CN108154106B - 一种提高脉冲信号重周直方图峰值高度比的方法 - Google Patents
一种提高脉冲信号重周直方图峰值高度比的方法 Download PDFInfo
- Publication number
- CN108154106B CN108154106B CN201711396493.5A CN201711396493A CN108154106B CN 108154106 B CN108154106 B CN 108154106B CN 201711396493 A CN201711396493 A CN 201711396493A CN 108154106 B CN108154106 B CN 108154106B
- Authority
- CN
- China
- Prior art keywords
- histogram
- common factor
- value
- peak
- original
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/08—Measuring electromagnetic field characteristics
- G01R29/0864—Measuring electromagnetic field characteristics characterised by constructional or functional features
- G01R29/0892—Details related to signal analysis or treatment; presenting results, e.g. displays; measuring specific signal features other than field strength, e.g. polarisation, field modes, phase, envelope, maximum value
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种提高脉冲信号重周直方图峰值高度比的方法,包括以下步骤:对侦收到的脉冲序列按脉冲间隔进行分组,并对各分组分别完成直方图统计,形成原始分组直方图;对各个原始分组直方图的峰值进行最大公因子分析,形成各个公因子的估计值集合;根据公因子估计值集合对原始分组直方图进行峰值重构,形成重构分组直方图;将各个重构分组直方图进行合并,形成最终的重构重周直方图。
Description
技术领域
本发明涉及一种电磁环境监测技术,特别时一种提高脉冲信号重周直方图峰值高度比的方法。
背景技术
电磁环境监测设备广泛应用于军用和民用领域,在对重点区域敏感信号的监测过程中发挥了重要的作用。其工作方式是侦收外界的电磁信号,经过信号处理后输出真实信号的特征参数。对于脉冲信号,其主要处理流程包括以下3个步骤:1、计算侦收到的脉冲序列的脉冲间隔并进行直方图统计(或聚类,机理相同),根据直方图峰值高度识别可能的重复周期;2、根据步骤1得到的重复周期对脉冲序列进行去交错处理,得到一个符合重复周期要求的脉冲序列;3、对步骤2得到的脉冲序列进行合理性分析,判断是否为真实存在的信号并计算特征参数。在上述处理流程中,步骤1是最关键的一步,如果不能成功识别出真实信号的重复周期,后续的处理都没有意义。
在步骤1中,为了提高检测概率和降低虚警概率,要求真实信号的重复周期在直方图中的峰值要高于其它虚假信号的峰值,也就是要有一定的高度比;同时,目前的电磁环境监测设备都是采用信息化处理手段,对重复周期的识别基本都是依赖于通过检测高度比是否达到判别门限从而完成自动化判断。在通常情况下,真实信号的重复周期峰值在直方图中很容易获得满足要求的高度比,但是在复杂电磁环境下,由于杂乱脉冲干扰和真实脉冲丢失,真实信号的峰值高度比受到削弱,或者说真实信号的峰值几乎被其它虚假信号的峰值给淹没了,通常都不能达到判别门限的要求,无法正确识别出真实信号的重复周期,导致电磁环境监测设备无法及时发现周围的敏感信号。
