CN108563611A - 基于天牛须搜索算法的认知雷达波形优化方法 - Google Patents
基于天牛须搜索算法的认知雷达波形优化方法 Download PDFInfo
- Publication number
- CN108563611A CN108563611A CN201810260292.0A CN201810260292A CN108563611A CN 108563611 A CN108563611 A CN 108563611A CN 201810260292 A CN201810260292 A CN 201810260292A CN 108563611 A CN108563611 A CN 108563611A
- Authority
- CN
- China
- Prior art keywords
- longicorn
- waveform
- searching algorithm
- estimation
- radar
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于认知雷达领域,为提出一种基于天牛须搜索算法的波形优化方法,与目前存在的方法相比该方法更简单方便且能够得到更好的效果。为此,本发明采用的技术方案是,基于天牛须搜索算法的认知雷达波形优化方法,利用雷达接收机接收到的波形信息对目标散射系数进行估计,估计的方法采用最大后验概率估计并用卡尔曼滤波进行迭代估计,将估计的目标散射系数与实际的目标散射系数进行比较,计算两者之间的最小均方误差,将发送波形作为变量,最小均方误差作为目标函数,设计优化目标的数学模型,利用天牛须搜索算法进行求解,得出目标函数最小时的发送波形。本发明主要应用于认知雷达设计制造场合。
Description
技术领域
本发明属于认知雷达领域,是一种新颖的用来改进认知雷达波形优化的方法。具体涉及到一种天牛须搜索算法,将该算法对认知雷达中自适应波形进行优化,达到提高对环境中目标散射系数估计精确度的目的。
背景技术
认知雷达系统由发射机、接收机和环境组成,是一个闭环系统[1]。接收机的关键功能之一是将接收到的环境信息反馈给发射机,发射机根据反馈信息对传输的波形进行优化,从而不断提高系统的估计和检测性能。在发射机中,传输的波形会根据得到的信息进行改变,以便准确地估计目标。因此,认知雷达最主要的问题是波形优化问题。
一般来说,现有波形优化问题可以概括为以下几个方面:最大化互信息量[2],最小化克拉美罗界[3],最小化均方误差mean square error,MSE[4],最大化信号干扰噪声比[5]和信噪比[6],优化模糊度函数[7]等等。然而,这些问题一般都是非凸[8]问题,不能直接解决。现有工作一般将这些问题转化为凸优化问题,利用半正定松弛法semi-definiterelaxation(SDR)[9]来解决这些问题。SDR是解决优化问题的一种有效的方法。然而,在用它解决优化问题的时候,一些约束条件往往被舍弃从而降低结果的准确性,因此,我们要寻找其他的方法。
基于自然启发式的优化算法[10]近年来越来越受到人们的关注,因为它们在解决优化问题上具有强大的性能,相比于目前的波形优化方法,自然启发式算法能够得到更精确的优化结果,特别是在解决这些非凸优化问题时。
天牛须搜索Beetle Antennae Search(BAS)算法[11]是受长角天牛搜索食物行为而产生的最新的元启发式算法。该算法模拟天牛依靠触角寻找食物的原理,将食物的气味作为目标函数,天牛的位置作为变量,通过比较左右两个触角接收到的气味的大小不断更改天牛的位置从而找到最优解。本发明基于天牛须搜索算法提出了一种用于解决认知雷达波形优化的方法,得到很好的优化结果。
[1]S.Haykin,“Cognitive radar:a way of the future,”IEEE SignalProcessing Magazine,vol.23,no.1,pp.30–40,Jan.2006.
[2]A.Leshem,O.Naparstek,and A.Nehorai,“Information theoretic adaptiveradar waveform design for multiple extended targets,”IEEE Journal of SelectedTopics in Signal Processing,vol.1,no.1,pp.42–55,Jun.2007.
[3]P.Liu,Y.Liu,and X.Wang,“A cognitive radar approach for extendedtarget ranging,”in2017IEEE Radar Conference(RadarConf),May 2017,pp.0709–0712.
[4]Y.Yang and R.S.Blum,“Mimo radar waveform design based on mutualinformation and minimum mean-square error estimation,”IEEE Transactions onAerospace and Electronic Systems,vol.43,no.1,pp.330–343,Jan.2007.
[5]X.Zhang and C.Cui,“Signal detection for cognitive radar,”Electronics Letters,vol.49,no.8,pp.559–560,Apr.2013.
