CN110865340B - 一种基于极化特性辅助的海面角反射器干扰对抗方法 - Google Patents
一种基于极化特性辅助的海面角反射器干扰对抗方法 Download PDFInfo
- Publication number
- CN110865340B CN110865340B CN201911227720.0A CN201911227720A CN110865340B CN 110865340 B CN110865340 B CN 110865340B CN 201911227720 A CN201911227720 A CN 201911227720A CN 110865340 B CN110865340 B CN 110865340B
- Authority
- CN
- China
- Prior art keywords
- target
- hrrp
- polarization
- corner reflector
- sea surface
- 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
- 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
- G01S7/023—Interference mitigation, e.g. reducing or avoiding non-intentional interference with other HF-transmitters, base station transmitters for mobile communication or other radar systems, e.g. using electro-magnetic interference [EMI] reduction techniques
-
- 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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- 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
- G01S7/38—Jamming means, e.g. producing false echoes
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于极化特性辅助的海面角反射器干扰对抗方法,该方法包含以下步骤:S1、通过仿真获得不同方位角和俯仰角下舰船与海面角反射器的双极化HRRP,作为分类器样本;S2、对分类器样本分别进行分割得到目标HRRP;S3、分别提取目标同极化HRRP特征;S4、分别提取极化特征;S5、构造特征向量;S6、使用分类器对分类器样本进行训练,根据训练结果调整分类器参数;S7、对实测雷达回波进行脉冲压缩获得双极化HRRP,再进行步骤S2至步骤S5操作获得目标特征向量,将目标特征向量输入分类器得到分类标签;S8、确定目标类型。其优点是:该方法综合利用目标的HRRP特征和极化特征,丰富了雷达目标的特征维度,提高了对舰船目标与海上角反射器目标的识别准确性。
Description
技术领域
本发明涉及微波雷达探测技术领域,具体涉及一种基于极化特性辅助的海面角反射器干扰对抗方法。
背景技术
由于角反射器自身特性、装备的发展以及战术的运用,使得角反射器的雷达回波与舰船没有显著的差异。对于雷达体制的反舰导引头,如何有效的抗海面角反射器干扰是公认的难点。目前国内主要从高分辨距离像特征、极化特征以及微动特征三个方向研究抗海面角反射器干扰,多数都只从单一类型特征进行识别。通过高分辨距离像可有效对抗单个角反射器干扰,但对于多个角反射器组合,仅通过高分辨距离像信息则难以有效的对抗;利用极化信息抗角反射器干扰是较为可行的路径,但在仅有部分极化的情况下如何有效通过双极化特征实现抗干扰则较少研究;海面目标的微多普勒特性与环境密切相关,难以有效应用于雷达导引头中。
对现有技术进行了国内外数据库的检索,专利文献CN105469060A《一种基于紧致性测度加权的舰船类型识别方法》,公开日期2016年4月6日,介绍了一种基于紧致性测度加权的舰船类型识别方法,该技术首先对原始高分辨一维距离像(High Range ResolutionProfile,HRRP)数据进行降噪、归一化、预处理、提取姿态不变特征、解决HRRP对幅度的敏感、平移和姿态敏感问题。根据样本特征的紧致性测度,将所提取的特征乘以样本各特征的紧凑度,最后通过最近邻法对测试样本进行分类。但是该技术并未利用极化信息,仅使用了HRRP特征,有一定的局限性。
专利文献CN109492671A《一种基于LSTM的多极化高分辨距离像目标识别方法》,公开日期2019年3月19日,介绍了一种基于长短期记忆网络 (Long Short Term Memory,LSTM)的多极化高分辨距离像目标识别方法,该技术将不同通道当成实序列,从而将LSTM应用于多极化HRRP目标识别中,利用LSTM自动融合不同极化通道的HRRP信息,充分挖掘目标的极化特征,自动提取目标的深度与关联性特征,实现目标识别。该技术需要提取固定长度的HRRP作为LSTM网络的输入,而不同姿态角下舰船的HRRP长度不一,固定长度的HRRP中可能包含大量无目标的杂波区域,影响目标识别效果。
