CN106443598A - 基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法 - Google Patents
基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法 Download PDFInfo
- Publication number
- CN106443598A CN106443598A CN201611124300.6A CN201611124300A CN106443598A CN 106443598 A CN106443598 A CN 106443598A CN 201611124300 A CN201611124300 A CN 201611124300A CN 106443598 A CN106443598 A CN 106443598A
- Authority
- CN
- China
- Prior art keywords
- radar
- vector
- flight path
- layer
- alpha
- 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.)
- Granted
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
Abstract
本发明公开了一种基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法,属于雷达对抗技术领域。航迹欺骗干扰是一种专门针对组网雷达的新型欺骗干扰样式,具有迷惑性强、鉴别难度大的特点;在工程实际中各雷达站上报的信号和数据信息非常丰富,现有方法使用单一的数据层特征进行硬判决,鉴别结果的可信度较差且错误鉴别概率较高。本发明即立足于解决上述问题,主要包括以下步骤:(1)计算识别特征参数集;(2)选取训练和测试样本;(3)利用训练样本对网络进行训练,利用测试样本对网络进行测试。本发明能够适用于集中式雷达网的情况,并且对虚假航迹的正确识别率较高,具有较强的工程应用价值和推广前景。
Description
技术领域
本发明隶属于雷达对抗技术领域,适用于协同航迹欺骗干扰条件下长基线雷达网对真-假航迹的鉴别。
背景技术
雷达对抗是现代战争中电子对抗领域的重要组成部分,随着先进电子技术的发展,数字射频存储技术日趋成熟,导致各种先进的雷达干扰设备和干扰样式不断涌现,而雷达网能够有效利用网内雷达的多视角、多频段等优势,有效对抗压制式、欺骗式等多种干扰样式。为了能够对雷达网达到更好的欺骗效果,协同航迹欺骗干扰应运而生,通过虚假航迹精细协同,该干扰在各组网雷达中产生具有高度空-时相关性的协同虚假航迹,能够在融合中心成功关联,并形成融合航迹,传统的航迹关联检验等方法很难有效鉴别,目前针对该干扰的最新对抗方法是一种基于多元统计分析理论的航迹欺骗干扰鉴别方法,该方法主要通过以下三个步骤实现:
(1)根据实际情况设定样本容量N、样本采集的起始时刻K0、判决门限λG;
(2)利用雷达网获得的目标信息,采用集中式融合算法对目标的状态进行估计,计算N个样本的修正似然比λ;
(3)若λ≥λG,判定航迹为虚假航迹;若λ≤λG,判定航迹为真实航迹。
这种方法具有以下两个缺陷:
(1)基于多元统计分析理论方法只是利用真假航迹在雷达网信息融合中心的数据层统计特征,单一的特征的鉴别可信度较差;
(2)基于多元统计分析理论方法是一种基于统计假设检验的硬判别方法,利用假设检验量与门限的比较进行鉴别,实际中真假航迹的统计特征差异并没有那么大,因此该方法的错误鉴别概率较大。
发明内容
本发明的目的是提出一种基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法,解决现有基于多元统计分析理论方法面临的仅利用了上报航迹数据层统计特征和错误鉴别率较大等问题。
本发明提出的基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法的技术方案包括以下步骤:
步骤1:据欺骗式干扰和真实目标回波的不同,计算信号幅度统计特征:
其中,α,β由信干比决定,当信干比<1时,α=1-信干比,β=信干比;
步骤2:据欺骗式干扰和真实目标回波的不同,计算信号幅度分布特征:
其中,表示真实目标的实信噪比,为的无偏估计,表示欺骗干扰的SNR,为的无偏估计,为第i次脉冲观测到的SNR,H1为假设该航迹为虚假航迹,H0为假设该航迹为真实航迹;
步骤3:计算航迹在地心直角坐标系内的位置固定偏差特征:
其中,△Xk(i,j)表示雷达i和j在X轴的位置偏差,△Yk(i,j)表示雷达i和j在Y轴的位置偏差,表示雷达i和j的X轴的量测误差方差之和,表示雷达i和j的Y轴的量测误差方差之和;