根据以上分析可知,提高真实信号重复周期峰值高度比对提高电磁环境监测设备的性能有着非常重要的意义。目前业界的技术方案通常有3种:1、增加直方图的计算阶数,通过高阶的直方图提高真实信号的峰值高度;2、增加基于脉冲参数的预处理流程,通过剔除杂乱脉冲以减少其对真实信号峰值高度比的影响;3、通过改进的直方图提高真实信号的峰值高度比,例如海军航空工程学院的廖辉荣和李国林在论文《相似性加权△t直方图脉冲串去交错技术》中提出的相似性加权直方图去交错方法。但是上述各项技术方案都存在着一定的不足:1、对电磁环境监测设备提出了额外的成本需求,其中方法1需要较大的存储空间和高性能芯片,否则无法实时完成高阶运算;而方法2和方法3都要求有较高的脉冲参数测量精度,否则预处理和相似性计算都会效果很差,而这些需求在实际工程中意味着需要增加新的硬件成本,通常很难被满足;2、只能一定程度上减小杂乱脉冲对真实信号峰值高度比的影响,而不能减小脉冲丢失对峰值高度比的影响,也就是即使在无杂乱脉冲环境下,上述三种解决方案对提高真实峰值高度比没有任何增益,特别是高阶直方图的方法甚至会恶化真实峰值的高度比(高阶计算会导致谐波峰值的增加),如果真实信号丢失率高到在时域上都不存在两根连续的脉冲,则上述3种解决方案都会完全失效,在直方图中连真实重复周期的峰值都不会存在。其中第二个不足对电磁环境监测设备的影响最大,也是当前急需解决的问题。
上文提到的无法减小脉冲丢失对峰值高度比影响的原因在于,现有技术方案都是尽可能的采用各种方法找到满足重复周期数值的脉冲间隔个数,从而提高直方图中真实信号的峰值高度,同时降低杂乱脉冲产生的峰值高度。但是,如果脉冲发生了丢失,其原有的脉冲间隔关系就丢失了,仅仅通过直方图无法得到原有的重复周期数值。如果真实信号丢失率高到在时域上都不存在两根连续的脉冲,通过脉冲间隔计算方法根本无法得到满足真实信号实际重复周期数值的脉冲间隔,也就是在直方图中该重复周期的峰值高度为零。另一方面,脉冲丢失有可能导致谐波信号的重复周期统计值的增加,进一步恶化了真实信号重复周期在直方图中的峰值高度比。从机理上,目前的技术方案都是在已有的信息总量上尽可能的把信息挖掘出来,但是并不能创造出新的可用信息。
实际上,真实信号的谐波信号间接的包含了真实信号重复周期的信息:谐波信号的重复周期是真实重复周期的整数倍,谐波信号之间最大公因子也正是真实重复周期。如果能够根据这一关系,将由于脉冲丢失而缺失的真实信号重复周期重构出来,则可以从机理上弥补现有的各种技术方案的不足,也就是相当于在已有的信息总量上创造出新的可用信息。但是在实际工程中由于不可避免的存在各种测量误差,谐波信号重复周期的实际测量结果与其真实值存在一定的偏离,不再满足原有的整数倍和最大公因子的数学关系。所以,试图简单的直接通过谐波信号与真实信号之间重复周期的数学关系来重构出真实信号的重复周期在实际工程中是不可行的。
发明内容
本发明的目的在于提供一种提高脉冲信号重周直方图峰值高度比的方法,包括以下步骤:
步骤1,对侦收到的脉冲序列按脉冲间隔进行分组,并对各分组分别完成直方图统计,形成原始分组直方图;
步骤2,对各个原始分组直方图的峰值进行最大公因子分析,形成各个公因子的估计值集合以及标称值集合;
步骤3,根据公因子估计值集合对原始分组直方图进行峰值重构,形成重构分组直方图;
步骤4,将各个重构分组直方图进行合并,形成最终的重构重周直方图。
本发明的效果是:(1)对电磁环境监测设备没有额外的成本需求,即在现有的设备平台基础上通过升级处理算法即可实现对性能提升;(2)不仅可以减小杂乱脉冲对峰值高度比的影响,还能够有效减小脉冲丢失对峰值高度比产生的影响;(3)可以适应时域上不存在两根连续脉冲的高丢失率的脉冲信号。
下面结合说明书附图对本发明作进一步描述。
附图说明
图1为本发明的方法流程图。
图2为原始重周直方图示意图。
图3为原始分组直方图示意图。
图4为重构分组直方图示意图。
图5为重构重周直方图示意图。
具体实施方式
结合图1~5,本发明提出的一种提高脉冲信号重周直方图峰值高度比的方法,其中主要处理流程如图1所示,具体包括以下各个步骤:
步骤1、对侦收到的脉冲序列按脉冲间隔进行分组,并对各分组分别完成直方图统计,形成原始分组直方图;
步骤11、将侦收到的脉冲序列按TOA从小到大排序:P1、P2、P3、...,其中Pi表示排序后的第i个脉冲;
步骤12、计算脉冲序列N阶脉冲间隔:T2-T1、T3-T1、...、TN+1-T1、T3-T2、T4-T2、...、TN+2-T2、....;其中Ti表示Pi的TOA数值;
步骤13、将计算得到的脉冲间隔平均分为M组,对分组后的脉冲间隔进行直方图统计,得到M个原始分组直方图。
说明:分组一方面是为了避免脉冲丢失不均匀产生的各级谐波数量较接近,导致隐含在谐波中的真实重复周期信息被分散在各级谐波中;另一方面是为了避免由于两个时域上距离很远的杂乱脉冲被误判为高次谐波产生较高的虚假峰。
步骤2、对各个原始分组直方图的峰值进行最大公因子分析,形成各个公因子的估计值集合以及标称值集合;
