CN107664759A - 一种基于稀疏非均匀样本选优的机载雷达动目标检测方法 - Google Patents
一种基于稀疏非均匀样本选优的机载雷达动目标检测方法 Download PDFInfo
- Publication number
- CN107664759A CN107664759A CN201710436961.0A CN201710436961A CN107664759A CN 107664759 A CN107664759 A CN 107664759A CN 201710436961 A CN201710436961 A CN 201710436961A CN 107664759 A CN107664759 A CN 107664759A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mover
- mfrac
- msup
- 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
- 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
- G01S7/415—Identification of targets based on measurements of movement associated with the target
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)
Abstract
本发明公开了一种基于稀疏非均匀样本选优的机载雷达动目标检测方法，该方法包括：根据信号稀疏恢复技术，利用训练样本和待检测距离单元的稀疏性，对机载雷达接收到的数据进行稀疏恢复，选择训练样本中杂波的位置和检测单元中杂波的位置相似的训练样本，去除选优后训练样本中的干扰目标。对处理后的训练样本进行空时二维自适应信号处理。本发明克服了干扰目标的影响，提高了杂波协方差矩阵的构建精度，从而改善了机载雷达动目标检测性能。
Description
技术领域
本发明涉及一种基于稀疏非均匀样本选优的机载雷达稳健动目标检测方法，属于机载雷达动目标检测领域。
背景技术
空时自适应信号处理(STAP)是机载雷达在强杂波环境中进行动目标检测的有效技术。STAP的性能依赖于杂波协方差矩阵的构建精度。依据RMB准则，当用来估计杂波协方差矩阵的训练样本充足、满足独立同分布(Independent and Identically Distributed，IID)时才不会影响动目标的检测性能。然而，机载雷达实际工作在非均匀环境中，上述条件很难满足。当训练样本中存在干扰目标时会引起信号相消，降低对动目标的检测性能。针对此问题，学者们提出利用非均匀检测器(NHD)来检测训练样本中是否含有干扰目标，对含有干扰目标的训练样本加以剔除。比较典型的NHD有：广义内积(GIP)及其改进的算法、自适应功率剩余(APR)及其改进的算法等。
随着稀疏恢复和压缩感知技术的发展，基于稀疏杂波谱恢复的STAP算法(SR-STAP)成为近几年研究的热点。由于杂波谱在角度-多普勒频域具有稀疏性，利用稀疏重构技术来估计高分辨率的空时二维杂波谱。比较典型的SR-STAP有：联合稀疏功率谱恢复的STAP算法及其改进的算法、直接数据域SR-STAP及其改进的算法等。这些算法能够利用稀疏恢复技术对训练样本数据以及待检测距离单元的数据进行重构。为了提高对待检测单元杂波协方差矩阵的估计精度，韩素丹等人提出一种训练样本选优SR-STAP算法，选择与待检测距离单元的数据较相似的训练样本参与杂波协方差矩阵估计，从而利用较少的训练样本得到精度较高的杂波协方差矩阵，但该算法只适合均匀样本，当训练样本中存在干扰目标时杂波协方差矩阵的构建精度下降，从而影响动目标的检测性能。为了克服训练样本中的干扰目标，高志奇等人提出基于联合稀疏功率谱恢复的STAP算法(JSR-STAP)，利用训练样本与干扰目标稀疏恢复系数的不相关性，去除训练样本中的干扰目标，从而达到抑制干扰目标的目的，但是该算法在构建杂波协方差矩阵时没有加入待检测距离单元的数据也没有对训练样本进行选优，使得构建的杂波协方差矩阵精度下降，进而影响动目标的检测性能。
发明内容
本发明所要解决的技术问题是针对训练样本中存在干扰目标时机载雷达动目标检测性能下降所涉及的问题，提供一种基于稀疏非均匀样本选优的机载雷达稳健动目标检测方法。
本发明为解决上述技术问题采用以下技术方案：
一种基于稀疏非均匀样本选优的机载雷达动目标检测方法，具体包含如下步骤：
步骤1，将机载雷达接收到的数据进行稀疏恢复，记录显著分量的位置；具体步骤如下：
步骤1.1，将机载雷达接收到的数据x’l变换至二维频率域进行能量积累，即：xl＝Vec(FN×Nx’lFK×K)
其中，表示按列将矩阵排列为列向量，F为离散傅里叶变换矩阵，l＝1,2,...,L，L为正整数；N为等距的阵元数，K为阵列在每个相干处理时间内发射的脉冲数；
步骤1.2，构建冗余基矩阵Φ’，假设为Φ’中第nsKd+kd+1列，则满足：
其中，
Ss为空域导向矢量，St为时域导向矢量，为Kronecker积，Ns＝ρsN,Kd＝ρdK，ρs为空间角度域离散化程度，ρd为多普勒域离散化程度，ns＝0,1,…,Ns-1，kd＝0,1,…,Kd-1，Δωs为离散化后空时平面最小空域角频率间隔，Δωt为离散化后空时平面最小时域角频率间隔；
步骤1.3，将冗余基矩阵Φ,变换到二维频率域，即变换为Φ，假设为Φ中第nsKd+kd+1列，则满足：
步骤1.4，获取噪声容限ε，具体计算如下：
式中，Em为xl中所有元素的平均能量，Ei为xl中第i个元素的能量；
步骤1.5，利用MATLAB解凸优化的CVX工具包根据式
s.t.||xl-Φσl||2≤ε
求得L-1个训练样本的幅值和待检测距离单元样本的幅值σ，构成矩阵A，对接收到的数据进行稀疏恢复，记录显著分量的位置；
步骤2，分别计算L-1个训练样本与待检测距离单元样本中显著分量具有相同位置的幅值的数量，标记为Nl，其中l＝1,2,…,L-1；
步骤3，对Nl按照降序进行排列；
