CN106443627A - 基于Bayesian的K分布海杂波形状参数估计方法 - Google Patents
基于Bayesian的K分布海杂波形状参数估计方法 Download PDFInfo
- Publication number
- CN106443627A CN106443627A CN201610846491.0A CN201610846491A CN106443627A CN 106443627 A CN106443627 A CN 106443627A CN 201610846491 A CN201610846491 A CN 201610846491A CN 106443627 A CN106443627 A CN 106443627A
- Authority
- CN
- China
- Prior art keywords
- distribution
- shape parameter
- sea clutter
- estimation
- parameter
- 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
- G01S7/41—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
Abstract
本发明公开了一种基于Bayesian公式的K分布海杂波形状参数估计方法,主要解决当前K分布形状参数估计方法在小样本情况下估计性能差的问题。其技术方案是:1将实测海杂波数据进行分组;2使用矩估计/最大似然估计方法对分组数据进行形状参数估计;3对形状参数估计值进行分布拟合;4应用Bayesian公式,结合形状参数拟合模型得到形状参数的估计值。本发明提高了传统K分布形状参数估计方法在小样本情况下的估计性能,可以用于海杂波背景下的目标检测。
Description
技术领域
本发明属于信号处理技术领域,具体涉及一种K分布海杂波形状参数估计方法,可用于海杂波背景下的目标检测。
背景技术
海杂波背景下的目标检测技术是雷达应用技术中一个至关重要的研究方向,在军事和民用领域已经得到广泛应用。而对于海杂波统计特性的准确分析是海杂波背景下目标检测技术能否取得良好效果的重要因素。因此,给出合适的模型并对于其模型参数进行准确估计成为我们需要解决的重要问题。
K分布作为地海杂波理论研究中的重要模型,在对于高分辨力低掠射角的海杂波的长拖尾特性上具有明显优势。因此在雷达系统的设计,仿真,建模中得到了广泛应用。因此给出试验数据下K分布参数的合理估计值具有重要意义。但是,由于海杂波的非高斯非平稳特性,造成独立同分布的样本获取比较困难,而传统的K分布参数估计方法在样本数量减少时,估计性能急剧下降,在一定程度下无法满足雷达系统的需求,因此,需要给出一种能够应用于小样本情况下的K分布海杂波形状参数估计方法。
近年来,很多研究者对K分布的形状参数估计方法,提出了一些基于特定条件下的K分布形状参数估计理论。
文献“Iskander D R,Zoubir A M.Estimating the parameters of the K-distribution using the ML/MOM approach[C]//TENCON'96.Proceedings.,1996IEEETENCON.Digital Signal Processing Applications.IEEE,1996,2:769-774.”给出了一种结合矩估计及最大似然估计方法的最大似然/矩估计混合MLMOM估计方法。该方法通过将矩估计和最大似然估计结合,改善了矩估计的估计精度以及最大似然估计的执行效率。但在样本数量较低时,估计性能并不乐观。
文献“Dong Y.Clutter spatial distribution and new approaches ofparameter estimation for Weibull and k-distributions[J].2004”中提出了一种no-bias的参数估计方法,以求解非线性方程代替一维线性搜索以改善最大似然估计方法的执行效率,但该方法同样难以在小样本情形下给出令人满意的结果。
发明内容
本发明的目的在于提出一种基于Bayesian公式的K分布海杂波形状参数估计方法,以解决现有技术对海杂波数据独立同分布样本获取困难的问题,提高在小样本情况下K分布形状参数的估计精度。
实现本发明目的的技术方案是:通过Bayesian公式将前期统计数据的先验信息应用于K分布的概率密度函数中,得到其后验概率密度函数,并使用该后验概率密度函数进行K分布形状参数估计,其步骤包括如下:
(1)对实测海杂波数据进行分组,得到分组数据:
X=[X1,X2,...,Xi,...,XN],
其中Xi表示第i个分组的实测海杂波数据,i=1,2,...,N,N表示分组数;
(2)选择K分布模型f(x|ν)对分组数据X进行分布拟合,并使用最大似然/矩估计混合估计方法MLMOM对分组数据X进行估计,得到分组数据的K分布形状参数:
Ο=[νX1,νX2,...,νXi,...,νXN],
其中νXi表示第i组数据的形状参数估计值;
(3)对K分布形状参数Ο进行分布拟合,得到K分布形状参数在当前海态下的统计分布f(ν),并假设在海态下K分布的形状参数的统计模型不发生变化,选择f(ν)作为K分布形状参数的分布;
(4)利用Bayesian公式结合步骤(3)所得的f(ν)得到K分布形状参数的估计值。
4a)计算K分布海杂波在特定海面状态下的后验概率密度函数:
4b)对于需要进行参数估计的数据样本y=[y1,y2,…yi,…,…yn],计算其后验概率密度函数的联合概率密度:
其中yi表示第i个数据,i=1,2,...,n;
4c)根据联合概率密度,使用最大似然估计方法获得K分布形状参数的估计值
本发明由于充分利用了前期数据的先验信息,修正了K分布海杂波的概率密度函数,使得在形状参数的估计过程中可以利用的信息增加,相比于传统的K分布参数估计方法具有如下优点:
1)提高了小样本情况下K分布海杂波形状参数的估计精度;
2)有效的解决了海杂波非高斯非平稳特性造成的独立同分布样本难以获取的问题;
3)在小样本情况下具有较高的估计精度,能够在雷达系统难以获取大量独立同分布样本的情况下,给出合适的判决门限,满足雷达系统在海杂波背景下目标检测的要求。
附图说明
图1为本发明的实现流程图;
图2为本发明用不同模型对K分布形状参数的统计分布进行拟合的效果对比图;
图3为本发明与现有参数估计方法在不同样本数量下的估计误差对比图。
具体实施方式
下面结合附图对本发明作进一步说明:
参照图1,本发明的实现步骤如下:
步骤1,对实测海杂波数据进行分组。
实测海杂波数据的收集使用海面监视雷达,为了获取前期海杂波数据在进行形状参数估计过程中所需要的先验信息,需要对于当前海杂波数据形状参数所服从的分布模型进行选择,因此要先对实测海杂波数据进行分组,然后对于每个分组的K分布形状参数进行估计。
在数据分组时,可以通过调整分组数据的长度以及距离单元数,来保证在使用最大似然/矩估计混合估计方法MLMOM对前期数据的形状参数进行估计,得到足够的估计精度。
设X为海面监视雷达在某一个极化方向上收到的回波幅度数据,则
其中,Xst表示检测雷达在第s个脉冲重复周期中收到的第t个距离单元的回波幅度,P表示脉冲重复周期数,Q表示距离单元数。
对回波幅度数据进行分组,其步骤如下:
1a)选取数据长度为L,将X中的每L行划分成为一个数据分组,即将X的前L行取出得到第一个数据分组X1':
将X的第L+1行到第2L行取出得到第二个数据分组X'2
以此类推,将X的第(i-1)*L+1行到第i*L取出得到第i个数据分组Xi'
1b)将每个分组Xi'转成一列,得到第i个数据分组Xi:
Xi=[X(i-1)*L+1,1,X(i-1)*L+2,2,…X(i-1)*L+1,Q,X(i-1)*L+2,1,X(i-1)*L+2,2,…X(i-1)*L+2,Q,…Xi*L,1,Xi*L,2,…Xi*L,Q]T经上述步骤将实测海杂波数据X分为N组,即:
X=[X1,X2,…Xi,…,XN],
其中,其中Xi表示所得到的第i个分组的实测海杂波数据,i=1,2,...,N,N表示分组数。
步骤2,使用最大似然/矩估计混合估计方法MLMOM对每个分组数据Xi进行估计,得到N个分组数据对应的K分布形状参数Ο。
2a)将第i个分组的实测海杂波数据Xi代入下式中,计算Xi对应的K分布形状参数估计值
式中Xij表示第i个分组实测海杂波数据Xi中的第j个数据,M表示Xi的长度,
γ=γ0=0.5772,k=1.5,表示gk的逆函数,gk(t)定义为:
其中Γ(·)为伽马函数,ψ(·)为一阶digamma函数,定义为:
2b)在matlab软件中调用三次样条插值spline函数,计算的值得到
2c)将每个分组数据Xi估计所得的组合,获取N个分组的K分布形状参数
步骤3,对K分布形状参数Ο进行分布拟合,得到K分布形状参数在当前海态下的统计分布模型f(ν)。
3a)在matlab软件中调用hist函数,统计形状参数分布,获得形状参数分布的经验概率密度函数;