[6]S.Haykin,Y.Xue,and T.N.Davidson,“Optimal waveform design forcognitive radar,”in42nd Asilomar Conference on Signals,Systems and Computers,Oct.2008,pp.3–7.
[7]S.Shi,G.Yang,Z.Zhao,and J.Liu,“A novel radar waveform design for alow-power hf monostatic radar,”IEEE Geoscience and Remote Sensing Letters,vol.12,no.6,pp.1352–1356,Jun.2015.
[8]S.Boyd and L.Vandenberghe,Convex optimization.Cambridge universitypress,2004.
[9]Z.Luo,W.Ma,A.M.So,Y.Ye,and S.Zhang,“Semidefinite relaxation ofquadratic optimization problems,”IEEE Signal Processing Magazine,vol.27,no.3,pp.20–34,May 2010.
[10]X.S.Yang,Nature-Inspired Optimization Algorithms,1sted.Amsterdam,The Netherlands,The Netherlands:Elsevier Science PublishersB.V.,2014.
[11]X.Jiang and S.Li,“BAS:beetle antennae search algorithm foroptimization problems,”arXiv preprint arXiv:1710.10724,October 2017。
发明内容
为克服现有技术的不足,本发明旨在提出一种基于天牛须搜索算法的波形优化方法,与目前存在的方法相比该方法更简单方便且能够得到更好的效果。为此,本发明采用的技术方案是,基于天牛须搜索算法的认知雷达波形优化方法,利用雷达接收机接收到的波形信息对目标散射系数进行估计,估计的方法采用最大后验概率估计并用卡尔曼滤波进行迭代估计,将估计的目标散射系数与实际的目标散射系数进行比较,计算两者之间的最小均方误差,将发送波形作为变量,最小均方误差作为目标函数,设计优化目标的数学模型,利用天牛须搜索算法进行求解,得出目标函数最小时的发送波形。
天牛须搜索算法计算中,天牛触角中间位置表示所要优化的发送波形信号X,天牛最初的位置是在约束条件下的随机矢量,所以天牛左右两个触角的位置表示为:Xl=X+d0*dir/2,Xr=X-d0*dir/2,Xl表示天牛的左触角的位置,Xr表示天牛右触角的位置,d0表示两个触角间的距离,dir表示天牛的方向,食物气味的强度表示所要优化波形的评估函数,即目标函数F,F为最小均方误差函数,天牛通过比较左右两个触角接收到的气味强度更新天牛的下一个位置,比较天牛左右两边目标函数的大小,哪边小天牛就向哪边移动,从而找到目标函数的最小值。
天牛下一步的更新方式是上一步的位置减去它移动步的大小,表达式为:xt+1=xt-stept*dir*sign(fleft-fright),其中xt表示天牛在t时刻的位置,step表示天牛每走一步的步长,它在每次更新迭代的过程中是不断变小的:stept+1=stept*w其中w是一个小于1的数,sign(·)表示符号函数,当它的自变量小于0的时候函数值为-1,当它的变量等于0的时候函数值为0,当它的变量大于0的时候函数值为1。fleft和fright分别表示左右两个触角的食物强度。就这样天牛不断的向气味最强烈的方向也就是目标函数值最小的方向靠近,直到达到迭代次数得出此时天牛的位置就是优化的波形。
一个实例中的具体步骤如下:
步骤1:给定接收信号的维度D和整个天牛须搜索算法的迭代次数MaxDT,给定迭代权重w,w的值小于1,随机初始化天牛须搜索算法的位置即所要求得的优化波形x、建立目标函数为最小均方误差函数f(x),初始化全局最优值xbst,最优函数值fbst;
步骤2:产生一个随机矢量dir作为触角的方向;
步骤3:根据公式计算两个触角的位置;
步骤4:计算左右两个触角对应的目标函数值并比较大小;
步骤5:更新天牛的下一个位置;
步骤6:将天牛新位置对应的目标函数值和最优函数值进行比较并更新最优函数值;
步骤7:计算天牛的下一个步长;
步骤8:重复步骤3,4,5,6,7直到达到最优解或者满足迭代次数,输出最优解。
本发明的特点及有益效果是:
本算法的优点是能够更好的解决波形优化问题,提高波形优化的精确度,为认知雷达更好的适应环境的变化提供帮助。
在认知雷达扩展目标估计的过程中,需要通过回波来对目标散射系数进行估计,为了使评估的标准达到最优,认知雷达需要优化发射波形,使接收回来的回波估计的目标散射系数更接近实际值。现有的解决波形优化的方法都是将非凸问题转化为凸优化问题,这样计算出来的结果不够精确,本发明基于天牛须搜索算法提出的波形优化方法简单方便而且能够得到更好的结果,将生物启发式算法应用于认知雷达波形设计中。