步骤4:计算航迹的统计随机误差特征:
其中λ为修正的似然比,N为观测的个数,p为随机向量的维数,∑1为真实目标协方差阵,S为观测样本方差阵:
上式Jα为第α个观测样本;
步骤5:背景设定为三雷达组网,在雷达网信息融合中心形成稳定虚假航迹的情况下,每部雷达提取出该条虚假航迹的信号幅度统计和分布特征,分别设为σ1,σ2,σ3和δ1,δ2,δ3,对雷达网中的任意两部雷达组合提取出位置固定偏差判决统计量,分别设为T12,T13,T23,对整个雷达网,提取出统计随机误差判决统计量,设为λ,得到目标的特征参数集为一个10维向量,如下所示:
X=[σ1,σ2,σ3,δ1,δ2,δ3,T12,T13,T23,λ] (7)
综上所述,构造卷积神经网络,包含2个卷积层、1个亚采样层及一个全连接层,取卷积核维度为1,输出层输出结果为1,则该航迹为真实目标,输出层输出结果为0,则该航迹为虚假航迹;
(a)输入层为10维目标特征向量:X=[σ1,σ2,σ3,δ1,δ2,δ3,T12,T13,T23,λ];
(b)卷积层的卷积核大小均是3,且卷积核的跨度为1,卷积计算时将卷积核与特征做点乘,再加上一个偏置后得到该特征对应的卷积结果,第一个卷积层中,输入是10维特征向量,使用卷积核从左至右滑动,卷积核对每个特征做卷积后对应特征向量中的一个值,每个卷积核最后产生对应的一个特征向量,每个特征向量的维数是8;
同样的,第二个卷积层中,他的输入数据是第二个采样层产生的6个特征向量,使用16个不同的卷积和分别对6个特征向量做卷积运算,产生16个1×2;
(c)下采样层
下采样层使用大小为2的Block,对每个Block内的2个值计算平均值,作为特征向量中对应的值,输入的特征向量的数量与输出的特征向量的数量相同;
下采样层,输入的是第一个卷积层产生的6个1×8的特征向量,因此,经过下采样之后,输出6个1×4的特征向量;
(d)全连接层
全连接层的输入是第二个卷积层产生的16个1×2特征向量,它有28个单元,计算方式与卷积类似,也是将输入向量与权重向量做点乘,再加上一个偏置后获得结果,最后,利用Sigmoid函数产生对应单元的一个状态,即计算后产生30个输出;
(e)输出层
最后的输出层是由2个欧式径向基函数单元组成,每个单元代表一个判决结果,计算每个输出RBF单元的输入向量与参数向量之间的欧式距离,如果输入向量与参数向量距离越小,那么RBF产生较小的输出。
和背景技术相比,本发明的有益效果说明:(1)本发明通过对雷达网信号幅度统计、分布特征和上报航迹数据层特征综合处理,有效提高了虚假航迹鉴别的可信度。
(2)本发明通过卷积神经网络对航迹的信号-数据联合特征进行大量的训练提取,克服了硬判别错误鉴别概率较高的问题。
附图说明
附图1是本发明提出的基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法整体流程图;
附图2为采用背景技术得到的虚假目标正确识别概率;
附图3为采用本发明得到的真实目标和虚假目标正确识别概率。
具体实施方式
下面结合附图对本发明的基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法进行详细描述(参照说明书附图1)。
实施例条件:设有三部两坐标雷达组网,雷达1的地理坐标为:纬度B1=37°、经度L1=120°、高度H1=300m;雷达2的地理坐标为:纬度B2=38°、经度L2=119°、高度H2=500m;雷达3的地理坐标为:纬度B3=37.5°、经度L3=119.5°、高度H3=700m;三部雷达的测距精度σρ均为100m,方位角测量精度σθ均为0.1°;在雷达1的东北天坐标系内产生虚假航迹,其起始位置为(150km,100km,5km),E、N、U三个方向运动速度分别为300m/s、50m/s、8m/s,运动持续250s,样本选取的时刻为第150s,三架电子战飞机分别对三部雷达引入的距离随机误差标准差为方位角和俯仰角随机误差标准差为根据欺骗干扰和真实目标回波信号的表达式,随机产生2000条真实目标航迹和2000条虚假航迹,其中各选取1000组特征利用卷积神经网络进行训练,然后利用剩余的1000组数据测试网络对欺骗干扰和真实目标的识别概率。
(1)按发明内容部分步骤1所述,计算信号幅度统计特征;
(2)按发明内容部分步骤2所述,计算信号幅度分布特征;
(3)按发明内容部分步骤3所述,计算航迹在地心直角坐标系内的位置固定偏差特征;
(4)按发明内容部分步骤4所述,计算航迹的统计随机误差特征;
(5)按发明内容部分步骤5所述,利用计算得到的1000组10维目标特征向量对卷积神经网络进行训练;
(6)按发明内容部分步骤5所述,利用计算得到的另外1000组10维目标特征向量对卷积神经网络进行测试;
