CN110109073A - 基于生物启发式算法的认知雷达隐身目标识别方法 - Google Patents
基于生物启发式算法的认知雷达隐身目标识别方法 Download PDFInfo
- Publication number
- CN110109073A CN110109073A CN201910276503.4A CN201910276503A CN110109073A CN 110109073 A CN110109073 A CN 110109073A CN 201910276503 A CN201910276503 A CN 201910276503A CN 110109073 A CN110109073 A CN 110109073A
- Authority
- CN
- China
- Prior art keywords
- target
- radar
- waveform
- radar cross
- mean
- 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.)
- Pending
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
-
- 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
- G01S7/418—Theoretical aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于认知雷达技术领域,为提出一种基于生物启发式算法的波形优化方法,与目前存在的方法相比该方法更简单方便且能够得到更好的效果,本发明,基于生物启发式算法的认知雷达隐身目标识别方法,首先利用雷达接收机接收到的波形信息对目标散射系数进行估计,估计的方法采用最大后验概率估计并用卡尔曼滤波进行迭代估计,将估计的目标散射系数与实际的目标散射系数进行比较,计算两者之间的最小均方误差,将发送波形作为变量,最小均方误差作为目标函数,利用生物启发式算法进行求解,得出目标函数最小时的发送波形。本发明主要应用于认知雷达的设计制造。
Description
技术领域
本发明属于认知雷达识别领域,主要特点是识别目标为隐身目标,用物理光学的方法对隐身目标的雷达横截面积进行建模,具体涉及到的是在检测到隐身目标的基础上,用认知雷达对最大雷达横截面积方向隐身扩展目标的识别方法,并将生物启发式算法应用到对优化目标函数的求解上,能更好的提高识别性能。
背景技术
认知雷达系统由发射机、接收机和环境组成,是一个闭环系统[1]。接收机的关键功能之一是将接收到的环境信息反馈给发射机,发射机根据反馈信息对传输的波形进行优化,从而不断提高系统的估计和检测性能。在发射机中,传输的波形会根据得到的信息进行改变,以便准确地估计目标。因此,认知雷达最主要的问题是波形优化问题。
一般来说,现有波形优化问题可以概括为以下几个方面:最大化互信息量(MutualInformation,MI)[2],最小化克拉美罗界[3],最小化均方误差(mean square error,MSE)[4],最大化信号干扰噪声比(Signal to Interference Plus Noise Ratio;SINR)[5]和信噪比(signal-noise ratio,SNR)[6],优化模糊度函数[7]等等。目前主要采用半正定松弛(Semi-Definite Relaxation,SDR))的方法来解决问题,我们提出一种用生物启发式算法[8]的方法来有效解决非凸优化问题,得到很好的优化结果。
随着隐身技术的迅速发展,反隐身技术日益重要。而且当前隐身目标的检测识别都是在被动雷达的基础上进行的。认知雷达相对于被动雷达具有更好的感知环境信息的功能,能够根据环境信息自适应的对发射波形进行调整,从而提高目标的识别性能。雷达横截面积[9]是隐身目标的重要性能指标,它表征了目标在雷达波照射下所产生回波强度的一种物理量。
[1]S.Haykin,“Cognitive radar:a way of the future,”IEEE SignalProcessing Magazine,vol.23,no.1,pp.30–40,Jan.2006.
[2]A.Leshem,O.Naparstek,and A.Nehorai,“Information theoretic adaptiveradar waveform design for multiple extended targets,”IEEE Journal of SelectedTopics in Signal Processing,vol.1,no.1,pp.42–55,Jun.2007.
[3]P.Liu,Y.Liu,and X.Wang,“Acognitive radar approach for extendedtarget ranging,”in2017IEEE Radar Conference(RadarConf),May 2017,pp.0709–0712.
[4]Y.Yang and R.S.Blum,“Mimo radar waveform design based on mutualinformation and minimum mean-square error estimation,”IEEE Transactions onAerospace and Electronic Systems,vol.43,no.1,pp.330–343,Jan.2007.
[5]X.Zhang and C.Cui,“Signal detection for cognitive radar,”Electronics Letters,vol.49,no.8,pp.559–560,Apr.2013.
[6]S.Haykin,Y.Xue,and T.N.Davidson,“Optimal waveform design forcognitive radar,”in42nd Asilomar Conference on Signals,Systems and Computers,Oct.2008,pp.3–7.
[7]S.Shi,G.Yang,Z.Zhao,and J.Liu,“A novel radar waveform design for alow-power hf monostatic radar,”IEEE Geoscience and Remote Sensing Letters,vol.12,no.6,pp.1352–1356,Jun.2015.
[8]X.S.Yang,Nature-Inspired Optimization Algorithms,1st ed.Amsterdam,The Netherlands,The Netherlands:Elsevier Science Publishers B.V.,2014.
[9]Knott E F,Shaeffer J F,Tuley M T.Radar Cross Section[J].2004,41(4):215-217.
发明内容
为克服现有技术的不足,本发明旨在提出一种基于生物启发式算法的波形优化方法,与目前存在的方法相比该方法更简单方便且能够得到更好的效果。为此,本发明采用的技术方案是,基于生物启发式算法的认知雷达隐身目标识别方法,首先利用雷达接收机接收到的波形信息对目标散射系数进行估计,估计的方法采用最大后验概率估计并用卡尔曼滤波进行迭代估计,将估计的目标散射系数与实际的目标散射系数进行比较,计算两者之间的最小均方误差,将发送波形作为变量,最小均方误差作为目标函数,设计优化目标的数学模型,利用生物启发式算法进行求解,得出目标函数最小时的发送波形;雷达横截面积物理光学建模的过程是将目标划分成无数个三角面元,并计算固定角度上每个三角面元的散射场,再将所有面元散射场加在一起作为该方向上总的散射场强度。
具体步骤如下:
步骤1:用物理光学的方法对隐身目标雷达横截面积进行建模,找到雷达横截面积最大时候的方向角;
步骤2:将此方向上的每个三角面元的雷达横截面积展开;
步骤3:计算在一定分辨率下,所要识别的隐身扩展目标的雷达横截面积;
步骤4:发射机发射波形,接收机根据接收到的信号用最大后验概率估计隐身扩展目标的雷达横截面积,并与实际的进行比较,计算最小均方误差表达式;
步骤5:发射机根据最小均方误差调整发射波形,使接收机计算的最小均方误差达到最小为止;
步骤6:此时的波形为最优波形,并估计出隐身扩展目标的雷达横截面积信息。
更进一步地具体步骤如下:
步骤1:用物理光学的方法对隐身目标进行建模,由电磁场相关理论,电流密度为:
其中是向外单位法向量,是入射磁场强度,其中
是传播矢量,是入射电场强度,Z0是自由空间固有阻抗,由此得到旋度:
由旋度得到散射场强度为
W为角频率,rs为接收机到目标的距离,是将目标划分为小的三角面后,接收机到三角面的方向向量;
由雷达横截面积的定义:
其中R是发射机到目标的距离,r是偏振,θ是方位角,φ是垂直角,雷达横截面积用入射场强度和散射场强度表示,为r,θ,φ的函数,在r,φ一定的情况下,找到能使雷达横截面积最大的θ;
步骤2:将此方向上的每个三角面元的雷达横截面积展开,对于电磁散射场计算,其积分的计算公式为下列形式:
其中F(u,v)、r(u,v)都可假定为实函数,k为传播常数,s为散射目标表面,实际情况下,要运用路德维格运算法则,将积分区域分成许多积分面元,然后在积分面元上运用两个线性多项式来近似F(u,v)、r(u,v),则
步骤3:计算在一定分辨率下,所要识别的隐身扩展目标的雷达横截面积,假设总共有N个三角面元,分辨率为τ,则扩展隐身目标的长度为N/τ;
步骤4:发射机发射波形,接收机根据接收到的信号用最大后验概率估计隐身扩展目标的雷达横截面积,并与实际的进行比较,计算最小均方误差表达式;
步骤5:发射机根据最小均方误差调整发射波形,使接收机计算的最小均方误差达到最小为止;
步骤6:此时的波形为最优波形,并估计出隐身扩展目标的雷达横截面积信息。
本发明的特点及有益效果是:
本算法的特点是用认知雷达识别隐身目标信息,提出了一个具体的框架,为认知雷达理论进一步应用到隐身目标的检测和识别中奠定了基础,并提出用生物启发式算法解决认知雷达波形优化的非凸问题,能够达到更好的效果。
在认知雷达扩展目标估计的过程中,需要通过回波来对目标散射系数进行估计,为了使评估的标准达到最优,认知雷达需要优化发射波形,使接收回来的回波估计的目标散射系数更接近实际值。现有的解决波形优化的方法都是将非凸问题转化为凸优化问题,这样计算出来的结果不够精确,本发明基于生物启发式算法提出的波形优化方法简单方便而且能够得到更好的结果,将生物启发式算法应用于认知雷达波形设计中。
仿真结果表明,与目前存在的优化方法相比,生物启发式算法能够达到更好的估计结果。图1为实际的目标散射系数,图2表示SDR和生物启发式算法(粒子群算法(PSO)、蝙蝠算法(BA)、天牛须搜索算法(BAS))优化波形后估计的雷达横截面积(RCS),图3表示估计的目标散射系数和实际值的最小均方误差(MSE)。
附图说明:
图1认知雷达识别隐身目标流程图。
图2用半正定松弛技术和多种生物启发式算法估计的RCS与实际的RCS对比图。
图3没进行卡尔曼滤波估计时候的MSE结果。
图4卡尔曼滤波估计迭代后的MSE结果。
具体实施方式