仿真结果表明,与目前存在的优化方法相比,天牛须搜索算法能够达到更好的估计结果。图2为实际的目标散射系数,图3表示SDR和BAS算法优化波形后估计的目标散射系数,图4表示估计的目标散射系数和实际值的最小均方误差。
附图说明:
图1算法流程图。
图2实际目标散射系数。
图3估计目标散射系数。
图4最小均方误差。
具体实施方式
认知雷达被提出之后,得到了迅速发展。它能根据需求执行雷达的基本性能,如在日益复杂的、有争议的雷达环境(含有大量的杂波和多种形式的干扰)中进行目标的探测和追踪等。认知雷达系统可通过先验知识、外部数据库以及任务优先级中获得可用的信息,根据环境调节自身,通过自适应地优化波形可提高系统的追踪、检测、估计和识别性能。因此,波形设计是认知雷达研究中一个很重要的问题。目前有很多波形优化和设计的方法,但都不能达到足够高的精度。本发明的目的在于提出了一种基于天牛须搜索算法的波形优化的方法,与目前存在的方法相比该方法更简单方便且能够得到更好的效果。
基于天牛须搜索算法的认知雷达波形优化方法,接收机利用接收到的波形信息进行目标散射系数估计,估计的方法采用最大后验概率估计并用卡尔曼滤波进行迭代估计,将估计的目标散射系数与实际的目标散射系数进行比较,即计算两者之间的最小均方误差,改变发送的波形,当最小均方误差达到最小值的时候,对目标的信息估计最准确。所以波形优化的问题就是如何设计波形将最小均方误差达到最小也就是最优结果,转化为数学模型,这是一个非凸优化问题,我们采用天牛须算法来解决这一问题,将要优化的波形作为变量,最小均方误差作为优化的目标函数,其中,天牛的位置表示所要优化的发送信号X={x1,x2,...,xD},D表示信号的维度,最初的天牛位置是在约束条件下的随机矢量,也是天牛两个触角中间的位置。所以天牛左右两个触角的位置可以表示为:Xl=X+d0*dir/2,Xr=X-d0*dir/2,Xl表示天牛的左触角的位置,Xr表示天牛右触角的位置。d0表示两个触角间的距离,dir表示天牛的方向。
食物的强度表示所要优化波形的评估函数,即目标函数F。天牛通过比较左右两个触角接收到的气味强度更新天牛的下一个位置,也就是比较天牛左右两边目标函数的大小,哪边小天牛就向哪边移动,从而找到目标函数的最小值。
天牛下一步的更新方式为:
xt+1=xt-stept*dir*sign(fleft-fright)其中xt表示天牛在t时刻的位置,step表示天牛每走一步的步长,它在每次更新迭代的过程中是不断变小的:stept+1=stept*w其中w是一个小于1的数。sign(·)表示符号函数,当它的自变量小于0的时候函数值为-1,当它的变量等于0的时候函数值为0,当它的变量大于0的时候函数值为1。fleft和fright分别表示左右两个触角的食物强度。
具体方案如下:
一种基于天牛须搜索算法的认知雷达波形优化算法:
步骤1:给定接收信号的维度D和整个天牛须搜索算法的迭代次数MaxDT,给定迭代权重w,w的值小于1,随机初始化天牛须算法的位置x、建立目标函数f(x),初始化全局最优值xbst,最优函数值fbst。
步骤2:产生一个随机矢量dir作为触角的方向。
步骤3:根据公式计算两个触角的位置。
步骤4:计算左右两个触角对应的目标函数值并比较大小。
步骤5:更新天牛的下一个位置。
步骤6:将天牛新位置对应的目标函数值和最优函数值进行比较并更新最优秀函数值。
步骤7:计算天牛的下一个步长。
步骤8:重复步骤3,4,5,6,7直到达到最优解或者满足迭代次数。
具体步骤如附图所示。
本发明一个具体实例如下:
认知雷达波形优化方法:
步骤1:给定目标函数为用最大后验概率估计的目标散射系数与实际值之间的最小均方误差。设置回波的约束条件,给定接收信号的维度D和整个天牛须搜索算法的迭代次数MaxDT,给定迭代权重w,w的值小于1,随机初始化天牛须算法的位置x,初始化全局最优值xbst,最优函数值fbst。
步骤2:产生一个随机矢量dir作为触角的方向。
步骤3:根据公式计算两个触角的位置:
Xl=X+d0*dir/2,Xr=X-d0*dir/2。Xl表示天牛的左触角的位置,Xr表示天牛右触角的位置。d0表示两个触角间的距离,dir表示天牛的方向
步骤4:计算左右两个触角对应的目标函数值并比较大小,如果fleft<fright天牛向左走否则天牛向右走。fleft和fright分别表示左右两个触角的食物强度。
步骤5:更新天牛的下一个位置
xt+1=xt-stept*dir*sign(fleft-fright)。xt表示天牛在t时刻的位置,step表示天牛每走一步的步长,它在每次更新迭代的过程中是不断变小的:stept+1=stept*w其中w是一个小于1的数。sign(·)表示符号函数,当它的自变量小于0的时候函数值为-1,当它的变量等于0的时候函数值为0,当它的变量大于0的时候函数值为1。fleft和fright分别表示左右两个触角的食物强度。
步骤6:将天牛新位置对应的目标函数值和最优函数值进行比较并更新最优秀函数值。
步骤7:计算天牛的下一个步长:stept+1=stept*w。w是一个小于1的数。