3b)在matlab软件中调用fitdist函数,获取不同模型对于经验概率密度函数值的拟合曲线;
3c)计算不同模型拟合曲线与经验概率密度函数值之间的柯尔莫格洛夫距离DKS:
DKS=max{|f(ν)-pν|},
式中,f(ν)为拟合所使用的统计分布模型,pν为经验概率密度函数在ν处的取值;
3d)选择使得柯尔莫格洛夫距离DKS最小的模型f(ν)作为K分布形状参数在当前海态下的统计分布。
步骤4,利用Bayesian公式结合步骤(3)所得的f(ν)计算K分布形状参数的估计值。
4a)计算K分布海杂波在特定海面状态下的后验概率密度函数:
式中,f(x|ν)表示K分布的概率密度函数,定义如下:
式中,ν为K分布的形状参数,μ为K分布的尺度参数,Γ(·)表示伽马函数,Kν-1(·)表示第二类修正贝塞尔函数;
4b)对于需要进行参数估计的数据样本y=[y1,y2,…yi,…,…yn],计算其后验概率密度函数的联合概率密度:
其中yi表示第i个数据,i=1,2,...,n,n表示待估计样本的长度;
4c)根据联合概率密度,使用最大似然估计方法获得K分布形状参数的估计值
基于步骤1到步骤4,完成K分布海杂波在小样本情况下的形状参数估计。
下面结合仿真实验对本发明的效果做进一步说明。
1.仿真参数
仿真实验中采用X波段IPIX雷达采集的回波数据,共50组,根据该数据确定拟合K分布形状参数所使用的模型,如图2所示。其中
图2a为HH极化方式下某一组数据的拟合结果,图2b为HV极化方式下某一组数据的拟合结果。
图2c为在HH极化方式下对50组数据拟合曲线和经验概率密度函数之间的柯尔莫格洛夫距离DKS;
图2d为在HV极化方式下对50组数据拟合曲线和经验概率密度函数之间的柯尔莫格洛夫距离DKS。
图2a,图2b的横坐标表示形状参数值,纵坐标表示出现频率,右上角的数字为拟合曲线和实测数据经验概率密度函数之间的柯尔莫格洛夫距离DKS。
图2c和图2d的横坐标表示组号,纵坐标表示柯尔莫格洛夫距离DKS,右上角的数字为50组数据柯尔莫格洛夫距离DKS的平均值。
通过比较图2c,图2d中的四条曲线柯尔莫格洛夫距离DKS的平均值,最终确定DKS平均值最小的加号实线对应的Burr模型作为K分布形状参数的拟合模型。
2.仿真实验内容
使用上述模拟产生的K分布海杂波数据,用本发明和现有矩估计以及Log-III型估计法对该海杂波数据的形状参数进行估计,估计结果如图3所示,图3中的横坐标表示样本数量,纵坐标表示估计误差。
从图3中可以看出,本发明所提出的参数估计方法在小样本情况下的估计效果明显优于现有两种传统K分布参数估计方法。
综上所述,本发明提出的基于Bayesian公式的K分布海杂波形状参数估计方法,可以提高小样本情况下K分布形状参数的估计精度,而且能给出小样本情况下K分布海杂波形状参数的合理估计值,有利于后续海杂波背景下目标检测效率的提高。
Claims (3)
1.一种基于Bayesian的K分布海杂波形状参数估计方法,包括如下步骤:
(1)对实测海杂波数据进行分组,得到分组数据:
X=[X1,X2,...,Xi,...,XN],
其中Xi表示第i个分组的实测海杂波数据,i=1,2,...,N,N表示分组数;
(2)选择K分布模型f(x|ν)对分组数据X进行分布拟合,并使用最大似然/矩估计混合估计方法MLMOM对分组数据X进行估计,得到分组数据的K分布形状参数:
Ο=[νX1,νX2,...,νXi,...,νXN],
其中νX1表示第i组数据的形状参数估计值;
(3)对K分布形状参数Ο进行分布拟合,得到K分布形状参数在当前海态下的统计分布f(ν),并假设在海态下K分布的形状参数的统计模型不发生变化,选择f(ν)作为K分布形状参数的分布;
(4)利用Bayesian公式结合步骤(3)所得的f(ν)得到K分布形状参数的估计值。
4a)计算K分布海杂波在特定海面状态下的后验概率密度函数:
4b)对于需要进行参数估计的数据样本y=[y1,y2,…yi,…,…yn],计算其后验概率密度函数的联合概率密度:
其中yi表示第i个数据,i=1,2,...,n;
4c)根据联合概率密度,使用最大似然估计方法获得K分布形状参数的估计值
2.如权利要求1所述的方法,其中,步骤(2)中使用最大似然/矩估计混合估计方法MLMOM对分组数据X进行估计,按如下步骤进行:
2a)将第i个分组的实测海杂波数据Xi代入下式中,计算Xi对应的K分布形状参数估计值
式中Xij表示第i个分组实测海杂波数据Xi中的第j个数据,M表示Xi的长度,
γ=γ0=0.5772,k=1.5,表示gk的逆函数,gk(t)定义为
