CN107102302B - 基于非高斯参数的雷达目标融合检测方法 - Google Patents
基于非高斯参数的雷达目标融合检测方法 Download PDFInfo
- Publication number
- CN107102302B CN107102302B CN201710284873.3A CN201710284873A CN107102302B CN 107102302 B CN107102302 B CN 107102302B CN 201710284873 A CN201710284873 A CN 201710284873A CN 107102302 B CN107102302 B CN 107102302B
- Authority
- CN
- China
- Prior art keywords
- gaussian
- clutter
- covariance matrix
- detector
- detected
- 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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
-
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/06—Systems determining position data of a target
- G01S13/08—Systems for measuring distance only
- G01S13/10—Systems for measuring distance only using transmission of interrupted, pulse modulated waves
-
- 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
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
本发明公开了一种基于非高斯参数的雷达目标融合检测方法,属于雷达信号处理领域。针对实际环境中杂波非高斯程度的时空渐变性,通过单一参数实现了过渡杂波环境下自适应检测器设计与相应杂波协方差矩阵估计方法的同步控制,构建了统一的协方差矩阵融合估计框架,涵盖现有的采样协方差矩阵、归一化采样协方差矩阵、近似最大似然估计矩阵等特定杂波背景下最优或次优估计方法;所提出的检测器结构能兼容并涵盖高斯和复合高斯等特定杂波背景下的最优或次优自适应检测器,且能适应于高斯和复合高斯二者之间的过渡杂波环境,对实际杂波非高斯程度时空渐变性具有自适应性,潜在应用范围广泛。
Description
技术领域
本发明隶属于雷达信号处理领域,具体涉及一种基于非高斯参数的雷达目标融合检测方法。
背景技术
对于采用相干脉冲串或多阵元的雷达来说,实现目标自适应检测需要同时考虑检测器结构设计和未知杂波协方差矩阵估计两个问题,而二者的解决均与背景杂波的统计特性密切相关,且在实际应用中,未知杂波协方差矩阵估计常常需要利用与被检测单元邻近的纯杂波参考数据。
对传统的低分辨率雷达场景,由于单个距离单元内存在大量的独立散射点,根据中心极限定理,杂波统计特性服从高斯分布,此时的高斯杂波协方差矩阵的最大似然估计为经典的采样协方差矩阵,而高斯背景下的点目标检测器结构以广义似然比检验检测器和自适应匹配滤波器为主;广义似然比检验检测器以一步法广义似然比检验准为基础,对待检测距离单元数据和参考数据中所有未知参数进行联合估计,在高斯环境中能获得最优的检测性能;自适应匹配滤波器从简化问题的角度,以两步法广义似然比检验准为基础,即将未知杂波协方差矩阵估计问题与其他未知参数的估计问题分开考虑,其检测器设计过程的第一步处理中暂不考虑杂波协方差矩阵估计,而将其放在第二步处理中单独考虑,因此自适应匹配滤波器的结构形式比广义似然比检验检测器略简单,但也导致参考数据量减少时存在一定的检测性能损失,是一种在高斯杂波环境下的次优点目标检测器。在雷达分辨率提高或低掠地角等复杂条件下,背景杂波呈现出较强的非均匀、非高斯特性,此时可用复合高斯分布进行建模,即杂波可表示为时空慢变的非负纹理分量与时空快变的复高斯散斑分量之乘积。其中,纹理分量用于描述不同距离单元杂波功率水平的起伏,而散斑分量用于描述杂波多维回波信号内部的相关性。与高斯背景不同,复合高斯杂波协方差矩阵的最大似然估计没有闭型表达式,且涉及到超越方程的求解,现有归一化采样协方差矩阵、近似最大似然估计矩阵等均为次优估计方法,而相应的点目标检测器结构表现为自适应归一化匹配滤波器的形式。虽然针对高斯和复合高斯杂波背景存在最优或次优的杂波协方差矩阵估计方法和相应的点目标检测器结构,但实际杂波的非高斯特性往往在时间和空间上随环境的改变而渐进变化,上述特定杂波背景下的最优或次优杂波协方差矩阵估计方法和相应的点目标检测器难以适应杂波环境的快速变化,导致相应的检测性能和恒虚警率(CFAR)特性恶化。
针对实际环境中杂波非高斯程度的时空渐变性,在点目标检测器结构设计中,既要考虑极端的高斯和复合高斯杂波环境,也要兼顾介于高斯和复合高斯二者之间的过渡杂波环境;而目前高斯背景下的采样协方差矩阵估计方法和复合高斯背景下的归一化采样协方差矩阵估计方法均只考虑了高斯或复合高斯的单种特定情况,难以适应过渡杂波环境的特点;其中,采样协方差矩阵估计方法只与高斯背景下的广义似然比检验检测器和自适应匹配滤波器相匹配,而归一化采样协方差矩阵估计方法只与复合高斯背景下的自适应归一化匹配滤波器单独匹配。如何设计合适的杂波协方差矩阵估计方法,通过充分考虑过渡杂波环境的特点,使点目标检测器结构设计和相应的杂波协方差矩阵估计方法相匹配,是提高检测器在复杂杂波环境下检测性能的关键。
发明内容
目前高斯背景下的采样协方差矩阵估计方法或复合高斯背景下的归一化采样协方差矩阵估计方法均只考虑了高斯或复合高斯的单种特定情况,且只与高斯背景下的广义似然比检验检测器及自适应匹配滤波器或复合高斯背景下的自适应归一化匹配滤波器相匹配,难以适应过渡杂波环境的特点。针对实际环境中杂波非高斯程度的时空渐变性,如何在点目标检测器结构设计和相应的杂波协方差矩阵估计方法中同步考虑过渡杂波环境的特点,使点目标检测器结构和相应的杂波协方差矩阵估计方法相匹配,且能同时兼顾高斯和复合高斯等特殊环境下的检测需求。
本发明所述基于非高斯参数的雷达目标融合检测方法包括以下技术措施:
步骤1获取单个待检测距离单元雷达回波向量x0作为待检测数据向量,以单个待检测距离单元为中心,在其前后分别连续取一定数量距离单元雷达回波观测数据,构成R个参考数据向量xm,m=1,2,…,R,其中,x0和xm,m=1,2,…,R均为N×1维的向量,N表示雷达接收阵元数与相干处理脉冲数的乘积;
上式中,上标H表示矩阵的共轭转置运算,上标-1表示矩阵的求逆运算,k=0,1,...,K-1;K表示最终的迭代次数,根据协方差矩阵估计精度要求和运算量要求进行设置,若协方差矩阵估计精度要求较高,则K取较大值,若对要求运算量较小,则K取较小值;表示给定参数α时的第k次迭代估计矩阵;为增强估计过程的普适性,式(1)的初始化矩阵采用单位阵,而最终的迭代结果为未知协方差矩阵的融合估计值参数α满足0≤α≤1,且根据实际杂波的非高斯程度设定,增强了后续点目标检测器的泛化能力,其中杂波的非高斯程度越大,则α的取值越大;
上式中,p表示已知的空时导向矢量,是一个N×1维的单位向量,根据雷达系统工作参数确定;
若检测器对降低运算量要求较高,则基于共同的融合估计值对自适应匹配滤波器和自适应归一化匹配滤波器进行线性融合,获得的基于非高斯参数的雷达目标融合检测器的检测统计量λα表示为
步骤4为保持检测方法的恒虚警率特性,根据预设的虚警概率设置检测门限T;将回波向量x0的自适应检测统计量λα与门限T进行比较,若λα≥T,则判定待检测距离单元存在目标,回波向量x0不作为其他距离单元的参考数据;反之若λα<T,则判定待检测距离单元不存在目标,回波向量x0作为后续其他距离单元的参考数据。
与背景技术相比,本发明的有益效果是:1)能通过统一的协方差矩阵融合估计框架,涵盖现有的采样协方差矩阵、归一化采样协方差矩阵、近似最大似然估计矩阵等特定杂波背景下最优或次优估计方法;2)针对实际环境中杂波非高斯程度的时空渐变性,合理利用杂波非高斯特征信息,通过单一参数实现了过渡杂波环境下点目标检测器设计与相应杂波协方差矩阵估计方法的同步控制,参数设置简洁有效;3)所提出的点目标检测器结构能兼容并涵盖高斯和复合高斯等特定杂波背景下最优或次优杂波协方差矩阵估计方法及相应的点目标检测器,且能适应于高斯和复合高斯二者之间的过渡杂波环境,体现了对实际杂波非高斯程度时空渐变性的自适应性能,具有很强的泛化能力,实际应用范围更广泛。
附图说明
图1是本发明所提出的基于非高斯参数的雷达目标融合检测方法的功能模块图。图1中,1.协方差矩阵融合估计模块,2.目标融合检测器构建模块,3.检测判决模块。
具体实施方式
下面结合附图对本发明作进一步描述。本发明实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明做出的任何修改和改变,都落入本发明的保护范围。
参照说明书附图1,本发明的具体实施方式分为以下几个步骤:
步骤1针对点目标检测场景,以单个待检测距离单元为中心,在其前后分别连续取一定数量距离单元雷达回波观测数据,构成R个参考数据向量xm,m=1,2,…,R,其中,xm,m=1,2,…,R为N×1维的向量,N表示雷达接收阵元数与相干处理脉冲数的乘积;并将参考数据向量送至协方差矩阵融合估计模块(1);
而当α=1时,式(1)表示的迭代过程简化为
特别当α=1且K=1时,根据式(1)计算的未知协方差矩阵的融合估计值表示为
式(1)中的最终迭代次数K可根据协方差矩阵估计精度要求和运算量要求进行调整,若协方差矩阵估计精度要求较高,则K取较大值,若对要求运算量较小,则K取较小值;对于非高斯杂波环境,当K≥3时,融合估计值能获得较好的估计精度,综合考虑算法运算量和检测器设计对协方差矩阵估计精度的要求,取K=3的迭代结果作为未知协方差矩阵的融合估计值;
综合来看,本发明中协方差矩阵的融合估计方法能通过统一的协方差矩阵融合估计框架,涵盖现有的采样协方差矩阵、归一化采样协方差矩阵、近似最大似然估计矩阵等特定杂波背景下最优或次优估计方法,且能通过调整最终迭代次数使协方差矩阵估计精度与运算量要求之间达到优化平衡;
步骤3获取单个待检测距离单元的N×1维雷达回波向量x0作为待检测数据向量,并将x0送至目标融合检测器构建模块(2);在目标融合检测器构建模块(2)中,根据实际检测环境对检测性能和算法运算量的需求,基于计算回波向量x0的雷达目标融合检测器的检测统计量λα,并将λα送至检测判决模块(3),其中,若检测器对检测性能要求较高则依据式(2)计算λα,若检测器对降低运算量要求较高则依据式(3)计算λα;在目标融合检测器构建模块(2)中,根据实际杂波的非高斯程度设定比例因子α,杂波的非高斯程度越大,则α的取值越大;
值得注意的是,当背景杂波分布的高斯性较强时,α的取值较小,在极端的高斯背景下,取α=0,此时由式(1)计算的融合估计值为采样协方差矩阵,而由式(2)计算的检测统计量λ1对应于基于采样协方差矩阵的广义似然比检验检测器,由式(3)计算的检测统计量λ2则对应于基于采样协方差矩阵的自适应匹配滤波器,说明基于采样协方差矩阵的自适应匹配滤波器或广义似然比检验检测器均为本发明所提出的检测方法在α=0时的特例,且本发明所提出的检测方法可根据实际检测环境对检测性能和算法运算量的需求自动选择两种检测器中的一种;而当背景杂波分布的非高斯性较强时,α的取值较大,在极端的复合高斯分布的非高斯背景下,取α=1,此时由式(1)计算的融合估计值为近似最大似然估计矩阵,而由式(2)计算的检测统计量λ1和由式(3)计算的检测统计量λ2都退化为基于近似最大似然估计矩阵的自适应归一化匹配滤波器,说明自适应归一化匹配滤波器为本发明所提出的检测方法在α=1时的特例;综上所述,本发明所提出的检测方法能合理利用杂波非高斯特征信息,通过单一参数实现过渡杂波环境下检测器设计与相应杂波协方差矩阵估计方法的同步控制,且能根据实际杂波分布的非高斯程度自适应调整参数,使检测器结构和杂波协方差矩阵估计方法同时适应于实际杂波环境的变化,具有很强的泛化能力;另外,所提出的检测器结构能兼容并涵盖高斯和复合高斯等特定杂波背景下最优或次优杂波协方差矩阵估计方法及相应的检测器,且能适应于高斯和复合高斯二者之间的过渡杂波环境,体现了对实际杂波非高斯程度时空渐变性的自适应性能,实际应用范围更广泛;
步骤4在检测判决模块(3)中进行检测判决并输出检测结果,为保持检测方法的恒虚警率特性,根据预设的虚警概率设置检测门限T;将单个待检测距离单元对应的回波向量x0的自适应检测统计量λα与门限T进行比较,若λα≥T,则判定待检测距离单元存在点目标,回波向量x0不能作为其他距离单元的参考数据;反之若λα<T,则判定待检测距离单元不存在点目标,回波向量x0可作为后续其他距离单元的参考数据。
Claims (1)
1.基于非高斯参数的雷达目标融合检测方法,其特征在于,包括以下步骤:
步骤1获取单个待检测距离单元雷达回波向量x0作为待检测数据向量,以单个待检测距离单元为中心,在其前后分别连续取一定数量距离单元雷达回波观测数据,构成R个参考数据向量xm,m=1,2,…,R,其中,x0和xm,m=1,2,…,R均为N×1维的向量,N表示雷达接收阵元数与相干处理脉冲数的乘积;
上式中,上标H表示矩阵的共轭转置运算,上标-1表示矩阵的求逆运算,k=0,1,...,K-1;K表示最终的迭代次数,根据协方差矩阵估计精度要求和运算量要求进行设置,若协方差矩阵估计精度要求较高,则K取较大值,若对要求运算量较小,则K取较小值;表示给定参数α时的第k次迭代估计矩阵;为增强估计过程的普适性,式(1)的初始化矩阵采用单位阵;参数α满足0≤α≤1,且根据实际杂波的非高斯程度设定,增强了后续点目标检测器的泛化能力,其中杂波的非高斯程度越大,则α的取值越大;
步骤3基于共同的融合估计值构建基于非高斯参数的雷达目标融合检测器结构,利用线性融合规则,融合广义似然比检验检测器和自适应归一化匹配滤波器计算回波向量x0的检测统计量λ1,融合自适应匹配滤波器和自适应归一化匹配滤波器计算回波向量x0的检测统计量λ2,通过单一参数α对检测器结构及相应杂波协方差矩阵估计实现同步调整,根据实际检测环境对检测性能和算法运算量的需求,选取基于非高斯参数的雷达目标融合检测器的检测统计量λα,若检测器对检测性能要求较高,则选取λα=λ1,若检测器对降低运算量要求较高,则选取λα=λ2;具体包括:
依据下式计算检测统计量λ1
上式中,p表示已知的空时导向矢量,是一个N×1维的单位向量,根据雷达系统工作参数确定;
依据下式计算检测统计量λ2
步骤4为保持检测方法的恒虚警率特性,根据预设的虚警概率设置检测门限T;将回波向量x0的自适应检测统计量λα与门限T进行比较,若λα≥T,则判定待检测距离单元存在目标,回波向量x0不作为其他距离单元的参考数据;反之若λα<T,则判定待检测距离单元不存在目标,回波向量x0作为后续其他距离单元的参考数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710284873.3A CN107102302B (zh) | 2017-04-27 | 2017-04-27 | 基于非高斯参数的雷达目标融合检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710284873.3A CN107102302B (zh) | 2017-04-27 | 2017-04-27 | 基于非高斯参数的雷达目标融合检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107102302A CN107102302A (zh) | 2017-08-29 |
CN107102302B true CN107102302B (zh) | 2020-01-24 |
Family
ID=59656930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710284873.3A Active CN107102302B (zh) | 2017-04-27 | 2017-04-27 | 基于非高斯参数的雷达目标融合检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107102302B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108919224B (zh) * | 2018-07-26 | 2020-06-30 | 中国人民解放军海军航空大学 | 基于斜对称结构的宽带雷达目标自适应融合检测方法 |
CN108919223B (zh) * | 2018-07-26 | 2020-09-08 | 中国人民解放军海军航空大学 | 宽带雷达目标自适应结构化匹配滤波方法 |
CN108919225B (zh) * | 2018-07-26 | 2020-06-30 | 中国人民解放军海军航空大学 | 部分均匀环境下距离扩展目标多通道融合检测方法 |
CN109116342B (zh) * | 2018-08-27 | 2021-03-12 | 杭州易现先进科技有限公司 | 定位方法、装置、介质和计算设备 |
CN109541577B (zh) * | 2018-12-13 | 2022-07-05 | 中国人民解放军空军预警学院 | 一种部分均匀环境中未知干扰下的自适应子空间检测器 |
CN111999717B (zh) * | 2020-09-02 | 2022-04-01 | 中国人民解放军海军航空大学 | 基于协方差矩阵结构统计估计的自适应融合检测方法 |
CN113341380A (zh) * | 2021-06-01 | 2021-09-03 | 中国人民解放军海军航空大学 | 复高斯杂波中基于子空间杂波对消的目标检测方法 |
CN113723253B (zh) * | 2021-08-23 | 2023-06-20 | 西安电子科技大学 | 基于杂波预分类的运动目标检测方法 |
CN115575946B (zh) * | 2022-10-20 | 2024-06-04 | 中国人民解放军海军航空大学 | 雷达目标斜对称子空间智能融合检测方法 |
CN115508828B (zh) * | 2022-10-20 | 2024-05-14 | 中国人民解放军海军航空大学 | 子空间干扰下雷达目标智能融合检测方法 |
CN116047462B (zh) * | 2023-03-31 | 2023-06-30 | 中国人民解放军空军预警学院 | 端射阵机载雷达最优阵元数目和阵元间距选取方法与装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102621535B (zh) * | 2012-03-07 | 2013-12-04 | 中国人民解放军海军航空工程学院 | 一种高效的协方差矩阵结构估计方法 |
US9188666B2 (en) * | 2013-06-07 | 2015-11-17 | Raytheon Applied Signal Technology | System and method for distribution free target detection in a dependent non-Gaussian background |
CN104849705B (zh) * | 2015-06-02 | 2017-10-17 | 中国人民解放军海军航空工程学院 | 局部均匀杂波协方差矩阵自适应估计方法 |
CN105807267B (zh) * | 2016-03-11 | 2018-01-09 | 中国人民解放军国防科学技术大学 | 一种mimo雷达扩展目标的检测方法 |
CN106501800B (zh) * | 2016-10-28 | 2019-04-05 | 中国人民解放军信息工程大学 | 基于代价参考粒子滤波的mimo雷达目标检测前跟踪方法 |
-
2017
- 2017-04-27 CN CN201710284873.3A patent/CN107102302B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107102302A (zh) | 2017-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107102302B (zh) | 基于非高斯参数的雷达目标融合检测方法 | |
Somasundaram et al. | Reduced-dimension robust capon beamforming using Krylov-subspace techniques | |
Goldstein et al. | Theory of partially adaptive radar | |
Yang et al. | Knowledge‐aided STAP with sparse‐recovery by exploiting spatio‐temporal sparsity | |
Zhang et al. | Reduced dimension STAP based on sparse recovery in heterogeneous clutter environments | |
Wu et al. | On the essence of knowledge-aided clutter covariance estimate and its convergence | |
Zhang et al. | An efficient machine learning approach for indoor localization | |
Parker et al. | Space-time autoregressive filtering for matched subspace STAP | |
Zheng et al. | Subspace weighted ℓ 2, 1 minimization for sparse signal recovery | |
Shnidman | Radar detection in clutter | |
Somasundaram | Reduced dimension robust Capon beamforming for large aperture passive sonar arrays | |
CN106291449A (zh) | 对称稳定分布噪声下波达方向角估计新方法 | |
Li et al. | Parameter estimation based on fractional power spectrum density in bistatic MIMO radar system under impulsive noise environment | |
Abouelfadl et al. | Covariance‐free non‐homogeneity STAP detector in compound Gaussian clutter based on robust statistics | |
Kraay et al. | A physically constrained maximum-likelihood method for snapshot-deficient adaptive array processing | |
Nickel | Design of generalised 2D adaptive sidelobe blanking detectors using the detection margin | |
Zhao et al. | Exploiting the persymmetric property of covariance matrices for knowledge-aided space-time adaptive processing | |
Qiu et al. | Robust adaptive monopulse algorithm based on main lobe constraints and subspace tracking | |
Balaji et al. | Riemannian mean and space-time adaptive processing using projection and inversion algorithms | |
Liu et al. | SVR-CMT algorithm for null broadening and sidelobe control | |
Feng et al. | Constained adaptive monopulse algorithm based on sub-array | |
Liu et al. | A semi-real-valued capon algorithm for 2-D DOA estimation of coherent signals with L-shape array | |
Zuk | Simple Analytic Approximation for Non-Coherent Radar Detection with Partially Correlated Target RCS and Compound Sea Clutter | |
Yoo | A low complexity subspace‐based DOA estimation algorithm with uniform linear array correlation matrix subsampling | |
De Maio et al. | A maximum entropy framework for space–time adaptive processing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20191210 Address after: 264001 Research and Academic Department, 188 Erma Road, Zhifu District, Yantai City, Shandong Province Applicant after: Naval Aviation University of PLA Address before: 264001 Yantai City, Zhifu Province, No. two road, No. 188, Department of research, Applicant before: Naval Aeronautical Engineering Institute PLA |
|
GR01 | Patent grant | ||
GR01 | Patent grant |