CN109444844B - 一种提取目标散射中心特征的方法和装置 - Google Patents
一种提取目标散射中心特征的方法和装置 Download PDFInfo
- Publication number
- CN109444844B CN109444844B CN201910007117.5A CN201910007117A CN109444844B CN 109444844 B CN109444844 B CN 109444844B CN 201910007117 A CN201910007117 A CN 201910007117A CN 109444844 B CN109444844 B CN 109444844B
- Authority
- CN
- China
- Prior art keywords
- candidate
- scattering
- target
- scattering center
- center
- 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
- G01S7/41—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
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
本发明涉及一种提取目标散射中心特征的方法和装置,所述方法的一实施方式包括:对目标的回波信号进行二维成像,在图像中确定多个候选散射中心的位置;在所述回波信号的频域中选取两个子带分别进行二维成像,利用两幅图像中所述多个候选散射中心的位置对应的像素值获取每一候选散射中心的类型参数估计值;依据所述多个候选散射中心的位置和类型参数估计值构建稀疏字典矩阵;根据所述稀疏字典矩阵求解二维几何绕射理论模型,得到目标的多个散射中心的特征。该实施方式能够利用二维几何绕射理论模型准确提取目标散射中心特征。
Description
技术领域
本发明涉及雷达信号处理技术领域,尤其涉及一种提取目标散射中心特征的方法和装置。
背景技术
GTD(Geometrical Theory of Diffraction,几何绕射理论)模型是一种描述高频电磁散射机理的数学模型,其参数估计方法可以分为两类:第一类为基于物理模型的参数估计,该类方法直接对GTD模型的原型进行参数估计,其中比较有代表性的包括最大似然法、稀疏求解法等;第二类为基于数学模型的参数估计,该类方法将GTD模型回波近似成带衰减的谐波信号,各类经典谱估计方法如ESPRIT、MUSIC、RELAX等都可以应用于此类问题的求解当中,由于第二类方法经过了模型近似,因此其估计精度不如第一类估计方法。
基于物理模型的参数估计方法精度相对较高,但是计算量大,运算繁琐。例如最大似然估计法需要对高维非线性非凸函数进行优化,不仅要经过复杂的循环迭代过程,而且十分容易陷入局优,造成参数估计错误。相对而言,稀疏求解法是更加简单可靠的估计方法,它对于1D-GTD(一维几何绕射理论)模型的求解效果较好,但是对于2D-GTD(二维几何绕射理论)模型这类维数较高的问题,其构建字典十分庞大,导致运算量呈几何级数增长,参数估计十分困难。
针对上述2D-GTD模型难以进行稀疏求解这一问题,亟需对字典结构进行优化,寻求2D-GTD模型的快速稀疏求解方法,从而提取目标散射中心的特征。
发明内容
本发明要解决的技术问题是如何利用二维几何绕射理论模型准确提取目标散射中心特征。
为了解决上述技术问题,本发明提供了一种提取目标散射中心特征的方法。
本发明实施例的提取目标散射中心特征的方法可包括:对目标的回波信号进行二维成像,在图像中确定多个候选散射中心的位置;在所述回波信号的频域中选取两个子带分别进行二维成像,利用两幅图像中所述多个候选散射中心的位置对应的像素值获取每一候选散射中心的类型参数估计值;依据所述多个候选散射中心的位置和类型参数估计值构建稀疏字典矩阵;根据所述稀疏字典矩阵求解二维几何绕射理论模型,得到目标的多个散射中心的特征。
优选地,所述在图像中确定多个候选散射中心的位置,具体包括:对于图像中的任一像素点,判断该像素点的像素值是否大于其预设邻域内每一像素点的像素值:若是,将该像素点确定为候选散射中心。
优选地,所述稀疏字典矩阵如下式所示:
其中,Φ为稀疏字典矩阵,为Φ中的一个元素,p∈[1,P],q∈[1,Q],r∈[1,N],P为频域采样点总数,Q为角域采样点总数,N为候选散射中心总数,T表示转置,x1,x2,…,xN为候选散射中心的横坐标,y1,y2,…,yN为候选散射中心的纵坐标,α1,α2,…,αN为候选散射中心的类型参数估计值,k1,k2,…,kP为频率采样点的波数,为角域采样点的雷达视线角,kc为中心波数,j为虚数单位。
优选地,所述根据所述稀疏字典矩阵求解二维几何绕射理论模型,具体包括:采用正交匹配追踪法对含有所述稀疏字典矩阵的二维几何绕射理论模型进行稀疏求解。
优选地,目标的多个散射中心的特征为:所述多个散射中心中每一散射中心的以下估计值:横坐标、纵坐标、类型参数和散射幅度系数;对所述回波信号和所述两个子带进行二维成像的方式是滤波逆投影成像;所述两个子带的带宽相等。
在另一方面,本发明提供一种提取目标散射中心特征的装置。
本发明实施例的提取目标散射中心特征的装置可包括:回波成像单元,用于对目标的回波信号进行二维成像,在图像中确定多个候选散射中心的位置;子带成像单元,用于在所述回波信号的频域中选取两个子带分别进行二维成像,利用两幅图像中所述多个候选散射中心的位置对应的像素值获取每一候选散射中心的类型参数估计值;字典构建单元,用于依据所述多个候选散射中心的位置和类型参数估计值构建稀疏字典矩阵;计算单元,用于根据所述稀疏字典矩阵求解二维几何绕射理论模型,得到目标的多个散射中心的特征。
优选地,回波成像单元可进一步用于:对于图像中的任一像素点,判断该像素点的像素值是否大于其预设邻域内每一像素点的像素值:若是,将该像素点确定为候选散射中心。
优选地,所述稀疏字典矩阵如下式所示:
其中,Φ为稀疏字典矩阵,为Φ中的一个元素,p∈[1,P],q∈[1,Q],r∈[1,N],P为频域采样点总数,Q为角域采样点总数,N为候选散射中心总数,T表示转置,x1,x2,…,xN为候选散射中心的横坐标,y1,y2,…,yN为候选散射中心的纵坐标,α1,α2,…,αN为候选散射中心的类型参数估计值,k1,k2,…,kP为频率采样点的波数,为角域采样点的雷达视线角,kc为中心波数,j为虚数单位。
优选地,计算单元可进一步用于:采用正交匹配追踪法对含有所述稀疏字典矩阵的二维几何绕射理论模型进行稀疏求解。
可选地,目标的多个散射中心的特征为:所述多个散射中心中每一散射中心的以下估计值:横坐标、纵坐标、类型参数和散射幅度系数;对所述回波信号和所述两个子带进行二维成像的方式是滤波逆投影成像;以及,所述两个子带的带宽相等。
本发明的上述技术方案具有如下优点:在本发明实施例的技术方案中,通过局部峰值搜索法获得散射中心位置参数的候选集,通过SPLIT方法获得散射中心类型参数的候选集,并基于这两个候选集构建稀疏字典,这与传统的均匀网格字典相比,大大降低了稀疏字典的维数,使稀疏求解能够更加快速准确,由此可准确高效提取目标散射中心的特征。
附图说明
图1是本发明实施例的提取目标散射中心特征的方法的主要步骤示意图;
图2是本发明实施例的正交匹配追踪法的主要步骤示意图;
图3是本发明实施例的提取目标散射中心特征的方法的具体实现示意图;
图4是本发明实施例的提取目标散射中心特征的装置的组成部分示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明实施例的提取目标散射中心特征的方法的主要步骤示意图。
如图1所示,本发明是实施例的提取目标散射中心特征的方法可具体执行以下步骤:
步骤S101:对目标的回波信号进行二维成像,在图像中确定多个候选散射中心的位置。
其中,k为波数,kmin和kmax分别为波数的最小值和最大值,为雷达视线角,和分别为的最小值和最大值,l为投影线,x、y为二维图像上的横坐标和纵坐标,为雷达回波信号,g(x,y)为生成的二维复图像,为成像过程中产生的中间结果。可以理解,上述二维成像也可采用其它方式实现,本发明并不对此进行限制。
2D-GTD模型如公式2所示:
其中,的定义与公式1中相同,M为散射中心个数,Am为第m个散射中心的散射幅度系数,(xm,ym)为第m个散射中心的二维位置坐标,αm为类型参数,其取值为0.5的整数倍;kc为中心波数,en为测量噪声。
在本步骤中,将对2D-GTD模型中(xm,ym)所对应的位置候选集进行构建。方法为在二维图像g(x,y)中搜索局部峰值点,即:对于图像中的任一像素点,判断该像素点的像素值是否大于其预设邻域内每一像素点的像素值:若是,将该像素点确定为候选散射中心。实际应用中,可将g(x,y)图像中的每个像素值g(xi,yi)与其周围3*3邻域(即上述预设领域)中的像素值作对比,若该像素点上的值g(xi,yi)大于其3*3邻域上的每一像素值(不包括该像素点),则该像素点为局部峰值点,该点对应的坐标(xi,yi)被选入散射中心位置候选集。该点即为候选散射中心。假设被选入的位置原子个数共有N个,则位置候选集可表示为R={[xn,yn]}(n=1,2,…N)。
