CN109298402A - 基于通道融合的极化特征提取方法 - Google Patents
基于通道融合的极化特征提取方法 Download PDFInfo
- Publication number
- CN109298402A CN109298402A CN201811071171.8A CN201811071171A CN109298402A CN 109298402 A CN109298402 A CN 109298402A CN 201811071171 A CN201811071171 A CN 201811071171A CN 109298402 A CN109298402 A CN 109298402A
- Authority
- CN
- China
- Prior art keywords
- hrrp
- polarization
- channel
- denoted
- point
- 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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开基于通道融合的极化特征提取方法,该方法用于雷达极化特征提取。本发明解决了传统极化特征提取方法中极化散射矩阵的不准确会造成提取极化特征不准确,从而影响极化分类识别的问题。本快速实现方法的处理流程为通道融合+特征提取,该方法不需要估计极化散射矩阵,避免了极化散射矩阵的准确性对极化特征提取的影响,且不需要矩阵运算,运算量也大大降低,适用于工程实现。
Description
技术领域
本发明涉及雷达信号处理领域,特别涉及雷达极化特征提取,提出了一种基于通道融合的极化特征提取方法,该算法先将极化通道进行通道融合形成单通道,对单通 道的接收数据进行极化特征提取,提取的极化特征用于目标识别。
背景技术
随着极化测量技术的日趋成熟、雷达信号处理能力的大幅提高,具有双极化或全极化的新型雷达迅速崛起。目标的极化特性成为雷达信号处理领域的研究热点,极化 特性尤其在目标识别方面显示出巨大的潜力。当多个目标(含干扰和杂波)都为面目 标时,单纯依赖一维距离像信息做目标分类识别的错分率较高,而极化雷达可获取目 标的极化信息,极化信息包含了目标物理特性,如目标的材料属性、物理结构、目标 的尺寸、目标结构和形状等信息,不同的目标对于同一入射波会产生不同的变极化效 应,即不同的极化信息。基于这种差异,目标的极化特性在目标分类识别方面有着较 大的应用空间和工程价值。目标的极化特征提取,是目标极化分类识别的重要基础, 所提取的目标极化特征的准确性直接影响目标极化分类识别的识别率。目前极化特征 提取主要有两种方法,提取极化不变量和提取目标的极化分量比例。
1、提取极化不变量
极化测量后得到极化散射矩阵,基于极化散射矩阵来提取极化不变量(特征),通过极化不变量特征来识别目标。
设定极化散射矩阵为:
则5个极化不变量的数学表示及物理意义如下:
(1)行列式的值Δ:
不变量Δ粗略地反映了目标的“体型”,即长短或宽窄。当目标的横向尺寸明显大于径向尺寸时,Δ>1;当目标的横向尺寸明显小于径向尺寸时则相反。
(2)功率矩阵的迹
P1=trace(SHS)=|S11|2+|S22|2+2|S12|2
P1表征极化雷达所接收到的总能量或总功率,它粗略反映了目标RCS的大小。
(3)去极化系数D:
其中S1=S11+S22,D表征了目标体的强散射中心的数量。
(4)本征极化方向角
其中S2=S11-S22,表征目标的极化角度或方向。
(5)本征极化椭圆率
其中τd表征了目标的对称特性。
极化不变量的提取都是基于散射矩阵,散射矩阵的准确性直接影响极化不变量的正确性。但是实际上由于噪声等因素,较难准确地估计目标散射矩阵,并且这种方法 涉及矩阵运算,运算量较大。
2、提取目标的极化分量比例
通过相干分解可以得到目标的各种极化分量,比如Pauli分解可以得到的极化分量 为奇次散射、偶次散射、45°散射,对宽带雷达中每个强散射中心都进行相干分解,就 可以得到每个散射中心的极化分量,进一步就可以统计得到目标中各个极化散射分量 的比例,利用这种比例的不同进行目标识别。
Pauli分解的表达式为S=aSa+bSb+cSc
其中正交线极化基下,三个 极化分量可以表示为和Pauli分解的三 个分量表征不同的物理特性,散射类型与物理特性的对应关系如表1所示:
表1 Pauli分解的物理意义
Pauli分解容易推导和理解,运算量较小,但是散射类型较少,只有奇次散射和偶次散射两种,对物理特性的描述不够精细,对于相似目标的误判率较高。
发明内容
要解决的技术问题