步骤8:重复步骤3,4,5,6,7直到达到最优解或者满足迭代次数,输出最优解。
Claims (4)
1.一种基于天牛须搜索算法的认知雷达波形优化方法,其特征是,利用雷达接收机接收到的波形信息对目标散射系数进行估计,估计的方法采用最大后验概率估计并用卡尔曼滤波进行迭代估计,将估计的目标散射系数与实际的目标散射系数进行比较,计算两者之间的最小均方误差,将发送波形作为变量,最小均方误差作为目标函数,设计优化目标的数学模型,利用天牛须搜索算法进行求解,得出目标函数最小时的发送波形。
2.如权利要求1所述的基于天牛须搜索算法的认知雷达波形优化方法,其特征是,天牛须搜索算法计算中,天牛触角中间位置表示所要优化的发送波形信号X,天牛最初的位置是在约束条件下的随机矢量,所以天牛左右两个触角的位置表示为:Xl=X+d0*dir/2,Xr=X-d0*dir/2,Xl表示天牛的左触角的位置,Xr表示天牛右触角的位置,d0表示两个触角间的距离,dir表示天牛的方向,食物气味的强度表示所要优化波形的评估函数,即目标函数F,F为最小均方误差函数,天牛通过比较左右两个触角接收到的气味强度更新天牛的下一个位置,比较天牛左右两边目标函数的大小,哪边小天牛就向哪边移动,从而找到目标函数的最小值。
3.如权利要求1或2所述的基于天牛须搜索算法的认知雷达波形优化方法,其特征是,天牛下一步的更新方式是上一步的位置减去它移动步的大小,表达式为:xt+1=xt-stept*dir*sign(fleft-fright),其中xt表示天牛在t时刻的位置,step表示天牛每走一步的步长,它在每次更新迭代的过程中是不断变小的:stept+1=stept*w其中w是一个小于1的数,sign()表示符号函数,当它的自变量小于0的时候函数值为-1,当它的变量等于0的时候函数值为0,当它的变量大于0的时候函数值为1。fleft和fright分别表示左右两个触角的食物强度。就这样天牛不断的向气味最强烈的方向也就是目标函数值最小的方向靠近,直到达到迭代次数得出此时天牛的位置就是优化的波形。
4.如权利要求1所述的基于天牛须搜索算法的认知雷达波形优化方法,其特征是,一个实例中的具体步骤如下:
步骤1:给定接收信号的维度D和整个天牛须搜索算法的迭代次数MaxDT,给定迭代权重w,w的值小于1,随机初始化天牛须搜索算法的位置即所要求得的优化波形x、建立目标函数为最小均方误差函数f(x),初始化全局最优值xbst,最优函数值fbst;
步骤2:产生一个随机矢量dir作为触角的方向;
步骤3:根据公式计算两个触角的位置;
步骤4:计算左右两个触角对应的目标函数值并比较大小;
步骤5:更新天牛的下一个位置;
步骤6:将天牛新位置对应的目标函数值和最优函数值进行比较并更新最优函数值;
步骤7:计算天牛的下一个步长;
步骤8:重复步骤3,4,5,6,7直到达到最优解或者满足迭代次数,输出最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810260292.0A CN108563611B (zh) | 2018-03-27 | 2018-03-27 | 基于天牛须搜索算法的认知雷达波形优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810260292.0A CN108563611B (zh) | 2018-03-27 | 2018-03-27 | 基于天牛须搜索算法的认知雷达波形优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108563611A true CN108563611A (zh) | 2018-09-21 |
CN108563611B CN108563611B (zh) | 2022-03-11 |
Family
ID=63533068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810260292.0A Active CN108563611B (zh) | 2018-03-27 | 2018-03-27 | 基于天牛须搜索算法的认知雷达波形优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108563611B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109375156A (zh) * | 2018-09-30 | 2019-02-22 | 南京航空航天大学 | 基于信息论的传感器系统单目标克拉美罗界的研究方法 |
CN109408949A (zh) * | 2018-10-22 | 2019-03-01 | 山东理工大学 | 一种基于天牛须搜索算法的激光谐振腔优化设计方法 |
CN109521409A (zh) * | 2018-10-15 | 2019-03-26 | 天津大学 | 基于蝙蝠算法的认知雷达波形优化方法 |
CN109709795A (zh) * | 2018-12-24 | 2019-05-03 | 东华大学 | 一种基于天牛须搜索算法的pid控制器参数整定方法 |
