CN109839619A - 基于自适应分桶的雷达信号粗分选方法、系统及存储介质 - Google Patents
基于自适应分桶的雷达信号粗分选方法、系统及存储介质 Download PDFInfo
- Publication number
- CN109839619A CN109839619A CN201910199261.3A CN201910199261A CN109839619A CN 109839619 A CN109839619 A CN 109839619A CN 201910199261 A CN201910199261 A CN 201910199261A CN 109839619 A CN109839619 A CN 109839619A
- Authority
- CN
- China
- Prior art keywords
- pulse
- minizone
- adaptive
- bucket
- radar signal
- 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 32
- 230000011218 segmentation Effects 0.000 title claims abstract description 19
- 230000003044 adaptive effect Effects 0.000 claims abstract description 84
- JEIPFZHSYJVQDO-UHFFFAOYSA-N ferric oxide Chemical compound O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims abstract description 39
- 239000012634 fragment Substances 0.000 claims abstract description 37
- 238000004590 computer program Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 210000001367 artery Anatomy 0.000 description 3
- 210000003462 vein Anatomy 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
Abstract
本发明公开了一种基于自适应分桶的雷达信号粗分选方法,包括:步骤一、获取所有雷达信号脉冲值并构建每个脉冲值所对应的脉冲向;步骤二、将所有脉冲值所对应的脉冲向量投影到各个小区间,并获取各个小区间所对应的端点向量以及各个小区间内的投影脉冲向量个数;步骤三、根对各个小区间进行自适应分片,得到自适应桶;步骤四、判断所述自适应桶内的脉冲数是否大于预先设定的样式最少脉冲数,如是,则保留该自适应桶;步骤五、对所述自适应桶内的脉冲描述字数据进行信号分类,从而实现雷达信号粗分选。本发明还公开了一种基于自适应分桶的雷达信号粗分选系统和计算机可读存储介质。本发明具有自动、准确和快速选点。
Description
技术领域
本发明属于对抗侦察技术领域,具体涉及一种基于自适应分桶的雷达信号粗分选方法、系统及存储介质。
背景技术
雷达对抗侦察接收机输出到信号处理系统的是密集交叠的脉冲流(即全脉冲,每个脉冲以脉冲描述字PDW表示)。信号分选就是从这种随机交叠的脉冲流中分离出每一部雷达脉冲列的过程。信号分选是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的。雷达辐射源信号分选是雷达对抗侦察信号处理的重要内容之一,也是进行雷达特征提取、识别以及威胁评估的前提和基础。现代战争中,雷达对抗侦察接收机所处的信号环境越来越密集,越来越复杂。一方面,随着各国电子战的日益重视,电子对抗辐射源的数目急剧增加,使得雷达对抗信号异常密集,信号密度已达到数百万脉冲每秒;另一方面,随着各国反侦察反干扰措施的加强,现代雷达体制越来越先进,这对雷达对抗侦察信号分选提出了严峻的挑战。
雷达信号分选方法一般分为粗分选和主分选。粗分选一般是利用DOA(Directionof Arrival,到达方位)、RF(Radar Frequency,工作频率)和PW(Pulse Width,脉冲宽度)参数信息对脉冲序列进行大致划分,而后对粗分选划分好的各个脉冲序列集合进行信号主分选。
现有的粗分选算法中,最简单的是基于固定网格划分的固定分桶粗分选方法,对多维数据(如到达方位、工作频率和脉冲宽度脉冲信息数据组成的三维数据)构成的三维空间进行划分,该方法简单快捷,但由于没有考虑信号的密度分布,若划分桶的数量过多,会导致信号分裂严重,一些有效的雷达信号样式被割裂,造出信号的漏批和增批。信号密度过高,桶内信号数量过大,降低了粗分选的作用,增加了主分选的难度,难以提取识别出雷达信号RF、PRI和PW的样式变化特征,造成信号漏批;桶内信号过于稀疏,又难以积累一定的脉冲数目,用于信号主分选。因此,固定分桶的粗分选方法只适应于雷达信号密度小、信号交叠不严重的电子对抗场景,对当前常见的雷达对抗信号异常密集的场景难以满足要求,普适性低。
发明内容
本发明的目的之一,在于提供一种自适应桶的雷达信号粗分选方法,以克服现有技术固定分桶粗分选方法没有考虑的信号密度分布、计算量大和普适性低的技术问题。
本发明的目的之二,在于提供一种自适应桶的雷达信号粗分选系统。
本发明的目的之三,在于提供一种计算机可读存储介质。
为了达到上述目的之一,本发明采用如下技术方案实现:
一种基于自适应分桶的雷达信号粗分选方法,所述雷达信号粗分选方法包括如下步骤:
步骤一、获取所有雷达信号脉冲值并构建每个脉冲值所对应的脉冲向量;
步骤二、将所有脉冲值所对应的脉冲向量投影到各个小区间,并获取各个小区间所对应的端点向量以及各个小区间内的投影脉冲向量个数;
步骤三、根据各个小区间的端点向量以及各个小区间内的投影脉冲向量个数以及预先设定的区间最少脉冲数,对各个小区间进行自适应分片,得到自适应桶;
步骤四、判断所述自适应桶内的脉冲数是否大于预先设定的样式最少脉冲数,如是,则保留该自适应桶,进入步骤五;如否,则舍弃该自适应桶,结束;
步骤五、对所述自适应桶内的脉冲描述字数据进行信号分类。
进一步的,步骤三中,所述对各个小区进行自适应分片的过程包括:
根据各个小区间所对应的端点向量,将投影脉冲向量个数均大于等于预先设定的区间最少脉冲数的多个连续小区间合并成一个大片作为一个自适应桶;
将投影脉冲向量个数大于等于预先设定的区间最少脉冲数的非连续小区间作为各自对应的自适应桶。
进一步的,步骤三中,所述对各个小区进行自适应分片的过程还包括:
将脉冲向量个数小于预先设定的区间最少脉冲数的小区间舍弃,即舍弃落在所述自适应桶外的信号。
进一步的,所述脉冲值包括到达方位值、工作频率值和脉冲宽度值。
进一步的,当所述脉冲值为到达方位值时,每个小区间长度为0.2°~2.0°;
当所述脉冲值为工作频率值时,每个小区间长度为0.5~5MHz;
所述脉冲值为脉冲宽度值时,每个小区间长度为0.3~1.0μs。
为了达到上述目的之二,本发明采用如下技术方案实现:
一种基于自适应分桶的雷达信号粗分选系统,所述雷达信号粗分选系统包括构建模块、投影模块、自适应分片模块、判断模块和分类模块;
所述构建模块,用于获取所有雷达信号脉冲值并构建每个脉冲值所对应的脉冲向量给所述投影模块;
所述投影模块,用于接收并将所有脉冲值所对应的脉冲向量投影到各个小区间,并获取各个小区间所对应的端点向量以及各个小区间内的投影脉冲向量;
所述自适应分片模块,用于根据各个小区间的端点向量以及各个小区间内的投影脉冲向量个数以及预先设定的区间最少脉冲数,对各个小区间进行自适应分片,得到自适应桶;
所述判断模块,用于判断所述自适应桶内的脉冲数是否大于预先设定的样式最少脉冲数,如是,则保留该自适应桶;如否,则舍弃该自适应桶,结束;
所述分类模块,用于对所述自适应桶内的脉冲描述字数据进行信号分类,从而实现雷达信号粗分选。
进一步的,所述自适应分片模块包括连续合并分片模块和非连续分片模块;
所述连续合并分片模块,用于根据各个小区间所对应的端点向量,将投影脉冲向量个数均大于等于预先设定的区间最少脉冲数的多个连续小区间合并成一个大片作为一个自适应桶;
所述非连续分片模块,用于将投影脉冲向量个数大于等于预先设定的区间最少脉冲数的非连续小区间作为各自对应的自适应桶。
进一步的,所述自适应分片模块还包括舍弃模块;
所述舍弃模块,用于将脉冲向量个数小于预先设定的区间最少脉冲数的小区间舍弃,即舍弃落在所述自适应桶外的信号。
进一步的,所述脉冲值包括到达方位值、工作频率值和脉冲宽度值。
为了达到上述目的之三,本发明采用如下技术方案实现:
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序指令,通过执行所述计算机程序指令,实现上述所述的雷达信号粗分选方法。
本发明的有益效果:
1、本发明在雷达辐射源信号分选的粗分选部分采用脉冲参数的自适应动态分桶方法,将原始脉冲信号按脉冲参数的分布或结构特征和疏密程度分为若干有相似规律的子脉冲信号流,具有自动、准确和快速的优点。
2、本发明在进行高密度、复杂体制下的脉冲信号的粗分选时,可以按照每次0.8~1.2万个脉冲进行自适应分桶,为后面的主分选的精细雷达信号特征提取奠定了基础。
3、本发明将所有雷达信号的脉冲基于脉冲的连续性进行连续性区间合并分片,极大地减少了由于固定分桶的硬划分造成的主分选出现的脉冲分裂和辐射源增批,并减少主分选的样式合并的压力,且降低了计算复杂度,大大地减少了计算量;基于脉冲的非连续性的单独小区间自成一分桶,避免了探测到的稀疏雷达信号造成的辐射源漏批。
4、本发明既适应于高密度信号、信号交叠严重的情况;也适应于低密度信号、信号交叠不严重的信号环境,因而提高其适应性。
5、本发明不需要复杂的参数选择,大大降低了操作人员的工作量,以及专业要求。
附图说明
图1为本发明的基于自适应分桶的雷达信号初分粗分选方法流程示意图。
具体实施方式
以下结合附图对本发明的具体实施方式作出详细说明。
本实施例给出了一种基于自适应分桶的雷达信号粗分选初分选方法,参考图1,该雷达信号初分选粗分选方法包括如下步骤:
步骤一、获取所有雷达信号脉冲值并构建每个脉冲值所对应的脉冲向量。
本实施例的脉冲值包括到达方位值、工作频率值和脉冲宽度值,脉冲向量分别由到达方位值、工作频率值和脉冲宽度值构成的向量M。
步骤二、将所有脉冲值所对应的脉冲向量投影到各个小区间,并获取各个小区间所对应的端点向量edges以及各个小区间内的投影脉冲向量个数N。
本实施例的各个小区间为一系列区间,当脉冲值为到达方位值时,每个小区间长度unit为0.2°~2.0°,优选为0.5°。当脉冲值为工作频率值时,每个小区间长度unit为0.5~5MHz,优选为1MHz。当脉冲值为脉冲宽度值时,每个小区间长度unit为0.3~1.0μs,优选为0.5μs。
步骤三、根据各个小区间的端点向量以及各个小区间内的投影脉冲向量个数以及预先设定的区间最少脉冲数,对各个小区间进行自适应划分,得到自适应桶。
本步骤对各个小区间内的投影脉冲向量个数N和edges的各个元素,从edges[1]开始,查找各个小区间内的元素个数N[i],当连续的几个小区间内各个小区间的元素个数均满足N[i]>=bin_pulsemin区间最少脉冲数时,则将这几个连续的小区间合并分片构成一个自适应桶,用这几个连续区间的边界作为自适应桶的左边界和右边界。即使一个非连续的小区间,其包含的元素个数满足N[i]>=bin_pulsemin条件,其前一小区间不满足该条件,其后一小区间也不满足该条件,则这个非连续满足条件的小区间也构成一个自适应桶。也就是说,自适应桶是将满足N[i]>=bin_pulsemin条件的小区间分片,对端点连续的小区间划分成一个大片,对应一个自适应桶,端点不连续的区间划分成一个小片,少数不满足条件的区间舍弃。具体过程包括:
根据各个小区间所对应的端点向量,将投影脉冲向量个数均大于等于预先设定的区间最少脉冲数的多个连续小区间合并成一个大片作为一个自适应桶;
将投影脉冲向量个数大于等于预先设定的区间最少脉冲数的非连续小区间作为各自对应的自适应桶;
将脉冲向量个数小于预先设定的区间最少脉冲数的小区间舍弃,即舍弃落在所述自适应桶外的信号。
本实施例的区间最少脉冲数bin_pulsemin为关键参数,不应太大,一方面,通过本步骤总是可以将连成片的小区间合并成一个大的自适应桶,减少割裂造成的主分选时信号割裂,另一方面,不满足N[i]>=bin_pulsemin条件的小区间只起到了划分边界的作用,这些不满足条件的小区间内的脉冲是要舍弃的,因此,bin_pulsemin选得太大,容易造成漏脉冲。为了避免上述情况,将小区间最少脉冲数bin_pulsemin设置为2~8,优选为5。
步骤四、判断所述自适应桶内的脉冲数是否大于预先设定的样式最少脉冲数ys_pulsemin,如是,则保留该自适应桶,进入步骤五;如否,则舍弃该自适应桶,结束。
本实施例的样式最小脉冲数ys_pulsemin设置为5~15,优选为10。
步骤五、对所述自适应桶内的脉冲描述字数据进行信号分类。
将所有脉冲信号根据其脉冲值(如DOA值、RF值和PW值)落在各个自适应桶内的情况,对这些脉冲PDW(脉冲描述字)数据进行分类,极少数落于脉冲(如DOA)所有分桶之外的舍弃,从而实现脉冲粗分选。
对于相同的DOA数据集合,固定分桶中的桶宽设置对数据缺乏自适应性,即使增加桶宽,也可能会造成同一信号的割裂。自适应分桶很好地利用了数据的特点,根据数据的聚集度对其进行合理划分。基于DOA自适应分桶算法粗分选出的一个雷达样式,观察其DOA值分布在346.3~347.3,而DOA固定分桶算法刚好将其割裂开,导致该信号分裂在两个DOA桶中,通过主分选没有得到该雷达信号样式。
本实施例充分考虑到了数据本身的密度分布,减少由于固定分桶的硬性边界划分造成的主分选信号割裂,参数设置简单,算法速度极快,准确性和普适性高;本实施例在进行高密度、复杂体制下的脉冲信号的粗分选时,可以按照每次0.8~1.2万个脉冲进行自适应分桶,为后面的主分选的精细雷达信号特征提取奠定了基础;本实施例将所有雷达信号的脉冲基于脉冲的连续性进行连续性区间合并分片,极大地减少了由于固定分桶的硬划分造成的主分选出现的脉冲分裂和辐射源增批,并减少主分选的样式合并的压力,且降低了计算复杂度,大大地减少了计算量;基于脉冲的非连续性的单独小区间自成一分桶,避免了探测到的稀疏雷达信号造成的辐射源漏批;本实施例既适应于高密度信号、信号交叠严重的情况;也适应于低密度信号、信号交叠不严重的信号环境,因而提高其适应性;本实施例不需要复杂的参数选择,大大降低了操作人员的工作量,以及专业要求。
另一实施例给出了一种基于自适应桶的雷达信号粗分选系统,该雷达信号粗分选系统包括构建模块、投影模块、自适应分片模块、判断模块和分类模块。构建模块,用于获取所有雷达信号脉冲值并构建每个脉冲值所对应的脉冲向量;投影模块,用于接收并将所有脉冲值所对应的脉冲向量投影到各个小区间,并获取各个小区间所对应的端点向量以及各个小区间内的投影脉冲向量;自适应分片模块,用于根据各个小区间的端点向量以及各个小区间内的投影脉冲向量个数以及预先设定的区间最少脉冲数,对各个小区间进行自适应分片,得到自适应桶;判断模块,用于判断所述自适应桶内的脉冲数是否大于预先设定的样式最少脉冲数,如是,则保留该自适应桶;如否,则舍弃该自适应桶,结束;分类模块,用于对所述自适应桶内的脉冲描述字数据进行信号分类,从而实现雷达信号粗分选。自适应分片模块包括连续合并分片模块、非连续分片模块和舍弃模块。连续合并分片模块,用于根据各个小区间所对应的端点向量,将投影脉冲向量个数均大于等于预先设定的区间最少脉冲数的多个连续小区间合并成一个大片作为一个自适应桶。非连续分片模块,用于将投影脉冲向量个数大于等于预先设定的区间最少脉冲数的非连续小区间作为各自对应的自适应桶。舍弃模块,用于将脉冲向量个数小于预先设定的区间最少脉冲数的小区间舍弃,即舍弃落在所述自适应桶外的信号。本实施例的脉冲值包括到达方位值、工作频率值和脉冲宽度值
又一实施例给出了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序指令,通过执行所述计算机程序指令,实现上述实施例给出的雷达信号粗分选方法。
对于本领域技术人员而言,显然本发明实施例不限于上述示范性实施例的细节,而且在不背离本发明实施例的精神或基本特征的情况下,能够以其他的具体形式实现本发明实施例。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明实施例的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明实施例内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统、装置或终端权利要求中陈述的多个单元、模块或装置也可以由同一个单元、模块或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施方式仅用以说明本发明实施例的技术方案而非限制,尽管参照以上较佳实施方式对本发明实施例进行了详细说明,本领域的普通技术人员应当理解,可以对本发明实施例的技术方案进行修改或等同替换都不应脱离本发明实施例的技术方案的精神和范围。
Claims (10)
1.一种基于自适应分桶的雷达信号粗分选方法,其特征在于,所述雷达信号粗分选方法包括如下步骤:
步骤一、获取所有雷达信号脉冲值并构建每个脉冲值所对应的脉冲向量;
步骤二、将所有脉冲值所对应的脉冲向量投影到各个小区间,并获取各个小区间所对应的端点向量以及各个小区间内的投影脉冲向量个数;
步骤三、根据各个小区间的端点向量以及各个小区间内的投影脉冲向量个数以及预先设定的区间最少脉冲数,对各个小区间进行自适应分片,得到自适应桶;
步骤四、判断所述自适应桶内的脉冲数是否大于预先设定的样式最少脉冲数,如是,则保留该自适应桶,进入步骤五;如否,则舍弃该自适应桶,结束;
步骤五、对所述自适应桶内的脉冲描述字数据进行信号分类。
2.根据权利要求1所述的雷达信号粗分选方法,其特征在于,步骤三中,所述对各个小区进行自适应分片的过程包括:
根据各个小区间所对应的端点向量,将投影脉冲向量个数均大于等于预先设定的区间最少脉冲数的多个连续小区间合并成一个大片作为一个自适应桶;
将投影脉冲向量个数大于等于预先设定的区间最少脉冲数的非连续小区间作为各自对应的自适应桶。
3.根据权利要求2所述的雷达信号粗分选方法,其特征在于,步骤三中,所述对各个小区进行自适应分片的过程还包括:
将脉冲向量个数小于预先设定的区间最少脉冲数的小区间舍弃,即舍弃落在所述自适应桶外的信号。
4.根据权利要求1或2或3所述的雷达信号粗分选方法,其特征在于,所述脉冲值包括到达方位值、工作频率值和脉冲宽度值。
5.根据权利要求4所述的雷达信号粗分选方法,其特征在于,当所述脉冲值为到达方位值时,每个小区间长度为0.2°~2.0°;
当所述脉冲值为工作频率值时,每个小区间长度为0.5~5MHz;
所述脉冲值为脉冲宽度值时,每个小区间长度为0.3~1.0μs。
6.一种基于自适应分桶的雷达信号粗分选系统,其特征在于,所述雷达信号粗分选系统包括构建模块、投影模块、自适应分片模块、判断模块和分类模块;
所述构建模块,用于获取所有雷达信号脉冲值并构建每个脉冲值所对应的脉冲向量给所述投影模块;
所述投影模块,用于接收并将所有脉冲值所对应的脉冲向量投影到各个小区间,并获取各个小区间所对应的端点向量以及各个小区间内的投影脉冲向量;
所述自适应分片模块,用于根据各个小区间的端点向量以及各个小区间内的投影脉冲向量个数以及预先设定的区间最少脉冲数,对各个小区间进行自适应分片,得到自适应桶;
所述判断模块,用于判断所述自适应桶内的脉冲数是否大于预先设定的样式最少脉冲数,如是,则保留该自适应桶;如否,则舍弃该自适应桶,结束;
所述分类模块,用于对所述自适应桶内的脉冲描述字数据进行信号分类,从而实现雷达信号粗分选。
7.根据权利要求6所述的雷达信号粗分选系统,其特征在于,所述自适应分片模块包括连续合并分片模块和非连续分片模块;
所述连续合并分片模块,用于根据各个小区间所对应的端点向量,将投影脉冲向量个数均大于等于预先设定的区间最少脉冲数的多个连续小区间合并成一个大片作为一个自适应桶;
所述非连续分片模块,用于将投影脉冲向量个数大于等于预先设定的区间最少脉冲数的非连续小区间作为各自对应的自适应桶。
8.根据权利要求6或7所述的雷达信号粗分选系统,其特征在于,所述自适应分片模块还包括舍弃模块;
所述舍弃模块,用于将脉冲向量个数小于预先设定的区间最少脉冲数的小区间舍弃,即舍弃落在所述自适应桶外的信号。
9.根据权利要求6或7或8所述的雷达信号粗分选系统,其特征在于,所述脉冲值包括到达方位值、工作频率值和脉冲宽度值。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序指令,通过执行所述计算机程序指令,实现权利要求1~5任意一项所述的雷达信号粗分选方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910199261.3A CN109839619B (zh) | 2019-03-15 | 2019-03-15 | 基于自适应分桶的雷达信号粗分选方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910199261.3A CN109839619B (zh) | 2019-03-15 | 2019-03-15 | 基于自适应分桶的雷达信号粗分选方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109839619A true CN109839619A (zh) | 2019-06-04 |
CN109839619B CN109839619B (zh) | 2020-10-16 |
Family
ID=66885893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910199261.3A Expired - Fee Related CN109839619B (zh) | 2019-03-15 | 2019-03-15 | 基于自适应分桶的雷达信号粗分选方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109839619B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110687511A (zh) * | 2019-11-14 | 2020-01-14 | 扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所) | 一种雷达信号模拟器的脉冲时序恢复方法 |
CN110780275A (zh) * | 2019-11-07 | 2020-02-11 | 扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所) | 一种信号分选去除增批的方法 |
CN111308478A (zh) * | 2019-12-06 | 2020-06-19 | 深圳市镭神智能系统有限公司 | 一种双轴振镜和激光雷达 |
CN112034426A (zh) * | 2020-08-27 | 2020-12-04 | 上海朱光亚战略科技研究院 | 雷达信号处理方法、装置、计算机设备和存储介质 |
CN112130119A (zh) * | 2020-08-21 | 2020-12-25 | 扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所) | 一种分布式多站电子侦察协同信号处理系统及方法 |
CN112904288A (zh) * | 2021-01-14 | 2021-06-04 | 无锡国芯微电子系统有限公司 | 一种脉冲信号合并的系统、脉冲信号合并的方法 |
CN113296071A (zh) * | 2021-05-21 | 2021-08-24 | 中国科学院空天信息创新研究院 | 基于相关匹配法的多参差信号分选方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4338603A (en) * | 1967-05-25 | 1982-07-06 | The United States Of America As Represented By The Secretary Of The Navy | Self adaptive correlation radar |
US5317376A (en) * | 1992-12-03 | 1994-05-31 | Litton Systems, Inc. | Solid state pulsed coherent laser radar for short range velocimetry applications |
CN102725650A (zh) * | 2009-10-22 | 2012-10-10 | 丰田自动车欧洲股份有限公司 | 使用从多个角度反射的信号的亚毫米雷达 |
CN102854507A (zh) * | 2012-09-12 | 2013-01-02 | 电子科技大学 | 一种基于gpu后向投影双站合成孔径雷达成像方法 |
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 |
CN104977567B (zh) * | 2015-06-09 | 2018-07-31 | 张涉应 | 一种ofdm单脉冲雷达自适应发射波束形成方法 |
CN108562875A (zh) * | 2018-04-24 | 2018-09-21 | 扬州健行电子科技有限公司 | 一种先验数据库匹配法对雷达信号的分选方法 |
CN108896963A (zh) * | 2018-05-14 | 2018-11-27 | 西安电子科技大学 | 机载雷达空时自适应降维处理方法 |
CN109344459A (zh) * | 2018-09-13 | 2019-02-15 | 北京应用物理与计算数学研究所 | 一种蒙特卡罗程序的可视建模与转换方法及系统 |
-
2019
- 2019-03-15 CN CN201910199261.3A patent/CN109839619B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4338603A (en) * | 1967-05-25 | 1982-07-06 | The United States Of America As Represented By The Secretary Of The Navy | Self adaptive correlation radar |
US5317376A (en) * | 1992-12-03 | 1994-05-31 | Litton Systems, Inc. | Solid state pulsed coherent laser radar for short range velocimetry applications |
CN102725650A (zh) * | 2009-10-22 | 2012-10-10 | 丰田自动车欧洲股份有限公司 | 使用从多个角度反射的信号的亚毫米雷达 |
CN102854507A (zh) * | 2012-09-12 | 2013-01-02 | 电子科技大学 | 一种基于gpu后向投影双站合成孔径雷达成像方法 |
CN104977567B (zh) * | 2015-06-09 | 2018-07-31 | 张涉应 | 一种ofdm单脉冲雷达自适应发射波束形成方法 |
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 |
CN108562875A (zh) * | 2018-04-24 | 2018-09-21 | 扬州健行电子科技有限公司 | 一种先验数据库匹配法对雷达信号的分选方法 |
CN108896963A (zh) * | 2018-05-14 | 2018-11-27 | 西安电子科技大学 | 机载雷达空时自适应降维处理方法 |
CN109344459A (zh) * | 2018-09-13 | 2019-02-15 | 北京应用物理与计算数学研究所 | 一种蒙特卡罗程序的可视建模与转换方法及系统 |
Non-Patent Citations (2)
Title |
---|
WU B ET.AL: "《A Fast Density and Grid Based Clustering Method for Data with Arbitrary Shapes and Noise》", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 * |
王小英 等: "《正态分布和瑞利分布混合情形下的参数估计及分类问题》", 《数学建模及其应用》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110780275B (zh) * | 2019-11-07 | 2022-02-15 | 扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所) | 一种信号分选去除增批的方法 |
CN110780275A (zh) * | 2019-11-07 | 2020-02-11 | 扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所) | 一种信号分选去除增批的方法 |
CN110687511A (zh) * | 2019-11-14 | 2020-01-14 | 扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所) | 一种雷达信号模拟器的脉冲时序恢复方法 |
CN110687511B (zh) * | 2019-11-14 | 2023-01-03 | 扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所) | 一种雷达信号模拟器的脉冲时序恢复方法 |
CN111308478A (zh) * | 2019-12-06 | 2020-06-19 | 深圳市镭神智能系统有限公司 | 一种双轴振镜和激光雷达 |
CN111308478B (zh) * | 2019-12-06 | 2021-04-20 | 深圳市镭神智能系统有限公司 | 一种双轴振镜和激光雷达 |
CN112130119A (zh) * | 2020-08-21 | 2020-12-25 | 扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所) | 一种分布式多站电子侦察协同信号处理系统及方法 |
CN112034426A (zh) * | 2020-08-27 | 2020-12-04 | 上海朱光亚战略科技研究院 | 雷达信号处理方法、装置、计算机设备和存储介质 |
CN112034426B (zh) * | 2020-08-27 | 2024-04-12 | 上海朱光亚战略科技研究院 | 雷达信号处理方法、装置、计算机设备和存储介质 |
CN112904288A (zh) * | 2021-01-14 | 2021-06-04 | 无锡国芯微电子系统有限公司 | 一种脉冲信号合并的系统、脉冲信号合并的方法 |
CN112904288B (zh) * | 2021-01-14 | 2023-08-29 | 无锡国芯微电子系统有限公司 | 一种脉冲信号合并的系统、脉冲信号合并的方法 |
CN113296071A (zh) * | 2021-05-21 | 2021-08-24 | 中国科学院空天信息创新研究院 | 基于相关匹配法的多参差信号分选方法及装置 |
CN113296071B (zh) * | 2021-05-21 | 2023-01-03 | 中国科学院空天信息创新研究院 | 基于相关匹配法的多参差信号分选方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109839619B (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109839619A (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 | |
CN109270497B (zh) | 雷达脉冲信号的多维参数预分选方法 | |
US10158437B2 (en) | Wireless analysis apparatus and wireless analysis method | |
CN104699755B (zh) | 一种基于数据挖掘的智能化多目标综合识别方法 | |
CN106918807A (zh) | 一种雷达回波数据的目标点迹凝聚方法 | |
KR101951034B1 (ko) | 순차통계 일정 오경보율 검파의 처리 속도 향상방법 | |
CN106597365B (zh) | 一种基于时域聚类的复杂电子信号时差定位方法 | |
CN105160668A (zh) | 图像分割方法、系统与细胞图像分割方法、系统 | |
CN108919193A (zh) | 一种基于序列片段挖掘的参数捷变雷达信号分选方法 | |
CN106405518A (zh) | 一种复杂体制雷达信号等级关联聚类分选方法 | |
CN109039503A (zh) | 一种频谱感知方法、装置、设备及计算机可读存储介质 | |
CN110007299B (zh) | 一种基于混合坐标伪谱技术的微弱目标检测跟踪方法 | |
CN106443662B (zh) | 一种低重频体制下速度模糊时的目标稳健关联方法 | |
WO2019119223A1 (zh) | 基于雷达的测距处理方法、装置及无人飞行器 | |
CN110135180A (zh) | 满足节点差分隐私的度分布直方图发布方法 | |
CN109765635A (zh) | 直接液化用煤的圈定方法及装置 | |
CN105445699A (zh) | 一种非视距误差消除的测距方法及系统 | |
CN116050136A (zh) | 一种智能船舶测试场景库的生成方法、装置及设备 | |
CN102081799A (zh) | 基于邻域相似性及双窗口滤波的sar图像变化检测方法 | |
CN109241369B (zh) | 基于网格延展法的降雨等值线构建方法 | |
CN104360339B (zh) | 激光雷达航带扫描边界识别方法及装置 | |
JP2020180875A (ja) | クラッタ学習装置及びクラッタ識別装置 | |
CN104881670A (zh) | 一种用于sar方位角估计的快速目标提取方法 | |
CN106201949B (zh) | 眼图抖动的分析方法 | |
CN116299195A (zh) | 一种基于toa序列相关度的雷达信号处理方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201016 |
|
CF01 | Termination of patent right due to non-payment of annual fee |