论文名为《基于极化分解的抗角反射器干扰研究》,该文研究了舰船目标与海面角反射器的Krogager极化分解特征,以球体、二面角和螺旋体三种旋转不变的基本散射类型为基础的极化目标描述舰船与角反射器。基于舰船与海面角反射器极化分解后各基本散射类型所占比的差异,提出了双门限的方法,利用敏感程度信息,在较小计算量的情况下实现了较好检测效果。然而,该方法需要采用全极化天线以获得完整的极化散射矩阵,增加了雷达导引头的成本和复杂程度。
论文名为《一种基于微多普勒特征的海面角反射器干扰鉴别方法》,该文研究了舰船目标与海面角反射器的微多普勒特征,利用时频分析方法对舰船目标与海面角反射器的微动特性进行提取,定义和提取微多普勒主频率周期特征,实现了舰船和角反射器干扰的鉴别。然而该方法受海况影响较大,且由于导弹飞行过程存在抖动,使得难以准确提取目标微动特征,因而难以应用于雷达导引头中。
发明内容
本发明的目的在于提供一种基于极化特性辅助的海面角反射器干扰对抗方法,由于目标的高分辨一维距离像(HRRP)可以精细地描述目标距离维的局部特征,而极化特征可以反映目标结构、材质及尺寸等方面信息,因此综合利用目标的HRRP特征和极化特征对目标进行识别可丰富雷达目标的特征维度,从而提高对舰船目标与海上角反射器目标的识别准确性。
为了达到上述目的,本发明通过以下技术方案实现:
一种基于极化特性辅助的海面角反射器干扰对抗方法,该方法包含以下步骤:
S1、对舰船目标和海面角反射器进行几何建模,通过仿真获得不同方位角和俯仰角下舰船与海面角反射器的双极化HRRP,将其作为分类器样本;
S2、对所述分类器样本分别进行目标分割,得到目标HRRP;
S3、对所述目标HRRP分别提取舰船目标与海面角反射器的目标同极化 HRRP特征;
S4、对所述目标HRRP分别提取舰船目标与海面角反射器的极化特征;
S5、根据步骤S3和步骤S4,构造特征向量T;
S6、结合所述特征向量T,使用分类器对所述分类器样本进行训练,根据训练结果调整分类器参数,从而优化分类器;
S7、对实测雷达回波进行脉冲压缩获得双极化HRRP,再进行步骤S2 至步骤S5操作以获得目标特征向量,将所述目标特征向量输入分类器中得到分类标签;
S8、根据所述分类标签统计多帧分类结果以确定目标类型。
优选地,所述双极化HRRP包含:同极化全景HRRP和交叉极化全景 HRRP。
优选地,所述目标HRRP包含:目标同极化HRRP和目标交叉极化HRRP。
优选地,所述分类器为SVM分类器。
优选地,所述步骤S1中的所述仿真具体为:采用弹跳射线法利用电磁仿真软件进行仿真。
优选地,所述步骤S3中所述舰船目标与海面角反射器目标同极化HRRP 特征包含:径向长度T1、强散射中心数目T2、峰值平均宽度T3、峰值宽度方差T4。
优选地,所述步骤S4中所述舰船目标与海面角反射器的极化特征包含目标HRRP平均极化幅度比T5和目标HRRP极化相似性T6。
优选地,所述步骤S5中的所述特征向量T包含:径向长度T1、强散射中心数目T2、峰值平均宽度T3、峰值宽度方差T4、目标HRRP平均极化幅度比T5和目标HRRP极化相似性T6。
优选地,所述目标HRRP极化相似性T6为:
其中,n为变量,意为第n个,wopt为目标HRRP宽度,x”VV为目标同极化HRRP归一化,x”VH为交叉极化HRRP进行归一化。
优选地,所述步骤S6中分类器采用十折交叉验证对所述分类器样本进行训练。
本发明与现有技术相比具有以下优点:
本发明的基于极化特性辅助的海面角反射器干扰对抗方法,综合利用目标的HRRP特征和极化特征对目标进行识别,丰富了雷达目标的特征维度,从而提高了对舰船目标与海上角反射器目标的识别准确性。
附图说明
图1为本发明的基于极化特性辅助的海面角反射器干扰对抗方法流程图。
具体实施方式
以下结合附图,通过详细说明一个较佳的具体实施例,对本发明做进一步阐述。
如图1所示,为本发明的一种基于极化特性辅助的海面角反射器干扰对抗方法,该方法包含以下步骤:
S1、对舰船目标和海面角反射器进行几何建模,并对模型进行网络剖分。设置仿真参数,采用弹跳射线法利用电磁仿真软件进行仿真,获得不同方位角和俯仰角下舰船与海面角反射器的双极化HRRP,将其作为分类器样本,其中,所述双极化HRRP包含同极化全景HRRP和交叉极化全景HRRP。
S2、对所述分类器样本分别进行目标分割,得到目标HRRP,即目标在距离像上的左右端点位置。
所述步骤S2具体为:采用基于最大信噪比的滑窗分割法进行目标HRRP 的提取,设{xVV(n)|n=0,1,...,N-1}和{xVH(n)|n=0,1,...,N-1}分别为某距离门内的同极化全景HRRP xVV和交叉极化全景HRRP xVH,N为距离单元数,n为变量,意为第n个。设置一个可变滑窗W(m,w):
其中,m为滑窗起始点,w为滑窗宽度。
滑窗内的平均能量Ein为:
滑窗外的平均能量Eout为:
滑窗内外能量比r(m,w)为:
以舰船目标的最小径向长度Lmin和最大径向长度Lmax设置滑窗宽度范围 [wmin,wmax],其中wmin=INT[Lmin/ΔR],wmax=INT[Lmax/ΔR]+1,ΔR为雷达径向距离分辨率。通过二维搜索寻找滑窗内外能量比r(m,w)的最大值,即:
r(mopt,wopt)=max{r(m,w)|m=0,1,...,N-1;wmin≤w≤wmax} (5)。