附图2为采用背景技术得到的虚假目标正确识别概率,附图3为采用本发明得到的真实目标和虚假目标正确识别概率。
Claims (1)
1.一种基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法,其特征在于包括以下步骤:步骤1:据欺骗式干扰和真实目标回波的不同,计算信号幅度统计特征:
其中,α,β由信干比决定,当信干比<1时,α=1-信干比,β=信干比;
步骤2:据欺骗式干扰和真实目标回波的不同,计算信号幅度分布特征:
其中,表示真实目标的实信噪比,为的无偏估计,表示欺骗干扰的SNR,为的无偏估计,为第i次脉冲观测到的SNR,H1为假设该航迹为虚假航迹,H0为假设该航迹为真实航迹;
步骤3:计算航迹在地心直角坐标系内的位置固定偏差特征:
其中,△Xk(i,j)表示雷达i和j在X轴的位置偏差,△Yk(i,j)表示雷达i和j在Y轴的位置偏差,表示雷达i和j的X轴的量测误差方差之和,表示雷达i和j的Y轴的量测误差方差之和;
步骤4:计算航迹的统计随机误差特征:
λ=(N-1)ln|∑1|-(N-1)p-(N-1)ln|S|+(N-1)tr(S∑1 -1) (4)
其中λ为修正的似然比,N为观测的个数,p为随机向量的维数,∑1为真实目标协方差阵,S为观测样本方差阵:
上式Jα为第α个观测样本;
步骤5:背景设定为三雷达组网,在雷达网信息融合中心形成稳定虚假航迹的情况下,每部雷达提取出该条虚假航迹的信号幅度统计和分布特征,分别设为σ1,σ2,σ3和δ1,δ2,δ3,对雷达网中的任意两部雷达组合提取出位置固定偏差判决统计量,分别设为T12,T13,T23,对整个雷达网,提取出统计随机误差判决统计量,设为λ,得到目标的特征参数集为一个10维向量,如下所示:
X=[σ1,σ2,σ3,δ1,δ2,δ3,T12,T13,T23,λ] (7)
综上所述,构造卷积神经网络,包含2个卷积层、1个亚采样层及一个全连接层,取卷积核维度为1,输出层输出结果为1,则该航迹为真实目标,输出层输出结果为0,则该航迹为虚假航迹;
(a)输入层为10维目标特征向量:X=[σ1,σ2,σ3,δ1,δ2,δ3,T12,T13,T23,λ];
(b)卷积层的卷积核大小均是3,且卷积核的跨度为1,卷积计算时将卷积核与特征做点乘,再加上一个偏置后得到该特征对应的卷积结果,第一个卷积层中,输入是10维特征向量,使用卷积核从左至右滑动,卷积核对每个特征做卷积后对应特征向量中的一个值,每个卷积核最后产生对应的一个特征向量,每个特征向量的维数是8;
同样的,第二个卷积层中,他的输入数据是第二个采样层产生的6个特征向量,使用16个不同的卷积和分别对6个特征向量做卷积运算,产生16个1×2;
(c)下采样层
下采样层使用大小为2的Block,对每个Block内的2个值计算平均值,作为特征向量中对应的值,输入的特征向量的数量与输出的特征向量的数量相同;
下采样层,输入的是第一个卷积层产生的6个1×8的特征向量,因此,经过下采样之后,输出6个1×4的特征向量;
(d)全连接层
全连接层的输入是第二个卷积层产生的16个1×2特征向量,它有28个单元,计算方式与卷积类似,也是将输入向量与权重向量做点乘,再加上一个偏置后获得结果,最后,利用Sigmoid函数产生对应单元的一个状态,即计算后产生30个输出;
(e)输出层
最后的输出层是由2个欧式径向基函数单元组成,每个单元代表一个判决结果,计算每个输出RBF单元的输入向量与参数向量之间的欧式距离,如果输入向量与参数向量距离越小,那么RBF产生较小的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611124300.6A CN106443598B (zh) | 2016-12-08 | 2016-12-08 | 基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611124300.6A CN106443598B (zh) | 2016-12-08 | 2016-12-08 | 基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106443598A true CN106443598A (zh) | 2017-02-22 |
CN106443598B CN106443598B (zh) | 2019-01-25 |
Family
