CN108535711A - 一种基于分组的海杂波协方差矩阵估计方法 - Google Patents
一种基于分组的海杂波协方差矩阵估计方法 Download PDFInfo
- Publication number
- CN108535711A CN108535711A CN201810209618.7A CN201810209618A CN108535711A CN 108535711 A CN108535711 A CN 108535711A CN 201810209618 A CN201810209618 A CN 201810209618A CN 108535711 A CN108535711 A CN 108535711A
- Authority
- CN
- China
- Prior art keywords
- covariance matrix
- sea clutter
- packet
- interference
- estimation method
- 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
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分组的海杂波协方差矩阵估计方法,包括:估计海杂波的纹理,并计算纹理在空间距离上的相关系数;利用参考样本估计每组的协方差矩阵;计算每组的加权系数;确定干扰所在的分组,并将其剔除;计算干扰剔除后的协方差矩阵。本发明采用分组算法以及对每组添加加权系数的方式,实现了空间部分均匀的样本在组内的均匀化;同时,考虑到干扰的存在,利用协方差矩阵之间的差异提出了一种衡量差异的参数,以确定干扰所在的分组,并最终剔除干扰,提高检测性能。
Description
技术领域
本发明涉及一种基于分组的海杂波协方差矩阵估计方法,属于雷达目标检测技术领域。
背景技术
在海面目标检测中,采用匹配于海杂波统计特性的自适应目标检测算法是一种普遍采用的技术手段。利用相干检测器在海杂波中检测有用信号时需要估计海杂波的协方差矩阵,其做法是将待检测单元附近的杂波数据构成参考样本,利用这些有限的参考样本估计出待检测单元的海杂波协方差矩阵。常用的协方差矩阵估计算法包括样本协方差矩阵(sample covariance matrix,SCM)、归一化样本协方差矩阵(normalized samplecovariance matrix,NSCM)等。在杂波协方差矩阵已知的情况下,利用似然比检测理论,提出了归一化匹配滤波器(normalized matched filter,NMF),只需要将协方差矩阵的合适估计替代NMF中的真实值即可得到相应的自适应NMF(adaptive NMF,ANMF)。当满足均匀特性的参考样本足够多时,这些协方差矩阵估计算法在无干扰的杂波背景下获得了较好的检测性能。但随着雷达距离分辨率的提高,高距离分辨率海杂波具有空间部分均匀性,其表现为在空间上邻近的参考样本具有相同的统计特性,而在空间上较远距离的参考样本统计特性不再相同。另外,在实际的海洋环境下,干扰也是不可避免的。海杂波的空间部分均匀性和干扰的不可避免性必然会给协方差矩阵估计带来误差。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种基于分组的海杂波协方差矩阵估计方法,采用分组算法和干扰剔除相结合的方式,能在实测海杂波数据实验中获得更好的检测性能。
为解决上述技术问题,本发明提供一种基于分组的海杂波协方差矩阵估计方法,包括以下步骤:
1)估计海杂波的纹理,并计算纹理在空间距离上的相关系数;
2)将R个参考单元分为G组,由SCM方法估计出每组的协方差矩阵;
3)基于逆伽玛分布的纹理,引入了纹理的最大后验估计值作为协方差矩阵的加权系数;
4)引入参数θ(i,j),确定干扰所在的分组,并将其剔除;
5)计算干扰剔除后的协方差矩阵估计值。
前述的步骤1)中,利用参考样本估计海杂波的纹理为:
其中,R为参考单元数,即参考样本包含R个参考单元,zr表示第r个参考单元,N为积累脉冲数,zr的上标H表示共轭转置。
前述的步骤1)中,纹理在空间距离上的相关系数ρ(k)为:
其中,k为参考单元间隔数,1≤k≤R-1。
前述的步骤2)中,协方差矩阵的计算方法如下:
其中,为第g组的协方差矩阵,hg,g=1,2,…,G为每组包含的参考单元数,Hg表示前g-1个分组内参考单元数之和,
前述的步骤2)中,将ρ(k)从1衰减为1/e时对应的距离间隔作为每组的长度。
前述的步骤3)中,加权系数为:
其中,为第g组的加权系数,zr为第g组中的任意一个参考单元,βg和ηg分别为第g组纹理分布的尺度参数和形状参数。
前述的步骤4)中,参数θ(i,j)的计算方法为:
其中,||·||F表示矩阵的F范数。
如果第g组的某参考单元含有干扰,则反映在θ(i,j)的第g行或者第g列上的元素明显大于非本行或非本列的元素,由此确定干扰所在的分组,并将其剔除。
前述的步骤5)中,干扰剔除后的协方差矩阵估计值计算如下:
其中,为干扰剔除后的协方差矩阵估计值,下标Q为剔除干扰所在的分组后剩余的协方差矩阵数。
前述的剩余的Q个协方差矩阵和相应的加权系数不变。
本发明所达到的有益效果为:
(1)本发明提出的协方差矩阵分组估计方法,将具有相同统计特性的参考样本分成一组,将空间部分均匀的参考样本演变成组内均匀、组间不均匀的样本,可以减小由样本的空间部分均匀性对协方差矩阵估计的影响。
(2)本发明提出的协方差矩阵分组估计方法,通过利用纹理的最大后验估计值确定每组协方差矩阵的加权系数,对海杂波的参考样本进行分组处理,实现了部分均匀的样本在组内的空间均匀化。
(3)本发明提出的协方差矩阵分组估计方法,考虑到干扰的存在,进一步利用协方差矩阵之间的差异提出了一种衡量差异的参数,以确定干扰所在的分组,并剔除干扰,提高检测性能。
附图说明
图1为本发明提出的基于分组的海杂波协方差矩阵估计方法流程图;
图2为本发明提出的纹理在不同距离单元间隔的相关系数图;
图3为实施例中本发明与传统的SCM算法不分组情况下的检测性能对比图。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明的基于分组的海杂波协方差矩阵估计方法包括以下技术措施:首先,提取纹理,计算纹理在空间上的相关系数ρ(k),确定海杂波空间分组的依据;其次,由SCM方法估计出每组的协方差矩阵;然后,引入了纹理的最大后验估计值作为加权系数;接着,为了衡量协方差矩阵之间的差异,引入参数θ(i,j),确定干扰所在的分组,并将其剔除;最后,计算干扰剔除后的协方差矩阵。
如图1所示,本发明的基于分组的海杂波协方差矩阵估计方法,具体包括以下步骤:
步骤1:提取纹理,利用参考样本估计海杂波的纹理为:
其中,R为参考单元数,即参考样本包含R个参考单元,zr表示第r个参考单元,N为积累脉冲数,zr的上标H表示共轭转置。
纹理在空间距离上的相关系数ρ(k)为:
其中,k为距离单元间隔数,1≤k≤R-1,N为积累脉冲数。值得注意的是,距离单元包括参考单元zr和被检测单元z0,但在进行协方差矩阵估计时只能用参考单元计算,所以本发明的距离单元就是参考单元。
ρ(k)反映了纹理在空间距离上的相关特性,如果纹理在距离上是高度相关的,则ρ(k)≈1;否则,如果纹理在空间距离上是高度不相关的,则ρ(k)≈0。利用纹理的相关系数ρ(k)可以确定海杂波空间分组的依据。当ρ(k)小于1/e=0.3679时,近似认为纹理在空间距离上是不相关。通过式(2)计算出ρ(k)从1衰减为1/e时对应的距离间隔即可作为每组的长度。
参见图2,纹理的相关系数随着距离单元间隔的增加呈现出递减的趋势,这说明距离单元越远,纹理彼此之间的相关性越小。
步骤2:将R个参考单元分为G组,hg(g=1,2,…,G)为每组包含的参考单元数,由SCM方法估计出第g组的协方差矩阵表达式为:
其中,Hg表示前g-1个分组内参考单元数之和,
步骤3:考虑到每组的协方差矩阵具有相同的统计特性,而组间的协方差矩阵具有不同的统计特性,且每组的协方差矩阵对海杂波总的协方差矩阵贡献不一致,引入一个加权系数来衡量每组所占权重。为此,基于逆伽玛分布的纹理,引入了纹理的最大后验估计值作为加权系数其表达形式为:
其中,zr为第g组中的任意一个参考单元,βg和ηg分别为第g组纹理分布的尺度参数和形状参数,βg和ηg的值可以通过矩估计方法得到。
步骤4,如果某组样本中含有干扰,则该组的协方差矩阵估计值必与其它组的协方差矩阵估计值存在较大的差异,为了衡量协方差矩阵之间的差异,引入参数θ(i,j),其表达形式为:
其中,||·||F表示矩阵的F范数。
假设第g组的某参考单元含有干扰,则反映在方阵θ(i,j)的第g行或者第g列上的元素明显大于非本行或非本列的元素,由此可以确定干扰所在的分组,并将其剔除。
步骤5,计算干扰剔除后的协方差矩阵估计值为:
其中,Q为剔除干扰所在的分组后剩余的分组。也就是说,步骤4剔除了一些含有干扰的参考单元分组,最后剩下了Q个协方差矩阵,这Q个协方差矩阵和它们的系数是不变的,只是被删除了一些。
步骤6,在杂波协方差矩阵M已知的情况下,NMF的检测统计量λNMF为:
其中,为已知的多普勒导向矢量,p=[1,exp(j2πfdTc),…,exp(j2πnfdTc),…,exp(j2π(N-1)fdTc)]T/N(其中,fd表示目标的多普勒频率,Tc表示脉冲重复周期,上标T表示转置,N为积累脉冲数,n=0,1,...,N-1),表示复数,表示N×1阶复向量,z0为被检测距离单元。只需要将M用合适的估计值代替,则NMF即为ANMF。
将ANMF检测统计量λ与门限进行比较,当检测统计量的值小于门限时,判定目标不存在;当检测统计量的值大于门限时,判定目标存在。
本发明提出的基于分组的海杂波协方差矩阵估计算法可以通过下面的实验进一步验证。实验使用IPIX雷达采集的海杂波数据来分析基于分组协方差矩阵的ANMF的检测性能,提供数据的网址:http://soma.mcmaster.ca/ipix.php,数据名为TFA10_007,距离分辨率为15米,该数据含有99973个时间脉冲,64个距离单元,删去3个含有目标的单元。检测性能比对结果参见图3。
图3是本发明提出的基于分组的海杂波协方差矩阵估计方法与传统的SCM算法不分组情况下的检测性能比较图。显然,当ICR=30dB(interference-to-clutter ratio,ICR)时,均匀分组去干扰情况下ANMF检测器的检测性能要明显优于传统的SCM在不分组情况下的检测性能。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (9)
