CN109828253B - 一种多站雷达量化融合目标检测方法 - Google Patents
一种多站雷达量化融合目标检测方法 Download PDFInfo
- Publication number
- CN109828253B CN109828253B CN201910300991.8A CN201910300991A CN109828253B CN 109828253 B CN109828253 B CN 109828253B CN 201910300991 A CN201910300991 A CN 201910300991A CN 109828253 B CN109828253 B CN 109828253B
- Authority
- CN
- China
- Prior art keywords
- detection
- radar
- station
- quantization
- calculating
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 148
- 230000004927 fusion Effects 0.000 title claims abstract description 66
- 238000013139 quantization Methods 0.000 claims abstract description 84
- 238000013507 mapping Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000009466 transformation Effects 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000013078 crystal Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 7
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出了一种多站雷达量化融合目标检测方法,用于在保证检测精度的前提下,提高量化融合目标检测的效率,实现步骤为:设置多站雷达系统;计算每个雷达站接收到的回波信号的检测统计量;对每个检测统计量ti进行映射变换;计算每个映射变换后的检测统计量ri的量化门限;对每个映射变换后的检测统计量ri进行量化;信号融合中心对Y进行融合判决。本发明采用对每个检测统计量进行映射变换,通过设置的虚警概率迭代更新辅助参数并计算每个映射变换后的检测统计量的量化门限,避免了现有技术在计算量化门限时由于包含目标函数优化过程而造成的检测效率低的问题,能够在保证检测精度的前提下,提高量化融合目标检测的效率。
Description
技术领域
本发明属于雷达技术领域,涉及一种多站雷达量化融合目标检测方法,可用于高效的实现对雷达目标的可靠精度检测。
背景技术
多站雷达系统由一个信号融合中心和多个雷达站组成。与单个雷达站相比,多站雷达系统具有更广的探测范围、更高的定位精度、更强的生存能力及更强的抗干扰能力等优点。多站雷达系统中的量化融合目标检测方法是一种通过多个雷达站各自量化后的由回波信号经过信号处理得到的检测统计量来融合判决所有雷达站的回波信号中是否存在目标的方法,在量化融合目标检测方法中各雷达站先对各自接收到的回波信号进行信号处理得到检测统计量,然后通过计算好的量化门限对检测统计量进行量化处理以降低数据量,接着再把量化后的检测统计量传输到信号融合中心,最后信号融合中心通过设计好的融合方法对接收到的各雷达站传输过来的量化后的检测统计量进行融合并判决所有雷达站的回波信号中是否存在目标。检测概率是衡量量化融合目标检测方法的检测精度的一种性能指标,检测概率越高代表检测精度越高,计算量是衡量量化融合目标检测方法的检测效率的一种性能指标,计算量越小代表检测效率越高。在各雷达站的回波信号中信噪比一定的条件下,大多数的量化融合目标检测方法虽然能够在较低的量化位数下实现对所有雷达站的回波信号中目标的高概率检测,但是这些方法往往在计算检测统计量的量化门限的时候具有较大的计算量,而这会导致检测效率较低。设计良好的量化融合目标检测方法应该使得多站雷达系统的检测能力同时具备高精度和高效率的特点,因此研究多站雷达的量化融合目标检测方法具有重要意义。