步骤21、对原始分组直方图峰值最高的K个峰值两两求解最大公因子C,其中最大公因子的求解方法包括以下各个步骤(只对最高的几个峰值求解最大公因子是为了避免干扰脉冲的虚假峰值增加计算量,在实际工程中需对K值进行权衡,通常可以选取峰值高度超过一定绝对和相对门限的K个峰值):
步骤211、设定门限M1和N1,对于标称值A1和A2,任意选择其中一个标称值作为高优先级数,记为X;
步骤212、用A1和A2分别除上高优先级数,得到S1和S2两个商;
步骤213、设定正整数K1的初值为零;
步骤214、将K1的数值加一;
步骤215、如果K1等于高优先级数则转到步骤214;
步骤216、如果K1大于门限M1则求解最大公因子失败,结束本流程;
步骤217、将步骤212计算得到的商S1和S2分别乘以正整数K1,分别得到乘积KS1和KS2;
步骤218、计算得到与KS1和KS2最接近的正整数KK1和KK2;
步骤219、计算得到KS1和KK1,KS2和KK2差值绝对值KD1和KD2;
步骤220、如果差值绝对值KD1和KD2不满足同时小于门限KK1*N和KK2*N则转到步骤214;
步骤221、如果高优先级数X为A1,则计算得到C=Round(A1/KK1);否则如果高优先级数X为A2,计算计算得到C=Round(A2/KK2);;
说明:步骤212~步骤221给出的实际上是一种带容差的最大公因子求解方法,而门限M1和N1则是最大计算次数和容差,应根据项目的指标要求设定。
步骤222、输出标称值A1和A2的最大公因子C;
步骤22、对两个峰值计算得到最大公因子Ci,以二元组<Ci,Hi>的形式进行记录得到公因子估计值集合,其C表示最大公因子,Hi是H1+Round(P1-1)和H2+Round(P2-1)之间的最大值,V和H分别是参与公因子计算的两个峰值的重周标称值和峰值高度,函数Round表示向最近整数取整。同时将Pi归入集合{Ci|P1、P2,...}中,得到公因子标称值集合。
步骤3、根据公因子估计值集合对原始分组直方图进行峰值重构,形成重构分组直方图;
步骤31、根据公因子Ci是否相等(容差范围内)对各个分组得到的公因子标称值集合{Ci|P1、P2,...}进行标称值集合合并,合并后的公因子标称值取合并前的各个分组公因子标称值的平均值;
步骤32、对合并后的各个公因子标称值集合进行整理,对于集合中的峰值标称值V均为偶数或奇数的公因子标称值集合进行剔除;
说明:要求公因子的来源必须同时有偶数和奇数峰值可以有效降低虚警,以减少将杂乱脉冲间形成的公因子纳入后续的处理。
步骤33、将整理后的公因子标称值集合中的公因子Ci归入到一个集合中,形成有效公因子集合{Ci1,Ci2,Ci3,...};
步骤34、对M个原始分组直方图依次按以下步骤进行处理,得到M个新的分组直方图,称为重构分组直方图;
步骤341、清理原始分组直方图的公因子估计值集合,剔除最大公因子C不在有效公因子集合中的二元组<Ci,Hi>;
步骤342、对原始分组直方图的公因子估计值集合进行合并,对于两个二元组<Ci,Hi>,如果公因子Ci相同(容差范围内),则删除其中Hi值较小的二元组;
步骤343、对剩余的二元组<Ci,Hi>,搜索原始分组直方图中的各个峰值,如果存在标称值为Ci的峰值,则将其峰值高度置为原始高度和Hi之间的较大值;如果不存在标称值为Ci的峰值,则新建一个标称值为Ci且高度为Hi的峰值。
步骤4、将各个重构分组直方图进行合并,形成最终的重构重周直方图,有效减小脉冲丢失对峰值高度比的影响。
步骤41、新建一个直方图,其峰值为M个重构分组直方图的峰值集合;
步骤42、将新建直方图中标称值相同的峰值进行合并,合并后的峰值高度为原始峰值高度之和,合并后的直方图称为重构重周直方图。
下面结合实例对本发明再做进一步详细的描述。
实例一
信号源为一部重复周期为1000us的脉冲信号,接收机存在一定的TOA测量误差,采集到的脉冲约有40%的丢失率,并混入了约15%的随机杂乱脉冲。首先采用传统的方法对脉冲序列进行了3阶的直方图统计,得到如图2所示的重周直方图,在图2的重周直方图中真实重复周期的峰值高度不但没有获得明显的高度比,甚至在重复直方图中的峰值高度都不是最高的。根据图2的重周直方图,电磁环境监测设备是很难以1000us作为可能的重复周期进入后续的脉冲去交错处理流程的。下面采用本专利提出的“一种提高脉冲信号重周直方图峰值高度比的方法”来重新构建重周直方图。具体的处理步骤如下:
步骤1、对侦收到的脉冲序列按脉冲间隔进行分组,并对各分组分别完成直方图统计,形成原始分组直方图;