步骤S102:在所述回波信号的频域中选取两个子带分别进行二维成像,利用两幅图像中所述多个候选散射中心的位置对应的像素值获取每一候选散射中心的类型参数估计值。
实际应用中,要求选取的上述两个子带的带宽相等。假设回波信号的总带宽为Bz,起始频率为fs,终止频率为fe。可以起始频率fs、终止频率fs+0.3Bz为带宽区间,在频域数据上截取第一段子带以起始频率fe-0.3Bz、终止频率fe为带宽区间,在频域数据上截取第二段子带可以理解,截取子带的上述0.3Bz可以根据实际需求用其它数值代替。
此后,可在g1(x,y)、g2(x,y)上分别找出位置(xn,yn)上对应的像素g1(xn,yn)、g2(xn,yn),并将参数代入到SPLIT方法的公式中,得到每一候选散射中心的类型参数估计值αn:
这样,就可得到构建散射中心类型参数候选集α={αn}(n=1,2,…N)。
步骤S103:依据所述多个候选散射中心的位置和类型参数估计值构建稀疏字典矩阵。
在本步骤中,可通过步骤S101和步骤S102得到的候选散射中心的位置和类型参数估计值来优化稀疏字典矩阵,从而实现2D-GTD模型的准确快速求解。
以步进频率ISAR(即逆合成孔径雷达)雷达为例,公式2可改写为以下形式:
S=Φσ+E 公式4
其中,S为目标回波测量向量,
下面对2D-GTD模型的稀疏字典矩阵进行构建,稀疏字典矩阵可如下式所示:
其中,为Φ中的一个元素,p∈[1,P],q∈[1,Q],r∈[1,N],P为频域采样点总数,Q为角域采样点总数,N为候选散射中心总数,T表示转置,x1,x2,…,xN为候选散射中心的横坐标,y1,y2,…,yN为候选散射中心的纵坐标,α1,α2,…,αN为候选散射中心的类型参数估计值,k1,k2,…,kP为频率采样点的波数,为角域采样点的雷达视线角,kc为中心波数,j为虚数单位。可知,上述稀疏字典矩阵的行数为P*Q,列数为N。
步骤S104:根据所述稀疏字典矩阵求解二维几何绕射理论模型,得到目标的多个散射中心的特征。
基于上述稀疏字典矩阵,可以对公式4求解,得到目标散射中心的横坐标、纵坐标、类型参数和散射幅度系数等特征。具体地,在本步骤中,可采用正交匹配追踪法对含有所述稀疏字典矩阵的二维几何绕射理论模型进行稀疏求解。由于正交匹配追踪法属于已知技术,所以在此不做详细介绍,其基本流程如图2所示,即首先设置正交匹配追踪门限、初始化参数,之后可计算元素索引,更新索引集I和原子集Φt,并估计稀疏系数向量,更新残差,计算剩余信号能量,在不满足迭代停止条件时进行迭代,在满足迭代停止条件时输出索引集和稀疏系数向量。通过前者即可获得散射中心的横坐标、纵坐标和类型参数估计值,通过后者可获得散射中心的散射幅度系数估计值,从而完成目标散射中心信息的提取。
可以理解,本发明实施例的提取目标散射中心特征的方法可应用于各种雷达信号的处理和特征提取,上述具体场景并不对其应用范围形成任何限制。
图3是本发明实施例的提取目标散射中心特征的方法的具体实现示意图,其执行步骤与以上介绍的步骤类似,即首先对目标的回波信号进行二维成像,并进行散射中心位置候选集的构建,之后截取两个子带分别进行二维成像以构建散射中心类型参数候选集,从而实现2D-GTD模型稀疏字典的构建。此后即可采用正交匹配追踪法进行稀疏求解,获得2D-GTD模型的参数估计值。
图4是本发明实施例的提取目标散射中心特征的装置的组成部分示意图。
如图4所示,本发明实施例的提取目标散射中心特征的装置可包括:回波成像单元、子带成像单元、字典构建单元和计算单元。
其中,回波成像单元可用于对目标的回波信号进行二维成像,在图像中确定多个候选散射中心的位置;子带成像单元可用于在所述回波信号的频域中选取两个子带分别进行二维成像,利用两幅图像中所述多个候选散射中心的位置对应的像素值获取每一候选散射中心的类型参数估计值;字典构建单元可用于依据所述多个候选散射中心的位置和类型参数估计值构建稀疏字典矩阵;计算单元可用于根据所述稀疏字典矩阵求解二维几何绕射理论模型,得到目标的多个散射中心的特征。
作为一个优选方案,回波成像单元可进一步用于:对于图像中的任一像素点,判断该像素点的像素值是否大于其预设邻域内每一像素点的像素值:若是,将该像素点确定为候选散射中心。
较佳地,在本发明实施例总,所述稀疏字典矩阵如下式所示:
其中,Φ为稀疏字典矩阵,为Φ中的一个元素,p∈[1,P],q∈[1,Q],r∈[1,N],P为频域采样点总数,Q为角域采样点总数,N为候选散射中心总数,T表示转置,x1,x2,…,xN为候选散射中心的横坐标,y1,y2,…,yN为候选散射中心的纵坐标,α1,α2,…,αN为候选散射中心的类型参数估计值,k1,k2,…,kP为频率采样点的波数,为角域采样点的雷达视线角,kc为中心波数,j为虚数单位。
实际应用中,计算单元可进一步用于:采用正交匹配追踪法对含有所述稀疏字典矩阵的二维几何绕射理论模型进行稀疏求解。
此外,在本发明实施例中,目标的多个散射中心的特征为:所述多个散射中心中每一散射中心的以下估计值:横坐标、纵坐标、类型参数和散射幅度系数;对所述回波信号和所述两个子带进行二维成像的方式是滤波逆投影成像;以及,所述两个子带的带宽相等。
综上所述,在本发明实施例的技术方案中,公开了一种基于2D-GTD模型的提取目标散射中心特征的方法,解决以往2D-GTD模型稀疏字典过大,难以进行稀疏求解的问题。该方法包括:对雷达目标回波信号进行滤波-逆投影成像;利用局部峰值点搜索方法构建散射中心位置参数候选集;对回波信号进行子带截取;对子带进行滤波-逆投影成像;利用子带拼接SPLIT(Spectrum Parted Linked Image Test)算法构建散射中心类型参数候选集;利用散射中心位置、类型参数候选集构建2D-GTD模型稀疏字典;采用正交匹配追踪法进行稀疏求解;最终获得2D-GTD模型的参数估计值。该方法对字典结构进行了优化,大大降低了稀疏字典的维数,使稀疏求解能够更加快速准确,由此可更准确地提取目标散射中心特征。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种提取目标散射中心特征的方法,其特征在于,包括:
对目标的回波信号进行二维成像,在图像中确定多个候选散射中心的位置;
在所述回波信号的频域中选取两个子带分别进行二维成像,利用两幅图像中所述多个候选散射中心的位置对应的像素值获取每一候选散射中心的类型参数估计值;
依据所述多个候选散射中心的位置和类型参数估计值构建稀疏字典矩阵;以及
根据所述稀疏字典矩阵求解二维几何绕射理论模型,得到目标的多个散射中心的特征;
所述稀疏字典矩阵如下式所示:
2.根据权利要求1所述的方法,其特征在于,所述在图像中确定多个候选散射中心的位置,具体包括:
对于图像中的任一像素点,判断该像素点的像素值是否大于其预设邻域内每一像素点的像素值:若是,将该像素点确定为候选散射中心。
3.根据权利要求1所述的方法,其特征在于,所述根据所述稀疏字典矩阵求解二维几何绕射理论模型,具体包括:
采用正交匹配追踪法对含有所述稀疏字典矩阵的二维几何绕射理论模型进行稀疏求解。
4.根据权利要求1-3任一所述的方法,其特征在于,
目标的多个散射中心的特征为:所述多个散射中心中每一散射中心的以下估计值:横坐标、纵坐标、类型参数和散射幅度系数;
对所述回波信号和所述两个子带进行二维成像的方式是滤波逆投影成像;以及
所述两个子带的带宽相等。
5.一种提取目标散射中心特征的装置,其特征在于,包括:
回波成像单元,用于对目标的回波信号进行二维成像,在图像中确定多个候选散射中心的位置;
子带成像单元,用于在所述回波信号的频域中选取两个子带分别进行二维成像,利用两幅图像中所述多个候选散射中心的位置对应的像素值获取每一候选散射中心的类型参数估计值;
字典构建单元,用于依据所述多个候选散射中心的位置和类型参数估计值构建稀疏字典矩阵;以及
计算单元,用于根据所述稀疏字典矩阵求解二维几何绕射理论模型,得到目标的多个散射中心的特征;
所述稀疏字典矩阵如下式所示:
6.根据权利要求5所述的装置,其特征在于,回波成像单元进一步用于:
对于图像中的任一像素点,判断该像素点的像素值是否大于其预设邻域内每一像素点的像素值:若是,将该像素点确定为候选散射中心。
7.根据权利要求5所述的装置,其特征在于,计算单元进一步用于:
采用正交匹配追踪法对含有所述稀疏字典矩阵的二维几何绕射理论模型进行稀疏求解。
8.根据权利要求5-7任一所述的装置,其特征在于,
目标的多个散射中心的特征为:所述多个散射中心中每一散射中心的以下估计值:横坐标、纵坐标、类型参数和散射幅度系数;
