CN108037488A - 一种非均匀环境空时样本选择方法 - Google Patents

一种非均匀环境空时样本选择方法 Download PDF

Info

Publication number
CN108037488A
CN108037488A CN201711050659.8A CN201711050659A CN108037488A CN 108037488 A CN108037488 A CN 108037488A CN 201711050659 A CN201711050659 A CN 201711050659A CN 108037488 A CN108037488 A CN 108037488A
Authority
CN
China
Prior art keywords
sample
section
clutter
interval
histogram
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
Application number
CN201711050659.8A
Other languages
English (en)
Other versions
CN108037488B (zh
Inventor
李渝
范飞
范一飞
王伟伟
杨晓超
李财品
黎薇萍
李奇
张欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Institute of Space Radio Technology
Original Assignee
Xian Institute of Space Radio Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Institute of Space Radio Technology filed Critical Xian Institute of Space Radio Technology
Priority to CN201711050659.8A priority Critical patent/CN108037488B/zh
Publication of CN108037488A publication Critical patent/CN108037488A/zh
Application granted granted Critical
Publication of CN108037488B publication Critical patent/CN108037488B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

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

一种非均匀环境空时样本选择方法，用于实现雷达对杂波进行抑制及目标检测，是能够适应空时自适应处理技术的一种重要方法，本方法通过生成统计样本幅度的概率分布直方图、进行样本直方图聚类处理、判断样本区间的连续性、根据聚类处理后样本直方图区间数目区分类型以及计算协方差矩阵并进行空时自适应处理的步骤对非均匀环境下的杂波进行处理，克服了一般情况下雷达无法获取准确先验信息、无法适应复杂杂波环境等问题，操作简便、信息准确，可靠性高。

