CN109031221A - 数据层基于多维度特征提取的雷达抗密集假目标干扰方法 - Google Patents
数据层基于多维度特征提取的雷达抗密集假目标干扰方法 Download PDFInfo
- Publication number
- CN109031221A CN109031221A CN201810950203.5A CN201810950203A CN109031221A CN 109031221 A CN109031221 A CN 109031221A CN 201810950203 A CN201810950203 A CN 201810950203A CN 109031221 A CN109031221 A CN 109031221A
- Authority
- CN
- China
- Prior art keywords
- interference
- target
- dense
- false target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000000605 extraction Methods 0.000 title claims abstract description 17
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 230000001629 suppression Effects 0.000 claims description 8
- 230000002401 inhibitory effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000013077 scoring method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 2
- 241001269238 Data Species 0.000 abstract 1
- 230000000717 retained effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 5
- 230000005764 inhibitory process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
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
本发明属于雷达数据处理领域,针对密集假目标干扰自主识别和稳健抑制的难题,本发明设计了一种数据层基于多维度特征提取的雷达抗密集假目标干扰新方法。首先,针对密集假目标干扰信号和目标回波的运动特征差异,利用径向速度比对的方法对密集假目标干扰进行初步鉴别;其次,利用密集假目标干扰信号和目标回波的空间特征差异,将目标位置与所得的回波点迹进行对比分析,以消除无限密集的回波点迹和航迹;接着,利用多个时刻的空间和运动信息对密集假目标干扰进行综合鉴别,对确定的密集假目标干扰信号进行识别和抑制,对不确定的目标回波信号予以保留;最后,利用多雷达数据关联的方法对密集假目标干扰信号进行最终识别和抑制。
Description
技术领域
本发明涉及雷达数据处理领域,用于解决密集假目标干扰的识别和抑制问题。
背景技术
有源干扰是现代战争中雷达面临的主要威胁之一,严重影响了雷达性能的发挥。当前雷达有源干扰种类多、样式复杂、信号形式多样,且多种干扰同时使用,进而给雷达的探测和跟踪带来巨大挑战。
特别是,随着DRFM等技术在有源干扰领域的广泛应用,密集假目标干扰技术已得到广泛地应用。例如,美国EA-18G“咆哮者”电子战飞机能够调制出精确的密集假目标欺骗信号,使得敌方雷达系统获取到错误的目标方位与距离信息;美国从水星国防系统公司采购的机载1225型DRFM电子干扰机,通过对任意虚假目标的频段内编码、多普勒编码以及双相编码,可同时对2~4部雷达实施有效的密集假目标干扰。从干扰机制上来看,密集假目标干扰可以做到与真实目标信号在时域、频域和空域的特征都十分相似,使雷达难以区分,从而给雷达的检测、跟踪乃至航迹关联和资源调度都造成了严重影响,轻则使雷达丢失真实目标,重则导致主控和资源调度系统崩溃。
作为新型干扰样式的典型代表,密集假目标干扰正朝一种兼具欺骗干扰和噪声压制双重特性的干扰样式发展。与普通欺骗干扰相比,该类干扰可通过数量较大的密集假目标干扰信号,使雷达过载,出现信号处理饱和的情况。与噪声压制干扰相比,该类干扰通过对雷达发射信号的复制和转发,具有较强的欺骗效果,可以使雷达无法锁定真实目标,进而对脉冲多普勒雷达、脉冲压缩雷达等现代雷达带来了严峻的挑战。
为此,在密集假目标干扰武器的威胁下,开展雷达抗密集假目标干扰技术的研究具有重要的意义。
发明内容
本发明的目的在于突破传统雷达抗干扰方法的限制,解决密集假目标干扰识别和抑制的难题,提升现有雷达对抗有源干扰的能力,提出一种数据层基于多维度特征提取的雷达抗密集假目标干扰新方法。其中要解决的问题包括:
1)在新型干扰的威胁下,雷达需要面对不同类型的密集假目标干扰,但是,现有的雷达抗干扰技术大多针对传统的压制干扰和欺骗干扰,而对密集假目标的干扰特性却并没有加以充分考虑,进而并不能实现有效的识别和抑制。
2)在实际中,雷达面临的干扰往往是未知的,但是,现有的雷达抗干扰技术大都是在假定干扰样式已知情况下开展的,进而对未知的密集假目标干扰存在较强的不适应性。
3)密集假目标干扰类型很多,同一类型又有不同的产生方法,不同产生方法导致回波信号的特征存在较大差异,进而很难用单一维度的特征差异鉴别密集假目标干扰。
本发明所述的数据层基于多维度特征提取的雷达抗密集假目标干扰新方法,其特征在于包括以下技术措施:
步骤一、利用密集假目标干扰信号和目标回波的运动特征差异,通过径向速度比对的方法来对不同类型、不同产生方式的密集假目标干扰进行初级判决,找出径向速度比对可鉴别哪种密集假目标干扰;
步骤二、利用目标和密集假目标干扰的空间特征差异,将目标位置与所得的回波点迹进行对比分析,以消除无限密集的回波点迹和航迹;
步骤三、在利用空间和运动特征差异鉴别密集假目标干扰的基础上,进一步利用多个时刻的特征信息对密集假目标干扰进行综合鉴别,对确定的密集假目标干扰信号进行识别和抑制,对不确定的目标回波信号予以保留;
步骤四、在单部雷达鉴别密集假目标干扰的基础上,进一步利用多雷达数据关联的方法对密集假目标干扰进行最终识别和抑制。
对比现有技术,本发明所述的数据层基于多维度特征提取的雷达抗密集假目标干扰新方法,有益效果在于:
1)本发明是对现有雷达抗干扰方法的一种改进,在对密集假目标干扰有效鉴别的同时,还能兼顾传统的有源欺骗干扰;
2)本发明不再是利用单一特征对密集假目标干扰进行简单鉴别,而是综合利用多维度特征对密集假目标干扰进行综合鉴别,可进一步提高密集假目标干扰的鉴别概率;
3)本发明在利用空间和运动特征识别和抑制密集假目标干扰的基础上,进一步利用多个时刻和多部雷达对密集假目标干扰进行综合鉴别,可有效提高密集假目标干扰的鉴别概率;
4)本发明可有效实现密集假目标干扰的识别和抑制,且具有较高的鉴别概率。
附图说明
附图1是数据层基于多维度特征提取的雷达抗密集假目标干扰方法步骤流程图;
附图2是基于运动特征差异的密集假目标干扰识别图;
附图3是基于空间特征差异的密集假目标干扰识别图;
附图4是基于多时刻特征差异的密集假目标干扰识别图;
附图5是基于多雷达数据关联的密集假目标干扰识别图。
具体实施方法
针对密集假目标干扰自主识别和稳健抑制的难题,本发明设计了一种数据层基于多维度特征提取的雷达抗密集假目标干扰新方法。首先,针对密集假目标干扰信号和目标回波的运动特征差异,利用径向速度比对的方法对密集假目标干扰进行初步鉴别;其次,利用密集假目标干扰信号和目标回波的空间特征差异,将目标位置与所得的回波点迹进行对比分析,以消除无限密集的回波点迹和航迹;接着,利用多个时刻的空间和运动信息对密集假目标干扰进行综合鉴别,对确定的密集假目标干扰信号进行识别和抑制,对不确定的目标回波信号予以保留;最后,利用多雷达数据关联的方法对密集假目标干扰信号进行最终识别和抑制。
以下结合说明书附图对本发明做进一步的详细描述。参照说明书附图1,本发明的处理流程分以下步骤:
1)密集假目标干扰的运动特征提取和识别
考虑到密集假目标干扰信号和目标回波具有较强的运动特征差异,则利用径向速度比对的方法对密集假目标干扰做初步鉴别,找出径向速度比对方法对哪种密集假目标干扰是有效的,其具体如附图2所示。
在采用径向速度比对的方法对密集假目标干扰鉴别的过程中,假设k时刻的目标的径向速度估计和多普勒测速分别为和则可构建统计量
进而,基于径向速度比对的密集假目标干扰识别问题可用如下的假设检验做进一步的分析判决:
H0:若η(k)≤λ1,则目标回波可能源自真实目标;
H1:若η(k)>λ1,则目标回波可能源自密集假目标干扰。
其中,为径向速度估计的协方差,为多普勒测速误差,为初级判决门限。
2)密集假目标干扰的空间特征提取和识别
在实际空间中,考虑到目标的点迹分布和航迹位置不可能无限密集,但干扰机却可产生密集的假目标干扰信号,则利用干扰信号和目标回波的空间特征差异,将目标位置与所得的回波点迹位置进行对比分析,以消除不合理的目标点迹和航迹,其具体如附图3所示。
假设k时刻任意两个回波点的位置分别为X1(k)=[x1(k),y1(k),z1(k)]T和
X2(k)=[x2(k),y2(k),z2(k)]T,则可构建检验统计量
η2(k)=||X1(k)-X2(k)||2 (2)
这时,基于空间特征差异的密集假目标干扰识别问题可用如下的假设检验做进一步的分析判决。
H0:若η2(k)≤λ2,则点迹X2(k)可能源自密集假目标干扰;
H1:若η2(k)>λ2,则点迹X2(k)可能源自真实目标。
其中,λ2为二级判决门限。
3)密集假目标干扰的多时刻特征提取和识别
将不同时刻对密集假目标干扰的识别结果输入综合判决系统,再在综合判决系统内利用计分法对密集假目标干扰进行集中分析和判别,即
若η1(k)≤λ1&η2(k)>λ2,则ξ(k)=1;
若η1(k)≤λ1||η2(k)>λ2,则ξ(k)=0.5;
若η1(k)>λ1&η2(k)≤λ2,则ξ(k)=0。
在利用空间和运动特征对密集假目标初步判决的基础上,令
这时,基于多个时刻的密集假目标干扰识别问题可用如下的假设检验做进一步的分析判决。
H0:若η3(k)≤λ3,则目标回波可能源自密集假目标干扰;
H1:若η3(k)>λ3,则目标回波可能源自真实目标。
其中,λ3为三级判决门限,其具体如附图4所示。
4)密集假目标干扰的多雷达特征提取和识别
针对单部雷达抗干扰能力有限的问题,先利用单部雷达对确定的密集假目标干扰进行识别和抑制,保留特征不确定的目标,再利用多雷达数据关联方法对其进行剔除,其具体如附图5所示。
假设经过单部雷达的识别和抑制后,雷达i得到量测集为
Zi(k)=[xi(k),yi(k),zi(k)]T (4)
考虑到真实目标的量测在多雷达公共坐标系相距较近,而密集假目标干扰的量测在多雷达公共坐标系相距较远,为此,可构建数据关联统计量:
η4(k)=V(k)T(Ri(k)+Rj(k))-1V(k) (5)
其中
V(k)=Zi(k)-Zj(k) (6)
Ri(k)和Rj(k)分别为Zi(k)和Zj(k)的量测协方差矩阵。
这时,密集假目标干扰识别的问题可用如下的假设检验做最终判决:
H0:若η4(k)≤λ4,则目标回波可能源自真实目标;
H1:若η4(k)>λ4,则目标回波可能源自密集假目标干扰。其中,为终极判决门限。
Claims (5)
1.数据层基于多维度特征提取的雷达抗密集假目标干扰方法,其特征在于,包括以下步骤:
步骤一、利用密集假目标干扰信号和目标回波的运动特征差异,通过径向速度比对的方法来对不同类型、不同产生方式的密集假目标干扰进行初级判决,找出径向速度比对可鉴别哪种密集假目标干扰;
步骤二、利用目标和密集假目标干扰的空间特征差异,将目标位置与所得的回波点迹进行对比分析,以消除无限密集的回波点迹和航迹;
步骤三、在利用空间和运动特征差异鉴别密集假目标干扰的基础上,进一步利用多个时刻的特征信息对密集假目标干扰进行综合鉴别,对确定的密集假目标干扰信号进行识别和抑制,对不确定的目标回波信号予以保留;
步骤四、在单部雷达鉴别密集假目标干扰的基础上,进一步利用多雷达特征信息对密集假目标干扰进行最终识别和抑制。
2.根据权利要求1所述的数据层基于多维度特征提取的雷达抗密集假目标干扰方法,其特征在于,步骤一中利用运动特征差异鉴别密集假目标干扰的方法为:
假设k时刻的目标的径向速度估计和多普勒测速分别为和则可构建统计量
进而,基于运动特征差异的密集假目标干扰识别问题可用如下的假设检验做进一步的分析判决:
H0:若η1(k)≤λ1,则目标回波可能源自真实目标,
H1:若η1(k)>λ1,则目标回波可能源自密集假目标干扰,
其中,为径向速度估计的协方差,为多普勒测速误差,为初级判决门限,α=0.9为置信水平。
3.根据权利要求2所述的数据层基于多维度特征提取的雷达抗密集假目标干扰方法,其特征在于,步骤二中利用空间特征差异消除无限密集的点迹和航迹的方法为:
假设k时刻任意两个回波点的位置分别为X1(k)=[x1(k),y1(k),z1(k)]T和X2(k)=[x2(k),y2(k),z2(k)]T,则可构建检验统计量
η2(k)=||X1(k)-X2(k)||2
这时,基于空间特征差异的密集假目标干扰识别问题可用如下的假设检验做进一步的分析判决:
H0:若η2(k)≤λ2,则点迹X2(k)可能源自密集假目标干扰,
H1:若η2(k)>λ2,则点迹X2(k)可能源自真实目标,
其中,λ2为二级判决门限。
4.根据权利要求3所述的数据层基于多维度特征提取的雷达抗密集假目标干扰方法,其特征在于,步骤三中利用多个时刻的特征信息对密集假目标干扰进行综合鉴别的方法为:
将不同时刻对密集假目标干扰的识别结果输入综合判决系统,再在综合判决系统内利用计分法对密集假目标干扰进行集中分析和判别,则
若η1(k)≤λ1&η2(k)>λ2,则ξ(k)=1,
若η1(k)≤λ1||η2(k)>λ2,则ξ(k)=0.5,
若η1(k)>λ1&η2(k)≤λ2,则ξ(k)=0,
其中,ξ(k)为k时刻的综合判决结果;
在利用空间和运动特征对密集假目标初步判决的基础上,构建多个时刻的统计判决量:
这时,基于多个时刻的密集假目标干扰识别问题可用如下的假设检验做进一步的分析判决:
H0:若η3(k)≤λ3,则目标回波可能源自密集假目标干扰,
H1:若η3(k)>λ3,则目标回波可能源自真实目标,
其中,λ3为三级判决门限。
5.根据权利要求4所述的数据层基于多维度特征提取的雷达抗密集假目标干扰方法,其特征在于,步骤四中利用多雷达特征信息对密集假目标干扰进行鉴别的方法为:
假设经过单部雷达的识别和抑制后,雷达i得到量测集为
Zi(k)=[xi(k),yi(k),zi(k)]T
考虑到真实目标的量测在多雷达公共坐标系相距较近,而密集假目标干扰的量测在多雷达公共坐标系相距较远,为此,可构建数据关联统计量:
η4(k)=V(k)T(Ri(k)+Rj(k))-1V(k)
其中
V(k)=Zi(k)-Zj(k)
Zj(k)为雷达j的量测集,Ri(k)和Rj(k)分别为Zi(k)和Zj(k)的量测协方差矩阵,这时,密集假目标干扰识别的问题可用如下的假设检验做最终判决:
H0:若η4(k)≤λ4,则目标回波可能源自真实目标;
H1:若η4(k)>λ4,则目标回波可能源自密集假目标干扰,
其中,为终极判决门限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810950203.5A CN109031221B (zh) | 2018-08-20 | 2018-08-20 | 数据层基于多维度特征提取的雷达抗密集假目标干扰方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810950203.5A CN109031221B (zh) | 2018-08-20 | 2018-08-20 | 数据层基于多维度特征提取的雷达抗密集假目标干扰方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109031221A true CN109031221A (zh) | 2018-12-18 |
CN109031221B CN109031221B (zh) | 2020-05-05 |
Family
ID=64632167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810950203.5A Active CN109031221B (zh) | 2018-08-20 | 2018-08-20 | 数据层基于多维度特征提取的雷达抗密集假目标干扰方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109031221B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110045336A (zh) * | 2019-02-28 | 2019-07-23 | 合肥工业大学 | 基于卷积神经网络的雷达干扰识别方法和装置 |
CN110231615A (zh) * | 2019-05-17 | 2019-09-13 | 北京理工大学 | 基于海面目标空间约束的距离测量异常判别方法 |
CN110632570A (zh) * | 2019-08-29 | 2019-12-31 | 武汉滨湖电子有限责任公司 | 一种基于多级判定的有源干扰检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103728599A (zh) * | 2014-01-16 | 2014-04-16 | 西安电子科技大学 | 用异地配置的主被动雷达网抑制欺骗式假目标干扰的方法 |
CN105044686A (zh) * | 2015-08-03 | 2015-11-11 | 中国电子科技集团公司第二十八研究所 | 一种雷达密集假目标干扰抑制方法 |
CN105629207A (zh) * | 2015-12-22 | 2016-06-01 | 南京理工大学 | 基于drfm技术的雷达信号处理系统及密集目标干扰产生方法 |
CN107239755A (zh) * | 2017-05-23 | 2017-10-10 | 国家地理空间信息中心 | 基于高分卫星遥感数据的海上油气平台提取系统 |
-
2018
- 2018-08-20 CN CN201810950203.5A patent/CN109031221B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103728599A (zh) * | 2014-01-16 | 2014-04-16 | 西安电子科技大学 | 用异地配置的主被动雷达网抑制欺骗式假目标干扰的方法 |
CN105044686A (zh) * | 2015-08-03 | 2015-11-11 | 中国电子科技集团公司第二十八研究所 | 一种雷达密集假目标干扰抑制方法 |
CN105629207A (zh) * | 2015-12-22 | 2016-06-01 | 南京理工大学 | 基于drfm技术的雷达信号处理系统及密集目标干扰产生方法 |
CN107239755A (zh) * | 2017-05-23 | 2017-10-10 | 国家地理空间信息中心 | 基于高分卫星遥感数据的海上油气平台提取系统 |
Non-Patent Citations (2)
Title |
---|
FENGBO CHEN ETC.: ""a method against DRFM dense false target jamming based on jamming recognization"", 《IET INTERNATIONAL RADAR CONFERENCE 2015》 * |
李迎春等: ""基于主被动雷达数据融合的抗密集假目标干扰技术"", 《电光与控制》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110045336A (zh) * | 2019-02-28 | 2019-07-23 | 合肥工业大学 | 基于卷积神经网络的雷达干扰识别方法和装置 |
CN110231615A (zh) * | 2019-05-17 | 2019-09-13 | 北京理工大学 | 基于海面目标空间约束的距离测量异常判别方法 |
CN110231615B (zh) * | 2019-05-17 | 2023-05-16 | 北京理工大学 | 基于海面目标空间约束的距离测量异常判别方法 |
CN110632570A (zh) * | 2019-08-29 | 2019-12-31 | 武汉滨湖电子有限责任公司 | 一种基于多级判定的有源干扰检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109031221B (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108490410B (zh) | 一种两坐标雷达对海目标联合检测跟踪方法 | |
CN109031221B (zh) | 数据层基于多维度特征提取的雷达抗密集假目标干扰方法 | |
CN107462873B (zh) | 一种雷达干扰快速识别方法 | |
CN114114192B (zh) | 集群目标检测方法 | |
CN109633624B (zh) | 基于滤波数据处理的rgpo干扰鉴别方法 | |
CN105259540A (zh) | 一种多站雷达抗有源欺骗式干扰的优化方法 | |
CN114924236B (zh) | 基于位置和速度信息的空地雷达协同抗欺骗式干扰方法 | |
Bagheri et al. | A new approach to pulse deinterleaving based on adaptive thresholding | |
Bagheri et al. | A new method for detecting jittered PRI in histogram-based methods | |
CN113687318B (zh) | 一种雷达抗干扰效能评估方法 | |
CN112904287B (zh) | 一种基于被动雷达寻的器的跟踪辐射源参数估计方法及其应用 | |
Kauppi et al. | An efficient set of features for pulse repetition interval modulation recognition | |
CN112799028A (zh) | 一种基于rcs起伏统计特性差异的虚假目标识别方法 | |
CN112285656B (zh) | 一种基于航迹特征的抗时敏目标欺骗干扰方法 | |
Shubin et al. | Efficiency evaluation for radar signal processing on the basis of spectral-semantic model | |
CN106093891A (zh) | 基于多普勒速度检验的雷达网抗密集距离假目标干扰方法 | |
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 | |
Matuszewski et al. | Knowledge-based signal processing for radar identification | |
Li et al. | Signals Deinterleaving for ES systems using Improved CFSFDP Algorithm | |
CN113390406A (zh) | 基于被动多传感器系统的多目标数据关联与定位方法 | |
Hodzic et al. | Pose estimation methodology for target identification and tracking | |
Lin et al. | Research on composite deception interference recognition and suppression technology based on multi-dimensional features | |
Aldossary | De-interleaving of Radar Pulses for EW Receivers with an ELINT Application | |
Yang et al. | Anti-Time-Delay Repeater Jamming under Sea Surface Target Spatial Position Constraint | |
CN114488030B (zh) | 一种基于相关聚类的视频级密集假目标干扰抑制方法 |
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 |