将mopt作为目标HRRP分割起始点,wopt作为目标HRRP宽度,对同极化全景HRRP和交叉极化全景HRRP进行分割,得到目标HRRP,所述目标 HRRP包含:目标同极化HRRP x'VV(如公式6)和目标交叉极化HRRP x'VH (如公式7),即:
x'VV={xVV(n)|n=mopt,1,...,wopt-1} (6),
x'VH={xVH(n)|n=mopt,1,...,wopt-1} (7)。
S3、对所述目标HRRP分别提取舰船目标与海面角反射器的同极化 HRRP特征,其包含:径向长度T1、强散射中心数目T2、峰值平均宽度T3、峰值宽度方差T4。
S4、对所述目标HRRP分别提取舰船目标与海面角反射器的极化特征。所述极化特征包含:目标HRRP平均极化幅度比T5和目标HRRP极化相似性T6,其中目标HRRP平均极化幅度比T5为现有使用特征,目标HRRP极化相似性T6为根据仿真数据分析新提出的特征。其中,HRRP平均极化幅度比T5定义为:
目标HRRP极化相似性T6采用Pearson相关系数进行计算。由于采用单极化发射,双极化接收,因此交叉极化幅度往往较小,需分别对目标同极化 HRRP归一化x”VV(如公式9)和交叉极化HRRP进行归一化x”VH(如公式10),即:
S5、根据步骤S3和步骤S4,构造特征向量T,即对样本特征向量进行标准化。特征向量T=[T1,T2,T3,T4,T5,T6],即特征向量T包含:径向长度 T1、强散射中心数目T2、峰值平均宽度T3、峰值宽度方差T4、目标HRRP 平均极化幅度比T5和目标极化相似性T6。
S6、结合所述特征向量T,使用SVM(Support Vector Machine,支持向量机)分类器,采用十折交叉验证对所述分类器样本进行训练,根据训练结果调整修改SVM分类器参数,从而优化SVM分类器,获得性能较优SVM 分类器。
S7、对实测雷达回波进行脉冲压缩获得双极化HRRP(同极化全景HRRP 和交叉极化全景HRRP),再进行步骤S2至S5操作以获得目标特征向量,将所述目标特征向量输入SVM分类器得到分类标签角反射器或舰船目标。
S8、根据所述分类标签统计多帧分类结果以确定目标类型。设统计C帧分类结果,记分类结果为舰船目标的次数为Cws,分类结果为角反射器的次数为Ccr,若Cws>Ccr,则最终分类结果为舰船目标,否则为海面角反射器。
综上所述,本发明的一种基于极化特性辅助的海面角反射器干扰对抗方法,综合利用目标的HRRP特征和极化特征对目标进行识别,由于目标的高分辨一维距离像可以精细地描述目标距离维的局部特征,而极化特征可以反映目标结构、材质及尺寸等方面信息,因此本发明的方法可丰富雷达目标的特征维度,从而提高对舰船目标与海上角反射器目标的识别准确性。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (8)
1.一种基于极化特性辅助的海面角反射器干扰对抗方法,其特征在于,该方法包含以下步骤:
S1、对舰船目标和海面角反射器进行几何建模,通过仿真获得不同方位角和俯仰角下舰船与海面角反射器的双极化HRRP,将其作为分类器样本;
S2、对所述分类器样本分别进行目标分割,得到目标HRRP;
S3、对所述目标HRRP分别提取舰船目标与海面角反射器的目标同极化HRRP特征;
S4、对所述目标HRRP分别提取舰船目标与海面角反射器的极化特征;
S5、根据步骤S3和步骤S4,构造特征向量T;
S6、结合所述特征向量T,使用分类器对所述分类器样本进行训练,根据训练结果调整分类器参数,从而优化分类器;
S7、对实测雷达回波进行脉冲压缩获得双极化HRRP,再进行步骤S2至步骤S5操作以获得目标特征向量,将所述目标特征向量输入分类器中得到分类标签;
S8、根据所述分类标签统计多帧分类结果以确定目标类型;
其中,所述步骤S4中所述舰船目标与海面角反射器的极化特征包含目标HRRP平均极化幅度比T5和目标HRRP极化相似性T6;
所述目标HRRP极化相似性T6为:
其中,n为变量,意为第n个,wopt为目标HRRP宽度,x″VV为目标同极化HRRP归一化,x″VH为交叉极化HRRP进行归一化。
2.如权利要求1所述的基于极化特性辅助的海面角反射器干扰对抗方法,其特征在于,
所述双极化HRRP包含:同极化全景HRRP和交叉极化全景HRRP。
3.如权利要求1所述的基于极化特性辅助的海面角反射器干扰对抗方法,其特征在于,
所述目标HRRP包含:目标同极化HRRP和目标交叉极化HRRP。
4.如权利要求1所述的基于极化特性辅助的海面角反射器干扰对抗方法,其特征在于,
所述分类器为SVM分类器。
5.如权利要求1所述的基于极化特性辅助的海面角反射器干扰对抗方法,其特征在于,
所述步骤S1中的所述仿真具体为:采用弹跳射线法利用电磁仿真软件进行仿真。
6.如权利要求1所述的基于极化特性辅助的海面角反射器干扰对抗方法,其特征在于,
所述步骤S3中所述舰船目标与海面角反射器目标同极化HRRP特征包含:径向长度T1、强散射中心数目T2、峰值平均宽度T3、峰值宽度方差T4。
7.如权利要求6所述的基于极化特性辅助的海面角反射器干扰对抗方法,其特征在于,
所述步骤S5中的所述特征向量T包含:径向长度T1、强散射中心数目T2、峰值平均宽度T3、峰值宽度方差T4、目标HRRP平均极化幅度比T5和目标HRRP极化相似性T6。
8.如权利要求1所述的基于极化特性辅助的海面角反射器干扰对抗方法,其特征在于,