其中Γ(·)为伽马函数,ψ(·)为一阶digamma函数,定义为
2b)在matlab软件中调用三次样条插值spline函数,计算的值得到
2c)取每个Xi的形状参数估计值作为其形状参数,即令
3.如权利要求1所述的方法,其特征在于,步骤(3)中对K分布形状参数Ο进行分布拟合,按如下步骤进行:
3a)在matlab软件中调用hist函数,统计形状参数分布,获得形状参数分布的经验概率密度函数;
3b)在matlab软件中调用fitdist函数,获取不同模型对于经验概率密度函数值的拟合曲线;
3c)计算不同模型拟合曲线与经验概率密度函数值之间的柯尔莫格洛夫距离DKS:
DKS=max{|f(ν)-pν|},
式中,f(ν)为所使用的拟合模型,pν为经验概率密度函数在ν处的取值;
3d)选择使得柯尔莫格洛夫距离DKS最小的模型f(ν)作为K分布形状参数在当前海态下的统计分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610846491.0A CN106443627B (zh) | 2016-09-23 | 2016-09-23 | 基于Bayesian的K分布海杂波形状参数估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610846491.0A CN106443627B (zh) | 2016-09-23 | 2016-09-23 | 基于Bayesian的K分布海杂波形状参数估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106443627A true CN106443627A (zh) | 2017-02-22 |
CN106443627B CN106443627B (zh) | 2018-11-16 |
Family
ID=58166101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610846491.0A Active CN106443627B (zh) | 2016-09-23 | 2016-09-23 | 基于Bayesian的K分布海杂波形状参数估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106443627B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247258A (zh) * | 2017-07-10 | 2017-10-13 | 西安电子科技大学 | 海杂波空变k‑分布参数的递归矩估计方法 |
CN107247259A (zh) * | 2017-07-10 | 2017-10-13 | 西安电子科技大学 | 基于神经网络的k分布海杂波形状参数估计方法 |
CN107741581A (zh) * | 2017-09-22 | 2018-02-27 | 西安电子科技大学 | 基于截断矩的广义帕累托分布参数估计方法 |
CN108594190A (zh) * | 2018-04-20 | 2018-09-28 | 西安电子科技大学 | 一种高分辨海杂波的仿真方法 |
CN109143196A (zh) * | 2018-09-25 | 2019-01-04 | 西安电子科技大学 | 基于k分布海杂波幅度模型的三分位点参数估计方法 |
CN109541566A (zh) * | 2018-12-20 | 2019-03-29 | 西安电子科技大学 | 基于双重分数阶矩的k分布海杂波参数估计方法 |
CN110275148A (zh) * | 2019-06-20 | 2019-09-24 | 中国人民解放军海军航空大学 | 一种海杂波幅度分布参数估计方法及系统 |
CN110658508A (zh) * | 2019-10-17 | 2020-01-07 | 中国人民解放军火箭军工程大学 | 一种基于特征量的k分布海杂波参数估计方法 |
CN110941908A (zh) * | 2019-12-02 | 2020-03-31 | 中国船舶重工集团公司第七一九研究所 | 一种基于核密度估计的海杂波分布建模方法 |
CN113009444A (zh) * | 2021-02-26 | 2021-06-22 | 南京邮电大学 | 一种广义高斯纹理海杂波背景下的目标检测方法及装置 |
