameter
- mennei
- 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.)
- Pending
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种杂波环境下的认知雷达目标跟踪方法,获取当前时刻所有量测值并计算落入相关波门内的量测值;计算落入相关波门内的每个量测值来自目标的概率;计算当前时刻的等效量测值;将其作为感知存储器的输入,输出得到当前时刻的系统方程参数;根据系统方程参数和等效量测值,进行状态和量测预测,得到状态预测协方差;将其作为执_行存储器的输入,输出得到当前时刻的发射波形参数集;计算每种波形参数下的新息协方差和状态误差协方差;进行最优波形参数选择;根据最优波形参数计算当前时刻的新息协方差、状态误差协方差及状态估计值。本发明解决了现有认知雷达目标跟踪技术在杂波环境下无法正常运行的问题,并可提高杂波环境下的跟踪性能。
Description
技术领域
本发明属于雷达数据处理技术领域,具体涉及一种杂波环境下的认知雷达目标跟踪方法。
背景技术
传统的目标跟踪雷达(Traditional Active Radar,TAR)仅发射固定波形,在接收端采用自适应信号处理算法提高跟踪性能,而雷达的量测、分辨率等指标很大程度上取决于发射波形参数,当环境产生变化时,仅采用自适应滤波很难达到理想的跟踪效果,因此,自适应技术被应用到发射端,进而出现了自适应雷达(Fore-active Radar,FAR),它可以动态地选取发射波形。与此同时,基于知识辅助的雷达信号和数据处理方法也取得了显著的成果与进展,通过使用先验知识可进一步提高雷达的自适应能力。基于这两方面的研究成果,加拿大学者Simon Haykin于2006年首次提出了认知雷达(Cognitive Radar, CR)的概念。认知雷达通过环境的反射回波对环境进行感知,并利用感知的信息和其他先验知识对接收端和发射端进行联合自适应调整,实现对目标有效而稳定的跟踪,从而大幅提高了雷达目标跟踪性能。
目前,认知雷达研究的对象主要集中在目标跟踪这一问题上。针对认知雷达目标跟踪这一问题,Simon Haykin等进行了一系列的研究,包括线性和非线性目标跟踪,但其所有的研究都是在假定无杂波这一前提条件下进行的。如果目标处于杂波环境下,目标回波和杂波回波混在一起,现有技术由于无法确定认知雷达感知存储器的输入而无法正常运行。
发明内容
有鉴于此,本发明针对杂波环境下,目标回波和杂波回波混在一起,现有技术无法确定认知雷达感知存储器的输入而无法正常运行的问题,提供了一种杂波环境下的认知雷达目标跟踪方法。
为了解决上述技术问题,本发明公开了一种杂波环境下的认知雷达目标跟踪方法,该方法包括以下步骤:
步骤S1:获取当前时刻的所有量测值,并计算落入相关波门内的量测值;
步骤S2:计算落入相关波门内的每个量测值来自目标的概率;
步骤S3:根据落入相关波门内的每个量测值及其来自目标的概率,计算当前时刻的等效量测值;
步骤S4:将等效测量值作为感知存储器的输入,输出得到当前时刻的系统方程参数;
步骤S5:根据系统方程参数和等效量测值,进行状态和量测预测,得到状态预测值、量测预测值和状态预测协方差;
步骤S6:将获得的状态预测协方差作为执行存储器的输入,输出得到当前时刻的发射波形参数集;
步骤S7:对于当前时刻的发射波形参数集,计算每种波形参数下的新息协方差和状态误差协方差;
步骤S8:进行最优波形参数选择:从获得的发射波形参数集中选取最佳的发射波形参数,使代价函数最小;
步骤S9:根据获得的最优波形参数,计算当前时刻的新息协方差、状态误差协方差以及状态估计值。
与现有技术相比,本发明可以获得包括以下技术效果:
1、解决了现有的认知雷达目标跟踪技术在杂波环境下无法正常运行的问题。
2、提高了杂波环境下的雷达目标跟踪性能。在杂波环境下,本发明方法的目标跟踪性能优于现有的TAR和FAR目标跟踪技术。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明杂波环境下的认知雷达目标跟踪方法一个实施例的流程图;
图2为仿真例中本发明方法与现有的TAR和FAR目标跟踪方法的距离均方根误差曲线;
图3为仿真例中本发明方法与现有的TAR和FAR目标跟踪方法的速度均方根误差曲线。
具体实施方式
以下将配合实施例来详细说明本发明的实施方式,藉此对本发明如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本发明杂波环境下的认知雷达目标跟踪方法,如图1所示,具体按照以下步骤实施:
步骤S1:获取当前时刻的所有量测值,并计算落入相关波门内的量测值。