1.一种基于分组的海杂波协方差矩阵估计方法,其特征在于,包括以下步骤:
1)估计海杂波的纹理,并计算纹理在空间距离上的相关系数;
2)将R个参考单元分为G组,由SCM方法估计出每组的协方差矩阵;
3)基于逆伽玛分布的纹理,引入了纹理的最大后验估计值作为协方差矩阵的加权系数;
4)引入参数θ(i,j),确定干扰所在的分组,并将其剔除;
5)计算干扰剔除后的协方差矩阵估计值。
2.根据权利要求1所述的一种基于分组的海杂波协方差矩阵估计方法,其特征在于,所述步骤1)中,利用参考样本估计海杂波的纹理为:
其中,R为参考单元数,即参考样本包含R个参考单元,zr表示第r个参考单元,N为积累脉冲数,zr的上标H表示共轭转置。
3.根据权利要求2所述的一种基于分组的海杂波协方差矩阵估计方法,其特征在于,所述步骤1)中,纹理在空间距离上的相关系数ρ(k)为:
其中,k为参考单元间隔数,1≤k≤R-1。
4.根据权利要求2所述的一种基于分组的海杂波协方差矩阵估计方法,其特征在于,所述步骤2)中,协方差矩阵的计算方法如下:
其中,为第g组的协方差矩阵,hg,g=1,2,…,G为每组包含的参考单元数,Hg表示前g-1个分组内参考单元数之和,
5.根据权利要求3所述的一种基于分组的海杂波协方差矩阵估计方法,其特征在于,所述步骤2)中,将ρ(k)从1衰减为1/e时对应的距离间隔作为每组的长度。
6.根据权利要求4所述的一种基于分组的海杂波协方差矩阵估计方法,其特征在于,所述步骤3)中,加权系数为:
其中,为第g组的加权系数,zr为第g组中的任意一个参考单元,βg和ηg分别为第g组纹理分布的尺度参数和形状参数。
7.根据权利要求4所述的一种基于分组的海杂波协方差矩阵估计方法,其特征在于,所述步骤4)中,参数θ(i,j)的计算方法为:
其中,||·||F表示矩阵的F范数。
如果第g组的某参考单元含有干扰,则反映在θ(i,j)的第g行或者第g列上的元素明显大于非本行或非本列的元素,由此确定干扰所在的分组,并将其剔除。
8.根据权利要求4所述的一种基于分组的海杂波协方差矩阵估计方法,其特征在于,所述步骤5)中,干扰剔除后的协方差矩阵估计值计算如下:
其中,为干扰剔除后的协方差矩阵估计值,下标Q为剔除干扰所在的分组后剩余的协方差矩阵数。
9.根据权利要求8所述的一种基于分组的海杂波协方差矩阵估计方法,其特征在于,所述剩余的Q个协方差矩阵和相应的加权系数不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810209618.7A CN108535711B (zh) | 2018-03-14 | 2018-03-14 | 一种基于分组的海杂波协方差矩阵估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810209618.7A CN108535711B (zh) | 2018-03-14 | 2018-03-14 | 一种基于分组的海杂波协方差矩阵估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108535711A true CN108535711A (zh) | 2018-09-14 |
CN108535711B CN108535711B (zh) | 2021-06-04 |
Family
ID=63484060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810209618.7A Active CN108535711B (zh) | 2018-03-14 | 2018-03-14 | 一种基于分组的海杂波协方差矩阵估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108535711B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110426677A (zh) * | 2019-06-19 | 2019-11-08 | 中国航空工业集团公司雷华电子技术研究所 | 基于相关系数加权的杂波协方差矩阵估计方法 |
CN110865352A (zh) * | 2019-12-05 | 2020-03-06 | 中国船舶重工集团公司第七二四研究所 | 一种基于纹理相关性的块自适应海杂波抑制方法 |
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 |
CN113093135A (zh) * | 2021-03-23 | 2021-07-09 | 南京邮电大学 | 基于f范数归一化距离的目标检测方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6044336A (en) * | 1998-07-13 | 2000-03-28 | Multispec Corporation | Method and apparatus for situationally adaptive processing in echo-location systems operating in non-Gaussian environments |