针对提取极化不变量和提取目标的极化分量比例两种极化特征提取方法都是基于 极化散射矩阵,但在实际工程中准确的估计极化散射矩阵是不现实的,所以提出了一种基于通道融合的极化特征提取方法,这种方法基于回波数据,先进行通道融合形成 单通道,再基于融合后单通道的检测数据进行极化特征提取,不需要估计极化散射矩 阵,不仅避免了极化散射矩阵估计不准确对极化特征的影响,而且由于不需要矩阵运 算,也可降低运算量。
技术方案
一种基于通道融合的极化特征提取方法,其特征在于步骤如下:
步骤1:通道融合:将双极化雷达的同极化通道接收的回波数据S和交叉极化通 道接收的回波数据D求模相加,得到融合通道的数据,记作W,即W=|S|+|D|,其中 |*|为求模,W大小为M*T;其中M为脉冲积累点数,T为距离单元数;
步骤2:基于矩阵W,用选大法进行目标抽取,得到检测通道的一维距离像,记 作HRRP_c,并记录目标抽取的位置,将相同位置的同极化通道回波矩阵和交叉极化 通道回波矩阵的数据对应取出,得到同极化通道和交叉极化通道的一维距离像,分别 记作HRRP_s和HRRP_d,HRRP_c、HRRP_s和HRRP_d都是一维复数向量,大小为 1*N,N为距离像点数;
步骤3:对融合通道的距离像HRRP_c进行两侧单元平均恒虚警检测CA_CFAR, 得到融合通道检测后的一维距离像,记作HRRP_t,HRRP_t是一维复数向量,大小为 1*N;
步骤4:对HRRP_t中的每个点进行非零判别,记录每个非零点的位置,记作index;index的大小为1*N1,N1为检测通道距离像中非零点的个数;
步骤5:对于index中的每个点,分别取HRRP_s和HRRP_d中的对应位置的复 数计算极化比,记作rd,即
其中i=index(k),k=1,2,…,N1;特别的,若HRRP_s(i)=0,则令rd(i)=123,若HRRP_d(i)=0,则令rd(i)=-123,rd的大小为1*N1;
步骤6:分别对HRRP_s和HRRP_d求模,用比较法分别找到HRRP_s和HRRP_d 中最大值的位置,分别记作ind_s和ind_d,对这两点处的极化比进行幅度加权,得到 加权极化比,记作r,即:
其中ind_s、ind_d、r的大小都为1*1;
步骤7:对index中的每个点,分别在|HRRP_s|和|HRRP_d|中用比较法判断该值是否为极值点,即:若|HRRP_s(is)|>|HRRP_s(is-1)|且|HRRP_s(is)|>|HRRP_s(is+1)|,则该is 点为同极化通道中的一个极值点,其中is=index(k),k=1,2,…,N1;同理,若 |HRRP_d(id)|>|HRRP_d(id-1)|且|HRRP_d(id)|>|HRRP_d(id+1)|,则该id点为交叉极化通道 中的一个极值点,其中id=index(k),k=1,2,…,N1;
步骤8:对is和id求并集,为极化极值点集合,记作peak,即peak=is∪id,peak 的长度即为极化极值点个数;
步骤9:设3个变量odd、even、vri,其中odd和even分别用来对奇次分量和偶 次分量进行计数,设初值为0,vri为螺旋分量比例;对rd中的每个值判断其大小,若 大于15,则odd递加1,若小于-15,则even递加1;即:
若rd(i)>15,则odd=odd+1;若rd(i)<-15,则even=even+1;
其中i=index(k),k=1,2,…,N1
那么螺旋分量vri的计算方法为:
vri=1-odd/N1-even/N1
步骤10:将检测通道的一维距离像HRRP_t归一化,结果记作pdf,即:
pdf=hrrp_t/max(hrrp_t)
其中max(*)为最大值,pdf大小为1*N;
那么极化二阶矩的计算方法为:
其中:
有益效果
本发明提出的一种基于通道融合的极化特征提取方法,与常规极化特征提取方法相比较,具有的有益效果是:
常规极化雷达的极化特征提取主要有两种方法,一种是提取极化不变量,另一种是提取目标的极化分量比例。其中第一种方法是通过同极化和交叉极化两个通道的数 据得到极化散射矩阵,基于极化散射矩阵来提取极化不变量,即极化特征;第二种方 法是通过相干分解得到目标的各种极化分量,比如Pauli分解可以得到的极化分量是 奇次散射、偶次散射、45°散射。但是这两种方法有两个共有的缺点,第一,这两种 方法所提取的极化特征都是基于散射矩阵提取的,所以极化特征的精确性完全取决于 散射矩阵是否准确。但是在工程应用中,区别于理论公式上的推导,由于极化校准误 差、通道耦合等原因的存在,很难得到完全准确的散射矩阵,因此基于散射矩阵的特 征提取方法所提取的目标极化特征精度会大大下降;第二,在运算过程中由于涉及矩 阵的运算,运算量较大,算法难以工程实现。