步骤4，选择前M-1个训练样本作为选优后的训练样本，选优后的训练样本和待检测距离单元样本的幅值矩阵标记为Ap，
步骤5，去除选优后训练样本中的干扰目标；
步骤6，对步骤5处理后的训练样本进行STAP处理，判断待检测距离单元是否含有动目标。
作为本发明一种基于稀疏非均匀样本选优的机载雷达动目标检测方法的进一步优选方案，所述步骤5具体包含如下步骤；
步骤5.1，对步骤4的矩阵Ap按行求l2范数，即：
将上式所得列向量按元素值由大到小的顺序记录元素的位置，并构成位置集合Γ；
步骤5.2，对于第m个距离单元的数据xm，依次选取Γ中的第i个元素，计算稀疏恢复的第m个距离单元数据的残差为
其中，m＝1,2,…,M，i＝1,2,…,NsKd，
步骤5.3，若满足Δm(i)＜ε或者i＝NsKd，则进入步骤6；否则令i＝i+1，返回到步骤5.2。
作为本发明一种基于稀疏非均匀样本选优的机载雷达动目标检测方法的进一步优选方案，所述步骤6具体包含如下步骤；
步骤6.1，构建第m个距离单元的杂波协方差矩阵为：
由上式可得M个距离单元联合处理后的杂波协方差矩阵可表示为：
步骤6.2，构建杂波加噪声协方差矩阵为：
式中，δ2为噪声方差，INK为N×K维的单位矩阵；
步骤6.3，进行STAP处理，构造滤波器权矢量为：
W＝μR-1S
式中，μ＝(SHR-1S)-1为常数，S为目标空时导向矢量；
步骤6.4，经滤波器滤波，待检测距离单元的输出数据为：
y＝WHx
步骤6.5，根据待检测距离单元的输出判断待检测距离单元是否含有动目标。
作为本发明一种基于稀疏非均匀样本选优的机载雷达动目标检测方法的进一步优选方案，在步骤1.1，L＝161。
作为本发明一种基于稀疏非均匀样本选优的机载雷达动目标检测方法的进一步优选方案，步骤8中M包括M-1个训练样本数据和1个待检测距离单元数据。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1、本发明与基于联合稀疏功率谱恢复的机载雷达稳健STAP算法相比，使用本发明一方面能够对重构的训练样本进行选优，另一方面在构建杂波协方差矩阵时加入待检测距离单元的数据，提高了构建杂波协方差矩阵的精度，从而提高机载雷达动目标的检测性能；
2、与基于训练样本选优的SR-STAP算法相比，使用本发明能够利用l2范数选择合适的稀疏恢复幅值，去除选优后训练样本和待检测距离单元中不相关的数据，消除干扰目标对动目标检测性能的影响，从而提高机载雷达的动目标检测性能。
附图说明
图1是本发明正侧视阵机载雷达几何模型示意图；
图2是本发明改善因子对比示意图；
图3是本发明输出功率对比示意图；
图4(a)是针对训练样本选优SR-STAP算法的目标信号提取结果示意图；
图4(b)是针对训练样本本发明的目标信号提取结果示意图示意图；
图4(c)是针对待检测距离单元JSR-STAP算法的目标信号提取结果；
图4(d)是针对待检测距离单元本发明的目标信号提取结果。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
本发明包含两个主要技术问题，一个是对训练样本和待检测距离单元的数据稀疏重构，选择与待检测距离单元相似的样本参与协方差矩阵的构建；另一个是对选优后的训练样本进行干扰目标剔除，消除干扰目标的影响。下面分别介绍这两个部分的实施方式，并通过仿真说明本发明对提高机载雷达动目标检测性能的有益效果。
训练样本的选优
步骤1，将机载雷达接收到的数据进行稀疏恢复，记录显著分量的位置,详细步骤如下：
步骤1.1，将机载雷达接收到的数据x’l(l＝1,2,...,L)变换至二维频率域进行能量积累，即：xl＝Vec(FN×Nx’lFK×K)
式中，表示按列将矩阵排列为列向量，F为离散傅里叶变换矩阵。
步骤1.2，构建冗余基矩阵Φ’，假设为Φ’中第nsKd+kd+1列，则满足：
式中，
Ss为空域导向矢量，St为时域导向矢量，为Kronecker积，Ns＝ρsN,Kd＝ρdK,N为等距的阵元数，K为阵列在每个相干处理时间内发射的脉冲数，ρs为空间角度域离散化程度，ρd为多普勒域离散化程度，ns＝0,1,…,Ns-1，kd＝0,1,…,Kd-1，Δωs为离散化后空时平面最小空域角频率间隔，Δωt为离散化后空时平面最小时域角频率间隔。
步骤1.3，将冗余基矩阵Φ’变换到二维频率域，即变换为Φ，假设为Φ中第nsKd+kd+1列，则满足：
步骤1.4，噪声容限ε可由下式获得：
式中，Em为xl中所有元素的平均能量，Ei为xl中第i个元素的能量。
步骤1.5，利用MATLAB解凸优化的CVX工具包根据式
s.t.||xl-Φσl||2≤ε
求得L-1个训练样本的幅值和待检测距离单元样本的幅值σ，构成矩阵对接收到的数据进行稀疏恢复，记录显著分量的位置(σl中除显著分量外，其他分量很小可以记为零)。
步骤2，分别计算L-1个训练样本与待检测距离单元样本中显著分量具有相同位置的幅值的数量，标记为Nl，其中l＝1,2,…,L-1。
步骤3，对Nl按照降序进行排列。
步骤4，选择前M-1个样本作为选优后的训练样本，选优后的训练样本和待检测距离单元的幅值矩阵标记为
去除选优后训练样本中的干扰目标
步骤5，为了使M-1个训练样本数据和待检测距离单元数据之间的稀疏约束相互增强，对矩阵Ap按行求l2范数，即：
将上式所得列向量按元素值由大到小的顺序记录元素的位置，并构成位置集合Γ。
步骤6，对于第m个(m＝1,2,…,M)距离单元的数据xm，依次选取Γ中的第i个(i＝1,2,…,NsKd)元素，计算稀疏恢复的第l个距离单元数据的残差为
式中，
步骤7，如果满足Δm(i)＜ε或者i＝NsKd，进入Step8,否则令i＝i+1，返回到Step6.
(三)STAP处理
步骤8，构建第m个距离单元的杂波协方差矩阵为：
由上式可得M个距离单元联合处理后的杂波协方差矩阵可表示为：
步骤9，构建杂波加噪声协方差矩阵为：
式中，δ2为噪声方差，INK为N×K维的单位矩阵。
步骤10，进行STAP处理，构造滤波器权矢量为：
W＝μR-1S
式中，μ＝(SHR-1S)-1为常数，S为目标空时导向矢量。
步骤11，经滤波器滤波，待检测距离单元的输出数据为：
y＝WHx