Description

一种非均匀环境空时样本选择方法
技术领域
本发明涉及一种非均匀环境空时样本选择方法，属于雷达技术领域。
背景技术
典型的非均匀杂波主要分为功率非均匀和干扰目标。在功率非均匀环境下，如果杂波功率估计不足，将导致杂波抑制不充分，引起虚警率上升；如果杂波功率估计过高，将导致目标检测性能损失。对于干扰目标环境，即待检测单元周围存在多个离散干扰的情况，若待检测单元与干扰目标在方位位置和多普勒都相离很近时，会导致目标检测性能损失。针对功率非均匀环境，功率选择类算法通过选择功率较大的杂波样本进行空时处理，使强杂波凹口加深和展宽，可以有效降低强杂波引起的虚警。针对干扰目标环境，样本挑选类算法通过剔除与杂波环境统计特性不同的干扰点来增加剩余样本可靠性，从而提高目标检测性能。然而上述经典空时处理算法一般仅适用于特定的杂波环境，无法在复杂的杂波环境中获得稳定的检测性能。另外，雷达对观测数据处理时可以融合外界信息，从而更准确的掌握非均匀环境杂波类型，但这类知识辅助算法的性能主要取决于融合信息的准确度，而且需要雷达系统具有较快的数据处理能力和较大的数据存储能力，工程实现复杂度较高。
考虑到雷达系统可靠性和工程可实现性，雷达系统在工作时一般无法获取准确的先验信息，不能进行良好的自适应，不能保证在先验信息未知或先验信息不准确的条件下获得较好的空时检测性能。
发明内容
本发明解决的技术问题是：针对现有技术中雷达系统在工作时无法获取准确的样本模板的问题，提出了一种非均匀环境空时样本选择方法。
本发明目的通过以下技术方案予以实现：
一种非均匀环境空时样本选择方法，步骤如下：
(1)根据样本幅值对采集得到的杂波样本进行等分，通过等分后的杂波样本生成样本幅度分布直方图，并对样本幅度分布直方图中每个样本区间进行样本幅度出现概率统计；
(2)对步骤(1)所得样本幅度分布直方图进行聚类处理，根据新区间判定方法确定每个样本区间是否为可以合并的区间，对可以合并的区间进行合并；对不满足新区间条件的已合并区间两边的样本区间再进行合并并单独存储，直至所有样本区间处理完毕；
其中，所述新区间判定方法为：
(a)对样本区间进行初步判定，以步骤(1)所得样本幅度分布直方图中概率最大的样本区间为中心，若两侧样本区间样本出现概率依次减小，则将该样本区间及两侧样本区间视为符合判定条件，将符合判定条件的三个样本区间合并为一个区间；若不符合判定条件，则进入步骤(b)；
(b)保持该样本区间不变，对该样本区间两侧不满足判定条件的N1、N2两个区间，合并为1个区间并进行单独存储；
(3)对步骤(2)所得聚类处理后样本幅度分布直方图进行距离连续性判断；
(4)根据步骤(2)聚类处理后样本区间数目及步骤(3)样本距离连续性判断后的样本直方图区间进行不同观测区域分类；
(5)分别计算不同分类观测区域对应的协方差矩阵；
(6)根据步骤(5)计算所得协方差矩阵，对不同分类观测区域的杂波进行处理，完成空时自适应处理。
所述步骤(1)中，采集到的杂波样本总数为N，根据样本幅值将杂波样本等分为D个子区间，若某区间样本个数为M，则该区间样本出现概率为M/N。
所述步骤(3)中，对样本幅度分布直方图进行距离连续性判断的方法步骤如下：
(3a)根据样本区间数对聚类处理后的样本幅度分布直方图进行分类，若聚类处理后样本区间数量为1，不进行样本连续性判断；若聚类处理后样本区间数量大于1，则对每个样本区间进行样本直方图距离连续性判断，进入步骤(3b)；
(3b)对样本区间进行连续性判断，将该样本区间分为L个距离单元，其中L为样本区间内样本个数，距离单元均值为R0，将该样本区间内所有样本所在距离单元与R0差值的绝对值进行累计，若累计值小于round(L2/4)，则此区间样本出现概率大于所有区间样本平均出现概率，此区间为连续样本区间，否则视为不连续样本区间；其中，所述round为四舍五入处理。
所述步骤(4)中，对步骤(4)进行连续性判断后的样本直方图区间进行区域观测，根据样本直方图区间数目对观测区域进行分类的方法为：