步骤11、将侦收到的脉冲序列按TOA从小到大排序:200、1200、1333、3200、3577、…,其中单位是us;
步骤12、计算脉冲序列3阶脉冲间隔:1000、133、1867、377、523、…,其中单位是us;
步骤13、将计算得到的脉冲间隔平均分为3组,对分组后的脉冲间隔进行直方图统计,得到3个原始分组直方图,如图3所示。
步骤2、对各个原始分组直方图的峰值进行最大公因子分析,形成各个公因子的估计值集合以及标称值集合;
步骤21、对原始分组直方图峰值最高的5个峰值两两求解最大公因子,以第一分组为例,有两个峰值的标称值为2001和3002,峰值高度分别为8和4,不妨选择标称值2001为高优先级数,设定门限M1和N1分别为10和0.02,则计算两个峰值标称值的最大公因子过程如下:
1)A1=2001,A2=3002,M1=10,N1=0.02;
2)K1=1,S1=1,S2=1.5,KS1=1,KS2=1.5,KK1=1,KK2=2,KD1=0,KD2=0.5,由于KD2=2,KK2*N1=2*0.02=0.04,KD2>N1不满足门限要求;
3)K1=2,S1=1,S2=1.5,KS1=2,KS2=3,KK1=2,KK2=3,KD1=0,KD2=0,由于KD1=KD2=0,KK1*N1=0.04,KK2*N1=0.06,KD1<KK1*N1且KD2<KK2*N1,即均小于设定的门限,计算C=Round(A1/K1)=1000;
4)得到A1和A2的带容差的最大公因子为1000。
步骤22、对两个峰值计算得到最大公因子Ci,以二元组<Ci,Hi>的形式进行记录得到公因子估计值集合,其C表示最大公因子,Hi是H1+Round(P1-1)和H2+Round(P2-1)之间的最大值,V和H分别是参与公因子计算的两个峰值的重周标称值和峰值高度,函数Round表示向最近整数取整。同时将Pi归入集合{Ci|P1,P2,...}中,得到公因子标称值集合。
以步骤21的两个峰值为例,两个峰值2001和3002的最大公因子为1000,而H1+Round(P1-1)=9,H2+Round(P2-1)=6,可以得到二元组<1000,9>和集合{1000|2、3}。
步骤3、根据公因子估计值集合对原始分组直方图进行峰值重构,形成重构分组直方图;
步骤31、根据公因子Ci是否相等(容差范围内)对各个分组得到的公因子标称值集合{Ci|P1,P2,...}进行标称值集合合并;以公因子1000为例,最后形成的标称值集合{1000|1、2、3、4、5、6、7}。
步骤32、对合并后的各个公因子标称值集合进行整理,对于集合中的峰值标称值V均为偶数或奇数的公因子标称值集合进行剔除;
步骤33、将整理后的公因子标称值集合中的公因子Ci归入到一个集合中,形成有效公因子集合{1000、2000、3000};
步骤34、对3个原始分组直方图依次按以下步骤进行处理,得到3个新的分组直方图,称为重构分组直方图,如图4所示;
步骤341、清理原始分组直方图的公因子估计值集合,剔除最大公因子C不在有效公因子集合中的二元组<Ci,Hi>;
步骤342、对原始分组直方图的公因子估计值集合进行合并,对于两个二元组<Ci,Hi>,如果公因子Ci相同(容差范围内),则删除其中Hi值较小的二元组;
步骤343、对剩余的二元组<Ci,Hi>,搜索原始分组直方图中的各个峰值,如果存在标称值为Ci的峰值,则将其峰值高度置为原始高度和Hi之间的较大值;如果不存在标称值为Ci的峰值,则新建一个标称值为Ci且高度为Hi的峰值。
以第一分组的最大公因子1000为例,其值在有效公因子集合中,合并后的二元组为<1000,9>,在分组一的直方图中,1000对应的峰值高度为4小于9,故将其峰值更新为9,其他峰值没有变化。
步骤4、将各个重构分组直方图进行合并,形成最终的重构重周直方图,有效减小脉冲丢失对峰值高度比的影响。
步骤41、新建一个直方图,其峰值为3个重构分组直方图的峰值集合;
步骤42、将新建直方图中标称值相同的峰值进行合并,合并后的峰值高度为原始峰值高度之和,合并后的直方图称为重构重周直方图,如图5所示。
由图2和图5可以看出,重复周期1000us原本在重周直方图中并没有明显的峰值高度比优势,但是通过本专利提出方法,其高度比得到明显的提升,在重周直方图中峰值高度达到最高,可以满足电磁环境监测设备的识别要求。
Claims (4)
1.一种提高脉冲信号重周直方图峰值高度比的方法,其特征在于,包括以下步骤:
步骤1,对侦收到的脉冲序列按脉冲间隔进行分组,并对各分组分别完成直方图统计,形成原始分组直方图;