CN114859342A (zh) * | 2022-03-24 | 2022-08-05 | 电子科技大学 | 一种基于韦泊尔-广义高斯的对海超分辨成像方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103954951A (zh) * | 2014-05-13 | 2014-07-30 | 西安电子科技大学 | 基于功率中值和归一化协方差估计的海面目标检测方法 |
CN104535981A (zh) * | 2015-01-21 | 2015-04-22 | 西安电子科技大学 | 海杂波Pareto幅度分布参数的双分位点估计方法 |
CN105699952A (zh) * | 2016-01-25 | 2016-06-22 | 西安电子科技大学 | 海杂波k分布形状参数的双分位点估计方法 |
-
2016
- 2016-09-23 CN CN201610846491.0A patent/CN106443627B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103954951A (zh) * | 2014-05-13 | 2014-07-30 | 西安电子科技大学 | 基于功率中值和归一化协方差估计的海面目标检测方法 |
CN104535981A (zh) * | 2015-01-21 | 2015-04-22 | 西安电子科技大学 | 海杂波Pareto幅度分布参数的双分位点估计方法 |
CN105699952A (zh) * | 2016-01-25 | 2016-06-22 | 西安电子科技大学 | 海杂波k分布形状参数的双分位点估计方法 |
Non-Patent Citations (4)
Title |
---|
D.BLACKNELL等: "Parameter estimation for the K-distribution based on [zlog(z)]", 《IEE PRO.-RADAR,SONAR NAVIG.》 * |
PENG-LANG SHUI等: "Shape-Parameter-Dependent Coherent Radar Target Detection in K-distribution Cluter", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》 * |
YONG BIAN等: "SAR Probability Density Function Estimation Using a Generazed Form of K-Distribution", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》 * |
石志广 等: "基于粒子滤波器的K分布杂波下LFM信号参数估计", 《红外与激光工程》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247259A (zh) * | 2017-07-10 | 2017-10-13 | 西安电子科技大学 | 基于神经网络的k分布海杂波形状参数估计方法 |
CN107247258A (zh) * | 2017-07-10 | 2017-10-13 | 西安电子科技大学 | 海杂波空变k‑分布参数的递归矩估计方法 |
CN107741581A (zh) * | 2017-09-22 | 2018-02-27 | 西安电子科技大学 | 基于截断矩的广义帕累托分布参数估计方法 |
CN108594190B (zh) * | 2018-04-20 | 2021-04-27 | 西安电子科技大学 | 一种高分辨海杂波的仿真方法 |
CN108594190A (zh) * | 2018-04-20 | 2018-09-28 | 西安电子科技大学 | 一种高分辨海杂波的仿真方法 |
CN109143196A (zh) * | 2018-09-25 | 2019-01-04 | 西安电子科技大学 | 基于k分布海杂波幅度模型的三分位点参数估计方法 |
CN109541566B (zh) * | 2018-12-20 | 2023-02-10 | 西安电子科技大学 | 基于双重分数阶矩的k分布海杂波参数估计方法 |
CN109541566A (zh) * | 2018-12-20 | 2019-03-29 | 西安电子科技大学 | 基于双重分数阶矩的k分布海杂波参数估计方法 |
CN110275148A (zh) * | 2019-06-20 | 2019-09-24 | 中国人民解放军海军航空大学 | 一种海杂波幅度分布参数估计方法及系统 |