本发明基于通道融合的极化特征提取,是将两个通道的回波数据直接进行数据融合,得到单通道的数据,在单通道数据检测的基础上进行极化特征提取,流程图见图 1。本发明算法不需要计算散射矩阵,在解决了散射矩阵影响极化特征提取精度的问题 的同时,也大大降低了运算量,更适用于工程实现。
附图说明
图1本发明流程图
具体实施方式
现结合实施例、附图对本发明作进一步描述:
本发明解决技术问题的方案是:将双极化雷达中同极化和交叉极化两个接收通道接收的回波进行通道融合,对融合通道的数据进行检测及目标抽取,得到融合通道的 高分辨一维距离像(HRRP)后,基于融合后的HRRP进行目标的特征提取,进而可 以应用提取的特征进行目标分类识别。本发明所涉及的目标的4个极化特征包括极化 比、极化散射中心数、螺旋分量、极化二阶矩,该四个特征都是基于通道融合后的数 据进行。
该发明专利的核心算法是通道融合,以及基于通道融合的极化特征的提取。算法输入为双极化雷达的同极化通道和交叉极化通道接收的回波,算法输出为目标的极化 特征。将同极化通道和交叉极化通道的接收回波分别记作S和D,其中S和D都是矩 阵,大小为M*T,其中M为脉冲积累点数,T为距离单元数。具体算法流程如下:
1)通道融合,将两个通道的回波数据求模相加,得到融合通道的数据,记作W,即 W=|S|+|D|,其中|*|为求模,W大小为M*T;
2)基于矩阵W,用选大法进行目标抽取,得到检测通道的一维距离像,记作HRRP_c,并记录目标抽取的位置,将相同位置的同极化通道回波矩阵S和交叉极化通道回 波矩阵D的数据对应取出,得到同极化通道和交叉极化通道的一维距离像,分别 记作HRRP_s和HRRP_d,HRRP_c、HRRP_s和HRRP_d都是一维复数向量,大 小为1*N,N为距离像点数;
3)对融合通道的距离像HRRP_c进行两侧单元平均恒虚警检测(CA_CFAR),得到 融合通道检测后的一维距离像,记作HRRP_t,HRRP_t是一维复数向量,大小为 1*N。
4)对HRRP_t中的每个点进行非零判别,记录每个非零点的位置,记作index。index的大小为1*N1,N1为检测通道距离像中非零点的个数;
5)对于index中的每个点,分别取HRRP_s和HRRP_d中的对应位置的复数计算极化比,记作rd,即
其中i=index(k),k=1,2,…,N1。特别的,若HRRP_s(i)=0,则令rd(i)=123,若HRRP_d(i)=0,则令rd(i)=-123,rd的大小为1*N1;
6)分别对HRRP_s和HRRP_d求模,用比较法分别找到HRRP_s和HRRP_d中最大 值的位置,分别记作ind_s和ind_d,对这两点处的极化比进行幅度加权,得到加 权极化比,记作r,即:
其中ind_s、ind_d、r的大小都为1*1;
7)对index中的每个点,分别在|HRRP_s|和|HRRP_d|中用比较法判断该值是否为极值 点,即:若|HRRP_s(is)|>|HRRP_s(is-1)|且|HRRP_s(is)|>|HRRP_s(is+1)|,则该is点为 同极化通道中的一个极值点,其中is=index(k),k=1,2,…,N1;同理,若 |HRRP_d(id)|>|HRRP_d(id-1)|且|HRRP_d(id)|>|HRRP_d(id+1)|,则该id点为交叉极化 通道中的一个极值点,其中id=index(k),k=1,2,…,N1;
8)对is和id求并集,为极化极值点集合,记作peak,即peak=is∪id,peak的长度即为极化极值点个数;
9)设3个变量odd、even、vri,其中odd和even分别用来对奇次分量和偶次分量进行计数,设初值为0,vri为螺旋分量比例。对rd中的每个值判断其大小,若大于 15,则odd递加1,若小于-15,则even递加1。即:
若rd(i)>15,则odd=odd+1;若rd(i)<-15,则even=even+1;
其中i=index(k),k=1,2,…,N1
那么螺旋分量vri的计算方法为:
vri=1-odd/N1-even/N1
10)将检测通道的一维距离像HRRP_t归一化,结果记作pdf,即:
pdf=hrrp_t/max(hrrp_t)
其中max(*)为最大值,pdf大小为1*N;
那么极化二阶矩的计算方法为:
其中:
基于通道融合的特征提取方法,用于极化雷达的特征提取。基于通道融合的特征提取方法是先将同极化和交叉极化两个通道的数据进行融合,得到单通道的数据,对 单通道数据用选大法进行目标抽取,得到融合后的单通道的目标高分辨一维距离像 (HRRP),再对目标一维距离像进行两侧单元恒虚警检测(CA-CFAR),得到目标检 测后的一维距离像,同时,记录单通道数据目标抽取时各粗距离单元的抽取范围,将 同极化和交叉极化两个通道的回波数据与融合后单通道同样抽取范围的数据取出,作 为同极化通道和交叉极化通道的一维距离像,从而得到融合通道、同极化通道、交叉 极化通道三个高分辨一维距离像。本发明基于通道融合的极化特征提取包括加权极化 比、极化散射中心个数、螺旋分量、极化二阶矩。其中,极化比的计算方法是对交叉 极化通道和同极化通道两个通道最大值处的极化比进行加权求和,加权系数为两个最 大值进行归一化;极化散射中心个数的计算方法是分别对交叉极化通道和同极化通道 两个通道的两个高分辨一维距离像中的点进行极值点判断,再将两个通道的极值点求 并集,作为极化散射中心,并集中元素个数即为极化散射中心个数;螺旋分量的计算 法方法为对融合后单通道中过门限的点计算极化比,分别判断每个极化比值,大于15 的点占所有点的比例为奇次分量,小于-15的点占所有点的比例为偶次分量,则1-奇 次分量-偶次分量即为螺旋分量;极化二阶矩的计算方法是计算融合后单通道的二阶矩 作为极化二阶矩。本发明基于通道融合的极化特征提取方法的特征是,先两个通道的 回波数据进行数据融合,得到单通道的数据后,在单通道数据检测的基础上进行极化 特征提取,改变传统的需要求散射矩阵,通过散射矩阵提取极化特征的方法,从而避 免了因为散射矩阵的精度不高对极化特征准确性的影响,同时由于不用进行矩阵运算, 大大降低了运算量,更适用于工程实现。
Claims (1)
1.一种基于通道融合的极化特征提取方法,其特征在于步骤如下:
步骤1:通道融合:将双极化雷达的同极化通道接收的回波数据S和交叉极化通道接收的回波数据D求模相加,得到融合通道的数据,记作W,即W=|S|+|D|,其中|*|为求模,W大小为M*T;其中M为脉冲积累点数,T为距离单元数;
步骤2:基于矩阵W,用选大法进行目标抽取,得到检测通道的一维距离像,记作HRRP_c,并记录目标抽取的位置,将相同位置的同极化通道回波矩阵和交叉极化通道回波矩阵的数据对应取出,得到同极化通道和交叉极化通道的一维距离像,分别记作HRRP_s和HRRP_d,HRRP_c、HRRP_s和HRRP_d都是一维复数向量,大小为1*N,N为距离像点数;
步骤3:对融合通道的距离像HRRP_c进行两侧单元平均恒虚警检测CA_CFAR,得到融合通道检测后的一维距离像,记作HRRP_t,HRRP_t是一维复数向量,大小为1*N;
步骤4:对HRRP_t中的每个点进行非零判别,记录每个非零点的位置,记作index;index的大小为1*N1,N1为检测通道距离像中非零点的个数;
步骤5:对于index中的每个点,分别取HRRP_s和HRRP_d中的对应位置的复数计算极化比,记作rd,即
其中i=index(k),k=1,2,…,N1;特别的,若HRRP_s(i)=0,则令rd(i)=123,若HRRP_d(i)=0,则令rd(i)=-123,rd的大小为1*N1;
步骤6:分别对HRRP_s和HRRP_d求模,用比较法分别找到HRRP_s和HRRP_d中最大值的位置,分别记作ind_s和ind_d,对这两点处的极化比进行幅度加权,得到加权极化比,记作r,即:
其中ind_s、ind_d、r的大小都为1*1;
步骤7:对index中的每个点,分别在|HRRP_s|和|HRRP_d|中用比较法判断该值是否为极值点,即:若|HRRP_s(is)|>|HRRP_s(is-1)|且|HRRP_s(is)|>|HRRP_s(is+1)|,则该is点为同极化通道中的一个极值点,其中is=index(k),k=1,2,…,N1;同理,若HRRP_d(id)|>|HRRP_d(id-1)|且|HRRP_d(id)|>|HRRP_d(id+1)|,则该id点为交叉极化通道中的一个极值点,其中id=index(k),k=1,2,…,N1;
步骤8:对is和id求并集,为极化极值点集合,记作peak,即peak=is∪id,peak的长度即为极化极值点个数;
步骤9:设3个变量odd、even、vri,其中odd和even分别用来对奇次分量和偶次分量进行计数,设初值为0,vri为螺旋分量比例;对rd中的每个值判断其大小,若大于15,则odd递加1,若小于-15,则even递加1;即:
若rd(i)>15,则odd=odd+1;若rd(i)<-15,则even=even+1;
其中i=index(k),k=1,2,…,N1
那么螺旋分量vri的计算方法为:
vri=1-odd/N1-even/N1
步骤10:将检测通道的一维距离像HRRP_t归一化,结果记作pdf,即:
pdf=hrrp_t/max(hrrp_t)
其中max(*)为最大值,pdf大小为1*N;
那么极化二阶矩的计算方法为:
其中:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811071171.8A CN109298402B (zh) | 2018-09-14 | 2018-09-14 | 基于通道融合的极化特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811071171.8A CN109298402B (zh) | 2018-09-14 | 2018-09-14 | 基于通道融合的极化特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109298402A true CN109298402A (zh) | 2019-02-01 |
CN109298402B CN109298402B (zh) | 2022-12-06 |
Family
ID=65166881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811071171.8A Active CN109298402B (zh) | 2018-09-14 | 2018-09-14 | 基于通道融合的极化特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109298402B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948722A (zh) * | 2019-03-27 | 2019-06-28 | 中国人民解放军战略支援部队航天工程大学 | 一种识别空间目标的方法 |
CN110441750A (zh) * | 2019-07-19 | 2019-11-12 | 北京遥感设备研究所 | 一种雷达目标强散射点提取方法 |
CN110865340A (zh) * | 2019-12-04 | 2020-03-06 | 上海无线电设备研究所 | 一种基于极化特性辅助的海面角反射器干扰对抗方法 |
CN111458689A (zh) * | 2020-04-14 | 2020-07-28 | 上海无线电设备研究所 | 基于极化散射中心的多径散射特征分类方法 |
CN112114295A (zh) * | 2020-07-29 | 2020-12-22 | 中国人民解放军海军航空大学 | 一种全极化雷达目标识别方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0703464A2 (de) * | 1994-09-22 | 1996-03-27 | Daimler-Benz Aktiengesellschaft | Polarimetrisches Radarverfahren und polarimetrische Radaranordnung |
CN104007429A (zh) * | 2014-05-21 | 2014-08-27 | 西安电子科技大学 | 基于极化分解的噪声稳健宽带全极化目标识别方法 |
CN105954740A (zh) * | 2016-04-22 | 2016-09-21 | 西安电子工程研究所 | 基于局部白化的雷达极化检测方法 |
CN106199548A (zh) * | 2016-06-30 | 2016-12-07 | 西安电子科技大学 | 基于四极化通道融合的海面漂浮微弱雷达目标的检测方法 |
CN106249233A (zh) * | 2016-09-21 | 2016-12-21 | 清华大学 | 面向多极化穿墙雷达成像的前向混合匹配追踪方法和系统 |
US20180052229A1 (en) * | 2014-12-08 | 2018-02-22 | United States of America as Represented by the Secretary of the Army (Army Research Laboratory) | System for detecting man-made objects using polarimetric synthetic aperture radar imagery with error reduction and method of use |
-
2018
