CN110596670A - 基于盲信号分离的群目标极点提取方法和装置 - Google Patents
基于盲信号分离的群目标极点提取方法和装置 Download PDFInfo
- Publication number
- CN110596670A CN110596670A CN201910981493.4A CN201910981493A CN110596670A CN 110596670 A CN110596670 A CN 110596670A CN 201910981493 A CN201910981493 A CN 201910981493A CN 110596670 A CN110596670 A CN 110596670A
- Authority
- CN
- China
- Prior art keywords
- target
- signal
- time
- post
- signals
- 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
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
本发明涉及一种基于盲信号分离的群目标极点提取方法、装置、设备和计算机可存储介质,其中方法包括以下步骤:获取群目标各观测方向的雷达回波信号,并分别提取各观测方向的后时响应信号;将获得各观测方向的后时响应信号视为未知源的混合信号,利用盲源信号分离的方法,分离各子目标的后时响应信号分量;由分离的后时响应信号分量提取目标极点特征。本发明能够将群目标中各子目标后时响应信号分离,并提取子目标的极点特征,用于目标分类及识别。
Description
技术领域
本发明涉及雷达目标识别技术领域,尤其涉及一种基于盲信号分 离的群目标极点提取方法、装置、设备和计算机可读存储介质。
背景技术
雷达目标识别已成为当今最受关注的军事技术之一。雷达目标识 别是指利用雷达对单个目标或目标群进行探测,对所获取的信息进行 分析,从而确定目标的种类、型号等属性的技术。雷达目标识别需要 从目标的雷达回波中提取目标的有关信息标志和稳定特征并判明其属 性。对于目标群,如机群编队联合作战,不仅要分辨出飞机的数量还 要识别出各飞机的型号。
极点是谐振区目标的一个重要特征,极点概念的产生与发展与瞬 态电磁场理论的发展相联系,根据目标的瞬态响应模型,目标响应可 分为冲激分量(前时响应或强制响应分量)和自然谐振分量(后时响 应分量)。极点即由后时响应中提取,目标极点特征与目标和雷达的相 对位置、雷达发射波的极化形式无关,仅与目标的尺寸、结构等本征 特征有关,可以通过提取群目标中子目标极点特征,对子目标进行分 类和识别。而由群目标雷达回波中分离出子目标的后时响应信号是雷 达信号处理中的难点,制约了极点特性在群目标识别中的应用。
因此,亟需一种由群目标雷达回波分离出子目标后时响应信号的 新方法。
发明内容
本发明要解决的技术问题在于,针对现有群目标雷达回波中难以 准确分离出子目标的后时响应信号的难点,提供一种基于盲信号分离 的群目标极点提取方法、装置、设备和计算机可读存储介质,将盲源 信号分离技术应用到群目标后时响应信号分离中,能够更为准确、快 速地实现群目标雷达回波中各子目标的后时响应信号的分离。
为了解决上述技术问题,本发明第一方面提供了一种基于盲信号 分离的群目标极点提取方法,该方法包括:
获取群目标各观测方向的雷达回波信号,并分别提取各观测方向 的后时响应信号;
将获得各观测方向的后时响应信号视为未知源的混合信号,利用 盲源信号分离的方法,分离各子目标的后时响应信号分量;
由分离的后时响应信号分量提取目标极点特征。
在根据本发明所述的基于盲信号分离的群目标极点提取方法中, 所述分别提取各观测方向的后时响应信号,包括:
从群目标各观测方向的雷达回波信号中提取以下开始时间的响应 信号作为后时响应信号:
t=Tb+Ttr+Tep;
其中,Tb为雷达入射信号波到达目标的时刻,Ttr为信号通过目标 的时间,Tep为信号宽度。
在根据本发明所述的基于盲信号分离的群目标极点提取方法中, 所述利用盲源信号分离的方法,分离各子目标的后时响应信号分量, 具体包括:
根据各观测方向的后时响应信号获得观测向量 x(t)=(x1(t),x2(t),…,xm(t))T,建立后时响应盲混合的数学模型,并计算出 分离信号矢量y(t)=(y1(t),y2(t),…,yn(t))T;其中x1(t),x2(t),…,xm(t)分别为提 取的各观测方向的后时响应信号,其中m为观测方向的数量; y1(t),y2(t),…,yn(t)分别为各个子目标的后时响应信号分量,n为群目标中 的子目标数量。
在根据本发明所述的基于盲信号分离的群目标极点提取方法中, 通过以下步骤计算出各子目标的后时响应信号向量y1(t),y2(t),…,yn(t):