CN110658508A (zh) * | 2019-10-17 | 2020-01-07 | 中国人民解放军火箭军工程大学 | 一种基于特征量的k分布海杂波参数估计方法 |
CN110658508B (zh) * | 2019-10-17 | 2023-03-10 | 中国人民解放军火箭军工程大学 | 一种基于特征量的k分布海杂波参数估计方法 |
CN110941908A (zh) * | 2019-12-02 | 2020-03-31 | 中国船舶重工集团公司第七一九研究所 | 一种基于核密度估计的海杂波分布建模方法 |
CN110941908B (zh) * | 2019-12-02 | 2023-04-21 | 中国船舶重工集团公司第七一九研究所 | 一种基于核密度估计的海杂波分布建模方法 |
CN113009444A (zh) * | 2021-02-26 | 2021-06-22 | 南京邮电大学 | 一种广义高斯纹理海杂波背景下的目标检测方法及装置 |
CN113009444B (zh) * | 2021-02-26 | 2023-06-06 | 南京邮电大学 | 一种广义高斯纹理海杂波背景下的目标检测方法及装置 |
CN114859342A (zh) * | 2022-03-24 | 2022-08-05 | 电子科技大学 | 一种基于韦泊尔-广义高斯的对海超分辨成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106443627B (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106443627A (zh) | 基于Bayesian的K分布海杂波形状参数估计方法 | |
CN104535981B (zh) | 海杂波Pareto幅度分布参数的双分位点估计方法 | |
CN109143196A (zh) | 基于k分布海杂波幅度模型的三分位点参数估计方法 | |
CN103217679B (zh) | 一种基于遗传算法的全波形激光雷达回波数据的高斯分解法 | |
CN104749564B (zh) | 海杂波Weibull幅度分布参数的多分位点估计方法 | |
CN103760556B (zh) | 基于集中式mimo雷达的多目标认知跟踪方法 | |
CN106646417B (zh) | 广义帕累托分布参数的迭代最大似然估计方法 | |
CN105678757A (zh) | 一种物体位移测量方法 | |
CN103679210B (zh) | 基于高光谱图像解混的地物识别方法 | |
CN104155650A (zh) | 一种基于熵权值法点迹质量评估的目标跟踪方法 | |
CN105699952A (zh) | 海杂波k分布形状参数的双分位点估计方法 | |
CN103759732B (zh) | 一种角度信息辅助的集中式多传感器多假设跟踪方法 | |
CN107247259A (zh) | 基于神经网络的k分布海杂波形状参数估计方法 | |
CN102789633B (zh) | 基于k-svd和局部线性嵌套的图像降噪系统和方法 | |
CN103439692A (zh) | 基于协方差矩阵广对称特性的stap方法 | |
CN103729846A (zh) | 基于不规则三角网的LiDAR点云数据边缘检测方法 | |
CN105354860A (zh) | 基于箱粒子滤波的扩展目标CBMeMBer跟踪方法 | |
CN105866735A (zh) | 基于mds模型的修正代价函数的到达时间差迭代定位方法 | |
CN104316923A (zh) | 针对合成孔径雷达bp成像的自聚焦方法 | |
CN106021697A (zh) | 一种快速相控阵雷达时间-能量资源联合管理方法 | |
CN104881521A (zh) | 一种标号随机集滤波器分布式融合方法 | |
CN105447867A (zh) | 基于isar图像的空间目标姿态估计方法 | |
CN110376282B (zh) | 一种基于椭圆概率与贝叶斯估计的Lamb波损伤定位法 | |
CN107064893B (zh) | 基于对数矩的广义帕累托分布参数估计方法 | |
CN106054167A (zh) | 基于强度滤波器的多扩展目标跟踪方法 |
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 |