目前,现有的量化融合目标检测方法在计算检测统计量的量化门限的过程中大都包含目标函数的优化过程,这会极大的增加计算检测统计量的量化门限的计算量,从而导致检测效率较低。例如,申请公布号为CN 106707273 A,名称为“基于奈曼皮尔逊准则量化的多站雷达信号融合检测方法”的中国专利申请,公开了一种基于奈曼皮尔逊准则量化的多站雷达信号融合检测方法,实现步骤为:确定每个雷达站对接收到的回波信号的量化位数b,并根据量化位数b得到量化区间个数M=2b;每个雷达站对其接收到的回波信号进行量化,确定量化后的回波信号所属的量化区间,并将该量化区间对应的标号传输至信号融合中心;设置期望的虚警概率,所述信号融合中心根据所述期望的虚警概率和N个雷达站发送的各自量化区间对应的标号对目标进行检测。该方法虽然在量化位数较低的条件下能够实现对所有雷达站的回波信号中目标的可靠精度检测,但是该方法在计算检测统计量的量化门限的时候会因为包含目标函数优化过程而具有较大的计算量,导致检测效率较低。
发明内容
本发明的目的在于克服上述现有技术存在的不足,提出了一种多站雷达量化融合目标检测方法,用于在保证检测精度的前提下,提高量化融合目标检测的效率。
本发明的技术思路是,首先设置多站雷达系统,然后计算每个雷达站接收到的回波信号的检测统计量并对其进行映射变换,接着计算映射变换后的检测统计量的量化门限,最后用得到的量化门限对映射变换后的检测统计量进行量化并在信号融合中心中对所有雷达站量化后的映射变换后的检测统计量进行融合判决,具体实现步骤为:
(1)设置多站雷达系统:
设置包括信号融合中心与Nd个雷达站的多站雷达系统,Nd≥2,每个雷达站包括检测单元和多个参考单元;
(2)计算每个雷达站接收到的回波信号的检测统计量:
通过第i个雷达站的检测单元接收到的回波信号Di,以及第i个雷达站的第j个参考单元接收到的回波信号xi,j,计算第i个雷达站接收到的回波信号的检测统计量ti,得到Nd个检测统计量,i=1,2,…,Nd,j=1,2,…,li,li表示第i个雷达站的参考单元个数,li≥2;
(3)对每个检测统计量ti进行映射变换:
对每个检测统计量ti进行映射变换,得到Nd个映射变换后的检测统计量,ti的映射变换表达式为:
ri=ln(f(ti|ai,H1)/f(ti|H0))
其中,ri代表ti映射变换后的检测统计量,f(ti|ai,H1)代表ti在Di中存在目标H1的概率密度函数,f(ti|H0)代表ti在Di中不存在目标H0的概率密度函数,ai代表Di的信噪比;
(4)计算每个映射变换后的检测统计量ri的量化门限:
(4a)设置信号融合中心的虚警概率为pf,第i个雷达站的量化位数为Nq(i),量化门限个数为计算量化门限所用的辅助区间为[gl,gr]、辅助变量为g、辅助标志位为flag、精度变量为ε,并初始化g=gr,flag=0,ε>0,其中,0≤pf≤1,1≤Nq(i)<Ci/fs(i),Ci代表第i个雷达站与信号融合中心之间的最大通信带宽,fs(i)代表第i个雷达站的最高采样频率,Li代表映射变换后的检测统计量ri的最小值;
(5)对每个映射变换后的检测统计量ri进行量化:
通过量化门限gi(k)对映射变换后的检测统计量ri进行量化,得到量化后的ri的标记yi,yi的值为ri在被个量化门限将区间[Li,+∞)划分成的个区间中所在区间对应的标记值,并将所有映射变换后的检测统计量的标记传输至信号融合中心;
(6)信号融合中心对Y进行融合判决:
本发明与现有技术相比,具有如下优点:
本发明采用对每个检测统计量进行映射变换,得到在尼曼皮尔逊准则下最优的检测统计量,并使得在尼曼皮尔逊准则下最优融合方法为映射变换后的检测统计量简单相加与门限比较的形式,这使得量化过程在映射变换后的检测统计量的较小取值的区间时也能取得不错的量化效果,最后通过设置的虚警概率迭代更新辅助参数并计算每个映射变换后的检测统计量的量化门限,避免了现有技术在计算量化门限时由于包含目标函数优化过程导致的计算量大进而造成的检测效率低的问题,能够在保证检测精度的前提下,提高量化融合目标检测的效率。
附图说明
图1是本发明的实现流程图;
图2是本发明计算每个映射变换后的检测统计量的量化门限的实现流程图;
图3是本发明与现有技术在不同量化位数下的检测精度的对比仿真图。
具体实施方式
下面结合附图和具体实施例,对本发明作进一步的详细描述。
参照图1,本发明包括如下步骤:
步骤1)设置多站雷达系统:
设置包括信号融合中心与Nd个雷达站的多站雷达系统,Nd≥2,每个雷达站包括检测单元和多个参考单元;
各个雷达站的参考单元个数可以相同也可以不相同,各雷达站的检测单元之间、参考单元之间、检测单元与参考单元之间相互独立的接收回波信号,检测单元接收到的回波信号中除了背景噪声回波信号外有可能还包含目标回波信号也有可能不包含目标回波信号,参考单元接收到的回波信号中只有背景噪声回波信号,参考单元接收到的回波信号是用来估计背景噪声回波信号的功率,信号融合中心是一种将多个雷达站传过来的由回波信号经过信号处理得到的检测统计量进行融合处理并判决多个雷达站的检测单元接收到的回波信号中是否存在目标的硬件装置,在本实施例中Nd=3;
步骤2)计算每个雷达站接收到的回波信号的检测统计量:
通过第i个雷达站的检测单元接收到的回波信号Di,以及第i个雷达站的第j个参考单元接收到的回波信号xi,j,计算第i个雷达站接收到的回波信号的检测统计量ti,得到3个检测统计量,i=1,2,3,j=1,2,…,8,每个雷达站的参考单元个数都为8,检测统计量ti的计算公式如下:
步骤3)对每个检测统计量ti进行映射变换:
对每个检测统计量ti进行映射变换,得到3个映射变换后的检测统计量,ti的映射变换表达式为:
ri=ln(f(ti|ai,H1)/f(ti|H0))
其中,ri代表ti映射变换后的检测统计量,f(ti|ai,H1)代表ti在Di中存在目标H1的概率密度函数,f(ti|H0)代表ti在Di中不存在目标H0的概率密度函数,ai代表Di的信噪比;
由于在尼曼皮尔逊准则下最优的检测统计量具有似然比的形式,因而可以通过构造最优的检测统计量来提升多站雷达系统的检测能力,当3个雷达站处于独立同分布的零均值的高斯白噪声背景下,且目标回波信号为SwerlingⅠ模型时,ti在Di中存在与不存在目标时的概率密度函数如下:
映射变换后的检测统计量ri如下:
因为ti≥0,所以可以得到ri的取值范围为[-ln(1+ai),8ln(1+ai)),ri的最小值为-ln(1+ai);在实际中,如果信噪比ai的真实值未知,可以通过估计的方法得到其取值;
步骤4)计算每个映射变换后的检测统计量ri的量化门限:
步骤4a)设置信号融合中心的虚警概率为10-4,第i个雷达站的量化位数为Nq(i),量化门限个数为计算量化门限所用的辅助区间为[gl,gr]、辅助变量为g、辅助标志位为flag、精度变量为ε,并初始化g=gr,flag=0,ε=10-7,其中,1≤Nq(i)<Ci/fs(i),Ci代表第i个雷达站与信号融合中心之间的最大通信带宽,fs(i)代表第i个雷达站的最高采样频率,Li代表映射变换后的检测统计量ri的最小值;
在满足1≤Nq(i)<Ci/fs(i)的基础上,量化位数Nq(i)的取值越大,信号融合中心的检测精度越好,但是,当量化位数Nq(i)增加到一定程度时,进一步增加量化位数Nq(i)对信号融合中心的检测精度改善很小,因此,量化位数Nq(i)的经验取值为3~5;
在尼曼皮尔逊准则下信号融合中心中最优的信号级融合方法为:当满足时,信号融合中心判决所有雷达站的检测单元接收到的回波信号中存在目标,否则,判决不存在目标;因为当满足时,一定会满足所以只需要对ri的取值区间进行均匀量化,并把区间量化为一个区间就可以得到不错的量化效果;
当把ri量化为zi时,因为zi的值只能代表ri所属区间的标记值,并不能代表ri所属区间的所有值,为了减小量化所带来的失真,可以把每个区间的标记值与该标记值代表的区间的中值关联起来,也即认为量化为zi的ri的值为zi的值所对应的区间的中值,所以量化后的融合方法为:当满足时,信号融合中心判决所有雷达站的检测单元接收到的回波信号中存在目标,否则,判决不存在目标;虚警概率代表当所有雷达站的检测单元接收到的回波信号中不存在目标时信号融合中心判决所有雷达站的检测单元接收到的回波信号中存在目标的概率,检测概率代表当所有雷达站的检测单元接收到的回波信号中存在目标时信号融合中心判决所有雷达站的检测单元接收到的回波信号中存在目标的概率;信号融合中心的判决方法为:当满足时,信号融合中心判决所有雷达站的检测单元接收到的回波信号中存在目标,否则,判决不存在目标;虚警概率及检测概率计算公式分别为:
其中,代表信号融合中心的检测概率,代表ri在第i个雷达站的检测单元接收到的回波信号Di中不存在目标H0的累积分布函数,代表ri在第i个雷达站的检测单元接收到的回波信号Di中存在目标H1的累积分布函数;