步骤12，根据判决门限，判断待检测距离单元是否含有动目标。
(三)仿真结果
下面通过仿真说明以上提出的基于稀疏非均匀样本选优的机载雷达稳健动目标检测方法的性能，仿真场景为具有均匀线性阵列的正侧视机载相控阵雷达系统如图1所示。阵元数N＝10，每个通道的脉冲数K＝10,雷达工作波长λ＝0.25，载机飞行的速度v＝150，载机飞行的高度H＝6×103，阵元间距d＝0.5λ，脉冲重复频率fr＝2v/d，采样距离环间距ΔR＝49m，在待检测距离单元两侧分别取80个距离单元作为训练样本(即160个训练样本)，杂噪比为50dB，M取值为71。第40、60、125、165个距离单元分别在方位角30°，2fd/fr＝0.25处加一个干扰目标，干扰目标的信杂噪比分别为-25dB、0dB、-10dB、-15dB。图2、图3分别给出了改善因子对比图和距离单元输出功率对比图，为利用基于图像特征空时处理的地面动目标检测算法(IFSTP)进行的目标信号提取对比图。
图2为改善因子对比图，从图中可以看出本发明在主杂波处杂波凹口最窄，较其他两种算法本发明不易造成漏警；本发明在干扰目标所在的2fd/fr＝0.25处没有形成凹陷，较训练样本选优SR-STAP算法本发明不易造成虚警；本发明相比训练样本选优SR-STAP算法平均改善8.25dB，相比JSR-STAP算法平均改善1.55dB。
其他仿真参数同上，在第98个距离单元和第102个距离单元分别加入一个信杂噪比为-10dB和-20dB，位于方位角30°，2fd/fr＝0.25的运动目标。图3是第81至120个距离单元的滤波输出功率。
从图3可以看出，训练样本选优SR-STAP算法由于未去除训练样本中干扰目标的影响，造成了信号相消，使得位于第102个距离单元信杂噪比为-20dB的弱目标无法检测。JSR-STAP由于未对参与构建杂波协方差矩阵的训练样本进行选优，使得构造的滤波器权矢量较本发明不够精确，故检测性能比本发明要差。
其他仿真参数同图2，在待检测距离单元加入一个位于方位角40°，2fd/fr＝0.30的运动目标。通过设定相同的增长距离，利用IFSTP提取目标信息，图4(a)、图4(b)分别是训练样本选优SR-STAP算法和本发明的目标信号提取结果。
从图4(a)可以看出，当训练样本中存在干扰目标时，训练样本选优SR-STAP算法由于未对干扰目标进行剔除，在稀疏恢复空时谱时会包含干扰目标的信息从而影响动目标检测性能。因此在提取出位于方位角40°，2fd/fr＝0.30处的运动目标的同时，在方位角30°，2fd/fr＝0.25处也提取出目标(干扰目标)的信息，造成虚警；从图4(b)可以看出本发明能够正确提取出目标信息且没有造成虚警。
其他仿真参数同图2，在待检测距离单元加入两个运动目标位于方位角40°，2fd/fr＝0.30和方位角55°，2fd/fr＝0.40处。图4(c)、图4(d)分别是JSR-STAP算法和本发明的目标信号提取结果。
从图中可以看出，JSR-STAP算法只是剔除了干扰目标未对训练样本进行选优，造成稀疏恢复的空时谱较本文算法稀疏恢复的空时谱变宽，从而影响动目标的检测性能。由于JSR-STAP算法空时谱较宽，图4(c)只提取出位于方位角40°，2fd/fr＝0.30处的目标信息，未提取出位于方位角55°，2fd/fr＝0.40处的目标信息，造成漏警。图4(d)可以看出本发明能够正确提取出目标信息且没有造成漏警。
仿真结果证明了本发明的有效性。
综上所述仅为本发明中的具体实施方式，但本发明的实际保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的推演或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。
Claims (5)
1.一种基于稀疏非均匀样本选优的机载雷达动目标检测方法，其特征在于，具体包含如下步骤：
步骤1，将机载雷达接收到的数据进行稀疏恢复，记录显著分量的位置；具体步骤如下：
步骤1.1，将机载雷达接收到的数据x′l变换至二维频率域进行能量积累，即：xl＝Vec(FN×Nx′lFK×K)
其中，表示按列将矩阵排列为列向量，F为离散傅里叶变换矩阵，l＝1,2,...,L，L为正整数；N为等距的阵元数，K为阵列在每个相干处理时间内发射的脉冲数；
步骤1.2，构建冗余基矩阵Φ’，假设为Φ’中第nsKd+kd+1列，则满足：
<mrow>
<msub>
<msup>
<mi>&Phi;</mi>
<mo>,</mo>
</msup>
<mrow>
<msub>
<mi>n</mi>
<mi>s</mi>
</msub>
<msub>
<mi>K</mi>
<mi>d</mi>
</msub>
<mo>+</mo>
<msub>
<mi>k</mi>
<mi>d</mi>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>S</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>n</mi>
<mi>s</mi>
</msub>
<mo>-</mo>
<mfrac>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<mn>2</mn>
</mfrac>
</mrow>
<mo>)</mo>
<msub>
<mi>&Delta;&omega;</mi>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&CircleTimes;</mo>
<msub>
<mi>S</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>k</mi>
<mi>d</mi>
</msub>
<mo>-</mo>
<mfrac>
<msub>
<mi>K</mi>
<mi>d</mi>
</msub>
<mn>2</mn>
</mfrac>
</mrow>
<mo>)</mo>
<msub>