CN109756910A (zh) * | 2019-01-02 | 2019-05-14 | 河海大学 | 基于改进天牛须搜索算法的无人机网络资源分配方法 |
CN110109073A (zh) * | 2019-04-08 | 2019-08-09 | 天津大学 | 基于生物启发式算法的认知雷达隐身目标识别方法 |
CN110181508A (zh) * | 2019-05-09 | 2019-08-30 | 中国农业大学 | 水下机器人三维航路规划方法及系统 |
CN110244554A (zh) * | 2019-05-08 | 2019-09-17 | 山东航天电子技术研究所 | 一种基于图像的群改进天牛角算法的光束指向优化方法 |
CN110783962A (zh) * | 2019-04-17 | 2020-02-11 | 上海电机学院 | 一种虚拟同步发电机并网逆变器的控制方法 |
CN111510477A (zh) * | 2020-04-07 | 2020-08-07 | 河海大学 | 基于改进合同网协议和bas的雾计算网络任务卸载方法 |
CN112817312A (zh) * | 2020-12-31 | 2021-05-18 | 浙江工业大学 | 一种基于双重搜索优化算法的路径规划方法 |
CN113297793A (zh) * | 2021-05-26 | 2021-08-24 | 南京邮电大学 | 基于自适应lms算法的风力机齿轮箱故障检测方法、系统及装置 |
CN116466334A (zh) * | 2023-06-19 | 2023-07-21 | 杭州聆巡科技有限公司 | 一种基于天牛须搜索算法的二维声呐阵列稀疏化方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101614810A (zh) * | 2008-06-25 | 2009-12-30 | 电子科技大学 | 一种线阵三维成像合成孔径雷达分辨率融合方法 |
US8436766B1 (en) * | 2009-11-06 | 2013-05-07 | Technology Service Corporation | Systems and methods for suppressing radar sidelobes using time and spectral control |
CN104866901A (zh) * | 2015-05-12 | 2015-08-26 | 西安理工大学 | 一种基于改进有效集算法优化的极限学习机二元分类方法 |
CN104977567A (zh) * | 2015-06-09 | 2015-10-14 | 重庆大学 | 一种ofdm单脉冲雷达自适应发射波束形成方法 |
CN105445705A (zh) * | 2015-11-12 | 2016-03-30 | 南京航空航天大学 | 一种认知mtd雷达波形设计的方法 |
CN106646410A (zh) * | 2017-01-06 | 2017-05-10 | 天津大学 | 宽带认知被动雷达架构下的学习‑感知‑决策‑响应方法 |
CN106680797A (zh) * | 2016-06-21 | 2017-05-17 | 大连大学 | 基于宽带模糊函数的目标参数估计新方法 |
CN106932761A (zh) * | 2017-05-02 | 2017-07-07 | 电子科技大学 | 一种抗信号依赖型干扰的认知恒模波形设计方法 |
CN107462875A (zh) * | 2017-07-25 | 2017-12-12 | 西安电子科技大学 | 基于iga‑np算法的认知雷达最大mi波形优化方法 |
CN107490785A (zh) * | 2017-09-19 | 2017-12-19 | 电子科技大学 | 一种基于频域置零调制的ofdm雷达通信一体化波形设计方法 |
CN107656254A (zh) * | 2017-08-29 | 2018-02-02 | 天津大学 | 非正交被动mimo雷达模糊函数分析方法 |
-
2018
- 2018-03-27 CN CN201810260292.0A patent/CN108563611B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101614810A (zh) * | 2008-06-25 | 2009-12-30 | 电子科技大学 | 一种线阵三维成像合成孔径雷达分辨率融合方法 |
US8436766B1 (en) * | 2009-11-06 | 2013-05-07 | Technology Service Corporation | Systems and methods for suppressing radar sidelobes using time and spectral control |
CN104866901A (zh) * | 2015-05-12 | 2015-08-26 | 西安理工大学 | 一种基于改进有效集算法优化的极限学习机二元分类方法 |