所述的相关波门是指以跟踪目标的量测预测值为中心,用来确定来自目标的量测值可能出现范围的一块区域。相关波门的形状根据实际应用进行设计,在本发明的一个实施例中,优选椭圆(球)相关波门,并可采用以下步骤对计算落入相关波门内的量测值进行详细描述:
若当前时刻k等于1,则将当前时刻获取的所有量测值作为落入相关波门内的量测值。
若当前时刻k大于等于2,则计算当前时刻获取的每一个量测值与量测预测值之间的相关误差:
其中,zk,i为当前时刻获取的第i个量测值,为量测预测值,vi为zk,i与之间的相关误差,N为当前时刻获取的量测值的总数,Sk为新息协方差矩阵,Sk 1为Sk的逆矩阵。实施时,和Sk分别由上一时刻计算的步骤S5和S9得到。当上述某个量测值的相关误差小于等于相关门限时,则该量测值落入相关波门内。相关门限的取值决定了量测值落入相关波门内的概率(即门概率),在本发明的一个实施例中,优选等于16。
步骤S2:计算落入相关波门内的每个量测值来自目标的概率:
其中,i为落入相关波门内的第i个量测值来自目标的概率,M为落入相关波门内的所有量测值的总数,其中,为相关门限,nz为量测的维数,与相关波门的面(体)积有关,PD为目标检测概率,PG为门概率。在本发明的一个实施例中,设目标检测概率PD 0.9,量测维数nz=2,采用椭圆相关波门,相关门限16,分析可知:PG 0.9997。
在实施时,若相关波门内没有量测,即M等于0,则跳过步骤S2,直接进入步骤S3。
步骤S3:根据落入相关波门内的每个量测值及其来自目标的概率,计算当前时刻的等效量测值。
若M大于0,则当前时刻的等效量测为:
若M等于0,则当前时刻的等效测量值为:
其中,zk为当前时刻的等效量测值,zk,i和i分别为当前时刻落入相关波门内的第i个量测值及其来自目标的概率,为量测预测值。
步骤S4:将等效测量值作为感知存储器的输入,输出得到当前时刻的系统方程参数。
在本发明的一个实施例中,所述的感知存储器由包含一个输入层、一个隐含层和一个输出层的三层感知神经网络构成,其输入为步骤S3中获得的等效量测zk,输出为与等效量测最匹配的系统方程参数,具体来说,就是状态转移矩阵Fk、量测矩阵Hk和系统噪声协方差矩阵Qk。
步骤S5:根据获得的系统方程参数和等效量测值,进行状态和量测预测,得到状态预测值、量测预测值和状态预测协方差,具体如下:
其中,和Pk|k 1分别为当前时刻的状态预测值、量测预测值和状态预测协方差,xk 1为上一时刻的状态估计值,Ek 1为上一时刻的状态误差协方差。
实施时,若当前时刻k大于等于2,则xk 1和Ek 1由上一时刻计算的步骤S9得到;若当前时刻k等于1,则xk 1和Ek 1分别取为步骤S3中获得的等效量测值zk和步骤S4中获得的系统噪声协方差矩阵Qk。
步骤S6:将步骤S5中得到的状态预测协方差作为执行存储器的输入,输出得到当前时刻的发射波形参数集。
在实施时,所述的执行存储器由一个发射波形库Θ以及包含一个输入层、一个隐含层和一个输出层的三层感知神经网络共同构成。发射波形库Θ中包含多种事先设计好的用于探测环境和目标的发射波形参数,波形库的设计由具体应用环境而定,在本发明的一个实施例中,采用线性调频信号作为发射波形,涉及到的波形参数包括包络持续时间和调频斜率b。三层感知神经网络的输入为步骤S5中获得的状态预测协方差Pk|k 1,输出为与之匹配的一个发射波形参数集Θk{θk,1,…,θk,r},其中,Θk为Θ的子集,r为该子集种包含波形参数的总数量。
步骤S7:对于当前时刻的发射波形参数集,计算每种波形参数下的新息协方差和状态误差协方差。
在实施时,可采用以下步骤对所述的计算每种波形参数下的新息协方差和状态误差协方差进行详细描述:
新息协方差为:
状态误差协方差为:
其中,Rk(θk,j)和分别为发射波形参数为θk,j时的量测噪声协方差和增益。如步骤S6中所述,在本发明的一个实施例中,采用线性调频信号作为发射波形,则波形参数θk,j由包络持续时间j和调频斜率bj构成,分析可得发射波形参数为θk,j{j,bj}时的量测噪声协方差Rk(θk,j)为:
其中,为信噪比,fc为发射信号的中心频率,c为光速。
步骤S8:进行最优波形参数选择:从步骤S6中得到的发射波形参数集中选取最佳的发射波形参数,使代价函数最小。
在本发明的一个实施例中,所述的代价函数可以选择为状态误差协方差矩阵Ek(θk,j)的迹,则最优波形参数就是让Ek(θk,j)的迹为最小的波形参数:
其中,Tr()表示矩阵的迹,为代价函数最小时对应的波形参数,即为最优波形参数。如步骤S7中所述,在本发明的一个实施例中,采用线性调频信号作为发射波形,则最优波形参数为
步骤S9:根据步骤S8中得到的最优波形参数,计算当前时刻的新息协方差、状态误差协方差以及状态估计值,具体如下:
其中,Sk、Ek和xk分别为当前时刻最优波形参数下的新息协方差、状态误差协方差以及状态估计值,Rk和分别为下的量测噪声协方差和增益。
下面通过一个仿真例进一步对本发明方法的效果进行详细说明。
仿真例
设有一个单目标在二维量测空间中进行线性运动,状态向量为x r,v T,其中,r和v分别表示目标的距离和速度,设目标初始距离为3km,且以200m/s的速度向与雷达相反的方向匀速直线运动,雷达采样间隔为25ms。设杂波密度为0.0001,目标检测概率为PD 0.9,采用椭圆相关波门且相关门限16,对应的门概率为PG 0.9997。采用线性调频信号作为发射波形,波形参数库为:Θ,b,其中,105:105:104为线性调频信号的包络持续时间,单位为s;b1011:1010:1010∪1010:1010:1011为线性调频信号的调频斜率,单位为Hz/s。
分别采用本发明方法以及现有的TAR和FAR方法进行目标跟踪,图2和图3分别为三种方法进行目标跟踪的距离和速度均方根误差曲线,图中结果均为50次蒙特卡洛实验的平均结果。将图2和图3中的跟踪误差曲线分别在时间轴上作统计平均,得到三种方法进行目标跟踪的距离和速度均方根均值如表1所示。
表1 仿真例中本发明方法与现有的TAR和FAR目标跟踪方法的距离和速度均方根均值
均方根误差均值 | 距离(m) | 速度(m/s) |
TAR | 6.9024 | 7.2573 |
FAR | 2.9818 | 3.0452 |
本发明 | 0.2405 | 2.1813 |
由图2、图3和表1的结果可以看到:在杂波环境下,无论是距离跟踪还是速度跟踪,本发明方法的跟踪误差均明显小于现有的TAR和FAR目标跟踪方法。
该仿真例的结果说明了本发明提供的一种杂波环境下的认知雷达目标跟踪方法的有效性,以及该方法相对于现有的TAR和FAR目标跟踪方法具有更优的跟踪性能。
上述说明示出并描述了发明的若干优选实施例,但如前所述,应当理解发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离发明的精神和范围,则都应在发明所附权利要求的保护范围内。
Claims (10)
1.一种杂波环境下的认知雷达目标跟踪方法,其特征在于,该方法包括以下步骤:
步骤S1:获取当前时刻的所有量测值,并计算落入相关波门内的量测值;
步骤S2:计算落入相关波门内的每个量测值来自目标的概率;
步骤S3:根据落入相关波门内的每个量测值及其来自目标的概率,计算当前时刻的等效量测值;
步骤S4:将等效测量值作为感知存储器的输入,输出得到当前时刻的系统方程参数;
步骤S5:根据系统方程参数和等效量测值,进行状态和量测预测,得到状态预测值、量测预测值和状态预测协方差;
步骤S6:将获得的状态预测协方差作为执行存储器的输入,输出得到当前时刻的发射波形参数集;
步骤S7:对于当前时刻的发射波形参数集,计算每种波形参数下的新息协方差和状态误差协方差;
步骤S8:进行最优波形参数选择:从获得的发射波形参数集中选取最佳的发射波形参数,使代价函数最小;
步骤S9:根据获得的最优波形参数,计算当前时刻的新息协方差、状态误差协方差以及状态估计值。
2.根据权利要求1所述的杂波环境下的认知雷达目标跟踪方法,其特征在于,步骤S1中,所述的相关波门是指以跟踪目标的量测预测值为中心,用来确定来自目标的量测值可能出现范围的一块区域;相关波门的形状为椭圆(球),并采用以下步骤对计算落入相关波门内的量测值进行详细描述:
若当前时刻k等于1,则将当前时刻获取的所有量测值作为落入相关波门内的量测值;
若当前时刻k大于等于2,则计算当前时刻获取的每一个量测值与量测预测值之间的相关误差:
其中,zk,i为当前时刻获取的第i个量测值,为量测预测值,vi为zk,i与之间的相关误差,N为当前时刻获取的量测值的总数,Sk为新息协方差矩阵,Sk 1为Sk的逆矩阵;
和Sk分别由上一时刻计算的步骤S5和S9得到。当上述某个量测值的相关误差小于等于相关门限时,则该量测值落入相关波门内;相关门限的取值决定了量测值落入相关波门内的概率(即门概率)。
3.根据权利要求1或2所述的杂波环境下的认知雷达目标跟踪方法,其特征在于,步骤S2中,落入相关波门内的每个量测值来自目标的概率:
其中,i为落入相关波门内的第i个量测值来自目标的概率,M为落入相关波门内的所有量测值的总数,其中,为相关门限,nz为量测的维数,与相关波门的面(体)积有关,PD为目标检测概率,PG为门概率。
若相关波门内没有量测,即M等于0,则跳过步骤S2,直接进入步骤S3。
4.根据权利要求3所述的杂波环境下的认知雷达目标跟踪方法,其特征在于,步骤S3中,若M大于0,则当前时刻的等效量测为:若M等于0,则当前时刻的等效测量值为:
其中,zk为当前时刻的等效量测值,zk,i和i分别为当前时刻落入相关波门内的第i个量测值及其来自目标的概率,为量测预测值。
5.根据权利要求1所述的杂波环境下的认知雷达目标跟踪方法,其特征在于,步骤S4中,所述的感知存储器由包含一个输入层、一个隐含层和一个输出层的三层感知神经网络构成,其输入为步骤S3中获得的等效量测值zk,输出为与等效量测最匹配的系统方程参数,具体来说,就是状态转移矩阵Fk、量测矩阵Hk和系统噪声协方差矩阵Qk。
6.根据权利要求5所述的杂波环境下的认知雷达目标跟踪方法,其特征在于,步骤S5中,
状态预测值为:
量测预测值为:
状态预测协方差为:
其中,xk 1为上一时刻的状态估计值,Ek 1为上一时刻的状态误差协方差;
若当前时刻k大于等于2,则xk 1和Ek 1由上一时刻计算的步骤S9得到;若当前时刻k等于1,则xk 1和Ek 1分别取为步骤S3中获得的等效量测值zk和步骤S4中获得的系统噪声协方差矩阵Qk。
7.根据权利要求1所述的杂波环境下的认知雷达目标跟踪方法,其特征在于,步骤S6中,所述的执行存储器由一个发射波形库Θ以及包含一个输入层、一个隐含层和一个输出层的三层感知神经网络共同构成;
发射波形库Θ中包含多种事先设计好的用于探测环境和目标的发射波形参数,采用线性调频信号作为发射波形,涉及到的波形参数包括包络持续时间和调频斜率b;三层感知神经网络的输入为步骤S5中获得的状态预测协方差Pk|k 1,输出为与之匹配的一个发射波形参数集Θk{θk,1,…,θk,r},其中,Θk为Θ的子集,r为该子集种包含波形参数的总数量。
8.根据权利要求1所述的杂波环境下的认知雷达目标跟踪方法,其特征在于,步骤S7中,采用以下步骤对所述的计算每种波形参数下的新息协方差和状态误差协方差进行详细描述:
新息协方差为:
状态误差协方差为:
其中,Rk(θk,j)和分别为发射波形参数为θk,j时的量测噪声协方差和增益;
采用线性调频信号作为发射波形,则波形参数θk,j由包络持续时间j和调频斜率bj构成,发射波形参数为θk,j{j,bj}时的量测噪声协方差Rk(θk,j)为:
其中,为信噪比,fc为发射信号的中心频率,c为光速。
9.根据权利要求1所述的杂波环境下的认知雷达目标跟踪方法,其特征在于,步骤S8中,所述的代价函数选择为状态误差协方差矩阵Ek(θk,j)的迹,则最优波形参数就是让Ek(θk,j)的迹为最小的波形参数:
其中,Tr()表示矩阵的迹,为代价函数最小时对应的波形参数,即为最优波形参数;采用线性调频信号作为发射波形,则最优波形参数为
10.根据权利要求1所述的杂波环境下的认知雷达目标跟踪方法,其特征在于,步骤S9中当前时刻的新息协方差、状态误差协方差以及状态估计值分别为:
其中,Sk、Ek和xk分别为当前时刻最优波形参数下的新息协方差、状态误差协方差以及状态估计值,Rk和Gk 分别为下的量测噪声协方差和增益。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610513892.4A CN106257302A (zh) | 2016-07-01 | 2016-07-01 | 一种杂波环境下的认知雷达目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610513892.4A CN106257302A (zh) | 2016-07-01 | 2016-07-01 | 一种杂波环境下的认知雷达目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106257302A true CN106257302A (zh) | 2016-12-28 |
Family
ID=57713804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610513892.4A Pending CN106257302A (zh) | 2016-07-01 | 2016-07-01 | 一种杂波环境下的认知雷达目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106257302A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109212519A (zh) * | 2018-08-27 | 2019-01-15 | 西安电子科技大学 | 基于bf-dlstm的窄带雷达目标跟踪方法 |