CN101430760A (zh) * | 2008-11-18 | 2009-05-13 | 北方工业大学 | 基于线性和贝叶斯概率混合模型的人脸超分辨率处理方法 |
EP2517037B1 (fr) * | 2009-12-21 | 2013-10-02 | Thales | Procede pour estimer le nombre de sources incidentes a un reseau de capteurs par estimation de la statistique du bruit |
CN103364769A (zh) * | 2013-07-05 | 2013-10-23 | 南京邮电大学 | 空间非均匀海杂波协方差矩阵的自适应估计方法 |
WO2016097890A1 (en) * | 2014-12-15 | 2016-06-23 | Airbus Group Singapore Pte. Ltd. | Automated method for selecting training areas of sea clutter and detecting ship targets in polarimetric synthetic aperture radar imagery |
CN106199552A (zh) * | 2016-07-28 | 2016-12-07 | 南京邮电大学 | 一种局部均匀海杂波背景下的分组广义似然比检测方法 |
CN106483515A (zh) * | 2016-09-23 | 2017-03-08 | 西安电子科技大学 | 均匀k分布杂波下的最优自适应检测方法 |
CN107179531A (zh) * | 2017-03-29 | 2017-09-19 | 南京邮电大学 | 基于最大后验的修正样本协方差矩阵估计算法 |
-
2018
- 2018-03-14 CN CN201810209618.7A patent/CN108535711B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6044336A (en) * | 1998-07-13 | 2000-03-28 | Multispec Corporation | Method and apparatus for situationally adaptive processing in echo-location systems operating in non-Gaussian environments |
CN101430760A (zh) * | 2008-11-18 | 2009-05-13 | 北方工业大学 | 基于线性和贝叶斯概率混合模型的人脸超分辨率处理方法 |
EP2517037B1 (fr) * | 2009-12-21 | 2013-10-02 | Thales | Procede pour estimer le nombre de sources incidentes a un reseau de capteurs par estimation de la statistique du bruit |
CN103364769A (zh) * | 2013-07-05 | 2013-10-23 | 南京邮电大学 | 空间非均匀海杂波协方差矩阵的自适应估计方法 |
WO2016097890A1 (en) * | 2014-12-15 | 2016-06-23 | Airbus Group Singapore Pte. Ltd. | Automated method for selecting training areas of sea clutter and detecting ship targets in polarimetric synthetic aperture radar imagery |
CN106199552A (zh) * | 2016-07-28 | 2016-12-07 | 南京邮电大学 | 一种局部均匀海杂波背景下的分组广义似然比检测方法 |
CN106483515A (zh) * | 2016-09-23 | 2017-03-08 | 西安电子科技大学 | 均匀k分布杂波下的最优自适应检测方法 |
CN107179531A (zh) * | 2017-03-29 | 2017-09-19 | 南京邮电大学 | 基于最大后验的修正样本协方差矩阵估计算法 |
CN107179531B (zh) * | 2017-03-29 | 2020-04-07 | 南京邮电大学 | 基于最大后验的修正样本协方差矩阵估计算法 |
Non-Patent Citations (4)
Title |
---|
FRANCESCO BANDIERA 等: "Knowledge-Aided Covariance Matrix Estimation and Adaptive Detection in Compound-Gaussian Noise", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 * |