1)对观测向量x(t)进行零均值及白化预处理得到预处理向量z;
2)令p=1;
3)选择具有单位范数的初始化矢量up;
4)通过以下公式更新up:
式中为非二次函数的一阶导数, 为的导数;
5)通过以下公式正交化up:
6)通过以下公式归一化up:
其中||up||为up的模;
7)检测up是否收敛,迭代前up与迭代后up的点积的绝对值是否(几 乎)等于1,是则返回步骤4);否则转步骤8);
8)令p加1,如p≤m,则回到步骤3);否则转步骤9);
9)计算分离信号矢量y(t)=[u1,u2,…,un]Tx(t),获得各子目标的后时 响应信号向量y1(t),y2(t),…,yn(t)。
在根据本发明所述的基于盲信号分离的群目标极点提取方法中, 所述由分离的后时响应信号分量提取目标极点特征具体为:通过矩阵 束方法(MPM方法)或者Prony方法提取目标极点特征。
本发明第二方面还提供了一种基于盲信号分离的群目标极点提取 装置,包括:
后时响应提取单元,用于获取群目标各观测方向的雷达回波信号, 并分别提取各观测方向的后时响应信号;
信号分离单元,用于将获得各观测方向的后时响应信号视为未知 源的混合信号,利用盲源信号分离的方法,分离各子目标的后时响应 信号分量;
极点特征提取单元,用于由分离的后时响应信号分量提取目标极 点特征。
在根据本发明所述的基于盲信号分离的群目标极点提取装置中, 所述后时响应提取单元通过以下方式分别提取各观测方向的后时响应 信号:
从群目标各观测方向的雷达回波信号中提取以下开始时间的响应 信号:
t=Tb+Ttr+Tep;
其中,Tb为雷达入射信号波到达目标的时刻,Ttr为信号通过目标 的时间,Tep为信号宽度。
在根据本发明所述的基于盲信号分离的群目标极点提取装置中, 所述信号分离单元根据各观测方向的后时响应信号获得观测向量 x(t)=(x1(t),x2(t),…,xm(t))T,建立后时响应盲混合的数学模型,并计算出 分离信号矢量y(t)=(y1(t),y2(t),…,yn(t))T;其中x1(t),x2(t),…,xn(t)分别为提 取的各观测方向的后时响应信号,其中m为观测方向的数量; y1(t),y2(t),…,yn(t)分别为各个子目标的后时响应信号分量,n为群目标中 的子目标数量。本发明第三方面还提供了一种执行基于盲信号分离的 群目标极点提取方法的设备,包括:至少一个处理器、至少一个存储 器以及存储在存储器中的计算机程序指令,当计算机程序指令被处理 器执行时实现如上所述的方法。
本发明第四方面还提供了一种计算机可读存储介质,其上存储有 计算机程序指令,当计算机程序指令被处理器执行时实现如前所述的 方法。
实施本发明的基于盲信号分离的群目标极点提取方法、装置、设 备和计算机可读存储介质,具有以下有益效果:本发明首先获取群目 标不同观测方向的雷达回波信号,并分别提取各方向回波信号的后时 响应部分,然后将各方向获得的后时响应信号视为未知源的混合信号, 利用盲源信号分离的方法,分离各子目标的后时响应信号分量,最后 由分离的后时响应信号提取目标极点,能够将群目标中各子目标后时 响应信号分离,并提取子目标的极点特征,用于目标分类及识别。
附图说明
图1为根据本发明优选实施例的基于盲信号分离的群目标极点提 取方法的流程图;
图2a-2c分别为雷达入射信号与目标作用过程示意图;
图3为三个目标的原始后时响应源信号;
图4为经过随机矩阵混合后接收到的混合信号;
图5为采用本发明的盲源信号分离方法得到的分离信号;
图6为根据本发明优选实施例的基于盲信号分离的群目标极点提 取装置的模块框图。
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。
本发明提供了一种基于盲信号分离的群目标极点提取方法,解决 以往由于不能从群目标雷达回波中分离出子目标的后时响应信号,使 目标极点这一重要电磁特征在群目标识别中使用受限的问题。
请参阅图1,为根据本发明优选实施例的基于盲信号分离的群目标 极点提取方法的流程图。如图1所示,该实施例提供基于盲信号分离 的群目标极点提取方法包括以下步骤:
首先,在步骤S101中,执行后时响应提取步骤,获取群目标各观 测方向的雷达回波信号,并分别提取各观测方向的后时响应信号。
前时响应是雷达波到达目标,开始与目标作用直到完全与目标相 互作用,而产生的响应信号。后时响应是雷达波完全通过目标以后, 目标自身存储的能量逐渐衰减而辐射出去的信号。后时响应一般由下 面的方法确定。
如图2a-2c分别为雷达入射信号与目标作用过程示意图。其中图 2a为雷达入射信号未到达目标的示意图;图2b为雷达入射信号到达目 标的示意图;图2c为雷达入射信号离开目标的示意图。假设雷达入射 信号从P点出发,接收目标回波信号位置也在P点。入射信号波在Tb时 刻到达目标,产生前时响应,经过Ttr+Tep时间后,信号和目标完全分离, 前时响应结束,后时响应开始。因此定义后时响应的开始时间为:
t=Tb+Ttr+Tep;
其中,Tb为雷达入射信号波到达目标的时刻,Ttr为信号通过目标的时 间,Tep为信号宽度。后时响应的结束时间可以根据经验设定。
随后,在步骤S102中,执行信号分离步骤,将获得各观测方向的 后时响应信号视为未知源的混合信号,利用盲源信号分离的方法,分 离各子目标的后时响应信号分量。
具体地,根据步骤S101获得的各观测方向的后时响应信号可以得 到观测向量x(t)=(x1(t),x2(t),…,xm(t))T。x1(t),x2(t),…,xm(t)分别为各观测方 向的后时响应信号,即第1至第m观测方向的后时响应信号,m为观 测方向的数量。
则其可表示为各子目标后时信号的线性混合,即建立后时响应盲 混合的数学模型,如下式:
x(t)=As(t);
其中s1(t),s2(t),…,sn(t)分别为各个子目标的后时响应信号分量,即未 知的源信号,A为混合矩阵。
盲源分离是根据时变的传输矩阵来自适应调节矩阵W,使得分离 信号与源信号的波形保持一致,即
y(t)=Wx(t)=WAs(t)
上式称为信号分离模型,其中W为分离矩阵,y(t)=(y1(t),y2(t),…,yn(t))T为分离信号矢量,即为源信号的一个估计。
该步骤中利用基于负熵的FastICA盲源分离算法,对后时信号进 行分离,迭代公式如下:
式中,up为随机选择的具有单位范数的初始化矢量,z为对观测向 量x进行预处理后得到的预处理向量。步骤具体如下:
1)对观测向量x(t)进行零均值及白化预处理得到预处理向量z;
2)令p=1;设n为群目标中的子目标数量,即待提取的独立分量 的数目;
3)随机选择一个具有单位范数的初始化矢量up;
4)通过以下公式更新up:
式中为非二次函数的一阶导数, 为的导数;式中期望E用时间均值代替。该步骤中采用的 非二次函数可以选用以下3种:
其中yi为变量,a1为常量;
F2(yi)=-exp(-yi 2/2);其中yi为变量;
F3(yi)=yi 4/4;其中yi为变量。
5)通过以下公式正交化up:
6)通过以下公式归一化up:
其中||up||为up的模;
7)检测up是否收敛,迭代前up与迭代后up的点积的绝对值是否(几 乎)等于1,是则返回步骤4);否则转步骤8);
8)令p加1,如p≤n,则回到步骤3);否则转步骤9);
9)计算分离信号矢量y(t)=[u1,u2,…,un]Tx(t),获得各子目标的后时 响应信号向量y1(t),y2(t),…,yn(t)。其中y1(t)=u1z,y2(t)=u2z,……yn(t)=unz。
本发明通过实验验证了该后时响应信号分离效果。图3为三个目 标的原始后时响应源信号,图4为经过随机矩阵混合后接收到的混合 信号,图5为采用本发明的盲源信号分离方法得到的分离信号。图3-5 中均从上至下列出了第一目标、第二目标和第三目标的信号时域图。 由分离结果可以看出,本发明盲源分离方法可以较好的分离出后时响 应源信号。
最后,在步骤S103中,执行极点特征提取步骤,由分离的后时响 应信号分量提取目标极点特征。
由盲源信号分离方法得到的子目标后时响应信号的分离信号矢量 y(t)=(y1(t),y2(t),…,yn(t))T,利用极点提取方法,如矩阵束(MPM)方法、 Prony方法等,提取子目标的极点特征,进而对子目标进行分类、识别。
基于同一发明构思,本发明实施例还提供一种基于盲信号分离的 群目标极点提取装置。请参阅图6,为根据本发明优选实施例的基于盲 信号分离的群目标极点提取装置的模块框图。如图6所示,该实施例 提供的装置600包括:后时响应提取单元601、信号分离单元602和极 点特征提取单元603。
后时响应提取单元601,用于获取群目标各观测方向的雷达回波信 号,并分别提取各观测方向的后时响应信号。该后时响应提取单元601 提取各观测方向的后时响应信号的过程与前述方法中后时响应提取步 骤一致,在此不再赘述。
信号分离单元602,用于将获得各观测方向的后时响应信号视为未 知源的混合信号,利用盲源信号分离的方法,分离各子目标的后时响 应信号分量。该信号分离单元602的运算过程与前述方法中信号分离 步骤一致,在此不再赘述。
极点特征提取单元603,用于由分离的后时响应信号分量提取目标 极点特征。该极点特征提取单元603的运算过程与前述方法中极点特 征提取步骤一致,在此不再赘述。
本发明实施例还提供了一种执行基于盲信号分离的群目标极点提 取方法的设备,包括:至少一个处理器、至少一个存储器以及存储在 存储器中的计算机程序指令,当计算机程序指令被处理器执行时实现 如上述实施方式中基于盲信号分离的群目标极点提取方法。