(i)若聚类后的样本直方图区间数目为1，则认为杂波类型为均匀杂波；
(ii)若聚类后的样本直方图区间数目大于1，且每个区间中样本均是连续的，则认为观测区域是杂波边缘环境；
(iii)若聚类后的样本直方图区间数目大于1，且每个区间中样本不是连续的，则认为观测区域是多目标干扰环境。
所述步骤(5)中，分三种情况计算协方差矩阵，其中：
(i)当杂波类型为均匀杂波时，选用所有采集到的杂波样本计算协方差矩阵；
(ii)当观测区域为杂波边缘环境时，使用待测的连续样本区间的区间样本计算协方差矩阵；
(iii)当观测区域为多目标干扰环境时，使用概率最大的样本直方图区间样本计算协方差矩阵。
本发明与现有技术相比的优点在于：
(1)本发明提供的非均匀环境条件下空时样本选择方法，能够克服传统空时样本挑选方法不能在多种非均匀环境中获取有效样本的缺陷，通过统计样本幅度生成概率分布直方图，并通过对直方图进行聚类处理，对观测区域杂波类型进行判断，保证了算法在不同杂波环境下均有较好的目标检测性能；
(2)本发明提供的非均匀环境条件下空时样本选择方法，可以通过针对不同杂波类型使用相应的空时样本筛选策略，保证获取准确的先验信息，同时与现有技术相比，能更好的进行自适应，工程实现复杂度低，对观测数据处理时可以融合外界信息，可靠性更好。
附图说明
图1为发明提供的样本选择方法流程图；
图2为发明提供的均匀杂波环境下不同算法输出信杂噪比示意图；
图3为发明提供的杂波边缘环境下不同算法输出信杂噪比示意图；
图4为发明提供的干扰目标环境下不同算法输出信杂噪比示意图；
图5为发明提供的干扰目标环境下SCM算法STAP输出示意图；
图6为发明提供的干扰目标环境下广义内积算法STAP输出示意图；
图7为发明提供的干扰目标环境下所提算法STAP输出示意图；
图8为发明提供的干扰目标环境下最优权算法STAP输出示意图；
具体实施方式
下面对本发明实施及效果作进一步的详细描述：
本发明可应用于先验信息未知或先验信息不准确的非均匀杂波环境中。首先统计样本幅度概率分布直方图，对直方图进行聚类和连续性判断，得到观测区域杂波类型，在此基础上，针对不同杂波类型使用相应的空时样本筛选策略，如图1所示，其具体实现步骤如下：
步骤一：根据样本幅值对系统采集得到的杂波样本进行等分，通过等分后的杂波样本生成样本幅度分布直方图，并对样本幅度分布直方图中每个样本区间进行样本出现概率统计，其中：
(1)对采集到得杂波样本进行幅值等分，假设系统采集到的杂波样本个数为N，根据样本幅值将其等分为D个子区间，D的选取与采集的样本个数成正比；
(2)对样本幅度分布直方图中每个样本区进行样本出现概率统计，假设某区间内的样本个数为M，则该区间内样本出现概率为M/N。
步骤二：对步骤一所得样本幅度分布直方图进行聚类处理，根据新区间判定方法确定所有区间是否为可以合并的新区间，对可以合并的区间进行合并；对不满足新区间条件的区间进行合并及单独存储，同时对剩余区间继续进行判定至样本直方图无剩余空间；
对样本区间的判定方法步骤如下：
(1)对样本区间进行初步判定，以步骤一所得样本幅度分布直方图中概率最大的样本区间为中心，若两侧样本区间样本出现概率依次减小，则视为符合判定条件，将所有判定后样本区间合并为1个区间；若不符合判定条件，则进入步骤(2)；
(2)样本区间中分别存在不满足判定条件的N1、N2两个区间，将所述两个区间合并为1个区间并进行单独存储，进入步骤(3)；
(3)继续以不包括区间N1、N2的剩余区间中概率最大的样本区间为中心，重复步骤(2)的操作通过判定条件对剩余区间进行判定，更新剩余区间；
(4)判断样本幅度分布直方图剩余区间是否为空，若不为空，重复步骤(3)，若为空，则样本幅度分布直方图聚类处理结束。
步骤三：对步骤二所得聚类处理后样本幅度分布直方图进行距离连续性判断；
(1)根据样本区间数对步骤二所得聚类处理后的样本幅度分布直方图进行分类，若聚类处理后样本区间数量为1，不进行样本进行连续性判断；若聚类处理后样本区间数量大于1，则对每个样本区间进行样本直方图距离连续性判断，进入步骤(2)；