步骤2,对各个原始分组直方图的峰值进行最大公因子分析,形成各个公因子的估计值集合以及标称值集合;
步骤3,根据公因子估计值集合对原始分组直方图进行峰值重构,形成重构分组直方图;
步骤4,将各个重构分组直方图进行合并,形成最终的重构重周直方图;
步骤1中形成原始分组直方图具体包括以下步骤:
步骤1.1,将侦收到的脉冲序列按TOA从小到大排序为P1、P2、P3、...,其中Pi表示排序后的第i个脉冲;
步骤1.2,计算脉冲序列N阶脉冲间隔T2-T1、T3-T1、...、TN+1-T1、T3-T2、T4-T2、...、TN+2-T2、....,其中Ti为Pi的TOA数值;
步骤1.3,将计算得到的脉冲间隔平均分为M组,对分组后的脉冲间隔进行直方图统计,得到M个原始分组直方图;
步骤2中形成各个公因子的估计值集合以及标称值集合具体包括以下步骤:
步骤2.1,对原始分组直方图峰值最高的K个峰值两两求解最大公因子C,从而得到最大公因子C1、C2、Ci、Ci+1、Ci+2、...;
2.根据权利要求1所述的方法,其特征在于,步骤2.1的具体过程为:
步骤2.1.1,设定门限M1和N1,对于标称值A1和A2,任意选择其中一个标称值作为高优先级数,记为X;
步骤2.1.2,用A1和A2分别除上高优先级数X,得到S1和S2两个商;
步骤2.1.3,设定正整数K1的初值为零;
步骤2.1.4,将K1的数值加一;
步骤2.1.5,如果K1等于高优先级数则转到步骤2.1.4,否则转步骤2.1.6;如果K1大于门限M1则求解最大公因子失败,结束本流程;
步骤2.1.6,将步骤2.1.2计算得到的商S1和S2分别乘以正整数K1,分别得到乘积KS1和KS2;
步骤2.1.7,计算得到与KS1和KS2最接近的正整数KK1和KK2;
步骤2.1.8,计算得到KS1和KK1,KS2和KK2差值绝对值KD1和KD2;
步骤2.1.9,如果差值绝对值KD1和KD2不满足同时小于门限KK1*N和KK2*N则转到步骤2.1.4;
步骤2.1.10,如果高优先级数X为A1,则计算得到C=Round(A1/KK1);否则如果高优先级数X为A2,计算计算得到C=Round(A2/KK2);
步骤2.1.11,输出标称值A1和A2的最大公因子C。
3.根据权利要求1所述的方法,其特征在于,步骤3中形成重构分组直方图的具体步骤为:
步骤3.1,根据公因子Ci是否相等对各个分组得到的公因子标称值集合{Ci|P1,P2,...}进行标称值集合合并,合并后的公因子标称值取合并前的各个分组公因子标称值的平均值;
步骤3.2,对合并后的各个公因子标称值集合进行整理,对于集合中的峰值标称值P均为偶数或奇数的公因子标称值集合进行剔除;
步骤3.3,将整理后的公因子标称值集合中的公因子Ci归入到一个集合中,形成有效公因子集合{Ci1,Ci2,Ci3,...};
步骤3.4,对M个原始分组直方图依次按以下步骤进行处理,得到M个新的分组直方图,即重构分组直方图:
步骤3.4.1,清理原始分组直方图的公因子估计值集合,剔除最大公因子C不在有效公因子集合中的二元组<Ci,Hi>;
步骤3.4.2,对原始分组直方图的公因子估计值集合进行合并,对于两个二元组<Ci,Hi>,如果公因子Ci相同,则删除其中Hi值较小的二元组;
步骤3.4.3,对剩余的二元组<Ci,Hi>,搜索原始分组直方图中的各个峰值,如果存在标称值为Ci的峰值,则将其峰值高度置为原始高度和Hi之间的较大值;如果不存在标称值为Ci的峰值,则新建一个标称值为Ci且高度为Hi的峰值。
4.根据权利要求1所述的方法,其特征在于,步骤4中形成重构重周直方图的具体过程为:
步骤4.1,新建一个直方图,其峰值为M个重构分组直方图的峰值集合;
步骤4.2,将新建直方图中标称值相同的峰值进行合并,合并后的峰值高度为原始峰值高度之和,合并后的直方图称为重构重周直方图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711396493.5A CN108154106B (zh) | 2017-12-21 | 2017-12-21 | 一种提高脉冲信号重周直方图峰值高度比的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711396493.5A CN108154106B (zh) | 2017-12-21 | 2017-12-21 | 一种提高脉冲信号重周直方图峰值高度比的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108154106A CN108154106A (zh) | 2018-06-12 |