所述步骤S6中分类器采用十折交叉验证对所述分类器样本进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911227720.0A CN110865340B (zh) | 2019-12-04 | 2019-12-04 | 一种基于极化特性辅助的海面角反射器干扰对抗方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911227720.0A CN110865340B (zh) | 2019-12-04 | 2019-12-04 | 一种基于极化特性辅助的海面角反射器干扰对抗方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110865340A CN110865340A (zh) | 2020-03-06 |
CN110865340B true CN110865340B (zh) | 2022-03-29 |
Family
ID=69657812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911227720.0A Active CN110865340B (zh) | 2019-12-04 | 2019-12-04 | 一种基于极化特性辅助的海面角反射器干扰对抗方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110865340B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111693953B (zh) * | 2020-05-11 | 2023-12-05 | 中山大学 | 基于微多普勒的目标分类识别模型、方法、系统及装置 |
CN113759325B (zh) * | 2021-07-29 | 2023-12-26 | 西安电子科技大学 | 基于极化不变量和极化分解的海面角反射器干扰鉴别方法 |
CN114419452B (zh) * | 2022-03-30 | 2022-07-05 | 中国人民解放军火箭军工程大学 | 一种高分辨率双极化sar抗角反射器干扰的目标辨识方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069432A (zh) * | 2015-08-10 | 2015-11-18 | 中国人民解放军国防科学技术大学 | 一种基于极化目标分解的支持向量机舰船目标检测方法 |
CN107632291A (zh) * | 2017-08-18 | 2018-01-26 | 上海无线电设备研究所 | 一种基于极化雷达抗角反射器干扰的方法 |
CN109298402A (zh) * | 2018-09-14 | 2019-02-01 | 西安电子工程研究所 | 基于通道融合的极化特征提取方法 |
CN109492671A (zh) * | 2018-10-16 | 2019-03-19 | 北京理工大学 | 一种基于lstm的多极化高分辨距离像目标识别方法 |
CN109597044A (zh) * | 2018-11-27 | 2019-04-09 | 西安电子工程研究所 | 基于分级决策树的宽带极化雷达导引头目标识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6859163B2 (en) * | 2002-09-20 | 2005-02-22 | Drs Weather Systems, Inc. | Simultaneous dual polarization radar system |
JP2010038744A (ja) * | 2008-08-06 | 2010-02-18 | Mitsubishi Electric Corp | 目標識別用レーダ装置 |
JP5369817B2 (ja) * | 2009-03-26 | 2013-12-18 | 日本電気株式会社 | ポラリメトリsar装置及びポラリメトリsarデータを用いる目標物同定方法 |
CN109031294B (zh) * | 2018-07-17 | 2020-09-08 | 中国人民解放军国防科技大学 | 基于相似性检验的极化sar舰船目标检测方法 |
-
2019
- 2019-12-04 CN CN201911227720.0A patent/CN110865340B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069432A (zh) * | 2015-08-10 | 2015-11-18 | 中国人民解放军国防科学技术大学 | 一种基于极化目标分解的支持向量机舰船目标检测方法 |
CN107632291A (zh) * | 2017-08-18 | 2018-01-26 | 上海无线电设备研究所 | 一种基于极化雷达抗角反射器干扰的方法 |
CN109298402A (zh) * | 2018-09-14 | 2019-02-01 | 西安电子工程研究所 | 基于通道融合的极化特征提取方法 |
CN109492671A (zh) * | 2018-10-16 | 2019-03-19 | 北京理工大学 | 一种基于lstm的多极化高分辨距离像目标识别方法 |