(2)对样本区间进行连续性判断，其中样本区间内样本个数为L，将该样本区间分为L个距离单元，距离单元均值为R0，每个距离单元对应一个杂波样本，将该样本区间内所有样本所在距离单元与R0差值的绝对值进行累计，若累计值小于round(L2/4)，则此区间样本出现概率大于所有区间样本平均出现概率，此区间为连续样本区间，否则视为不连续样本区间；
步骤四：根据步骤二聚类处理后样本区间数目及步骤三样本距离连续性判断后的样本直方图区间进行不同观测区域分类；
根据样本直方图区间数目对观测区域进行分类，其中：
(1)若聚类后的样本直方图区间数目为1，则认为杂波类型为均匀杂波；
(2)若聚类后的样本直方图区间数目大于1，且每个区间中样本均是连续的，则认为观测区域是杂波边缘环境；
(3)若聚类后的样本直方图区间数目大于1，且每个区间中样本不是连续的，则认为观测区域是多目标干扰环境；
步骤五：根据步骤四所得分类后观测区域环境分别计算对应的协方差矩阵，进行空时自适应处理，其中，协方差矩阵的计算方法如下：
(1)当杂波类型为均匀杂波时，不进行样本筛选，选用所有采集样本计算协方差矩阵；
(2)当观测区域为杂波边缘环境时，使用待测单元所在距离区间样本计算协方差矩阵；
(3)当观测区域为多目标干扰环境时，使用概率最大的样本直方图区间样本计算协方差矩阵；
根据上述计算所得协方差矩阵进行样本直方图空时自适应处理。
下面通过仿真实验对本发明的效果做进一步说明：
仿真参数设置如下：雷达平台正侧视工作，速度100m/s，工作波长0.23m(L波段)，阵元个数为8，阵元间距为波长一半。相干处理间隔内脉冲个数为8，脉冲重复频率为2500Hz，样本总数为300，样本幅度直方图统计时分为6段。如图2所示，比较了均匀杂波环境下最优权方法、所提方法、传统的广义内积算法和协方差求逆算法的输出信杂噪比，其中目标信噪比为10dB，杂噪比为40dB。如图3所示，比较了杂波边缘环境下最优权方法、所提方法、传统的广义内积算法和协方差求逆算法的输出信杂噪比，其中观测场景中共有三个杂波边缘，杂噪比分别为25dB,60dB,35dB，所占样本比例分别为0.5,0.35,0.15，目标位于第二个杂波区域，目标信噪比为10dB。如图4所示，比较了多目标干扰环境下最优权方法、所提方法、传统的广义内积算法和协方差求逆算法的输出信杂噪比，其中目标归一化多普勒频率0.4，10个干扰目标多普勒均位于区间0.3到0.5之间，且分布在不同的距离单元中，信噪比分别为16dB，17dB，18dB，19dB，20dB，21dB，22dB，23dB，24dB和25dB。如图5至图8所示，分别给出了多目标干扰环境下以上几种方法的空时滤波结果。
仿真结论：对于杂波边缘环境，图3中仿真结果表明所提算法输出信杂噪比优于几种经典的空时处理算法，且与使用理想协方差矩阵的最优权算法(最优权算法代表理论上算法的性能上限)性能最接近，这是由于所提样本筛选算法可以有效降低其他杂波边缘区域样本对待检测单元空时处理性能的影响，使所提算法估计的杂波协方差矩阵与待检测单元匹配度更高；对于多目标干扰环境，图4中仿真结果表明所提算法在干扰目标所在多普勒区域输出信杂噪比明显优于几种经典的空时处理算法，与使用理想协方差矩阵的最优权算法性能最接近，这是由于所提样本筛选算法可以有效去除多目标干扰对样本协方差矩阵估计的影响，避免干扰目标处产生零陷(零陷位置在图4中已标出，即干扰目标多普勒所在区间)引起检测性能的损失。另外，由图5～图8不同空时算法滤波输出可以看出只有所提算法可以在多个干扰目标处形成明显峰值，与理想的最优权算法输出基本一致，进一步说明了所提样本筛选策略能有效避免多目标干扰对协方差矩阵估计的影响。其他几种空时处理算法在多个干扰目标处峰值不明显，这是由于协方差矩阵样本选择不合理导致干扰目标处形成零陷所致。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。