步骤5)对每个映射变换后的检测统计量ri进行量化:
通过量化门限gi(k)对映射变换后的检测统计量ri进行量化,得到量化后的ri的标记yi,yi的值为ri在被个量化门限将区间[Li,+∞)划分成的个区间中所在区间对应的标记值,并将所有映射变换后的检测统计量的标记Y=[y1,y2,y3]传输至信号融合中心;
步骤6)信号融合中心对Y进行融合判决:
下面结合仿真实验,对本发明的技术效果作详细说明。
1、仿真条件:
仿真参数设置:所有雷达站的检测单元接收到的回波信号中的信噪比相同a1=a2=a3,信噪比的取值范围是0dB到20dB,信噪比的取值间隔为1dB,所有雷达站的量化位数相同Nq(1)=Nq(2)=Nq(3);基于奈曼皮尔逊准则量化的多站雷达信号融合检测方法的参数设置:基于奈曼皮尔逊准则方法中的检验统计量yi对应为本发明中的ri,循环次数为Nc=20,其它参数同本发明的仿真参数设置。仿真过程中软硬件环境,硬件环境:CPU为Inter Corei7-6700,主频为3.40Ghz,主存为8GB。软件环境:Windows 7旗舰版,MATLAB仿真软件。
2、仿真内容与结果分析:
对本发明与现有技术中的基于奈曼皮尔逊准则量化的多站雷达信号融合检测方法的检测效率和检测精度在量化位数为1、2和3时分别进行对比仿真,检测效率仿真结果如表1所示,量化位数为1、2和3时的检测精度仿真结果分别如图3(a)、图3(b)和图3(c)所示。
表1
参照表1,本发明在量化位数为1、2和3时的运行时间分别为0.1853s、1.2957s和10.9629s,基于奈曼皮尔逊准则方法在量化位数为1、2和3时的运行时间分别为699.9450s、1001.4336s和16161.7346s,可知在相同的量化位数下,本发明的检测效率要高于基于奈曼皮尔逊准则方法。参照图3(a),当量化位数为1时,要达到检测概率为50%,本发明与基于奈曼皮尔逊准则的方法相比所需要的信噪比大约多0.89dB;参照图3(b),当量化位数为2时,要达到检测概率为50%,本发明与基于奈曼皮尔逊准则的方法相比所需要的信噪比大约多0.547dB;参照图3(c),当量化位数为3时,要达到检测概率为50%,本发明与基于奈曼皮尔逊准则的方法相比所需要的信噪比大约少0.022dB,由此可知,随着量化位数的增加,本发明方法和基于奈曼皮尔逊准则方法的检测精度差距会缩小,在量化位数为3时本发明的检测精度已基本达到基于奈曼皮尔逊准则方法的检测精度,所以在量化位数的取值为经验取值3~5的时候本发明的检测精度能够达到基于奈曼皮尔逊准则方法的检测精度。
综上,本发明在保证检测精度的前提下,能够提高量化融合目标检测的效率。
Claims (4)
1.一种多站雷达量化融合目标检测方法,其特征在于,包括如下步骤:
(1)设置多站雷达系统:
设置包括信号融合中心与Nd个雷达站的多站雷达系统,Nd≥2,每个雷达站包括检测单元和多个参考单元;
(2)计算每个雷达站接收到的回波信号的检测统计量:
通过第i个雷达站的检测单元接收到的回波信号Di,以及第i个雷达站的第j个参考单元接收到的回波信号xi,j,计算第i个雷达站接收到的回波信号的检测统计量ti,得到Nd个检测统计量,i=1,2,…,Nd,j=1,2,…,li,li表示第i个雷达站的参考单元个数,li≥2;
(3)对每个检测统计量ti进行映射变换:
对每个检测统计量ti进行映射变换,得到Nd个映射变换后的检测统计量,ti的映射变换表达式为:
ri=ln(f(ti|ai,H1)/f(ti|H0))
其中,ri代表ti映射变换后的检测统计量,f(ti|ai,H1)代表ti在Di中存在目标H1的概率密度函数,f(ti|H0)代表ti在Di中不存在目标H0的概率密度函数,ai代表Di的信噪比;
(4)计算每个映射变换后的检测统计量ri的量化门限:
(4a)设置信号融合中心的虚警概率为pf,第i个雷达站的量化位数为Nq(i),量化门限个数为计算量化门限所用的辅助区间为[gl,gr]、辅助变量为g、辅助标志位为flag、精度变量为ε,并初始化g=gr,flag=0,ε>0,其中,0≤pf≤1,1≤Nq(i)<Ci/fs(i),Ci代表第i个雷达站与信号融合中心之间的最大通信带宽,fs(i)代表第i个雷达站的最高采样频率,Li代表映射变换后的检测统计量ri的最小值;
(5)对每个映射变换后的检测统计量ri进行量化:
通过量化门限gi(k)对映射变换后的检测统计量ri进行量化,得到量化后的ri的标记yi,yi的值为ri在被个量化门限将区间[Li,+∞)划分成的个区间中所在区间对应的标记值,并将所有映射变换后的检测统计量的标记传输至信号融合中心;
(6)信号融合中心对Y进行融合判决:
4.根据权利要求1所述的一种多站雷达量化融合目标检测方法,其特征在于:步骤(4e)中所述的对g进行更新,更新方法为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300991.8A CN109828253B (zh) | 2019-04-15 | 2019-04-15 | 一种多站雷达量化融合目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300991.8A CN109828253B (zh) | 2019-04-15 | 2019-04-15 | 一种多站雷达量化融合目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109828253A CN109828253A (zh) | 2019-05-31 |
CN109828253B true CN109828253B (zh) | 2023-03-10 |
Family
ID=66875171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910300991.8A Active CN109828253B (zh) | 2019-04-15 | 2019-04-15 | 一种多站雷达量化融合目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109828253B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110161479B (zh) * | 2019-06-14 | 2023-01-06 | 西安电子科技大学 | 基于信噪比信息的多站雷达信号级融合目标检测方法 |
CN115877385B (zh) * | 2023-03-02 | 2023-05-09 | 中国电子科技集团公司信息科学研究院 | 基于无人飞艇平台的分布式雷达探测系统目标检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2922388A1 (fr) * | 2007-10-12 | 2009-04-17 | Commissariat Energie Atomique | Quantificateur, convertisseur analogique-numerique comprenant un tel quantificateur, et recepteur ultra-large bande integrant un tel convertisseur |
CN106033120A (zh) * | 2016-06-29 | 2016-10-19 | 电子科技大学 | 一种多站雷达异步多帧联合检测方法 |
CN108375761A (zh) * | 2018-02-08 | 2018-08-07 | 电子科技大学 | 针对多发多收雷达系统的单目标异步信号检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017218586A1 (en) * | 2016-06-13 | 2017-12-21 | Gamma2Robotics | Methods and systems for reducing false alarms in a robotic device by sensor fusion |
-
2019
- 2019-04-15 CN CN201910300991.8A patent/CN109828253B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2922388A1 (fr) * | 2007-10-12 | 2009-04-17 | Commissariat Energie Atomique | Quantificateur, convertisseur analogique-numerique comprenant un tel quantificateur, et recepteur ultra-large bande integrant un tel convertisseur |
CN106033120A (zh) * | 2016-06-29 | 2016-10-19 | 电子科技大学 | 一种多站雷达异步多帧联合检测方法 |
CN108375761A (zh) * | 2018-02-08 | 2018-08-07 | 电子科技大学 | 针对多发多收雷达系统的单目标异步信号检测方法 |
Non-Patent Citations (2)
Title |
---|
An Amplitude Association Dynamic Programming TBD Algorithm with Multistatic Radar;GUO Yunfei et al.;《Proceedings of the 35th Chinese Control Conference》;20160729;第5076-5079页 * |
多站雷达功率分配自修正凸松弛算法;冯涵哲 等;《西安电子科技大学学报(自然科学版)》;20180430;第45卷(第2期);第26-30页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109828253A (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111913156B (zh) | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 | |
CN110133599B (zh) | 基于长短时记忆模型的智能雷达辐射源信号分类方法 | |
EP2912485B1 (en) | Positioning | |
CN112039820B (zh) | 量子象群机制演化bp神经网络的通信信号调制识别方法 | |
CN109828253B (zh) | 一种多站雷达量化融合目标检测方法 | |
CN109168177B (zh) | 基于软采信令的经纬度回填方法 | |
CN111832462B (zh) | 一种基于深度神经网络的跳频信号检测与参数估计方法 | |
CN107911185B (zh) | 一种适用于电离层暴期间短波链路的最高可用频率计算方法 | |
CN114584230B (zh) | 一种基于对抗网络与长短期记忆网络的预测信道建模方法 | |
CN112749633B (zh) | 分离与重构的个体辐射源识别方法 | |
CN108959188A (zh) | 基于量化最小误差熵准则的格兰杰因果判辨方法 | |
CN113759323A (zh) | 基于改进K-Means联合卷积自编码器的信号分选方法及装置 | |
CN108280561A (zh) | 一种基于信息熵和加权距离的离散制造机械产品质量溯源方法 | |
CN110531309A (zh) | 存在幅相误差时基于原子范数的相关信号到达角估计方法 | |
CN104821854B (zh) | 一种基于随机集的多主用户多维频谱感知方法 | |
CN103076595B (zh) | 一种多元离散雷达辐射源信号的异常类型识别方法 | |
CN112764000A (zh) | 基于分位点的对数正态纹理海杂波幅度模型参数估计方法 | |
CN115932773A (zh) | 基于谱形特征的目标角度检测方法、装置、设备及介质 | |
CN116760491A (zh) | 一种基于深度学习的信噪比估计方法 | |
CN115499912A (zh) | 一种基于Wi-Fi信道状态信息的视距识别方法 | |
CN111929671B (zh) | 基于正态匹配的无线电侦测的接收幅度的估计方法及系统 | |
CN115734264A (zh) | 5g网络覆盖评估方法、装置、计算机可读介质及电子设备 | |
CN113687143A (zh) | 一种电磁波信号幅值衰减与传播距离关系曲线的拟合方法 | |
CN112632785A (zh) | 一种改进非参数核密度估计光伏出力建模方法 | |
CN118509121B (zh) | 一种基于混合分布估计算法的大数据传输方法及系统 |
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 |