<mi>&Delta;&omega;</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中，
<mrow>
<msub>
<mi>S</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>n</mi>
<mi>s</mi>
</msub>
<mo>-</mo>
<mfrac>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<mn>2</mn>
</mfrac>
</mrow>
<mo>)</mo>
<msub>
<mi>&Delta;&omega;</mi>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>,</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mn>2</mn>
<mi>&pi;</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>n</mi>
<mi>s</mi>
</msub>
<mo>-</mo>
<mfrac>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<mn>2</mn>
</mfrac>
</mrow>
<mo>)</mo>
<msub>
<mi>&Delta;&omega;</mi>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mn>2</mn>
<mi>&pi;</mi>
<mo>(</mo>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>n</mi>
<mi>s</mi>
</msub>
<mo>-</mo>
<mfrac>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<mn>2</mn>
</mfrac>
</mrow>
<mo>)</mo>
<msub>
<mi>&Delta;&omega;</mi>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
<mrow>
<msub>
<mi>S</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>k</mi>
<mi>d</mi>
</msub>
<mo>-</mo>
<mfrac>
<msub>
<mi>K</mi>
<mi>d</mi>
</msub>
<mn>2</mn>
</mfrac>
</mrow>
<mo>)</mo>
<msub>
<mi>&Delta;&omega;</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>,</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mn>2</mn>
<mi>&pi;</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>k</mi>
<mi>d</mi>
</msub>
<mo>-</mo>
<mfrac>
<msub>
<mi>K</mi>
<mi>d</mi>
</msub>
<mn>2</mn>
</mfrac>
</mrow>
<mo>)</mo>
<msub>
<mi>&Delta;&omega;</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mn>2</mn>
<mi>&pi;</mi>
<mo>(</mo>
<mrow>
<mi>K</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>k</mi>
<mi>d</mi>
</msub>
<mo>-</mo>
<mfrac>
<msub>
<mi>K</mi>
<mi>d</mi>
</msub>
<mn>2</mn>
</mfrac>
</mrow>
<mo>)</mo>
<msub>
<mi>&Delta;&omega;</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
Ss为空域导向矢量，St为时域导向矢量，为Kronecker积，Ns＝ρsN,Kd＝ρdK，ρs为空间角度域离散化程度，ρd为多普勒域离散化程度，ns＝0,1,…,Ns-1，kd＝0,1,…,Kd-1，Δωs为离散化后空时平面最小空域角频率间隔，Δωt为离散化后空时平面最小时域角频率间隔；
步骤1.3，将冗余基矩阵Φ’变换到二维频率域，即变换为Φ，假设为Φ中第nsKd+kd+1列，则满足：
<mrow>
<msub>
<mi>&Phi;</mi>
<mrow>
<msub>
<mi>n</mi>
<mi>s</mi>
</msub>
<msub>
<mi>K</mi>
<mi>d</mi>
</msub>
<mo>+</mo>
<msub>
<mi>k</mi>
<mi>d</mi>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>N</mi>
<mo>&times;</mo>
<mi>N</mi>
</mrow>
</msub>
<msub>
<mi>S</mi>
<mi>s</mi>
</msub>
<mo>(</mo>
<mrow>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>n</mi>
<mi>s</mi>
</msub>
<mo>-</mo>
<mfrac>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<mn>2</mn>
</mfrac>
</mrow>
<mo>)</mo>
</mrow>
<msub>