Claims (5)

1.一种非均匀环境空时样本选择方法，其特征在于步骤如下：
(1)根据样本幅值对采集得到的杂波样本进行等分，通过等分后的杂波样本生成样本幅度分布直方图，并对样本幅度分布直方图中每个样本区间进行样本幅度出现概率统计；
(2)对步骤(1)所得样本幅度分布直方图进行聚类处理，根据新区间判定方法确定每个样本区间是否为可以合并的区间，对可以合并的区间进行合并；对不满足新区间条件的已合并区间两边的样本区间再进行合并并单独存储，直至所有样本区间处理完毕；
其中，所述新区间判定方法为：
(a)对样本区间进行初步判定，以步骤(1)所得样本幅度分布直方图中概率最大的样本区间为中心，若两侧样本区间样本出现概率依次减小，则将该样本区间及两侧样本区间视为符合判定条件，将符合判定条件的三个样本区间合并为一个区间；若不符合判定条件，则进入步骤(b)；
(b)保持该样本区间不变，对该样本区间两侧不满足判定条件的N1、N2两个区间，合并为1个区间并进行单独存储；
(3)对步骤(2)所得聚类处理后样本幅度分布直方图进行距离连续性判断；
(4)根据步骤(2)聚类处理后样本区间数目及步骤(3)样本距离连续性判断后的样本直方图区间进行不同观测区域分类；
(5)分别计算不同分类观测区域对应的协方差矩阵；
(6)根据步骤(5)计算所得协方差矩阵，对不同分类观测区域的杂波进行处理，完成空时自适应处理。
2.根据权利要求1所述的一种非均匀环境空时样本选择方法，其特征在于：所述步骤(1)中，采集到的杂波样本总数为N，根据样本幅值将杂波样本等分为D个子区间，若某区间样本个数为M，则该区间样本出现概率为M/N。
3.根据权利要求1所述的一种非均匀环境空时样本选择方法，其特征在于：所述步骤(3)中，对样本幅度分布直方图进行距离连续性判断的方法步骤如下：
(3a)根据样本区间数对聚类处理后的样本幅度分布直方图进行分类，若聚类处理后样本区间数量为1，不进行样本连续性判断；若聚类处理后样本区间数量大于1，则对每个样本区间进行样本直方图距离连续性判断，进入步骤(3b)；
(3b)对样本区间进行连续性判断，将该样本区间分为L个距离单元，其中L为样本区间内样本个数，所有相邻区间距离单元均值为R0，将该样本区间内所有样本所在距离单元与R0差值的绝对值进行累计，若累计值小于round(L2/4)，则此区间样本出现概率大于所有区间样本平均出现概率，此区间为连续样本区间，否则视为不连续样本区间；其中，所述round为四舍五入处理。
4.根据权利要求1所述的一种非均匀环境空时样本选择方法，其特征在于：所述步骤(4)中，对步骤(4)进行连续性判断后的样本直方图区间进行区域观测，根据样本直方图区间数目对观测区域进行分类的方法为：
(i)若聚类后的样本直方图区间数目为1，则认为杂波类型为均匀杂波；
(ii)若聚类后的样本直方图区间数目大于1，且每个区间中样本均是连续的，则认为观测区域是杂波边缘环境；
(iii)若聚类后的样本直方图区间数目大于1，且每个区间中样本不是连续的，则认为观测区域是多目标干扰环境。
5.根据权利要求4所述的一种非均匀环境空时样本选择方法，其特征在于：所述步骤(5)中，分三种情况计算协方差矩阵，其中：
(i)当杂波类型为均匀杂波时，选用所有采集到的杂波样本计算协方差矩阵；
(ii)当观测区域为杂波边缘环境时，使用待测的连续样本区间的区间样本计算协方差矩阵；
(iii)当观测区域为多目标干扰环境时，使用概率最大的样本直方图区间样本计算协方差矩阵。
CN201711050659.8A 2017-10-31 2017-10-31 一种非均匀环境空时样本选择方法 Active CN108037488B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711050659.8A CN108037488B (zh) 2017-10-31 2017-10-31 一种非均匀环境空时样本选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711050659.8A CN108037488B (zh) 2017-10-31 2017-10-31 一种非均匀环境空时样本选择方法

Publications (2)

Publication Number Publication Date
CN108037488A true CN108037488A (zh) 2018-05-15
CN108037488B CN108037488B (zh) 2020-03-24

Family

ID=62093723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711050659.8A Active CN108037488B (zh) 2017-10-31 2017-10-31 一种非均匀环境空时样本选择方法

Country Status (1)