对所述回波信号和所述两个子带进行二维成像的方式是滤波逆投影成像;以及,所述两个子带的带宽相等。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910007117.5A CN109444844B (zh) | 2019-01-04 | 2019-01-04 | 一种提取目标散射中心特征的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910007117.5A CN109444844B (zh) | 2019-01-04 | 2019-01-04 | 一种提取目标散射中心特征的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109444844A CN109444844A (zh) | 2019-03-08 |
CN109444844B true CN109444844B (zh) | 2020-08-28 |
Family
ID=65542590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910007117.5A Active CN109444844B (zh) | 2019-01-04 | 2019-01-04 | 一种提取目标散射中心特征的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109444844B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111220960B (zh) * | 2020-01-19 | 2022-01-07 | 北京环境特性研究所 | 多站雷达下的目标特征提取方法和装置 |
CN111781573B (zh) * | 2020-07-10 | 2024-03-19 | 中国人民解放军空军工程大学 | 基于改进3d-esprit算法的散射中心模型参数估计方法 |
CN112748412B (zh) * | 2020-12-23 | 2023-05-05 | 北京环境特性研究所 | 一种基于双正交匹配追踪的散射中心参数反演方法 |
CN113742916B (zh) * | 2021-09-06 | 2024-05-28 | 中国人民解放军国防科技大学 | 基于gtd参数提取的跳频rcs重构方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085213A (zh) * | 2017-05-19 | 2017-08-22 | 中国人民解放军63892部队 | 基于随机调频步进波形设计的运动目标isar成像方法 |
CN107843875A (zh) * | 2016-09-19 | 2018-03-27 | 南京理工大学 | 基于奇异值分解降噪的贝叶斯压缩感知雷达数据融合方法 |
CN108983208A (zh) * | 2018-06-19 | 2018-12-11 | 中国电子科技集团公司第四十研究所 | 一种基于近场稀疏成像外推的目标rcs测量方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103064071B (zh) * | 2012-10-25 | 2014-07-23 | 西安电子科技大学 | 基于稀疏分解的雷达目标属性散射中心特征提取方法 |
CN102944876A (zh) * | 2012-11-23 | 2013-02-27 | 北京航空航天大学 | 一种高效的宽带单脉冲雷达三维成像方法 |
CN103576130B (zh) * | 2013-11-05 | 2015-09-09 | 西安电子科技大学 | 一种进动锥体的三维成像方法 |
CN104122554B (zh) * | 2014-07-31 | 2016-08-17 | 西安电子科技大学 | 高分辨率sar图像目标的属性散射中心特征提取方法 |
CN106054186B (zh) * | 2016-05-23 | 2018-04-17 | 北京环境特性研究所 | 一种用于估计散射中心的类型参数的方法 |
-
2019
- 2019-01-04 CN CN201910007117.5A patent/CN109444844B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107843875A (zh) * | 2016-09-19 | 2018-03-27 | 南京理工大学 | 基于奇异值分解降噪的贝叶斯压缩感知雷达数据融合方法 |