本发明实施例提供了一种计算机可读存储介质,其上存储有计算 机程序指令,当计算机程序指令被处理器执行时实现如上述实施方式 中基于盲信号分离的群目标极点提取方法。
综上所述,本发明首先获取群目标不同观测方向的雷达回波信号, 并分别提取各方向回波信号的后时响应部分;然后将各方向获得的后 时响应信号视为未知源的混合信号,利用盲源信号分离的方法,分离 各子目标的后时响应信号分量;最后由分离的后时响应信号提取目标 极点。本发明能够将群目标中各子目标后时响应信号分离,并提取子 目标的极点特征,用于目标分类及识别。
应该理解地是,本发明中基于盲信号分离的群目标极点提取方法 及装置的原理相同,因此对基于盲信号分离的群目标极点提取方法的 实施例的详细阐述也适用于基于盲信号分离的群目标极点提取装置。
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 (10)
1.一种基于盲信号分离的群目标极点提取方法,其特征在于,该方法包括:
获取群目标各观测方向的雷达回波信号,并分别提取各观测方向的后时响应信号;
将获得各观测方向的后时响应信号视为未知源的混合信号,利用盲源信号分离的方法,分离各子目标的后时响应信号分量;
由分离的后时响应信号分量提取目标极点特征。
2.根据权利要求1所述的基于盲信号分离的群目标极点提取方法,其特征在于,所述分别提取各观测方向的后时响应信号,包括:
从群目标各观测方向的雷达回波信号中提取以下开始时间的响应信号作为后时响应信号:
t=Tb+Ttr+Tep;
其中,Tb为雷达入射信号波到达目标的时刻,Ttr为信号通过目标的时间,Tep为信号宽度。
3.根据权利要求1或2所述的基于盲信号分离的群目标极点提取方法,其特征在于,所述利用盲源信号分离的方法,分离各子目标的后时响应信号分量,具体包括:
根据各观测方向的后时响应信号获得观测向量x(t)=(x1(t),x2(t),…,xm(t))T,建立后时响应盲混合的数学模型,并计算出分离信号矢量y(t)=(y1(t),y2(t),…,yn(t))T;其中x1(t),x2(t),…,xm(t)分别为提取的各观测方向的后时响应信号,其中m为观测方向的数量;y1(t),y2(t),…,yn(t)分别为各个子目标的后时响应信号分量,n为群目标中的子目标数量。
4.根据权利要求3所述的基于盲信号分离的群目标极点提取方法,其特征在于,通过以下步骤计算出各子目标的后时响应信号向量y1(t),y2(t),…,yn(t):
1)对观测向量x(t)进行零均值及白化预处理得到预处理向量z;
2)令p=1;
3)选择具有单位范数的初始化矢量up;
4)通过以下公式更新up:
式中为非二次函数的一阶导数,为的导数;
5)通过以下公式正交化up:
6)通过以下公式归一化up:
其中||up||为up的模;
7)检测up是否收敛,是则返回步骤4);否则转步骤8);
8)令p加1,如p≤n,则回到步骤3);否则转步骤9);
9)计算分离信号矢量y(t)=[u1,u2,…,un]Tz,获得各子目标的后时响应信号向量y1(t),y2(t),…,yn(t)。
5.根据权利要求1或2所述的基于盲信号分离的群目标极点提取方法,其特征在于,所述由分离的后时响应信号分量提取目标极点特征具体为:通过矩阵束方法或者Prony方法提取目标极点特征。
6.一种基于盲信号分离的群目标极点提取装置,其特征在于,包括:
后时响应提取单元,用于获取群目标各观测方向的雷达回波信号,并分别提取各观测方向的后时响应信号;
信号分离单元,用于将获得各观测方向的后时响应信号视为未知源的混合信号,利用盲源信号分离的方法,分离各子目标的后时响应信号分量;
极点特征提取单元,用于由分离的后时响应信号分量提取目标极点特征。
7.根据权利要求6所述的基于盲信号分离的群目标极点提取装置,其特征在于,所述后时响应提取单元通过以下方式分别提取各观测方向的后时响应信号:
从群目标各观测方向的雷达回波信号中提取以下开始时间的响应信号:
t=Tb+Ttr+Tep;
其中,Tb为雷达入射信号波到达目标的时刻,Ttr为信号通过目标的时间,Tep为信号宽度。
8.根据权利要求6或7所述的基于盲信号分离的群目标极点提取装置,其特征在于,所述信号分离单元根据各观测方向的后时响应信号获得观测向量x(t)=(x1(t),x2(t),…,xm(t))T,建立后时响应盲混合的数学模型,并计算出分离信号矢量y(t)=(y1(t),y2(t),…,yn(t))T;其中x1(t),x2(t),…,xm(t)分别为提取的各观测方向的后时响应信号,其中m为观测方向的数量;y1(t),y2(t),…,yn(t)分别为各个子目标的后时响应信号分量,n为群目标中的子目标数量。