ID=58217866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611124300.6A Active CN106443598B (zh) | 2016-12-08 | 2016-12-08 | 基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106443598B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107300691A (zh) * | 2017-08-30 | 2017-10-27 | 电子科技大学 | 一种针对反舰导弹末制导雷达的分布式无源协同干扰方法 |
CN107578390A (zh) * | 2017-09-14 | 2018-01-12 | 长沙全度影像科技有限公司 | 一种使用神经网络进行图像白平衡校正的方法及装置 |
CN110045336A (zh) * | 2019-02-28 | 2019-07-23 | 合肥工业大学 | 基于卷积神经网络的雷达干扰识别方法和装置 |
CN110146855A (zh) * | 2019-06-11 | 2019-08-20 | 北京无线电测量研究所 | 雷达间断干扰抑制门限计算方法及装置 |
WO2020037512A1 (zh) * | 2018-08-21 | 2020-02-27 | 华为技术有限公司 | 一种神经网络计算方法和装置 |
CN111275174A (zh) * | 2020-02-13 | 2020-06-12 | 中国人民解放军32802部队 | 一种面向博弈的雷达对抗策略生成方法 |
CN111898755A (zh) * | 2020-08-11 | 2020-11-06 | 中国人民解放军海军航空大学 | 单一航迹智能合成方法及装置 |
CN112666528A (zh) * | 2020-12-02 | 2021-04-16 | 西安电子科技大学 | 一种基于卷积神经网络的多站雷达系统干扰鉴别方法 |
CN112859012A (zh) * | 2021-01-20 | 2021-05-28 | 北京理工大学 | 一种基于级联卷积神经网络的雷达欺骗干扰识别方法 |
CN112904300A (zh) * | 2021-03-23 | 2021-06-04 | 杭州电子科技大学 | 基于双分支网络和特征融合的雷达欺骗干扰识别方法 |
CN112924943A (zh) * | 2021-01-29 | 2021-06-08 | 中国人民解放军海军航空大学 | 协方差阵-位置偏差联合检验的虚假航迹鉴别方法及系统 |
CN113608211A (zh) * | 2021-08-09 | 2021-11-05 | 电子科技大学 | 一种基于通信流量信息辅助的雷达组网方式识别方法 |
CN114509732A (zh) * | 2022-02-21 | 2022-05-17 | 四川大学 | 一种频率捷变雷达的深度强化学习抗干扰方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103728599A (zh) * | 2014-01-16 | 2014-04-16 | 西安电子科技大学 | 用异地配置的主被动雷达网抑制欺骗式假目标干扰的方法 |
CN103728598A (zh) * | 2014-01-16 | 2014-04-16 | 西安电子科技大学 | 用异地配置的主被动雷达网抑制航迹欺骗干扰的方法 |
CN103760530A (zh) * | 2014-01-15 | 2014-04-30 | 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 |
CN105354568A (zh) * | 2015-08-24 | 2016-02-24 | 西安电子科技大学 | 基于卷积神经网络的车标识别方法 |
CN105607045A (zh) * | 2016-01-11 | 2016-05-25 | 西安电子科技大学 | 一种欺骗式干扰下组网雷达的优化布站方法 |
-
2016
- 2016-12-08 CN CN201611124300.6A patent/CN106443598B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103760530A (zh) * | 2014-01-15 | 2014-04-30 | 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 |
CN103728599A (zh) * | 2014-01-16 | 2014-04-16 | 西安电子科技大学 | 用异地配置的主被动雷达网抑制欺骗式假目标干扰的方法 |
CN103728598A (zh) * | 2014-01-16 | 2014-04-16 | 西安电子科技大学 | 用异地配置的主被动雷达网抑制航迹欺骗干扰的方法 |