- 2018-09-14 CN CN201811071171.8A patent/CN109298402B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0703464A2 (de) * | 1994-09-22 | 1996-03-27 | Daimler-Benz Aktiengesellschaft | Polarimetrisches Radarverfahren und polarimetrische Radaranordnung |
CN104007429A (zh) * | 2014-05-21 | 2014-08-27 | 西安电子科技大学 | 基于极化分解的噪声稳健宽带全极化目标识别方法 |
US20180052229A1 (en) * | 2014-12-08 | 2018-02-22 | United States of America as Represented by the Secretary of the Army (Army Research Laboratory) | System for detecting man-made objects using polarimetric synthetic aperture radar imagery with error reduction and method of use |
CN105954740A (zh) * | 2016-04-22 | 2016-09-21 | 西安电子工程研究所 | 基于局部白化的雷达极化检测方法 |
CN106199548A (zh) * | 2016-06-30 | 2016-12-07 | 西安电子科技大学 | 基于四极化通道融合的海面漂浮微弱雷达目标的检测方法 |
CN106249233A (zh) * | 2016-09-21 | 2016-12-21 | 清华大学 | 面向多极化穿墙雷达成像的前向混合匹配追踪方法和系统 |
Non-Patent Citations (4)
Title |
---|
U.BENZ ET AL.: "Analysis of single and multi-channel SAR data using fuzzy logic", 《IGARSS"97.1997 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM PROCEEDINGS》 * |
付云等: "基于雷达散射矩阵的多模型融合极化目标识别", 《航天电子对抗》 * |
李索等: "基于深度学习算法的极化合成孔径雷达通用分类器设计", 《上海航天》 * |
许述文等: "基于四极化通道融合的海面漂浮微弱目标特征检测", 《信号处理》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948722A (zh) * | 2019-03-27 | 2019-06-28 | 中国人民解放军战略支援部队航天工程大学 | 一种识别空间目标的方法 |
CN109948722B (zh) * | 2019-03-27 | 2021-05-18 | 中国人民解放军战略支援部队航天工程大学 | 一种识别空间目标的方法 |
CN110441750A (zh) * | 2019-07-19 | 2019-11-12 | 北京遥感设备研究所 | 一种雷达目标强散射点提取方法 |
CN110865340A (zh) * | 2019-12-04 | 2020-03-06 | 上海无线电设备研究所 | 一种基于极化特性辅助的海面角反射器干扰对抗方法 |
CN110865340B (zh) * | 2019-12-04 | 2022-03-29 | 上海无线电设备研究所 | 一种基于极化特性辅助的海面角反射器干扰对抗方法 |
CN111458689A (zh) * | 2020-04-14 | 2020-07-28 | 上海无线电设备研究所 | 基于极化散射中心的多径散射特征分类方法 |
CN111458689B (zh) * | 2020-04-14 | 2022-07-05 | 上海无线电设备研究所 | 基于极化散射中心的多径散射特征分类方法 |
CN112114295A (zh) * | 2020-07-29 | 2020-12-22 | 中国人民解放军海军航空大学 | 一种全极化雷达目标识别方法及系统 |
CN112114295B (zh) * | 2020-07-29 | 2023-12-22 | 中国人民解放军海军航空大学 | 一种全极化雷达目标识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109298402B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109298402A (zh) | 基于通道融合的极化特征提取方法 | |