9.一种执行基于盲信号分离的群目标极点提取方法的设备,包括:至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令,其特征在于,当计算机程序指令被处理器执行时实现如权利要求1~5中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,当计算机程序指令被处理器执行时实现如权利要求1~5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910981493.4A CN110596670B (zh) | 2019-10-16 | 2019-10-16 | 基于盲信号分离的群目标极点提取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910981493.4A CN110596670B (zh) | 2019-10-16 | 2019-10-16 | 基于盲信号分离的群目标极点提取方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110596670A true CN110596670A (zh) | 2019-12-20 |
CN110596670B CN110596670B (zh) | 2021-09-28 |
Family
ID=68867447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910981493.4A Active CN110596670B (zh) | 2019-10-16 | 2019-10-16 | 基于盲信号分离的群目标极点提取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110596670B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191233A (zh) * | 2021-04-21 | 2021-07-30 | 东莞理工学院城市学院 | 盲信号分离方法及系统、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102075468A (zh) * | 2011-01-04 | 2011-05-25 | 南京大学 | 一种基于磨光函数与Parzen窗估计的ICA盲信号分离方法及其系统 |
CN105446941A (zh) * | 2015-11-11 | 2016-03-30 | 西安电子科技大学 | 基于联合零对角化的时频域盲信号分离方法 |
US9442189B2 (en) * | 2010-10-27 | 2016-09-13 | The Fourth Military Medical University | Multichannel UWB-based radar life detector and positioning method thereof |
CN106443629A (zh) * | 2016-09-30 | 2017-02-22 | 西安空间无线电技术研究所 | 一种基于傅里叶基函数的雷达目标识别方法 |
CN109031275A (zh) * | 2018-07-02 | 2018-12-18 | 北京理工大学 | 一种基于高分辨全极化雷达的昆虫水平飞行速度提取方法 |
-
2019
- 2019-10-16 CN CN201910981493.4A patent/CN110596670B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9442189B2 (en) * | 2010-10-27 | 2016-09-13 | The Fourth Military Medical University | Multichannel UWB-based radar life detector and positioning method thereof |
CN102075468A (zh) * | 2011-01-04 | 2011-05-25 | 南京大学 | 一种基于磨光函数与Parzen窗估计的ICA盲信号分离方法及其系统 |
CN105446941A (zh) * | 2015-11-11 | 2016-03-30 | 西安电子科技大学 | 基于联合零对角化的时频域盲信号分离方法 |
CN106443629A (zh) * | 2016-09-30 | 2017-02-22 | 西安空间无线电技术研究所 | 一种基于傅里叶基函数的雷达目标识别方法 |