CN105354568A (zh) * | 2015-08-24 | 2016-02-24 | 西安电子科技大学 | 基于卷积神经网络的车标识别方法 |
CN105607045A (zh) * | 2016-01-11 | 2016-05-25 | 西安电子科技大学 | 一种欺骗式干扰下组网雷达的优化布站方法 |
Non-Patent Citations (3)
Title |
---|
孙殿星 等: "基于均值方差联合检验的航迹欺骗干扰识别", 《航空学报》 * |
孙殿星 等: "基于多元统计分析理论的雷达网航迹", 《电子学报》 * |
杨忠 等: "雷达网航迹欺骗干扰协同规划技术", 《指挥控制与仿真》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107300691B (zh) * | 2017-08-30 | 2019-05-21 | 电子科技大学 | 一种针对反舰导弹末制导雷达的分布式无源协同干扰方法 |
CN107300691A (zh) * | 2017-08-30 | 2017-10-27 | 电子科技大学 | 一种针对反舰导弹末制导雷达的分布式无源协同干扰方法 |
CN107578390B (zh) * | 2017-09-14 | 2020-08-07 | 长沙全度影像科技有限公司 | 一种使用神经网络进行图像白平衡校正的方法及装置 |
CN107578390A (zh) * | 2017-09-14 | 2018-01-12 | 长沙全度影像科技有限公司 | 一种使用神经网络进行图像白平衡校正的方法及装置 |
WO2020037512A1 (zh) * | 2018-08-21 | 2020-02-27 | 华为技术有限公司 | 一种神经网络计算方法和装置 |
CN110045336A (zh) * | 2019-02-28 | 2019-07-23 | 合肥工业大学 | 基于卷积神经网络的雷达干扰识别方法和装置 |
CN110146855B (zh) * | 2019-06-11 | 2020-10-23 | 北京无线电测量研究所 | 雷达间断干扰抑制门限计算方法及装置 |
CN110146855A (zh) * | 2019-06-11 | 2019-08-20 | 北京无线电测量研究所 | 雷达间断干扰抑制门限计算方法及装置 |
CN111275174A (zh) * | 2020-02-13 | 2020-06-12 | 中国人民解放军32802部队 | 一种面向博弈的雷达对抗策略生成方法 |
CN111275174B (zh) * | 2020-02-13 | 2020-09-18 | 中国人民解放军32802部队 | 一种面向博弈的雷达对抗策略生成方法 |
CN111898755B (zh) * | 2020-08-11 | 2023-09-12 | 中国人民解放军海军航空大学 | 单一航迹智能合成方法及装置 |
CN111898755A (zh) * | 2020-08-11 | 2020-11-06 | 中国人民解放军海军航空大学 | 单一航迹智能合成方法及装置 |
CN112666528A (zh) * | 2020-12-02 | 2021-04-16 | 西安电子科技大学 | 一种基于卷积神经网络的多站雷达系统干扰鉴别方法 |
CN112666528B (zh) * | 2020-12-02 | 2023-10-03 | 西安电子科技大学 | 一种基于卷积神经网络的多站雷达系统干扰鉴别方法 |
CN112859012A (zh) * | 2021-01-20 | 2021-05-28 | 北京理工大学 | 一种基于级联卷积神经网络的雷达欺骗干扰识别方法 |
CN112859012B (zh) * | 2021-01-20 | 2023-12-01 | 北京理工大学 | 一种基于级联卷积神经网络的雷达欺骗干扰识别方法 |
CN112924943B (zh) * | 2021-01-29 | 2023-05-05 | 中国人民解放军海军航空大学 | 协方差阵-位置偏差联合检验的虚假航迹鉴别方法及系统 |
CN112924943A (zh) * | 2021-01-29 | 2021-06-08 | 中国人民解放军海军航空大学 | 协方差阵-位置偏差联合检验的虚假航迹鉴别方法及系统 |
CN112904300A (zh) * | 2021-03-23 | 2021-06-04 | 杭州电子科技大学 | 基于双分支网络和特征融合的雷达欺骗干扰识别方法 |
CN112904300B (zh) * | 2021-03-23 | 2024-01-09 | 杭州电子科技大学 | 基于双分支网络和特征融合的雷达欺骗干扰识别方法 |