CN108154106B true CN108154106B (zh) | 2021-10-26 |
Family
ID=62464986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711396493.5A Active CN108154106B (zh) | 2017-12-21 | 2017-12-21 | 一种提高脉冲信号重周直方图峰值高度比的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108154106B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112731425B (zh) * | 2020-11-29 | 2024-05-03 | 奥比中光科技集团股份有限公司 | 一种处理直方图的方法、距离测量系统及距离测量设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7184493B1 (en) * | 2002-02-05 | 2007-02-27 | Alliant Techsystems Inc. | Pulse sorting apparatus for frequency histogramming in a radar receiver system |
US7397415B1 (en) * | 2006-02-02 | 2008-07-08 | Itt Manufacturing Enterprises, Inc. | System and method for detecting and de-interleaving radar emitters |
US7830297B1 (en) * | 2007-12-20 | 2010-11-09 | Itt Manufacturing Enterprises, Inc. | System and method for detecting and de-interleaving radar emitters using snapshots of varying lengths |
CN105277923A (zh) * | 2015-11-20 | 2016-01-27 | 清华大学 | 一种单通道雷达信号分选方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7916814B2 (en) * | 2007-05-30 | 2011-03-29 | Bandspeed, Inc. | Method and apparatus for real-time pulse parameter estimator |
-
2017
- 2017-12-21 CN CN201711396493.5A patent/CN108154106B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7184493B1 (en) * | 2002-02-05 | 2007-02-27 | Alliant Techsystems Inc. | Pulse sorting apparatus for frequency histogramming in a radar receiver system |
US7397415B1 (en) * | 2006-02-02 | 2008-07-08 | Itt Manufacturing Enterprises, Inc. | System and method for detecting and de-interleaving radar emitters |
US7830297B1 (en) * | 2007-12-20 | 2010-11-09 | Itt Manufacturing Enterprises, Inc. | System and method for detecting and de-interleaving radar emitters using snapshots of varying lengths |
CN105277923A (zh) * | 2015-11-20 | 2016-01-27 | 清华大学 | 一种单通道雷达信号分选方法 |