CN109031275A (zh) * | 2018-07-02 | 2018-12-18 | 北京理工大学 | 一种基于高分辨全极化雷达的昆虫水平飞行速度提取方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191233A (zh) * | 2021-04-21 | 2021-07-30 | 东莞理工学院城市学院 | 盲信号分离方法及系统、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110596670B (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986838A (zh) | 一种基于声源定位的自适应语音分离方法 | |
CN108256436B (zh) | 一种基于联合分类的雷达hrrp目标识别方法 | |
CN107271965B (zh) | 类聚集子空间的真假目标一维距离像特征提取方法 | |
CN105894033B (zh) | 一种海杂波背景下的弱目标检测方法及系统 | |
CN103969634B (zh) | 基于全极化属性散射中心模型的目标属性特征提取方法 | |
CN110596670B (zh) | 基于盲信号分离的群目标极点提取方法和装置 | |
Lin et al. | Research on PCA and KPCA self-fusion based MSTAR SAR automatic target recognition algorithm | |
Li et al. | LPI Radar signal modulation recognition with feature fusion based on time-frequency transforms | |
Yuan et al. | Segmentation of color image based on partial differential equations | |
CN106952287A (zh) | 一种基于低秩稀疏表达的视频多目标分割方法 | |
CN110068799B (zh) | 一种稀疏邻域中心保持rcs序列特征提取方法 | |
Du et al. | Multi-category SAR images generation based on improved generative adversarial network | |
Zhao et al. | An effective model selection criterion for mixtures of Gaussian processes | |
CN116052288A (zh) | 活体检测模型训练方法、活体检测方法、装置和电子设备 | |
CN116229095A (zh) | 一种模型训练方法、视觉任务处理方法、装置及设备 | |
Seng et al. | A Gaussian-Rayleigh mixture modeling approach for through-the-wall radar image segmentation | |
Bae et al. | Recursive multi-SEs NWTH method for small target detection in infrared images | |
Lee et al. | ISAR autofocus by minimizing entropy of eigenimages | |
CN106371095A (zh) | 基于脉冲压缩技术的距离向成像方法和距离向成像系统 | |
Peng et al. | Infrared small target detection under complex background | |
Kumar et al. | Grating lobe and sidelobe suppression using Multi-Objective Optimization Techniques | |
Wang et al. | A SAR target recognition method with frequency and spatial domain enhancement | |
Tao et al. | Image segmentation based on PCNN model | |
Wang et al. | Blind source separation of electromagnetic detection signals | |
CN108922557A (zh) | 一种聊天机器人的多人语音分离方法及系统 |
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 |