CN113608211A (zh) * | 2021-08-09 | 2021-11-05 | 电子科技大学 | 一种基于通信流量信息辅助的雷达组网方式识别方法 |
CN113608211B (zh) * | 2021-08-09 | 2023-09-05 | 电子科技大学 | 一种基于通信流量信息辅助的雷达组网方式识别方法 |
CN114509732A (zh) * | 2022-02-21 | 2022-05-17 | 四川大学 | 一种频率捷变雷达的深度强化学习抗干扰方法 |
CN114509732B (zh) * | 2022-02-21 | 2023-05-09 | 四川大学 | 一种频率捷变雷达的深度强化学习抗干扰方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106443598B (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106443598A (zh) | 基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法 | |
CN104007426B (zh) | 一种基于lse(最小方差估计)的ads与雷达信息系统误差配准算法 | |
CN102707276B (zh) | 基于目标拓扑信息的ais与雷达航迹抗差关联算法 | |
CN106646450A (zh) | 基于距离分步聚类的雷达航迹抗差关联方法 | |
CN104064057B (zh) | 图像跟踪测量数据与雷达测量数据互补融合的实现方法 | |
CN108061889A (zh) | Ais与雷达角度系统偏差的关联方法 | |
CN103728599B (zh) | 用异地配置的主被动雷达网抑制欺骗式假目标干扰的方法 | |
CN111722199A (zh) | 一种基于卷积神经网络的雷达信号检测方法 | |
CN112924943B (zh) | 协方差阵-位置偏差联合检验的虚假航迹鉴别方法及系统 | |
CN103869279B (zh) | 一种多传感器平台的多目标定位跟踪方法 | |
CN109143224A (zh) | 一种多目标关联方法和装置 | |
CN105372717A (zh) | 一种基于雷达和图像信号的fod融合探测方法及装置 | |
CN103954939A (zh) | 基于雷达组网的抗灵巧噪声干扰方法 | |
CN107340514A (zh) | 三维空间中高超声速弱目标rae‑ht‑tbd积累检测方法 | |
CN114942428B (zh) | 多目标跟踪的混合体制雷达数据关联算法 | |
CN106569193A (zh) | 基于前‑后向收益参考粒子滤波的海面小目标检测方法 | |
CN104808173A (zh) | 基于Hough变换的测向交叉定位系统虚假点消除方法 | |
CN106526554B (zh) | 基于三门限延迟判别的长基线雷达网虚假航迹识别算法 | |
CN110058222A (zh) | 一种基于传感器选择的双层粒子滤波检测前跟踪方法 | |
CN103809161B (zh) | 雷达网抗距离欺骗+soj复合干扰方法 | |
CN103926569B (zh) | 三坐标雷达网基于交叉定位点关联的集中式与分布式压制干扰鉴别方法 | |
CN111413693B (zh) | Mimo雷达中基于双门限分流处理的tbd与常规跟踪的结合方法 | |
CN103954949A (zh) | 一种隐身滑跃式机动目标的多模型椭圆Hough变换积累检测方法 | |
CN106097389A (zh) | 一种基于图像模式识别的河流流速测量方法 | |
CN106093891A (zh) | 基于多普勒速度检验的雷达网抗密集距离假目标干扰方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20181203 Address after: 264001 scientific research office, two Road 188, Zhifu District, Yantai, Shandong Applicant after: Naval Aviation University of PLA Address before: 264001 scientific research department, two Road 188, Yantai, Shandong Applicant before: Naval Aeronautical Engineering Institute PLA |
|
GR01 | Patent grant | ||
GR01 | Patent grant |