RU2701506C1 (ru) * | 2018-12-11 | 2019-09-27 | АО "Научно-производственное объединение "Электронное приборостроение" | Способ когнитивной обработки радиолокационной информации |
CN113238219A (zh) * | 2021-05-18 | 2021-08-10 | 电子科技大学 | 一种适用于rsn在目标跟踪任务中的波形优化方法 |
-
2016
- 2016-07-01 CN CN201610513892.4A patent/CN106257302A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109212519A (zh) * | 2018-08-27 | 2019-01-15 | 西安电子科技大学 | 基于bf-dlstm的窄带雷达目标跟踪方法 |
RU2701506C1 (ru) * | 2018-12-11 | 2019-09-27 | АО "Научно-производственное объединение "Электронное приборостроение" | Способ когнитивной обработки радиолокационной информации |
CN113238219A (zh) * | 2021-05-18 | 2021-08-10 | 电子科技大学 | 一种适用于rsn在目标跟踪任务中的波形优化方法 |
CN113238219B (zh) * | 2021-05-18 | 2023-05-09 | 电子科技大学 | 一种适用于rsn在目标跟踪任务中的波形优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104155650B (zh) | 一种基于熵权值法点迹质量评估的目标跟踪方法 | |
Sira et al. | Waveform-agile sensing for tracking | |
CN106407677B (zh) | 一种测量数据丢失情况下的多目标跟踪方法 | |
CN109116311B (zh) | 基于知识辅助稀疏迭代协方差估计的杂波抑制方法 | |
CN112904290B (zh) | 一种雷达智能认知抗干扰策略的生成方法 | |
CN103885057B (zh) | 自适应变滑窗多目标跟踪方法 | |
CN104898115B (zh) | 一种穿墙雷达成像后多目标跟踪方法 | |
CN104950296B (zh) | 基于重加权自适应功率剩余的稳健非均匀检测方法 | |
CN108089183B (zh) | 一种用于异步多基地雷达系统的检测跟踪一体化方法 | |
CN107832575A (zh) | 基于伪测量的带反馈机动目标异步航迹融合算法 | |
CN106970370B (zh) | 基于混沌神经网络的雷达多目标跟踪优化方法 | |
CN104897248B (zh) | 一种噪声背景下准确估计超声流量计传播时间方法 | |
CN111521976B (zh) | 一种空时自适应干扰处理方法、装置及存储介质 | |
CN110187335B (zh) | 针对具有非连续特性目标的粒子滤波检测前跟踪方法 | |
CN106257302A (zh) | 一种杂波环境下的认知雷达目标跟踪方法 | |
CN106643297B (zh) | 一种运动平台矢量脱靶量参数估计修正方法 | |
CN104021519A (zh) | 基于gpu架构的密集杂波条件下机动多目标跟踪算法 | |
CN105785330A (zh) | 一种认知型副瓣干扰抑制方法 | |
CN105093196A (zh) | 基于逆伽马纹理复合高斯模型下的相干检测方法 | |
CN106772302A (zh) | 一种复合高斯背景下的知识辅助stap检测方法 | |
CN110456351A (zh) | 基于时变幅值lfm信号参数估计的机动目标isar成像方法 | |
CN107255805A (zh) | 基于加权最小二乘的雷达目标rcs的预测方法 | |
CN106353743B (zh) | 匹配于等效形状参数的近最优雷达目标检测方法 | |
Li et al. | Identification and parameter estimation algorithm of radar signal subtle features | |
CN110221280A (zh) | 一种抗压制类水声干扰多通道自适应检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161228 |