Non-Patent Citations (4)
Title |
---|
An improvement in the lattice construction process of approximate polynomial GCD over integers;Kosaku Nagasaka等;《Proceedings of the 2011 International Workshop on Symbolic-Numeric Computation》;20120630;全文 * |
GCD computation of n integers;Shri Prakash Dwivedi等;《2014 Recent Advances in Engineering and Computational Sciences (RAECS)》;20140417;全文 * |
一种基于TOA差值矩阵的雷达信号分选方法;贺刚等;《航天电子对抗》;20101231;全文 * |
减少重频分频的最大公约数算法;舒鹏云;《舰船电子对抗》;20150630;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108154106A (zh) | 2018-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107688170B (zh) | 一种基于随机森林的雷达目标航迹起始方法 | |
CN105809954B (zh) | 交通事件检测方法以及系统 | |
Khasawneh et al. | Topological data analysis for true step detection in periodic piecewise constant signals | |
CN104331583B (zh) | 一种基于实测海杂波数据的多重分形建模方法 | |
CN110705501A (zh) | 一种提升fmcw雷达手势识别精度的干扰抑制算法 | |
CN108549078B (zh) | 一种雷达脉冲信号跨信道合并及检测方法 | |
CN112782684B (zh) | 一种人体目标检测方法、装置、计算机设备和存储介质 | |
CN112560641A (zh) | 基于视频的双向客流通道中的单向客流信息检测方法 | |
CN108241150B (zh) | 一种三维声呐点云环境中的移动物体检测与跟踪方法 | |
CN108154106B (zh) | 一种提高脉冲信号重周直方图峰值高度比的方法 | |
Liu | A sequential GM-based PHD filter for a linear Gaussian system | |
CN111796250A (zh) | 一种基于风险评估的虚假点迹多维层次化抑制方法 | |
JP2007333515A (ja) | 目標検出装置 | |
CN115980689A (zh) | 基于点云检测的辐射源信号分选方法、装置、设备及介质 | |
CN113065395A (zh) | 一种基于生成对抗网络的雷达目标新类检测方法 | |
KR101468560B1 (ko) | 마할라노비스 거리 기반 레이더 신호에 대한 이상치 펄스 탐지 방법 | |
Yun et al. | Radar signal recognition algorithms based on neural network and grey relation theory | |
CN110632592B (zh) | 一种手持式穿墙雷达的虚警消除方法 | |
CN113608190B (zh) | 基于奇异空间三特征的海面目标检测方法及系统 | |
CN112308134B (zh) | 一种基于高斯混合概率假设密度滤波器的静态融合方法 | |
CN112083502B (zh) | 基于并联单稳随机共振的磁异信号检测方法 | |
CN111257839B (zh) | 一种雷达信号分选方法 | |
CN109283507B (zh) | 一种基于时频域特征的雷达目标识别方法及系统 | |
CN114021621A (zh) | 一种故障诊断方法、系统、存储介质和边缘计算装置 | |
CN113466798A (zh) | 基于极化信号多尺度熵特征的海面小目标检测方法 |
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 |