YANLING SHI 等: "An Adaptive Diagonal Loading Covariance Matrix Estimator in Spatially Heterogeneous Sea Clutter", 《2ND INTERNATIONAL WORKSHOP ON MATERIALS ENGINEERING AND COMPUTER SCIENCES (IWMECS 2015)》 * |
时艳玲 等: "非平稳海杂波背景下子带开关相干检测器", 《电子学报》 * |
顾新锋 等: "协方差矩阵结构的广义杂波分组估计方法", 《宇航学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110426677A (zh) * | 2019-06-19 | 2019-11-08 | 中国航空工业集团公司雷华电子技术研究所 | 基于相关系数加权的杂波协方差矩阵估计方法 |
CN110865352A (zh) * | 2019-12-05 | 2020-03-06 | 中国船舶重工集团公司第七二四研究所 | 一种基于纹理相关性的块自适应海杂波抑制方法 |
CN110865352B (zh) * | 2019-12-05 | 2021-03-30 | 中国船舶重工集团公司第七二四研究所 | 一种基于纹理相关性的块自适应海杂波抑制方法 |
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 |
CN113093135A (zh) * | 2021-03-23 | 2021-07-09 | 南京邮电大学 | 基于f范数归一化距离的目标检测方法及装置 |
CN113093135B (zh) * | 2021-03-23 | 2023-05-26 | 南京邮电大学 | 基于f范数归一化距离的目标检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108535711B (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108535711A (zh) | 一种基于分组的海杂波协方差矩阵估计方法 | |
CN107728115B (zh) | 一种雷达目标成像后基于svm的背景干扰抑制方法 | |
CN107861107B (zh) | 一种适用于连续波雷达的双门限cfar与点迹凝聚方法 | |
CN111965632B (zh) | 一种基于黎曼流形降维的雷达目标检测方法 | |
CN106569193B (zh) | 基于前-后向收益参考粒子滤波的海面小目标检测方法 | |
CN101452075A (zh) | 基于平均周期的海上小目标检测方法 | |
CN109212503B (zh) | 一种基于ar谱分形相关特征的海上目标检测方法及装置 | |
RU184465U1 (ru) | Устройство селекции ложных целей | |
CN106872958A (zh) | 基于线性融合的雷达目标自适应检测方法 | |
CN110146873B (zh) | 分布式非相参雷达的目标位置和速度的估计方法 | |
CN108872961B (zh) | 基于低门限的雷达微弱目标检测方法 | |
CN106486769A (zh) | 用于线性相控阵天线的空间插值方法和设备 | |
CN107942324B (zh) | 基于多普勒引导的多帧联合小目标双重检测方法 | |
CN108919224A (zh) | 基于斜对称结构的宽带雷达目标自适应融合检测方法 | |
CN110208785A (zh) | 基于稳健稀疏分数阶傅立叶变换的雷达机动目标快速检测方法 | |
CN109143195A (zh) | 一种基于全kl散度的雷达目标检测方法 | |
CN108919223A (zh) | 宽带雷达目标自适应结构化匹配滤波方法 | |
CN106199552B (zh) | 一种局部均匀海杂波背景下的分组广义似然比检测方法 | |
CN109709526B (zh) | 一种知识辅助分组广义似然比检测方法 | |
CN112147584A (zh) | 一种基于非均匀杂波的mimo雷达扩展目标检测方法 | |
US3312969A (en) | Radar video processor and clutter eliminator | |
Ivković et al. | A new model of CFAR detector | |
CN105866748B (zh) | 一种基于检测先验的固定窗长恒虚警检测方法 | |
CN106526545A (zh) | 一种鲁棒cfar检测器的检测方法 | |
CN111965617B (zh) | 基于gpu的时分mimo雷达信号处理方法 |
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 |