Country Link
CN (1) CN108037488B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111220977A (zh) * 2020-01-16 2020-06-02 深圳大学 基于角度及频率域滤波的似然music低仰角估计方法
CN113724803A (zh) * 2021-09-02 2021-11-30 四川启睿克科技有限公司 一种有效提升酒糟样品预测准确率的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001013180A (ja) * 1999-06-30 2001-01-19 Anritsu Corp 信号分析装置
GB2506091A (en) * 1993-05-06 2014-03-26 Northern Telecom Ltd Radar
CN105335703A (zh) * 2015-10-13 2016-02-17 西北工业大学 基于运动重构技术的交通场景异常检测方法
CN106526545A (zh) * 2016-11-09 2017-03-22 西安空间无线电技术研究所 一种鲁棒cfar检测器的检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2506091A (en) * 1993-05-06 2014-03-26 Northern Telecom Ltd Radar
JP2001013180A (ja) * 1999-06-30 2001-01-19 Anritsu Corp 信号分析装置
CN105335703A (zh) * 2015-10-13 2016-02-17 西北工业大学 基于运动重构技术的交通场景异常检测方法
CN106526545A (zh) * 2016-11-09 2017-03-22 西安空间无线电技术研究所 一种鲁棒cfar检测器的检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LI YUJIE 等: ""Research Of Small Target Detection Within Sea Clutter Based On Chaos"", 《2009 INTERNATIONAL CONFERENCE ENVIROMENTAL SCIENCE AND INFORMATION APPLICATION TECHNOLOGY》 *
王懋 等: ""基于小样本集推理的雷达信号多维分选技术"", 《航天电子对抗》 *
高贵 等: ""高分辨SAR图像中杂波的统计特性分析"", 《信号处理》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111220977A (zh) * 2020-01-16 2020-06-02 深圳大学 基于角度及频率域滤波的似然music低仰角估计方法
CN111220977B (zh) * 2020-01-16 2022-04-08 深圳大学 基于角度及频率域滤波的似然music低仰角估计方法
CN113724803A (zh) * 2021-09-02 2021-11-30 四川启睿克科技有限公司 一种有效提升酒糟样品预测准确率的方法
CN113724803B (zh) * 2021-09-02 2024-03-12 四川启睿克科技有限公司 一种有效提升酒糟样品预测准确率的方法

Also Published As

Publication number Publication date
CN108037488B (zh) 2020-03-24

Similar Documents

Publication Publication Date Title
Islam et al. Artificial intelligence techniques for clutter identification with polarimetric radar signatures
US20230161073A1 (en) Thunderstorm gale early-warning method, system, equipment, and terminal
CN103995259B (zh) 密集干扰环境下雷达目标自适应滤波融合检测方法
CN101975940A (zh) 基于分割组合的sar图像自适应恒虚警率目标检测方法
CN116644373B (zh) 基于人工智能的汽车流量数据分析管理系统
CN113721219B (zh) 一种基于多参数聚类的雷达信号分选方法和系统
CN114114192B (zh) 集群目标检测方法
CN107907864A (zh) 一种风廓线雷达降水干扰抑制方法和系统
CN111551903A (zh) 改进型二维变化指数恒虚警目标检测方法
CN111562571B (zh) 一种未知新生强度的机动多目标跟踪与航迹维持方法
CN108037488A (zh) 一种非均匀环境空时样本选择方法
CN115081346B (zh) 一种风电机组尾流效应下的健康度判断方法、装置及介质
CN101794437A (zh) 一种高光谱遥感影像异常探测方法
CN112180341B (zh) 一种背景自适应cfar算法选择的实现方法
CN109324328A (zh) 提取降水时风廓线雷达垂直波束湍流谱的方法及装置
CN107730537A (zh) 基于箱粒子概率假设密度滤波的弱目标检测与跟踪方法
CN114580260B (zh) 一种基于机器学习和概率理论的滑坡区间预测方法
CN106526545A (zh) 一种鲁棒cfar检测器的检测方法
Gálvez et al. Improved neural network based CFAR detection for non homogeneous background and multiple target situations
CN114609609A (zh) Fmcw激光雷达随机采样提取静止点云的速度估计方法
CN208060701U (zh) 一种基于微波的多目标分类系统
CN110208767A (zh) 一种基于拟合相关系数的雷达目标快速检测方法
Liu et al. Data fusion of multiradar system by using genetic algorithm
CN112904302A (zh) 网格化frft域雷达目标检测与多级联合虚警剔除方法
CN109919298B (zh) 基于长短时记忆网络的机场跑道刻槽自动识别与测量方法

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
GR01 Patent grant
GR01 Patent grant