CN110531362B - 一种高分辨率运动声呐知识基的目标检测方法 - Google Patents
一种高分辨率运动声呐知识基的目标检测方法 Download PDFInfo
- Publication number
- CN110531362B CN110531362B CN201810501084.5A CN201810501084A CN110531362B CN 110531362 B CN110531362 B CN 110531362B CN 201810501084 A CN201810501084 A CN 201810501084A CN 110531362 B CN110531362 B CN 110531362B
- Authority
- CN
- China
- Prior art keywords
- data
- target
- normalization processing
- value
- parameter
- 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
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
- G01S15/04—Systems determining presence of a target
-
- 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
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种高分辨率运动声呐知识基的目标检测方法,所述方法包括:步骤1)建立用于环境感知的第一知识库和用于目标检测的第二知识库;步骤2)从第一知识库获取当前声呐环境数据的匹配归一化处理参数,获取当前检测数据的环境参数估计值和目标干扰情况;步骤3)基于当前检测数据的环境参数估计值和目标干扰情况,从第二知识库中查找当前检测数据环境对应的匹配归一化处理参数α值,基于该α值对当前检测数据进行归一化处理和背景功率估计;步骤4)获取当前检测数据的背景功率估计值后,根据虚警率要求获取检测门限,将检测单元值与检测门限值比较,如果检测单元值大于等于检测门限值,则当前检测单元为目标,否则为背景。
Description
技术领域
本发明涉及海洋目标检测领域,具体涉及一种高分辨率运动声呐知识基的目标检测方法。
背景技术
海洋环境(特别是浅海环境)比较复杂,具有时、空、频变特性。对于高分辨率运动声呐,其背景数据更具有很强的不确定性,主要表现为:①背景统计模型具有时变性和空变性;②背景强度具有时变性、空变性和频变性;③背景干扰具有随机性、空变性和频变性。背景数据模型的复杂性及不确定性,严重影响了运动声呐的检测性能。如何对复杂海洋环境下的高分辨率运动声呐目标进行有效检测,对于提高我国浅海运动声呐性能具有重要意义。
针对复杂水声环境下运动声呐背景模型、强度及干扰的不确定性,现在一般都是根据人工经验,根据所要执行任务的环境,预先设置好背景模型及检测参数。现有的应对方法,不具有普适性和彻底性。海洋环境具有时、空、频变特性,有限的经验不可能使运动声呐检测参数与实际工作环境相匹配。而利用不匹配的背景模型及检测参数,会大大降低运动声呐的检测性能。
发明内容
本发明的目的在于针对复杂水声环境下运动声呐背景模型、强度及干扰不确定性给声呐检测性能带来的严重影响,建立基于环境感知与知识获取技术的声呐目标检测技术,以提高运动声呐的环境自适应能力和目标检测性能。
为了实现上述目的,本发明提出了一种高分辨率运动声呐知识基的目标检测方法,所述方法包括:
步骤1)通过数据仿真、数据处理、目标检测与知识归纳,建立用于环境感知的第一知识库和用于目标检测的第二知识库;
步骤2)从第一知识库获取当前声呐环境数据的匹配归一化处理参数,并对被检测数据周围的多组环境数据进行归一化处理与参数估计,获取当前检测数据的环境参数估计值和目标干扰情况;
步骤3)基于当前检测数据的环境参数估计值和目标干扰情况,从第二知识库中查找当前检测数据环境所对应的匹配归一化处理参数α值,基于该α值对当前检测数据进行归一化处理和背景功率估计;
步骤4)获取当前检测数据的背景功率估计值后,根据虚警率要求获取检测门限,将检测单元值与检测门限值比较,如果检测单元值大于等于检测门限值,则当前检测单元为目标,否则为背景。
作为上述方法的一种改进,所述步骤1)具体包括:
步骤1-1)基于背景模型、目标模型及干扰模型,产生所需的声呐背景、目标和目标干扰数据;
步骤1-2)基于α截集技术的模糊统计方法选取归一化处理参数α对步骤1)的数据进行归一化处理;
步骤1-3)基于声呐背景数据,对数据的背景模型参数进行估计;
步骤1-4)基于归一化处理后的声呐背景、目标和目标干扰数据,利用K分布模型的CFAR检测方法实现目标检测;
步骤1-5)通过步骤1-2)-步骤1-4)对不同参数数据的处理结果及检测结果进行分析,得出不同参数数据下的最佳归一化处理参数;由此建立第一知识库和第二知识库。
作为上述方法的一种改进,所述步骤1-1)具体包括:
步骤1-1-1)基于K分布背景模型仿真产生不同参数的K分布背景数据;
K分布模型有两部分成分组成:一部分是局部均值成分,另一部分是斑纹成分;K分布模型有两个参数,一个为决定K分布形状的形状参数v,另一个为决定K分布数据功率的尺度参数;
步骤1-1-2)根据目标及干扰信号特征,由sinc函数产生目标数据和目标干扰数据。
作为上述方法的一种改进,所述用于环境感知和参数估计的第一知识库的第一列是声呐数据的形状参数,第二列是第一列形状参数所匹配的归一化处理参数α的值;所述用于目标检测的第二知识库第一列是声呐数据的形状参数,第二列是待检测数据为均匀背景时第一列形状参数所匹配的归一化处理参数α的值,第三列是待检测数据为多目标干扰时第一列形状参数所匹配的归一化处理参数α的值。
作为上述方法的一种改进,所述步骤2)具体包括:
步骤2-1)当环境参数未知时,从第一知识库选取最大形状参数对应的归一化处理参数α值;
步骤2-2)对被检测数据周围的多组环境数据采用步骤2-1)的归一化处理参数α值进行归一化处理与参数估计,然后对多组数据的参数估计值取中值,作为当前检测数据的环境参数值;
步骤2-3)根据当前检测数据的环境参数值,从第一知识库匹配归一化处理参数α值;
步骤2-4)对被检测数据周围的多组环境数据采用步骤2-3)的归一化处理参数α值进行归一化处理与参数估计,然后对多组数据的参数估计值取中值,作为当前检测数据的环境参数估计值;
步骤2-5)通过对远大于背景一定程度数据的数量进行统计,估计目标干扰情况是均匀背景还是多目标干扰。
本发明的优势在于:
1、本发明的方法提高了运动声呐的环境自适应能力、环境干扰抑制能力和目标检测性能;由于运动声呐在水中不停地运动,所以其工作环境随着时间的变化在不停变化;而水声环境本身就比较复杂,即使固定平台声呐,其工作环境都具有时变、空变和频变性;所以运动平台声呐的工作环境更加复杂多变,如何适应环境、提高运动声呐的环境自适应能力和环境干扰抑制能力,对于运动声呐探测性能的提升具有重要意义;
2、本发明的方法通过环境感知技术,实现了运动声呐环境数据模型与参数估计模型的匹配,所以提高了运动声呐的环境自适应能力;基于先验知识,实现了声呐数据与归一化处理参数的匹配,通过匹配的归一化处理,可有效抑制环境干扰,提高背景功率估计水平,从而提高目标检测性能。
附图说明
图1为高分辨率运动声呐目标知识基目标检测流程图;
图2为不同大小形状参数的K分布概率密度函数图;
图3为形状参数k=3.5的仿真K分布包络数据图;
图4为仿真目标包络数据示意图;
图5为仿真多目标干扰K分布数据;
图6(a)为仿真形状参数k=3.5的K分布数据概率密度分布图及其K分布拟合图,基于仿真数据的形状参数v的估计值为3.4993;
图6(b)为加入干扰目标后数据的概率密度分布图及其拟合图,基于干扰数据的形状参数v的估计值为0.85847;
图6(c)为基于归一化处理参数α=0.00002的归一化处理后的K分布数据概率密度分布图及其拟合图,基于归一化处理后K分布数据的形状参数v的估计值为3.8534;
图6(d)为基于归一化处理参数α=0.00002的归一化处理后的多目标干扰数据概率密度分布图及其拟合图,基于归一化处理后的多目标干扰数据形状参数v的估计值为3.304;
图7为K分布归一化处理参数α与归一化处理后的K分布数据形状参数估计值之间关系曲线图;
图8(a)为α=0.002时均匀K分布参考窗下FSN-CFAR,CA-CFAR,GO-CFAR,
SO-CFAR和OS-CFAR检测器的Pd vs SNR图;
图8(b)为α=0.2时时均匀K分布参考窗下FSN-CFAR,CA-CFAR,GO-CFAR,SO-CFAR和OS-CFAR检测器的Pd vs SNR图;
图9(a)为α=0.002时前参考窗有一个强混响干扰情况下FSN-CFAR,CA-CFAR,GO-CFAR,SO-CFAR和OS-CFAR检测器的Pd vs SNR图;
图9(b)为α=0.2时前参考窗有一个强混响干扰情况下FSN-CFAR,CA-CFAR,GO-CFAR,SO-CFAR和OS-CFAR检测器的Pd vs SNR图;
图10(a)为α=0.002时前后参考窗各有一个强混响干扰情况下FSN-CFAR,CA-CFAR,GO-CFAR,SO-CFAR和OS-CFAR检测器的Pd vs SNR图;
图10(b)为α=0.2时前后参考窗各有一个强混响干扰情况下FSN-CFAR,CA-CFAR,GO-CFAR,SO-CFAR和OS-CFAR检测器的Pd vs SNR图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细的说明。
基于K分布模型,对不同参数、不同环境条件下的数据进行仿真、处理与检测,对处理及检测性能进行评估,对知识进行归纳,生成知识库。基于环境与数据感知和先验知识,对数据与检测参数进行匹配,实现知识基目标检测,该方法能有效提高运动声呐在复杂环境下的目标检测的性能,目标检测流程图如图1
所示。
下面分别对知识获取和知识基检测分别进行详细说明。
1、知识获取
1)数据仿真
数据仿真部分就是基于背景、目标及干扰模型和软件编程,产生所需的背景、目标和干扰数据。即基于K分布背景模型和Matlab软件编程,仿真产生不同参数的K分布背景数据,并根据目标及干扰信号特征,仿真产生目标及目标干扰数据。目标和干扰信号都由sinc函数产生,下面简单对非瑞利分布模型的典型代表K分布模型进行简单介绍。如图2、图3、图4、图5所示。
K分布模型有两部分成分组成:一部分是局部均值成分,另一部分是斑纹成分。K分布模型有两个参数,一个为决定K分布形状的形状参数,一个为决定K分布数据功率的尺度参数。当K分布的形状参数趋于无穷大时,K分布趋于瑞利分布。所以瑞利分布是K分布的特例,分辨率越高,强散射粒子越多,K分布的形状参数越小,声呐数据越偏离瑞利分布。
对于幅值变量x,K分布的概率密度函数为:
对于能量强度变量z=x2,K分布的概率密度函数是:
其中,Γ(·)为gamma函数,Kv-1(·)是v-1阶变形第二类Bessel函数,v为决定K分布形状的形状参数,μ为x2均值。
2)参数估计
参数估计就是基于声呐背景数据,对数据的背景模型参数进行估计。
对于K分布数据,基于zlogz的参数估计方法由Blacknell和Tough提出。在这个方法里,形状参数v由公式(3)得到。
〈·〉为取平均符号。此参数估计方法计算速度快,准确性较高。当然,由公式(3)可知,其估计值也存在产生负值的可能,特别是当估计样本数据量较小时。
3)模糊统计归一化处理
在声呐或雷达目标检测时,需要对数据进行归一化处理,以消除背景数据中对背景功率估计影响比较大的野值数据。但如何定义及去除野值数据,即如何设置归一化处理参数,对归一化处理的效果影响很大。
下面以基于α截集技术的模糊统计归一化处理为例,对归一化处理进行简单介绍。
定义模糊瑞利背景集为A={(x,μA(x))|x∈X},其中A为模糊瑞利背景集,X是声呐数据的全集,x是X集成员,μA(x)模糊瑞利背景集A的隶属度函数。对于任何x∈X,μA(x)∈[0,1],μA(x)反映了模糊变量x隶属于模糊背景集A的隶属度。
如果模糊瑞利背景集成员的最小值是xmin,则μA(xmin,σ)→0,任何数值小于xmin的数据将是非瑞利背景集成员,被视为背景数据野值。相似地,如果瑞利背景集成员的最大值为xmax,则同样μA(xmax,σ)→0,任何数值大于xmax的数据将是非瑞利背景集成员,被视为背景数据野值。背景野值剔除由模糊瑞利背景集和α截集实现。一个模糊集A的α截集是一个集合Aα,Aα的成员包含了所有隶属度值大于或等于α值的模糊集A成员,α∈[0,1]。Aα由公式(4)表示。
Aα={x∈X|μA(x,σ)≥α}. (4)
声呐背景野值由于其背景隶属度值小于α,所以被Aα集拒绝,所以Aα集的所有成员就是归一化的背景数据。而利用α截集手段,将模糊集A去模糊化为截集Aα的过程称之为模糊归一化处理。
由图6(a)、6(b)、6(c)和图6(d)可看出,多目标干扰会严重影响背景数据的参数估计值,而归一化处理可以抑制多目标干扰,大大提高背景参数估计精度。
由图7可以看出,要想即抑制多目标干扰,又不影响没有目标干扰时的形状参数估计值,那么随着形状参数值的变大,归一化处理参数α应该变小。
4)目标检测及性能评估
对于运动平台声呐,一般采用CFAR(恒虚警率)目标检测技术。CFAR检测器一般由参考单元数据、检测单元数据、背景功率估计器、比较判决器等组成。基于K分布模型的CFAR检测,就是假设声呐背景数据服从K分布,基于背景数据,对K分布参数进行估计,从而估计出背景功率。合适的背景归一化处理参数,可以有效抑制到背景野值干扰,对有效提高背景功率估计及目标检测性能至关重要。如图8(a)和8(b)所示,图9(a)和9(b)所示,图10(a)和10(b)所示。
5)归纳知识
归纳知识就是通过对不同参数数据的处理结果及检测结果进行分析,得出不同参数数据下的最佳归一化处理参数。
比如形状参数估计时,通过仿真,对形状参数v分别为0.5,1.5,2.5,3.5,4.5,5.5......的仿真K分布数据,采用不同的归一化处理参数进行了归一化处理,对归一化处理之后数据的形状参数v进行了参数估计,并画出了处理后参数估计值与不同归一化处理参数值之间的关系曲线图。由关系图可以归纳出不同形状参数数据下的最佳归一化处理参数值,比如形状参数v越大,那么参数估计时的最佳归一化参数越小。同样,通过对不同背景下的目标进行检测,可以看出,均匀背景下,由于没有目标干扰,归一化处理参数越小,检测性能越好,但对于有目标干扰下的目标检测,合适的归一化处理参数,可以大大提高多目标干扰下的目标检测性能。最后将所得知识归纳整理,输入知识库。环境感知与参数估计知识库如表格1所示,目标检测知识库如表2所示。表1第一列是声呐数据的形状参数,第二列是第一列形状参数所匹配的归一化处理参数α的值。表2第一列是声呐数据的形状参数,第二列是待检测数据为均匀背景时,第一列形状参数所匹配的归一化处理参数α的值,第三列是待检测数据为多目标干扰时,第一列形状参数所匹配的归一化处理参数α的值。
表1:环境感知与参数估计知识库
形状参数v | 匹配归一化处理参数α |
(0 0.5] | 10<sup>-4.5</sup> |
(0.5 1.5] | 10<sup>-5</sup> |
(1.5 2.5] | 10<sup>-5.5</sup> |
(2.5 3.5] | 10<sup>-6</sup> |
(3.5 4.5] | 10<sup>-6.5</sup> |
(4.5∞] | 10<sup>-7</sup> |
表2:目标检测知识库
2、知识基目标检测
1)环境感知
环境感知就是对被检测数据周围的多组环境数据进行处理统计与参数估计,然后对多组数据的参数估计值取中值,作为当前环境的参数值。通过对远大于背景一定程度数据的数量进行统计,估计目标干扰条件。对环境数据进行归一化处理时,如果已经知道环境形状参数值,那么根据知识库表1,获取归一化处理参数α值,对环境数据进行归一化处理;如果初始时不知道环境形状参数经验值,那么根据表1,选最大形状参数对应的归一化处理参数α值,因为形状参数越大,数据统计分布越接近均匀瑞利分布。
通过环境感知,获取当前检测数据的环境参数估计值和目标干扰情况。
2)知识基目标匹配检测
通过环境感知,获取当前环境数据大概参数估计值,即K分布的形状参数v估计值及目标干扰情况(均匀或多目标干扰等情况)。然后根据知识库表2,查找当前检测数据环境所对应的归一化处理参数α值。基于所匹配α值,对当前检测数据进行归一化处理和背景功率估计。
获取当前检测数据的背景功率估计值后,根据虚警率要求,获取检测门限,将检测单元值与检测门限值比较,如果检测单元值大于等于检测门限值,则当前检测单元为目标,否则为背景。
本发明的关键点在于:
数据获取
基于Matlab等仿真软件,模拟仿真不同参数的K分布背景数据、目标干扰数据及目标数据;基于不同归一化处理参数的模糊统计归一化处理技术,对不同参数K分布仿真背景数据进行归一化处理,对K分布仿真背景数据进行功率参数估计,对功率参数估计效果进行归纳总结,获取背景功率估计处理知识;基于不同归一化处理参数的归一化处理技术,对不同参数的原始仿真K分布数据和仿真多目标干扰数据进行处理,对处理后的数据进行形状参数估计,对形状参数估计效果进行归纳总结,获取背景形状参数估计处理知识;基于上述功率估计技术和形状参数估计技术,对不同参数的均匀K分布及多目标干扰K分布背景下的仿真目标进行检测,对检测性能进行归纳总结,获取目标检测知识;对所有知识进行归纳,建立运动声呐目标检测知识库。
知识基目标匹配检测
通过环境感知,获取当前环境数据大概参数估计值,即K分布的形状参数v估计值及目标干扰情况(均匀或多目标干扰等情况)。然后根据知识库表2,查找当前检测数据环境所对应的归一化处理参数α值。基于所匹配α值,对当前检测数据进行归一化处理和背景功率估计。获取当前检测数据的背景功率估计值后,根据环境条件和虚警率要求,获取检测门限,将检测单元值与检测门限值比较,如果检测单元值大于等于检测门限值,则当前检测单元为目标,否则为背景。
本发明的创新点在于:
1)基于模糊统计归一化处理方法,对不同参数的仿真K分布数据及仿真多目标干扰数据,基于不同的归一处理参数,进行归一化处理;
2)基于不同归一化处理参数处理的归一化处理数据,对仿真背景数据进行功率与形状参数估计,基于功率估计及形状参数估计值,对目标进行检测;
3)总结归纳不同归一化处理参数处理对不同形状参数背景数据的参数估计及目标检测效果,获取先验知识,生成背景参数估计及目标检测先验知识库;
4)基于归一处理技术和先验知识库,对运动声呐背景及待检测数据进行匹配处理,实现知识基参数估计及目标检测。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种高分辨率运动声呐知识基的目标检测方法,所述方法包括:
步骤1)通过数据仿真、数据处理、目标检测与知识归纳,建立用于环境感知的第一知识库和用于目标检测的第二知识库;
步骤2)从第一知识库获取当前声呐环境数据的匹配归一化处理参数,并对被检测数据周围的多组环境数据进行归一化处理与参数估计,获取当前检测数据的环境参数估计值和目标干扰情况;
步骤3)基于当前检测数据的环境参数估计值和目标干扰情况,从第二知识库中查找当前检测数据环境所对应的匹配归一化处理参数α值,基于该α值对当前检测数据进行归一化处理和背景功率估计;
步骤4)获取当前检测数据的背景功率估计值后,根据虚警率要求获取检测门限,将检测单元值与检测门限值比较,如果检测单元值大于等于检测门限值,则当前检测单元为目标,否则为背景。
2.根据权利要求1所述的高分辨率运动声呐知识基的目标检测方法,其特征在于,所述步骤1)具体包括:
步骤1-1)基于背景模型、目标模型及干扰模型,产生所需的声呐背景、目标和目标干扰数据;
步骤1-2)基于α截集技术的模糊统计方法选取归一化处理参数α对步骤1-1)产生的数据进行归一化处理;
步骤1-3)基于声呐背景数据,对数据的背景模型参数进行估计;
步骤1-4)基于归一化处理后的声呐背景、目标和目标干扰数据,利用K分布模型的CFAR检测方法实现目标检测;
步骤1-5)通过步骤1-2)-步骤1-4)对不同参数数据的处理结果及检测结果进行分析,得出不同参数数据下的最佳归一化处理参数;由此建立第一知识库和第二知识库。
3.根据权利要求2所述的高分辨率运动声呐知识基目标检测方法,其特征在于,所述步骤1-1)具体包括:
步骤1-1-1)基于K分布背景模型仿真产生不同参数的K分布背景数据;
K分布模型有两部分成分组成:一部分是局部均值成分,另一部分是斑纹成分;K分布模型有两个参数,一个为决定K分布形状的形状参数v,另一个为决定K分布数据功率的尺度参数;
步骤1-1-2)根据目标及干扰信号特征,由sinc函数产生目标数据和目标干扰数据。
4.根据权利要求3所述的高分辨率运动声呐知识基的目标检测方法,其特征在于,所述用于环境感知和参数估计的第一知识库的第一列是声呐数据的形状参数,第二列是第一列形状参数所匹配的归一化处理参数α的值;所述用于目标检测的第二知识库第一列是声呐数据的形状参数,第二列是待检测数据为均匀背景时第一列形状参数所匹配的归一化处理参数α的值,第三列是待检测数据为多目标干扰时第一列形状参数所匹配的归一化处理参数α的值。
5.根据权利要求4所述的高分辨率运动声呐知识基的目标检测方法,其特征在于,所述步骤2)具体包括:
步骤2-1)当环境参数未知时,从第一知识库选取最大形状参数对应的归一化处理参数α值;
步骤2-2)对被检测数据周围的多组环境数据采用步骤2-1)的归一化处理参数α值进行归一化处理与参数估计,然后对多组数据的参数估计值取中值,作为当前检测数据的环境参数值;
步骤2-3)根据当前检测数据的环境参数值,从第一知识库匹配归一化处理参数α值;
步骤2-4)对被检测数据周围的多组环境数据采用步骤2-3)的归一化处理参数α值进行归一化处理与参数估计,然后对多组数据的参数估计值取中值,作为当前检测数据的环境参数估计值;
步骤2-5)通过对远大于背景一定程度数据的数量进行统计,估计目标干扰情况是均匀背景还是多目标干扰。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810501084.5A CN110531362B (zh) | 2018-05-23 | 2018-05-23 | 一种高分辨率运动声呐知识基的目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810501084.5A CN110531362B (zh) | 2018-05-23 | 2018-05-23 | 一种高分辨率运动声呐知识基的目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110531362A CN110531362A (zh) | 2019-12-03 |
CN110531362B true CN110531362B (zh) | 2021-09-10 |
Family
ID=68656590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810501084.5A Active CN110531362B (zh) | 2018-05-23 | 2018-05-23 | 一种高分辨率运动声呐知识基的目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110531362B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111273302B (zh) * | 2020-03-02 | 2022-08-23 | 西北工业大学 | 一种浅海匀速运动目标初始状态估计方法 |
CN113742635B (zh) * | 2020-05-29 | 2023-08-08 | 中国科学院声学研究所 | 一种干扰背景下k分布形状参数自适应估计方法及其系统 |
CN112287527A (zh) * | 2020-10-15 | 2021-01-29 | 西北工业大学 | 基于c#的强混响背景下主动声呐信号检测仿真方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6868044B1 (en) * | 2003-01-29 | 2005-03-15 | Lockheed Martin Corporation | Data adaptive interference suppression |
CN103577825A (zh) * | 2012-07-25 | 2014-02-12 | 中国科学院声学研究所 | 合成孔径声纳图像的目标自动识别方法以及自动识别系统 |
CN104749568A (zh) * | 2013-12-26 | 2015-07-01 | 中国科学院声学研究所 | 一种基于水听器阵列的浅海目标深度的分类方法 |
CN104833964A (zh) * | 2015-04-28 | 2015-08-12 | 南京邮电大学 | 针对雷达/声呐系统的目标检测跟踪一体化方法和装置 |
CN106646417A (zh) * | 2016-12-29 | 2017-05-10 | 西安电子科技大学 | 广义帕累托分布参数的迭代最大似然估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201211999D0 (en) * | 2012-07-05 | 2012-08-22 | Roke Manor Research | Sensor location method and system |
-
2018
- 2018-05-23 CN CN201810501084.5A patent/CN110531362B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6868044B1 (en) * | 2003-01-29 | 2005-03-15 | Lockheed Martin Corporation | Data adaptive interference suppression |
CN103577825A (zh) * | 2012-07-25 | 2014-02-12 | 中国科学院声学研究所 | 合成孔径声纳图像的目标自动识别方法以及自动识别系统 |
CN104749568A (zh) * | 2013-12-26 | 2015-07-01 | 中国科学院声学研究所 | 一种基于水听器阵列的浅海目标深度的分类方法 |
CN104833964A (zh) * | 2015-04-28 | 2015-08-12 | 南京邮电大学 | 针对雷达/声呐系统的目标检测跟踪一体化方法和装置 |
CN106646417A (zh) * | 2016-12-29 | 2017-05-10 | 西安电子科技大学 | 广义帕累托分布参数的迭代最大似然估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110531362A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110531362B (zh) | 一种高分辨率运动声呐知识基的目标检测方法 | |
CN104569948B (zh) | 海杂波背景下子带自适应glrt‑ltd检测方法 | |
CN106501800B (zh) | 基于代价参考粒子滤波的mimo雷达目标检测前跟踪方法 | |
CN112180341B (zh) | 一种背景自适应cfar算法选择的实现方法 | |
Xu et al. | Fuzzy statistical normalization CFAR detector for non-Rayleigh data | |
CN108872961B (zh) | 基于低门限的雷达微弱目标检测方法 | |
CN107132518B (zh) | 一种基于稀疏表示和时频特征的距离扩展目标检测方法 | |
Behar et al. | Adaptive CFAR PI processor for radar target detection in pulse jamming | |
CN106526545A (zh) | 一种鲁棒cfar检测器的检测方法 | |
CN104483661B (zh) | 基于恒虚警率的概率统计目标检测系统及方法 | |
CN115856819A (zh) | 一种基于平稳高斯过程的雷达目标恒虚警检测方法 | |
CN113608190B (zh) | 基于奇异空间三特征的海面目标检测方法及系统 | |
CN109696662B (zh) | 一种基于k统计分布模型背景的目标检测方法 | |
CN107315169B (zh) | 基于二阶统计量相似度的杂波协方差矩阵估计方法 | |
Zhao et al. | A modified matrix CFAR detector based on maximum eigenvalue for target detection in the sea clutter | |
CN111929656B (zh) | 一种基于熵值统计的车载毫米波雷达系统噪声估计方法 | |
Behar et al. | Hough detector with adaptive non-coherent integration for target detection in pulse jamming | |
CN113504521B (zh) | 一种用于多目标环境下的基于混合模型的恒虚警检测方法 | |
KR102673343B1 (ko) | 레이더의 탐지 성능 분석 및 예측 방법 | |
CN111580056A (zh) | 适用于高分辨雷达的迭代形式的恒虚警检测方法 | |
Zhong et al. | The Integration Detection Method of Range Spread Target Based on Range Cell Estimation | |
Li et al. | Multi-Environment Adaptive Fast Constant False Alarm Detection Algorithm Optimization Strategy | |
Zou et al. | Radar Target Detection in Heterogeneous Environment Based on HPD Manifold Clustering | |
Mehanaoui et al. | New Pareto clutter parameters estimators based on log-moments and fractional negative-moments | |
Zheng et al. | Sorting algorithm for pulse radar based on wavelet transform |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220302 Address after: 100000 room s6306, floor 3, building 1, yard 33, Dijin Road, Haidian District, Beijing Patentee after: BEIJING ZHONGKE HAIXUN DIGITAL TECHNOLOGY Co.,Ltd. Address before: 100190, No. 21 West Fourth Ring Road, Beijing, Haidian District Patentee before: INSTITUTE OF ACOUSTICS, CHINESE ACADEMY OF SCIENCES |