CN107085213A (zh) * | 2017-05-19 | 2017-08-22 | 中国人民解放军63892部队 | 基于随机调频步进波形设计的运动目标isar成像方法 |
CN108983208A (zh) * | 2018-06-19 | 2018-12-11 | 中国电子科技集团公司第四十研究所 | 一种基于近场稀疏成像外推的目标rcs测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109444844A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109444844B (zh) | 一种提取目标散射中心特征的方法和装置 | |
Zhang et al. | Efficient two-dimensional line spectrum estimation based on decoupled atomic norm minimization | |
US9232332B2 (en) | Microphone calibration | |
CN111337893B (zh) | 一种基于实值稀疏贝叶斯学习的离格doa估计方法 | |
JP7109599B2 (ja) | オーディオ信号処理システム、オーディオ信号処理方法及びコンピュータ可読記憶媒体 | |
CN109633538B (zh) | 非均匀采样系统的最大似然时差估计方法 | |
WO2002059772A2 (en) | Blind decomposition using fourier and wavelet transforms | |
CN109765526B (zh) | 一种基于空间谱的目标搜索方法及装置 | |
CN110109058A (zh) | 一种平面阵列反卷积声源识别方法 | |
CN112859075B (zh) | 多频带isar融合高分辨成像方法 | |
CN112415078A (zh) | 一种质谱数据谱图信号校准方法及装置 | |
Du et al. | Robust statistical recognition and reconstruction scheme based on hierarchical Bayesian learning of HRR radar target signal | |
Yazaki et al. | Interpolation and denoising of graph signals using plug-and-play ADMM | |
CN104320144A (zh) | 稀疏度自适应信号重构方法 | |
JP2016535962A (ja) | ストリーミングデータの圧縮センシングのための方法およびそれを実行するための装置 | |
CN113238193A (zh) | 一种多分量联合重构的sar回波宽带干扰抑制方法 | |
CN112087235A (zh) | 基于伪逆感知字典的稀疏度自适应doa估计方法及系统 | |
WO2021108729A1 (en) | Radar data denoising systems and methods | |
Gantayat et al. | An efficient direction‐of‐arrival estimation of multipath signals with impulsive noise using satin bowerbird optimization‐based deep learning neural network | |
CN113688655B (zh) | 干扰信号的识别方法、装置、计算机设备和存储介质 | |
CN111880167A (zh) | 一种基于先随机后优化的波达方向估计方法 | |
CN110332987B (zh) | 一种声纹信号成像方法及麦克风阵列信号的成像方法 | |
He et al. | TDiffDe: A Truncated Diffusion Model for Remote Sensing Hyperspectral Image Denoising | |
CN113656961A (zh) | 金属和涂敷目标gtd模型的连续压缩感知散射中心提取方法 | |
CN113406560A (zh) | 一种非相干分布宽带源的角度和频率参数估计方法 |
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 |