CN106918807B (zh) | 一种雷达回波数据的目标点迹凝聚方法 | |
Ilavarasan et al. | Performance of an automated radar target discrimination scheme using E pulses and S pulses | |
TW201514524A (zh) | 角度估計檢測方法及電子裝置 | |
CN105785340A (zh) | 单脉冲雷达对主瓣内目标和诱饵干扰的测角与识别方法 | |
WO2019218614A1 (zh) | 一种无芯片rfid标签的结构模式信号的自动搜索方法 | |
CN109901110A (zh) | 基于主成分分析的支持向量机近场声源定位方法 | |
CN105300267B (zh) | 基于电磁涡流和数据融合算法的金属板厚度测量方法 | |
CN111060878A (zh) | 适用于单脉冲的lfm雷达工作模式实时分类方法及装置 | |
KR101882482B1 (ko) | 표적 인식 장치 및 방법 | |
CN105204017B (zh) | 一种基于正则优化的高分辨雷达角跟踪方法 | |
CN111123205A (zh) | 一种地面侦察雷达目标点迹凝聚方法 | |
Zhou et al. | Combination of support vector machine and H-alpha decomposition for subsurface target classification of GPR | |
CN109633624B (zh) | 基于滤波数据处理的rgpo干扰鉴别方法 | |
CN103076595B (zh) | 一种多元离散雷达辐射源信号的异常类型识别方法 | |
Gao et al. | Specific emitter identification based on instantaneous frequency characteristics | |
Zhang et al. | PRI modulation recognition and sequence search under small sample prerequisite | |
CN110880012B (zh) | 多侦察平台脉间捷变雷达辐射源频率信息关联方法 | |
CN113298138B (zh) | 一种雷达辐射源个体识别方法及系统 | |
Tang et al. | Floating Small Target Detection Algorithm based on Features Fusion of Full Polarization Information in Sea Clutter | |
Hong et al. | Angular Glint Analysis Based on Parametric Model of Target | |
CN113759325B (zh) | 基于极化不变量和极化分解的海面角反射器干扰鉴别方法 | |
CN111458689A (zh) | 基于极化散射中心的多径散射特征分类方法 | |
Wang et al. | Research on a New Model Structure for Unknown Radar Emitter Signal Sorting | |
CN117890869B (zh) | 一种高精度毫米波雷达目标探测方法、设备、系统和介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221026 Address after: 710199 Weiqu Fengqi East Street, Chang'an District, Xi'an City, Shaanxi Province Applicant after: Xi'an Electronic Engineering Research Institute Applicant after: XI'AN CHANGYUAN ELECTRON ENGINEERING Co.,Ltd. Address before: Changan District Fengqi road 710100 Shaanxi city of Xi'an Province Applicant before: Xi'an Electronic Engineering Research Institute |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |