CN109270497B - 雷达脉冲信号的多维参数预分选方法 - Google Patents
雷达脉冲信号的多维参数预分选方法 Download PDFInfo
- Publication number
- CN109270497B CN109270497B CN201811263213.8A CN201811263213A CN109270497B CN 109270497 B CN109270497 B CN 109270497B CN 201811263213 A CN201811263213 A CN 201811263213A CN 109270497 B CN109270497 B CN 109270497B
- Authority
- CN
- China
- Prior art keywords
- histogram
- pulse
- sorting
- doa
- parameter
- 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
- 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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
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
本发明公开的一种雷达脉冲信号的多维参数预分选方法,旨在提供一种具有快速,准确,计算量小,能够实现高效脉冲预分选的方法,本发明通过下述技术方案予以实现:针对接收机输出的密集交叠脉冲,将脉冲分成多组脉冲列,分别统计每个CF、PW、DOA对应的脉冲数作出直方图;然后利用多维直方图统计脉冲的参数分布特征,对脉冲数据自动分组,从而实现雷达脉冲的预分选;在进行多维直方图统计时,利用雷达脉冲在DOA、CF、PW预分选空间上的正交性,把多维直方图统计转换为多个一维直方图,逐次进行参数估计;再根据参数统计结果,寻找各个参数分布上不连续的区域,将空隙GAP区域作为对应参数的分割点,实现不同参数上的自动分类。
Description
技术领域
本发明涉及一种雷达脉冲序列分选应用中实现脉冲稀释的预分选技术。其利用脉冲载波频率、脉冲宽度、到达方向的正交性,采用多维直方图实现复杂场景下脉冲序列的快速分组,从而降低主分选程序的脉冲密度,提高分选成功率。
背景技术
雷达辐射源识别是电子对抗、雷达告警检测中目标判定的基础,是电子情报侦察系统和电子支援系统中的关键技术,在现代高技术战争和未来信息化战争中扮演着重要的作用。雷达辐射源识别包含脉冲参数测量、雷达脉冲分选、辐射源特征库匹配等环节。其中脉冲参数测量用于单个脉冲的参数测量,形成PDW(脉冲描述字),通常在宽带数字接收机内完成。常用的脉冲参数包括TOA(脉冲到达时间)、CF(载波频率)、PW(脉冲宽度)、PA(脉冲幅度)、DOA(到达方向)。对侦收设备而言,不同部署位置和类型上的雷达向空间中辐射的雷达脉冲信号在空间上会形成时域交叠的脉冲流,雷达信号分选从这些脉冲数据流中恢复雷达各自的脉冲序列,进而解析雷达发射脉冲的PRI(重频周期)、雷达扫描周期、雷达扫描方式等脉间参数。脉冲参数结合脉间参数,有利于雷达辐射源的正确描述,提高对雷达辐射源识别的准确率,实现对雷达的用途、平台类型、配置的武器系统以及威胁等级等参数的判别,为战场态势分析提供电子情报支撑或为警戒干扰系统提供高威胁信号的特征参数。
雷达脉冲分选算法利用同一部雷达信号参数的相关性和不同雷达信号参数的差异性来实现雷达信号分离。在现役电子支援(ESM)系统中常用的雷达信号分选方法包括CDIF(累积序列直方图)、SDIF(序列差值直方图)、PRI变换法等。其中CDIF和SDIF均属于统计直方图类分选算法,该类算法对任意两个脉冲的到达时间差进行统计,然后利用检测门限对统计结果进行检测。这是一类简单又直观的分选算法,算法运算量小,处理速度快。但在统计直方图中PRI会出现倍数谐波等错误统计值,且确定合理的门限值是一大难点,当信号较为复杂时,分选正确率较低。CDIF和SDIF是在统计直方图法基础上的两种不同改进算法。PRI变换法的最大特点就是能几乎完全抑制谐波。它对交错的雷达脉冲序列进行PRI变换,形成PRI谱图,在谱图上通过门限检测估计PRI值,再结合序列检索,完成信号的分选。但是其运算量大,计算效率低,耗时长,无法满足实时要求,严重影响了其在实际工程中的应用。这些算法,在雷达数量较少时(低于5部)具有较好的分选性能。随着雷达数量的增加,分选算法性能急剧下降。与此同时,随着新体制雷达的广泛使用以及宽带接收机技术的普及,接收机接收到的脉冲其参数特征更加复杂多变、脉冲密度更加密集。为了降低雷达主分选程序的压力,提高分选成功率,在雷达主分选之前,引入预分选环节,对输入脉冲流进行稀释。预分选算法利用DOA、CF、PW、PA等信息将雷达脉冲信号流进行分组。随后对分组后的脉冲流进行主分选,达到降低单次进行主分选程序的脉冲密度的目的,提高主分选程序的成功率。常用的预分选方法可分为两类:参数匹配法、数据聚类法。参数匹配法来源于模板匹配分选算法,其利用预先装订的已知雷达参数库,将输入的PDW序列逐一与之比较,筛选出已知的雷达脉冲,达到降低脉冲流密度的目的。该类算法具有较好的鲁棒性,对已知目标雷达具有较高的检出率,但是无法处理未装订参数的雷达。数据聚类法利用雷达CF、PW、DOA等参数在短周期内的不变性,在多维参数空间进行聚类操作,实现脉冲数据的分组,达到预分选的目的。该类算法能够适应较高密度的雷达脉冲流,但是由于雷达信号特性参数类间分离能力不强,在存在测量误差的情况,无法100%的将所有的雷达信号完全精确的划分到对应的类中,会存在个别脉冲信号被错误划分的情况。此外,聚类分选方法是一种离线批处理方法,离线批处理算法,必须预先采集所需大量数据,再进行批量后处理,缺乏实时分选能力,并且算法复杂度高,运算量大,缺乏高速实时处理数据的能力。
本发明针对现有雷达脉冲预分选技术存在的不足之处,提供一种基于直方图的多维参数预分选方法,该方法能够实现高效脉冲预分选,同时通过统计参数特征的分布特征,实现脉冲数据的自动分组。
经对现有技术的文献检索发现:在“国防科技大学学报”(2001年23卷第2期75-78页)上,徐欣等发表的“扩展时差直方图方法研究”跟本发明提出的方法有一部分类似,该文也提出了多维直方图的概念。但是该文中在无源时差定位应用中,采用“扩展时差直方图方法将脉冲配对一维直方图统计推广到多维直方图统计”,只是将“一维时差域转化为在多维时差域作统计”,其参数特征完全是一维时域特征,文中多维特征指的是时差域的多个参数结构。而本发明中提到的多维参数特征指DOA、CF、PW等多个独立特征,并且利用多维特征之间的正交性,将多维直方图统计转换为多个一维直方图操作。
发明内容
本发明的目的是针对现有雷达脉冲预分选技术存在的不足之处,提供一种具有快速,准确,计算量小,且无需考虑雷达信号体制问题,能够实现高效脉冲预分选的方法,以满足高密度脉冲数据流下实时处理的要求。
本发明的技术解决方案是一种雷达脉冲信号的多维参数预分选方法,具有如下技术特征:针对接收机输出的密集交叠脉冲,将脉冲分成多组脉冲列,在捷变频CF、到达角DOA和变脉宽PW多维空间下,分别统计每个CF、PW、DOA对应的脉冲数作出直方图;然后利用多维直方图统计脉冲的参数分布特征,根据参数的分布特征,实现脉冲数据的自动分组,从而实现雷达脉冲的预分选;在进行多维直方图统计时,利用雷达脉冲在DOA、CF、PW空间上的正交性,把多维直方图统计转换为多个一维直方图,逐次进行参数估计;在根据参数统计结果,寻找各个参数分布上不连续的区域,将空隙GAP区域作为对应参数的分割点,实现不同参数上的自动分类;然后,逐一调用主分选程序进行分选。
本发明相比于现有技术具有如下优点:
快速,准确,计算量小。本发明利用DOA、CF、PW等参数的正交性,把多维直方图拆分为多个直方图分次处理,实现复杂场景下脉冲序列的快速分类,本发明能够降低预分选的计算复杂度,能够极大的提高信号分选的速度,实现雷达信号实时分选。直方图算法的计算复杂度为O(N)(N为数据量),相较于基于K-means的数据聚类方法,算法复杂度O(N2),本发明的计算复杂度为原来的1/N。
本发明利用多维直方图统计脉冲DOA、CF、PW参数的分布特征,随后利用其参数分布特征进行脉冲分组。可避免固定阈值引起过度分组,利用基于间隙GAP的快速直方图分组算法实现自适应分组区间划分,实现脉冲的自适应分组。在预分选过程中,避免了过分的拆分序列,错误的预分选会带来分选的错误。
无需考虑雷达信号体制。本发明通过多维直方图统计参数的分布特征,利用参数特征分布的不连续性对脉冲进行分类,实现多维参数特征上脉冲的自动分离。此外,为了简化多维直方图操作,便于算法的并行实施,本发明利用雷达特征之间的正交性,把多维直方图操作转换为多个一维的直方图操作,在平面上用图形显示出来,从而分选信号,无需考虑雷达信号体制。在参数特征的统计分析中,基于GAP(间隙)的快速直方图分组算法用于实现分组参数的自动设定。通过CF、PW、DOA特征分组分别得到分选出来的CF、PW、DOA数据流;利用脉冲参数特征的正交性,多维直方图的分解,把多维直方图统计转换为多个一维直方图的参数统计,有利于预分选的并行处理。不仅降低了多维直方图处理的复杂度,而且有利于算法的并行实现,为解决多维直方图计算困难、存储资源消耗大等问题,
附图说明
下面结合附图对本技术发明进行详细描述。
图1是本发明预分选算法的数据处理流程图。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合具体实施例对本发明作进一步详细的说明。应当指出的是,以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
具体实施方式
参阅图1。根据本发明,本发明的技术解决方案是一种雷达脉冲信号的多维参数预分选方法,具有如下技术特征:针对接收机输出的密集交叠脉冲,将脉冲分成多组脉冲列,在捷变频CF、到达角DOA和变脉宽PW多维空间下,分别统计每个CF、PW、DOA对应的脉冲数作出直方图;然后利用多维直方图统计脉冲的参数分布特征,根据参数的分布特征,实现脉冲数据的自动分组,从而实现雷达脉冲的预分选;在进行多维直方图统计时,利用雷达脉冲在DOA、CF、PW空间上的正交性,把多维直方图统计转换为多个一维直方图,逐次进行参数估计;在根据参数统计结果,寻找各个参数分布上不连续的区域,将空隙GAP区域作为对应参数的分割点,实现不同参数上的自动分类;然后,逐一调用主分选程序进行分选。
其中,DOA预分选可以利用同一种辐射源到达方向的相关性,将各种辐射源脉冲归类。CF预分选可以利用同一种辐射源载频的相关性,将各种频率不同的辐射源脉冲归类。PW预分选可以利用同一种辐射源脉冲宽度的相关性,将各种脉宽不同的辐射源脉冲归类。DOA加PW预分选可以利用DOA参数,将各种辐射源脉冲划分空间范围,初步稀释信号流,再通过PW进行下一步预分选,用以分离不同方位上脉宽不同的辐射源脉冲。DOA加CF预分选,同上,利用DOA参数,将各种辐射源脉冲划分为不同空间范围,初步稀释信号流,再通过CF进行下一步分选,用以分离各种频率不同的辐射源脉冲。CF加PW预分选,将频率、脉宽基本不变的辐射源脉冲归为一类。
第一步:统计脉冲数据的DOA特征进行直方图,并根据统计结果进行分组,得到通过DOA特征分组的PDW数据流。其包含以下几个步骤:首先,计算脉冲数据DOA特征的最大值和最小值,在最大值和最小值范围内,以1°为步进,计算脉冲数据的DOA直方图。随后对DOA的直方图结果进行分组。在本实施例中,采用连续多个直方图分布为零的GAP区域(如图1所示连续大于5°的GAP1和GAP2)作为直方图组间的分界线,在DOA直方图上得到分组1、分组2和分组3。
第二步:在DOA直方图的分组结果基础上,对DOA得到的分组结果,逐一进行基于CF特征的直方图统计并进行分组。以分组1为例,首先计算分组1内脉冲数据CF特征的最大值和最小值,在最大值和最小值范围内,以1MHz为步进,计算脉冲数据的CF直方图。随后对CF的直方图统计结果进行分组。在本实施例中,采用连续多个直方图分布为零的GAP区域(如图1所示连续大于5MHz的GAP3)作为直方图组间的分界线,在CF直方图上会得到分组11、分组12。
第三步:在CF直方图的分组结果基础上,对CF得到的分组结果,逐一进行基于PW特征的直方图统计并进行分组。以分组12为例,首先计算分组12内脉冲数据PW特征的最大值和最小值,在最大值和最小值范围内,以0.1us为步进,计算脉冲数据的PW直方图。随后对PW的直方图统计结果进行分组。在本实施例中,采用连续多个直方图分布为零的GAP区域(如图1所示连续大于0.5us的GAP4)作为直方图组间的分界线,在PW直方图上会得到分组121、分组122。
第四步:在PW直方图的分组结果基础上,对PW得到的分组结果,主分选程序针对PW输出的每个分组,逐一调用主分选程序。其中包括第一步、第二步中得到的多个分组的各个分支。
以上结合附图对本发明进行了详细描述,但需要指出的是,文中描述的先计算DOA直方图、再计算CF直方图、最后算PW直方图的方法,由于上文提到的DOA、CF、PW参数的正交性,其先后顺序可以随意变换。每个特征中直方图的步进值也可以根据不同的数据进行修改,GAP的判断标准也可以进行调整。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。另外,本发明未详细说明部分属于本领域技术人员公知常识。
Claims (6)
1.一种雷达脉冲信号的多维参数预分选方法,具有如下技术特征:针对接收机输出的密集交叠脉冲,将脉冲分成多组脉冲列,在捷变频CF、到达角DOA和变脉宽PW多维空间下,分别统计每个CF、PW、DOA对应的脉冲数作出直方图;然后利用多维直方图统计脉冲的参数分布特征,根据参数的分布特征,实现脉冲数据的自动分组,从而实现雷达脉冲的预分选;再进行多维直方图统计时,利用雷达脉冲在DOA、CF、PW预分选空间上的正交性,把多维直方图统计转换为多个一维直方图,逐次进行参数估计;然后根据参数统计结果,寻找各个参数分布上不连续的区域,将空隙GAP区域作为对应参数的分割点,实现不同参数上的自动分类;然后,逐一调用主分选程序进行分选;DOA预分选利用同一种辐射源到达方向的相关性,将各种辐射源脉冲归类,CF加PW预分选时,将频率、脉宽基本不变的辐射源脉冲归为一类;CF预分选利用同一种辐射源载频的相关性,将各种频率不同的辐射源脉冲归类;PW预分选利用同一种辐射源脉冲宽度的相关性,将各种脉宽不同的辐射源脉冲归类;DOA加PW预分选利用DOA参数,将各种辐射源脉冲划分空间范围,初步稀释信号流,再通过PW进行下一步预分选,用以分离不同方位上脉宽不同的辐射源脉冲;DOA加CF预分选,利用DOA参数,将各种辐射源脉冲划分为不同空间范围,初步稀释信号流,再通过CF进行下一步分选,用以分离各种频率不同的辐射源脉冲。
2.如权利要求1所述的雷达脉冲信号的多维参数预分选方法,其特征在于:统计脉冲数据的DOA特征进行直方图,并根据统计结果进行分组,得到通过DOA特征分组的PDW数据流;首先,计算脉冲数据DOA特征的最大值和最小值,在最大值和最小值范围内,以1°为步进,计算脉冲数据的DOA直方图;随后对DOA的直方图结果进行分组。
3.如权利要求1所述的雷达脉冲信号的多维参数预分选方法,其特征在于:采用连续多个直方图分布为零的空隙GAP区域,以连续大于5°的空隙GAP1和空隙GAP2作为直方图组间的分界线,在DOA直方图上得到分组1、分组2和分组3。
4.如权利要求1所述的雷达脉冲信号的多维参数预分选方法,其特征在于:在DOA直方图的分组结果基础上,对DOA得到的分组结果,逐一进行基于CF特征的直方图统计并进行分组;以分组1为基础,首先计算分组1内脉冲数据CF特征的最大值和最小值,在最大值和最小值范围内,以1MHz为步进,计算脉冲数据的CF直方图;随后对CF的直方图统计结果进行分组;并且采用连续多个直方图分布为零的空隙GAP区域,以连续大于5MHz的空隙GAP3作为直方图组间的分界线,在CF直方图上得到分组11、分组12。
5.如权利要求1所述的雷达脉冲信号的多维参数预分选方法,其特征在于:在CF直方图的分组结果基础上,对CF得到的分组结果,逐一进行基于PW特征的直方图统计并进行分组,以分组12为基础,首先计算分组12内脉冲数据PW特征的最大值和最小值,在最大值和最小值范围内,以0.1us为步进,计算脉冲数据的PW直方图;随后对PW的直方图统计结果进行分组,并且采用连续多个直方图分布为零的空隙GAP区域,以连续大于0.5us的空隙GAP4作为直方图组间的分界线,在PW直方图上得到分组121、分组122。
6.如权利要求1所述的雷达脉冲信号的多维参数预分选方法,其特征在于:在PW直方图的分组结果基础上,对PW得到的分组结果,主分选程序针对PW输出的每个分组,逐一调用主分选程序,其中包括得到的多个分组的各个分支。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811263213.8A CN109270497B (zh) | 2018-10-28 | 2018-10-28 | 雷达脉冲信号的多维参数预分选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811263213.8A CN109270497B (zh) | 2018-10-28 | 2018-10-28 | 雷达脉冲信号的多维参数预分选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109270497A CN109270497A (zh) | 2019-01-25 |
CN109270497B true CN109270497B (zh) | 2023-03-31 |
Family
ID=65195303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811263213.8A Active CN109270497B (zh) | 2018-10-28 | 2018-10-28 | 雷达脉冲信号的多维参数预分选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109270497B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377658B (zh) * | 2019-07-22 | 2022-11-01 | 中国电子科技集团公司第二十九研究所 | 一种用全脉冲数据分析雷达信号参数和构建参数库的方法 |
CN110554364B (zh) * | 2019-08-30 | 2021-07-13 | 中国空间技术研究院 | 一种雷达信号脉冲到达时间测量精度的测试系统及方法 |
CN110531335A (zh) * | 2019-09-18 | 2019-12-03 | 哈尔滨工程大学 | 一种基于并查集的低复杂度相似聚类信号分选方法 |
CN111308426B (zh) * | 2019-12-10 | 2023-09-29 | 哈尔滨工程大学 | 一种适用于单天线接收机的低信噪比周期调频信号检测与分离方法 |
CN111190146B (zh) * | 2020-01-13 | 2021-02-09 | 中国船舶重工集团公司第七二四研究所 | 一种基于视觉图形特征的复杂信号分选方法 |
CN111624575B (zh) * | 2020-07-30 | 2020-10-23 | 中国人民解放军国防科技大学 | 一种未知雷达目标脉冲序列的快速提取方法及系统 |
CN112799053B (zh) * | 2020-12-09 | 2023-08-15 | 中国人民解放军战略支援部队信息工程大学 | 一种单脉冲信号的实时配对分选方法 |
CN112904287B (zh) * | 2021-01-14 | 2021-10-22 | 无锡国芯微电子系统有限公司 | 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 |
CN112986925B (zh) * | 2021-02-01 | 2024-03-12 | 东南大学 | 一种基于图像特征的雷达脉冲序列分选方法 |
CN113128584B (zh) * | 2021-04-15 | 2022-11-11 | 北京理工大学 | 一种多功能雷达脉冲序列的模式级无监督分选方法 |
CN113447907B (zh) * | 2021-09-01 | 2021-11-12 | 湖南艾科诺维科技有限公司 | 一种雷达分选系统控制方法及雷达分选系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105572631A (zh) * | 2015-12-23 | 2016-05-11 | 西安电子科技大学 | 基于多波位联合处理的最大似然目标doa估计方法 |
CN107238817A (zh) * | 2017-07-04 | 2017-10-10 | 中国人民解放军海军航空工程学院 | 一种参数自适应设置及自动调整的雷达辐射源信号分选方法 |
CN107505602A (zh) * | 2017-07-25 | 2017-12-22 | 南京航空航天大学 | 嵌套阵下基于dft的doa估计方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2696011B1 (fr) * | 1992-09-18 | 1994-11-04 | Thomson Csf | Procédé et dispositif de réglage du seuil de détection d'un radar. |
JP3346326B2 (ja) * | 1999-03-16 | 2002-11-18 | 三菱電機株式会社 | パルス列分類装置 |
CN101558397A (zh) * | 2006-03-01 | 2009-10-14 | 索芙特玛克斯公司 | 用于产生分离的信号的系统和方法 |
US8731293B2 (en) * | 2011-04-06 | 2014-05-20 | The Research Foundation for State University of New York | Representing signals for classification |
CN102798846B (zh) * | 2012-08-20 | 2014-04-09 | 中国电子科技集团公司第十研究所 | 二次雷达回波脉冲参数测量的方法 |
FR3011338A1 (fr) * | 2013-09-27 | 2015-04-03 | Thales Sa | Procede de desentrelacement non supervise par enrichissement n dimensions |
CN103941236B (zh) * | 2014-05-12 | 2016-01-20 | 中国船舶重工集团公司第七二四研究所 | 多参数栅格化滑动信号统计筛选处理方法 |
CN103954935A (zh) * | 2014-05-12 | 2014-07-30 | 哈尔滨工业大学 | 一种最小l1范数下的雷达信号分选方法 |
CN104198999B (zh) * | 2014-08-07 | 2016-06-01 | 北京理工大学 | 一种基于同构序列的脉冲分选方法 |
CN105277923B (zh) * | 2015-11-20 | 2017-10-03 | 清华大学 | 一种单通道雷达信号分选方法 |
CN106405518A (zh) * | 2016-12-07 | 2017-02-15 | 中国船舶重工集团公司第七二四研究所 | 一种复杂体制雷达信号等级关联聚类分选方法 |
CN106896348B (zh) * | 2017-01-16 | 2020-07-14 | 哈尔滨工程大学 | 一种基于概率数据关联的雷达信号分选方法 |
CN107656245B (zh) * | 2017-08-22 | 2020-12-04 | 哈尔滨工程大学 | 一种将信息融合应用到雷达信号分选中的方法 |
CN107843876A (zh) * | 2017-09-14 | 2018-03-27 | 福建雷神网盾电子科技有限公司 | 一种雷达脉冲重频的分选方法及设备 |
-
2018
- 2018-10-28 CN CN201811263213.8A patent/CN109270497B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105572631A (zh) * | 2015-12-23 | 2016-05-11 | 西安电子科技大学 | 基于多波位联合处理的最大似然目标doa估计方法 |
CN107238817A (zh) * | 2017-07-04 | 2017-10-10 | 中国人民解放军海军航空工程学院 | 一种参数自适应设置及自动调整的雷达辐射源信号分选方法 |
CN107505602A (zh) * | 2017-07-25 | 2017-12-22 | 南京航空航天大学 | 嵌套阵下基于dft的doa估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109270497A (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109270497B (zh) | 雷达脉冲信号的多维参数预分选方法 | |
CN112036074B (zh) | 一种高脉冲密度环境下雷达信号分选方法及系统 | |
CN108280395B (zh) | 一种对低小慢无人机飞控信号的高效识别方法 | |
CN108490410B (zh) | 一种两坐标雷达对海目标联合检测跟踪方法 | |
CN109839619B (zh) | 基于自适应分桶的雷达信号粗分选方法、系统及存储介质 | |
CN113721219B (zh) | 一种基于多参数聚类的雷达信号分选方法和系统 | |
CN111190146B (zh) | 一种基于视觉图形特征的复杂信号分选方法 | |
CN111722188A (zh) | 基于stft预分选的pri变换雷达信号分选方法 | |
CN112799053B (zh) | 一种单脉冲信号的实时配对分选方法 | |
CN112986925B (zh) | 一种基于图像特征的雷达脉冲序列分选方法 | |
CN110879390B (zh) | 一种基于父子结点遍历的距离多普勒平面点迹凝聚方法 | |
CN112034426B (zh) | 雷达信号处理方法、装置、计算机设备和存储介质 | |
KR20160048441A (ko) | 수집 레이더 신호의 클러스터링 방법 | |
CN109697431B (zh) | 一种基于高光谱图像的弱小目标检测方法 | |
CN106383339A (zh) | 一种多站点雷达信号级联合检测的镜像目标抑制方法 | |
CN115993580A (zh) | 一种被动侦察系统信号处理方法 | |
Wang et al. | Analysis of radar emitter signal sorting and recognition model structure | |
CN109856604A (zh) | 一种二维缩比快速恒虚警检测方法 | |
Matuszewski | Application of clustering methods for recognition of technical objects | |
CN112904287A (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 | |
CN108549061B (zh) | 一种信号的聚类方法 | |
CN116299195A (zh) | 一种基于toa序列相关度的雷达信号处理方法 | |
CN112836104B (zh) | 一种数据库辅助自主聚类信号分选方法及系统 | |
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 | |
CN115629365A (zh) | 一种高密度背景信号中少样本信号分选方法及装置 |
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 |