CN104977567A (zh) * | 2015-06-09 | 2015-10-14 | 重庆大学 | 一种ofdm单脉冲雷达自适应发射波束形成方法 |
CN105445705A (zh) * | 2015-11-12 | 2016-03-30 | 南京航空航天大学 | 一种认知mtd雷达波形设计的方法 |
CN106680797A (zh) * | 2016-06-21 | 2017-05-17 | 大连大学 | 基于宽带模糊函数的目标参数估计新方法 |
CN106646410A (zh) * | 2017-01-06 | 2017-05-10 | 天津大学 | 宽带认知被动雷达架构下的学习‑感知‑决策‑响应方法 |
CN106932761A (zh) * | 2017-05-02 | 2017-07-07 | 电子科技大学 | 一种抗信号依赖型干扰的认知恒模波形设计方法 |
CN107462875A (zh) * | 2017-07-25 | 2017-12-12 | 西安电子科技大学 | 基于iga‑np算法的认知雷达最大mi波形优化方法 |
CN107656254A (zh) * | 2017-08-29 | 2018-02-02 | 天津大学 | 非正交被动mimo雷达模糊函数分析方法 |
CN107490785A (zh) * | 2017-09-19 | 2017-12-19 | 电子科技大学 | 一种基于频域置零调制的ofdm雷达通信一体化波形设计方法 |
Non-Patent Citations (3)
Title |
---|
QING WANG 等: "cognitive radar waveform optimization for stealth target RCS estimation", 《2019 IEEE INTERNATIONAL CONFERENCE ON SIGNAL,INFORMATION AND DATA PROCESSING》 * |
WANG QING 等: "Nature‐inspired waveform optimisation for range spread target detection in cognitive radar", 《THE JOURNAL OF ENGINEERING》 * |
吴旭姿: "认知雷达发射与接收联合处理方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109375156A (zh) * | 2018-09-30 | 2019-02-22 | 南京航空航天大学 | 基于信息论的传感器系统单目标克拉美罗界的研究方法 |
CN109521409A (zh) * | 2018-10-15 | 2019-03-26 | 天津大学 | 基于蝙蝠算法的认知雷达波形优化方法 |
CN109521409B (zh) * | 2018-10-15 | 2023-04-07 | 天津大学 | 基于蝙蝠算法的认知雷达波形优化方法 |
CN109408949A (zh) * | 2018-10-22 | 2019-03-01 | 山东理工大学 | 一种基于天牛须搜索算法的激光谐振腔优化设计方法 |
CN109709795A (zh) * | 2018-12-24 | 2019-05-03 | 东华大学 | 一种基于天牛须搜索算法的pid控制器参数整定方法 |
CN109756910A (zh) * | 2019-01-02 | 2019-05-14 | 河海大学 | 基于改进天牛须搜索算法的无人机网络资源分配方法 |
CN109756910B (zh) * | 2019-01-02 | 2020-07-14 | 河海大学 | 基于改进天牛须搜索算法的无人机网络资源分配方法 |
CN110109073A (zh) * | 2019-04-08 | 2019-08-09 | 天津大学 | 基于生物启发式算法的认知雷达隐身目标识别方法 |
CN110783962A (zh) * | 2019-04-17 | 2020-02-11 | 上海电机学院 | 一种虚拟同步发电机并网逆变器的控制方法 |
CN110244554A (zh) * | 2019-05-08 | 2019-09-17 | 山东航天电子技术研究所 | 一种基于图像的群改进天牛角算法的光束指向优化方法 |
CN110181508B (zh) * | 2019-05-09 | 2021-01-12 | 中国农业大学 | 水下机器人三维航路规划方法及系统 |
CN110181508A (zh) * | 2019-05-09 | 2019-08-30 | 中国农业大学 | 水下机器人三维航路规划方法及系统 |
CN111510477A (zh) * | 2020-04-07 | 2020-08-07 | 河海大学 | 基于改进合同网协议和bas的雾计算网络任务卸载方法 |
CN111510477B (zh) * | 2020-04-07 | 2021-05-11 | 河海大学 | 基于改进合同网协议和bas的雾计算网络任务卸载方法 |
CN112817312A (zh) * | 2020-12-31 | 2021-05-18 | 浙江工业大学 | 一种基于双重搜索优化算法的路径规划方法 |
CN113297793A (zh) * | 2021-05-26 | 2021-08-24 | 南京邮电大学 | 基于自适应lms算法的风力机齿轮箱故障检测方法、系统及装置 |
CN116466334A (zh) * | 2023-06-19 | 2023-07-21 | 杭州聆巡科技有限公司 | 一种基于天牛须搜索算法的二维声呐阵列稀疏化方法 |
CN116466334B (zh) * | 2023-06-19 | 2023-09-05 | 杭州聆巡科技有限公司 | 一种基于天牛须搜索算法的二维声呐阵列稀疏化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108563611B (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108563611A (zh) | 基于天牛须搜索算法的认知雷达波形优化方法 | |
CN109407067B (zh) | 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法 | |
Haykin et al. | Cognitive tracking radar | |
Kim et al. | UWB positioning system based on LSTM classification with mitigated NLOS effects | |
CN106021697B (zh) | 一种快速相控阵雷达时间-能量资源联合管理方法 | |
CN114609912A (zh) | 基于伪线性最大相关熵卡尔曼滤波的仅测角目标追踪方法 | |
CN108398678A (zh) | 一种集中式mimo雷达快速自适应目标跟踪方法 | |
CN110187335A (zh) | 针对具有非连续特性目标的粒子滤波检测前跟踪方法 | |
CN103616661A (zh) | 一种稳健的远场窄带信号源个数估计方法 | |
CN109239686B (zh) | 一种针对分布式mimo雷达目标定位的发射机和接收机布局方法 | |
CN108693508A (zh) | 基于粒子群算法的认知雷达波形优化方法 | |
Zhong et al. | A biologically inspired improvement strategy for particle filter: Ant colony optimization assisted particle filter | |
CN110109073A (zh) | 基于生物启发式算法的认知雷达隐身目标识别方法 | |
Yoo et al. | Semi-supervised learning for mobile robot localization using wireless signal strengths | |
CN108919182B (zh) | 一种wifi环境下基于支撑集及期望最大化的目标定位方法 | |
Yan et al. | A noise reduction fingerprint feature for indoor localization | |
CN109521409B (zh) | 基于蝙蝠算法的认知雷达波形优化方法 | |
Zandian et al. | Differential NLOS error detection in UWB-based localization systems using logistic regression | |
US20180356494A1 (en) | Wideband ranging system | |
Li et al. | An indoor hybrid localization approach based on signal propagation model and fingerprinting | |
Kirmaz et al. | Time of arrival error estimation for positioning using convolutional neural networks | |
CN114415246A (zh) | 一种基于机器学习的地下金属物体的定位方法及系统 | |
Zhou et al. | RSSI indoor localization through a Bayesian strategy | |
CN108318857A (zh) | 基于分数阶傅里叶变换的多个非合作发射源被动定位方法 | |
Zhang et al. | Improved KNN algorithm with historical information fusion for indoor positioning |
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 |