认知雷达系统可通过先验知识、外部数据库以及任务优先级中获得可用的信息,根据环境调节自身,通过自适应地优化波形可提高系统的追踪、检测、估计和识别性能。因此,波形设计是认知雷达研究中一个很重要的问题。目前有很多波形优化和设计的方法,但都不能达到足够高的精度。反隐身技术作为目前存在的研究热点,具有重要的研究意义,而且目前存在的反隐身技术都是在被动雷达的基础之上的,本发明将认知雷达理论应用到反隐身技术中,并提出完整的框架,提出了一种基于生物启发式算法的波形优化的方法,与目前存在的方法相比该方法更简单方便且能够得到更好的效果。
具体方案如下:
一种生物启发式算法的认知雷达隐身目标识别方法:
步骤1:用物理光学的方法对隐身目标进行建模,由电磁场相关理论可知,电流密度为:
其中是向外单位法向量,是入射磁场强度。其中
是传播矢量,是入射电场强度,Z0是自由空间固有阻抗。由此可以得到旋度:
由旋度可以得到散射场强度为
W为角频率,rs为接收机到目标的距离,是将目标划分为小的三角面后,接收机到三角面的方向向量,u是特定介质常数。
由雷达横截面积的定义可知,
其中R是发射机到目标的距离,r是偏振,θ是方位角,φ是垂直角。这样雷达横截面积就可以用入射场强度和散射场强度表示出来了,它是r,θ,φ的函数。在r,φ一定的情况下,找到能使雷达横截面积最大的θ。
步骤2:将此方向上的每个三角面元的雷达横截面积展开,对于电磁散射场计算,其积分的计算公式一般有下列形式:
其中F(u,v)、r(u,v)都可假定为实函数,k为传播常数,s为散射目标表面。实际情况下,被积函数在s上的变换很快不能直接积分,要运用路德维格运算法则,将积分区域分成许多积分面元,然后在积分面元上运用两个线性多项式来近似F(u,v)、r(u,v),则
步骤3:计算在一定分辨率下,所要识别的隐身扩展目标的雷达横截面积,假设总共有N个三角面元,分辨率为τ,则扩展隐身目标的长度为N/τ;
步骤4:发射机发射波形,接收机根据接收到的信号用最大后验概率估计隐身扩展目标的雷达横截面积,并与实际的进行比较,计算最小均方误差表达式;
步骤5:发射机根据最小均方误差调整发射波形,使接收机计算的最小均方误差达到最小为止;
步骤6:此时的波形为最优波形,并估计出隐身扩展目标的雷达横截面积信息。
本发明一个具体实例如下:
认知雷达隐身目标识别方法:
步骤1:先用物理光学的方法对隐身目标的雷达横截面积进行建模,根据雷达横截面积定义在r,φ一定的情况下,找到能使雷达横截面积最大的θ;
步骤2:将此方向上的每个三角面元的雷达横截面积展开
步骤3:计算在一定分辨率下,所要识别的隐身扩展目标的雷达横截面积;
步骤4:发射机发射波形,接收机根据接收到的信号用最大后验概率估计隐身扩展目标的雷达横截面积,并与实际的进行比较,计算最小均方误差表达式;
步骤5:发射机根据最小均方误差调整发射波形,使接收机计算的最小均方误差达到最小为止;
步骤6:此时的波形为最优波形,并估计出隐身扩展目标的雷达横截面积信息。
Claims (3)
1.一种基于生物启发式算法的认知雷达隐身目标识别方法,其特征是,首先利用雷达接收机接收到的波形信息对目标散射系数进行估计,估计的方法采用最大后验概率估计并用卡尔曼滤波进行迭代估计,将估计的目标散射系数与实际的目标散射系数进行比较,计算两者之间的最小均方误差,将发送波形作为变量,最小均方误差作为目标函数,设计优化目标的数学模型,利用生物启发式算法进行求解,得出目标函数最小时的发送波形;雷达横截面积物理光学建模的过程是将目标划分成无数个三角面元,并计算固定角度上每个三角面元的散射场,再将所有面元散射场加在一起作为该方向上总的散射场强度。
2.如权利要求1所述的基于生物启发式算法的认知雷达隐身目标识别方法,其特征是,具体步骤如下:
步骤1:用物理光学的方法对隐身目标雷达横截面积进行建模,找到雷达横截面积最大时候的方向角;
步骤2:将此方向上的每个三角面元的雷达横截面积展开;
步骤3:计算在一定分辨率下,所要识别的隐身扩展目标的雷达横截面积;
步骤4:发射机发射波形,接收机根据接收到的信号用最大后验概率估计隐身扩展目标的雷达横截面积,并与实际的进行比较,计算最小均方误差表达式;
步骤5:发射机根据最小均方误差调整发射波形,使接收机计算的最小均方误差达到最小为止;
步骤6:此时的波形为最优波形,并估计出隐身扩展目标的雷达横截面积信息。
3.如权利要求1所述的基于生物启发式算法的认知雷达隐身目标识别方法,其特征是,更进一步地具体步骤如下:
步骤1:用物理光学的方法对隐身目标进行建模,由电磁场相关理论,电流密度为:
其中是向外单位法向量,是入射磁场强度,其中
是传播矢量,是入射电场强度,Z0是自由空间固有阻抗,由此得到旋度:
由旋度得到散射场强度为
W为角频率,rs为接收机到目标的距离,是将目标划分为小的三角面后,接收机到三角面的方向向量;
由雷达横截面积的定义:
其中R是发射机到目标的距离,r是偏振,θ是方位角,φ是垂直角,雷达横截面积用入射场强度和散射场强度表示,为r,θ,φ的函数,在r,φ一定的情况下,找到能使雷达横截面积最大的θ;
步骤2:将此方向上的每个三角面元的雷达横截面积展开,对于电磁散射场计算,其积分的计算公式为下列形式:
其中F(u,v)、r(u,v)都可假定为实函数,k为传播常数,s为散射目标表面,实际情况下,要运用路德维格运算法则,将积分区域分成许多积分面元,然后在积分面元上运用两个线性多项式来近似F(u,v)、r(u,v),则
步骤3:计算在一定分辨率下,所要识别的隐身扩展目标的雷达横截面积,假设总共有N个三角面元,分辨率为τ,则扩展隐身目标的长度为N/τ;
步骤4:发射机发射波形,接收机根据接收到的信号用最大后验概率估计隐身扩展目标的雷达横截面积,并与实际的进行比较,计算最小均方误差表达式;
步骤5:发射机根据最小均方误差调整发射波形,使接收机计算的最小均方误差达到最小为止;
步骤6:此时的波形为最优波形,并估计出隐身扩展目标的雷达横截面积信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910276503.4A CN110109073A (zh) | 2019-04-08 | 2019-04-08 | 基于生物启发式算法的认知雷达隐身目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910276503.4A CN110109073A (zh) | 2019-04-08 | 2019-04-08 | 基于生物启发式算法的认知雷达隐身目标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110109073A true CN110109073A (zh) | 2019-08-09 |
Family
ID=67485313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910276503.4A Pending CN110109073A (zh) | 2019-04-08 | 2019-04-08 | 基于生物启发式算法的认知雷达隐身目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110109073A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111736161A (zh) * | 2020-08-25 | 2020-10-02 | 中国人民解放军国防科技大学 | 一种基于相干激光雷达的静态隐身目标揭示方法 |
CN111859714A (zh) * | 2020-08-03 | 2020-10-30 | 国网重庆市电力公司电力科学研究院 | 工频电场强度计算方法、系统及工频电场屏蔽装置 |
CN112649805A (zh) * | 2020-10-09 | 2021-04-13 | 天津大学 | 基于物理光学建模的认知雷达隐身目标检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101532033B1 (ko) * | 2014-05-08 | 2015-06-29 | 인하대학교 산학협력단 | 레이더 반사 면적 측정 장치 및 방법 |
CN108563611A (zh) * | 2018-03-27 | 2018-09-21 | 天津大学 | 基于天牛须搜索算法的认知雷达波形优化方法 |
CN108646228A (zh) * | 2018-05-11 | 2018-10-12 | 电子科技大学 | 一种基于po方法的雷达散射截面计算方法 |
CN108693508A (zh) * | 2018-03-26 | 2018-10-23 | 天津大学 | 基于粒子群算法的认知雷达波形优化方法 |
CN109521409A (zh) * | 2018-10-15 | 2019-03-26 | 天津大学 | 基于蝙蝠算法的认知雷达波形优化方法 |
-
2019
- 2019-04-08 CN CN201910276503.4A patent/CN110109073A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101532033B1 (ko) * | 2014-05-08 | 2015-06-29 | 인하대학교 산학협력단 | 레이더 반사 면적 측정 장치 및 방법 |
CN108693508A (zh) * | 2018-03-26 | 2018-10-23 | 天津大学 | 基于粒子群算法的认知雷达波形优化方法 |
CN108563611A (zh) * | 2018-03-27 | 2018-09-21 | 天津大学 | 基于天牛须搜索算法的认知雷达波形优化方法 |
CN108646228A (zh) * | 2018-05-11 | 2018-10-12 | 电子科技大学 | 一种基于po方法的雷达散射截面计算方法 |
CN109521409A (zh) * | 2018-10-15 | 2019-03-26 | 天津大学 | 基于蝙蝠算法的认知雷达波形优化方法 |
Non-Patent Citations (2)
Title |
---|
方全杰: "物理光学法在导体与涂层目标电磁散射中的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
陈世春 等: "从探测概率的角度评价飞机的隐身性能", 《航空学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111859714A (zh) * | 2020-08-03 | 2020-10-30 | 国网重庆市电力公司电力科学研究院 | 工频电场强度计算方法、系统及工频电场屏蔽装置 |
CN111736161A (zh) * | 2020-08-25 | 2020-10-02 | 中国人民解放军国防科技大学 | 一种基于相干激光雷达的静态隐身目标揭示方法 |
CN111736161B (zh) * | 2020-08-25 | 2020-11-20 | 中国人民解放军国防科技大学 | 一种基于相干激光雷达的静态隐身目标揭示方法 |
CN112649805A (zh) * | 2020-10-09 | 2021-04-13 | 天津大学 | 基于物理光学建模的认知雷达隐身目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108563611A (zh) | 基于天牛须搜索算法的认知雷达波形优化方法 | |
CN110109073A (zh) | 基于生物启发式算法的认知雷达隐身目标识别方法 | |
WO2018045567A1 (zh) | 一种基于存在测量误差的阵列流形先验知识的稳健stap方法 | |
CN107064865B (zh) | 基于深度聚类的极坐标动态规划无源协同定位方法 | |
CN106021697B (zh) | 一种快速相控阵雷达时间-能量资源联合管理方法 | |
CN106291449B (zh) | 对称稳定分布噪声下波达方向角估计方法 | |
CN108398678A (zh) | 一种集中式mimo雷达快速自适应目标跟踪方法 | |
KR101897763B1 (ko) | 레이더를 이용한 거리 측정 방법 및 장치 | |
Cui et al. | Multiple-input multiple-output radar detectors design in non-Gaussian clutter | |
CN104502911A (zh) | 一种穿墙成像雷达的墙壁参数估计方法 | |
CN109239686B (zh) | 一种针对分布式mimo雷达目标定位的发射机和接收机布局方法 | |
CN101644760A (zh) | 一种适用于高分辨阵列的快速鲁棒的信源个数检测方法 | |
CN108693508A (zh) | 基于粒子群算法的认知雷达波形优化方法 | |
CN106154241B (zh) | 脉冲噪声环境下的韧性平行因子分析算法 | |
Cheng et al. | Optimal nonlinear estimation for localization of wireless sensor networks | |
CN113835069A (zh) | 一种距离门拖引干扰的智能生成方法 | |
CN106019250B (zh) | 基于角闪烁转发式假目标鉴别方法 | |
CN112068124A (zh) | 面向低截获的组网雷达驻留时间与辐射功率联合优化方法 | |
CN105652256B (zh) | 一种基于极化信息的高频地波雷达tbd方法 | |
Teitel et al. | Waveform design for sequential detection with subspace interference | |
Jiang et al. | Bayesian target location and velocity estimation for multiple-input multiple-output radar | |
CN109521409B (zh) | 基于蝙蝠算法的认知雷达波形优化方法 | |
CN113126086B (zh) | 一种基于状态预测积累的生命探测雷达弱目标检测方法 | |
CN102831622A (zh) | 一种基于Mean shift的目标跟踪方法 | |
Li et al. | Path-specific Underwater Acoustic Channel Tracking and its Application in Passive Time Reversal Mirror |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190809 |