CN109597044A (zh) * | 2018-11-27 | 2019-04-09 | 西安电子工程研究所 | 基于分级决策树的宽带极化雷达导引头目标识别方法 |
Non-Patent Citations (1)
Title |
---|
对海雷达目标识别中全极化HRRP的特征提取与选择;范学满 等;《电子与信息学报》;20161231;第38卷(第12期);3261-3268 * |
Also Published As
Publication number | Publication date |
---|---|
CN110865340A (zh) | 2020-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110865340B (zh) | 一种基于极化特性辅助的海面角反射器干扰对抗方法 | |
Qiu et al. | Jointly using low-rank and sparsity priors for sparse inverse synthetic aperture radar imaging | |
CN107728142B (zh) | 基于二维卷积网络的雷达高分辨距离像目标识别方法 | |
CN110826643B (zh) | 一种极化欧拉特征融合深度学习的海上目标识别方法 | |
CN107977642B (zh) | 一种核自适应均值判别分析的高分辨距离像目标识别方法 | |
Zhang et al. | Object detection and 3d estimation via an FMCW radar using a fully convolutional network | |
CN111580064A (zh) | 一种基于多域多维特征融合的海面小目标检测方法 | |
CN112782695B (zh) | 基于isar图像和参数优化的卫星姿态和尺寸估计方法 | |
Wang et al. | SAR target recognition based on probabilistic meta-learning | |
Cooke et al. | Use of 3D ship scatterer models from ISAR image sequences for target recognition | |
Li et al. | Radar signal recognition algorithm based on entropy theory | |
Yang et al. | Ship detection from optical satellite images based on visual search mechanism | |
CN107358214A (zh) | 基于卷积神经网络的极化sar地物分类方法 | |
CN102879777A (zh) | 基于调频率-压缩感知的稀疏isar成像方法 | |
Rahman et al. | Multiple drone classification using millimeter-wave CW radar micro-Doppler data | |
CN105447867A (zh) | 基于isar图像的空间目标姿态估计方法 | |
Tang et al. | Target classification of ISAR images based on feature space optimisation of local non-negative matrix factorisation | |
CN103116740A (zh) | 一种水下目标识别方法及其装置 | |
Wang et al. | Missile target automatic recognition from its decoys based on image time-series | |
CN106845489B (zh) | 基于改进Krawtchouk矩的SAR图像目标特征提取方法 | |
Knapskog et al. | Target recognition of ships in harbour based on simulated SAR images produced with MOCEM software | |
Nishimoto et al. | Target identification from multi-aspect high range-resolution radar signatures using a hidden Markov model | |
CN107403136A (zh) | 基于结构保持字典学习的sar目标型号识别方法 | |
Greco et al. | Introduction to the issue on advanced signal processing techniques for radar applications | |
CN104715265B (zh) | 基于压缩采样与集成编码分类器的雷达场景分类方法 |
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 |