<mi>&Delta;&omega;</mi>
<mi>s</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&CircleTimes;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>K</mi>
<mo>&times;</mo>
<mi>K</mi>
</mrow>
</msub>
<msub>
<mi>S</mi>
<mi>t</mi>
</msub>
<mo>(</mo>
<mrow>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>k</mi>
<mi>d</mi>
</msub>
<mo>-</mo>
<mfrac>
<msub>
<mi>K</mi>
<mi>d</mi>
</msub>
<mn>2</mn>
</mfrac>
</mrow>
<mo>)</mo>
</mrow>
<msub>
<mi>&Delta;&omega;</mi>
<mi>t</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
步骤1.4，获取噪声容限ε，具体计算如下：
<mrow>
<mi>&epsiv;</mi>
<mo>=</mo>
<msqrt>
<mrow>
<msub>
<mi>E</mi>
<mi>m</mi>
</msub>
<mo>+</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>N</mi>
<mi>K</mi>
</mrow>
</munderover>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>E</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mi>N</mi>
<mi>K</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
</mrow>
</msqrt>
</mrow>
式中，Em为xl中所有元素的平均能量，Ei为xl中第i个元素的能量；
步骤1.5，利用MATLAB解凸优化的CVX工具包根据式
<mrow>
<msub>
<mover>
<mi>&sigma;</mi>
<mo>^</mo>
</mover>
<mi>l</mi>
</msub>
<mo>=</mo>
<mi>arg</mi>
<mi> </mi>
<mi>min</mi>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>&sigma;</mi>
<mi>l</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
</mrow>
s.t.||xl-Φσl||2≤ε
求得L-1个训练样本的幅值和待检测距离单元样本的幅值σ，构成矩阵A，对接收到的数据进行稀疏恢复，记录显著分量的位置；
步骤2，分别计算L-1个训练样本与待检测距离单元样本中显著分量具有相同位置的幅值的数量，标记为Nl，其中l＝1,2,…,L-1；
步骤3，对Nl按照降序进行排列；
步骤4，选择前M-1个训练样本作为选优后的训练样本，选优后的训练样本和待检测距离单元样本的幅值矩阵标记为Ap，
步骤5，去除选优后训练样本中的干扰目标；
步骤6，对步骤5处理后的训练样本进行STAP处理，判断待检测距离单元是否含有动目标。
2.根据权利要求1所述的一种基于稀疏非均匀样本选优的机载雷达动目标检测方法，其特征在于，所述步骤5具体包含如下步骤；
步骤5.1，对步骤4的矩阵Ap按行求l2范数，即：
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>A</mi>
<mi>p</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mo>:</mo>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mover>
<mi>&sigma;</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mover>
<mi>&sigma;</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mover>
<mi>&sigma;</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>M</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
</mrow>
将上式所得列向量按元素值由大到小的顺序记录元素的位置，并构成位置集合Γ；
步骤5.2，对于第m个距离单元的数据xm，依次选取Γ中的第i个元素，计算稀疏恢复的第m个距离单元数据的残差为
<mrow>
<msub>
<mi>&Delta;</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
<mo>-</mo>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msub>
<mi>K</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mi>&Phi;</mi>
<mrow>
<mo>(</mo>
<mo>:</mo>
<mo>,</mo>
<mi>&Gamma;</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msub>
<mover>
<mi>&sigma;</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>&Gamma;</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
</mrow>
其中，m＝1,2,…,M，i＝1,2,…,NsKd，
<mrow>
<msub>
<mi>K</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<mo>|</mo>
<msub>
<mover>
<mi>&sigma;</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>&Gamma;</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>&sigma;</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>&Gamma;</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>/</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mover>
<mi>&sigma;</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>&Gamma;</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>M</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mover>
<mi>&sigma;</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>&Gamma;</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>M</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<mo>|</mo>
<msub>
<mover>
<mi>&sigma;</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>&Gamma;</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>&sigma;</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>&Gamma;</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
步骤5.3，若满足Δm(i)＜ε或者i＝NsKd，则进入步骤6；否则令i＝i+1，返回到步骤5.2。
3.根据权利要求1所述的一种基于稀疏非均匀样本选优的机载雷达动目标检测方法，其特征在于，所述步骤6具体包含如下步骤；
步骤6.1，构建第m个距离单元的杂波协方差矩阵为：
<mrow>
<msub>
<mover>
<mi>R</mi>
<mo>^</mo>
</mover>
<mi>m</mi>
</msub>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msub>
<mi>K</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mover>
<mi>&sigma;</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>&Gamma;</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mi>&Phi;</mi>
<mrow>
<mo>(</mo>
<mo>:</mo>
<mo>,</mo>
<mi>&Gamma;</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msup>
<mi>&Phi;</mi>
<mi>H</mi>
</msup>
<mrow>
<mo>(</mo>
<mo>:</mo>
<mo>,</mo>
<mi>&Gamma;</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
由上式可得M个距离单元联合处理后的杂波协方差矩阵可表示为：
<mrow>
<mover>
<mi>R</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>M</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mover>
<mi>R</mi>
<mo>^</mo>
</mover>
<mi>m</mi>
</msub>
</mrow>
步骤6.2，构建杂波加噪声协方差矩阵为：
<mrow>
<msup>
<mi>R</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>=</mo>
<mover>
<mi>R</mi>
<mo>^</mo>
</mover>
<mo>+</mo>
<msup>
<mi>&delta;</mi>
<mn>2</mn>
</msup>
<msub>
<mi>I</mi>
<mrow>
<mi>N</mi>
<mi>K</mi>
</mrow>
</msub>
</mrow>
式中，δ2为噪声方差，INK为N×K维的单位矩阵；
步骤6.3，进行STAP处理，构造滤波器权矢量为：
W＝μR-1S
式中，μ＝(SHR-1S)-1为常数，S为目标空时导向矢量；
步骤6.4，经滤波器滤波，待检测距离单元的输出数据为：
y＝WHx
步骤6.5，根据待检测距离单元的输出判断待检测距离单元是否含有动目标。
4.根据权利要求1所述的一种基于稀疏非均匀样本选优的机载雷达动目标检测方法，其特征在于，在步骤1.1，L＝161。
5.根据权利要求1所述的一种基于稀疏非均匀样本选优的机载雷达稳健动目标检测方法，其特征在于，步骤8中M包括M-1个训练样本数据和1个待检测距离单元数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710436961.0A CN107664759A (zh) | 2017-06-12 | 2017-06-12 | 一种基于稀疏非均匀样本选优的机载雷达动目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710436961.0A CN107664759A (zh) | 2017-06-12 | 2017-06-12 | 一种基于稀疏非均匀样本选优的机载雷达动目标检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107664759A true CN107664759A (zh) | 2018-02-06 |
Family
ID=61122550
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710436961.0A Pending CN107664759A (zh) | 2017-06-12 | 2017-06-12 | 一种基于稀疏非均匀样本选优的机载雷达动目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107664759A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647683A (zh) * | 2018-04-28 | 2018-10-12 | 浙江大学 | 一种基于频域加噪的字符对抗验证码生成方法和系统 |
| CN109375178A (zh) * | 2018-10-29 | 2019-02-22 | 中国电子科技集团公司第十四研究所 | 一种基于稀疏重构的机会阵机载雷达非均匀杂波检测方法 |
| CN109917347A (zh) * | 2019-04-10 | 2019-06-21 | 电子科技大学 | 一种基于时频域稀疏重构的雷达行人检测方法 |
| CN110764069A (zh) * | 2019-11-14 | 2020-02-07 | 内蒙古工业大学 | 一种基于知识辅助的稀疏恢复stap色加载方法 |
| CN111537976A (zh) * | 2020-07-01 | 2020-08-14 | 内蒙古工业大学 | 一种机载雷达的运动目标检测方法及装置 |
| CN111580065A (zh) * | 2020-07-06 | 2020-08-25 | 内蒙古工业大学 | 基于知识辅助的稀疏恢复stap方法 |
| CN112906476A (zh) * | 2021-01-20 | 2021-06-04 | 电子科技大学中山学院 | 一种基于信杂噪比损失的机载雷达训练样本选择方法 |
| CN114706055A (zh) * | 2022-03-30 | 2022-07-05 | 中国人民解放军战略支援部队航天工程大学 | 面向非均衡样本的雷达字提取方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102288949A (zh) * | 2011-05-13 | 2011-12-21 | 中国民航大学 | 基于最优处理器的机动目标检测方法 |
| CN102866388A (zh) * | 2012-06-28 | 2013-01-09 | 北京理工大学 | 一种空时自适应处理中的自适应权值迭代计算方法 |
| CN103267964A (zh) * | 2013-04-21 | 2013-08-28 | 北京航空航天大学 | 一种基于低秩矩阵恢复的弹载导引头雷达σδ-stap方法 |
| CN103439692A (zh) * | 2013-09-01 | 2013-12-11 | 西安电子科技大学 | 基于协方差矩阵广对称特性的stap方法 |
| CN106102162A (zh) * | 2016-06-03 | 2016-11-09 | 南京邮电大学 | 一种用于无线传感器网络三维定位的迭代估计方法 |
-
2017
- 2017-06-12 CN CN201710436961.0A patent/CN107664759A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102288949A (zh) * | 2011-05-13 | 2011-12-21 | 中国民航大学 | 基于最优处理器的机动目标检测方法 |
| CN102866388A (zh) * | 2012-06-28 | 2013-01-09 | 北京理工大学 | 一种空时自适应处理中的自适应权值迭代计算方法 |
| CN103267964A (zh) * | 2013-04-21 | 2013-08-28 | 北京航空航天大学 | 一种基于低秩矩阵恢复的弹载导引头雷达σδ-stap方法 |
| CN103439692A (zh) * | 2013-09-01 | 2013-12-11 | 西安电子科技大学 | 基于协方差矩阵广对称特性的stap方法 |
| CN106102162A (zh) * | 2016-06-03 | 2016-11-09 | 南京邮电大学 | 一种用于无线传感器网络三维定位的迭代估计方法 |
Non-Patent Citations (3)
| Title |
|---|
| SUDAN HAN等: "A Novel Training Sample Selection Method for STAP Based on Clutter Sparse Recovery", 《2016 PROGRESS IN ELECTROMAGNETIC RESEARCH SYMPOSIUM》 * |
| 王伟伟等: "一种基于压缩感知的地面运动目标检测方法", 《电子与信息学报》 * |
| 高志奇等: "基于联合稀疏功率谱恢复的机载雷达稳健STAP 算法研究", 《电子学报》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647683A (zh) * | 2018-04-28 | 2018-10-12 | 浙江大学 | 一种基于频域加噪的字符对抗验证码生成方法和系统 |
| CN109375178A (zh) * | 2018-10-29 | 2019-02-22 | 中国电子科技集团公司第十四研究所 | 一种基于稀疏重构的机会阵机载雷达非均匀杂波检测方法 |
| CN109917347A (zh) * | 2019-04-10 | 2019-06-21 | 电子科技大学 | 一种基于时频域稀疏重构的雷达行人检测方法 |
| CN109917347B (zh) * | 2019-04-10 | 2021-09-24 | 电子科技大学 | 一种基于时频域稀疏重构的雷达行人检测方法 |
| CN110764069A (zh) * | 2019-11-14 | 2020-02-07 | 内蒙古工业大学 | 一种基于知识辅助的稀疏恢复stap色加载方法 |
| CN110764069B (zh) * | 2019-11-14 | 2021-08-10 | 内蒙古工业大学 | 一种基于知识辅助的稀疏恢复stap色加载方法 |
| CN111537976A (zh) * | 2020-07-01 | 2020-08-14 | 内蒙古工业大学 | 一种机载雷达的运动目标检测方法及装置 |
| CN111537976B (zh) * | 2020-07-01 | 2022-12-09 | 内蒙古工业大学 | 一种机载雷达的运动目标检测方法及装置 |
| CN111580065B (zh) * | 2020-07-06 | 2022-11-08 | 内蒙古工业大学 | 基于知识辅助的稀疏恢复stap方法 |
| CN111580065A (zh) * | 2020-07-06 | 2020-08-25 | 内蒙古工业大学 | 基于知识辅助的稀疏恢复stap方法 |
| CN112906476A (zh) * | 2021-01-20 | 2021-06-04 | 电子科技大学中山学院 | 一种基于信杂噪比损失的机载雷达训练样本选择方法 |
| CN114706055B (zh) * | 2022-03-30 | 2022-11-04 | 中国人民解放军战略支援部队航天工程大学 | 面向非均衡样本的雷达字提取方法 |
| CN114706055A (zh) * | 2022-03-30 | 2022-07-05 | 中国人民解放军战略支援部队航天工程大学 | 面向非均衡样本的雷达字提取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107664759A (zh) | 一种基于稀疏非均匀样本选优的机载雷达动目标检测方法 | |
| CN104950296B (zh) | 基于重加权自适应功率剩余的稳健非均匀检测方法 | |
| CN104714225B (zh) | 一种基于广义似然比的动态规划检测前跟踪方法 | |
| CN106249219B (zh) | 基于自适应匹配滤波响应的sar动目标检测方法 | |
| CN103412290B (zh) | 知识辅助的apr非均匀样本检测方法 | |
| CN110174651B (zh) | 基于低秩Hankel矩阵补全的气象雷达风电场杂波抑制方法 | |
| CN106501785B (zh) | 一种基于交替方向乘子法的稳健稀疏恢复stap方法及其系统 | |
| CN105738879A (zh) | 基于稀疏恢复的雷达杂波空时自适应预滤波方法 | |
| CN110294147B (zh) | 一种空间碎片防护构型缓冲屏损伤评估方法 | |
| CN104849708B (zh) | 基于频域多项式相位变换的高速机动目标参数估计方法 | |
| Denbina et al. | Forest height estimation using multibaseline PolInSAR and sparse lidar data fusion | |
| CN107015214B (zh) | 一种基于稀疏贝叶斯学习的空时自适应处理方法 | |
| CN102608587B (zh) | 基于非线性最小二乘的空中机动目标检测方法 | |
| CN105301584B (zh) | 同时解距离模糊的ipphdf机动多目标跟踪方法 | |
| CN109669183A (zh) | 一种基于Keystone和时频变换的地球同步轨道SAR运动目标成像处理装置 | |
| CN106772273A (zh) | 一种基于动态孔径的sar虚假目标干扰抑制方法及系统 | |
| CN112904290A (zh) | 一种雷达智能认知抗干扰策略的生成方法 | |
| CN103901416A (zh) | 一种基于稳健主成分分析法的多通道杂波抑制方法 | |
| CN107942324A (zh) | 基于多普勒引导的多帧联合小目标双重检测方法 | |
| CN109934101A (zh) | 基于卷积神经网络的雷达杂波识别方法 | |
| CN108318865A (zh) | 多通道sar欺骗干扰鉴别与自适应抑制方法 | |
| CN106772302A (zh) | 一种复合高斯背景下的知识辅助stap检测方法 | |
| CN106950546B (zh) | 基于马氏距离重加权的非均匀杂波抑制方法 | |
| CN104076360A (zh) | 基于压缩感知的二维sar稀疏目标成像方法 | |
| CN103116740B (zh) | 一种水下目标识别方法及其装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180206 |
|
| RJ01 | Rejection of invention patent application after publication |