CN110967678A - 一种多波段雷达目标识别的数据融合算法及系统 - Google Patents
一种多波段雷达目标识别的数据融合算法及系统 Download PDFInfo
- Publication number
- CN110967678A CN110967678A CN201911329241.XA CN201911329241A CN110967678A CN 110967678 A CN110967678 A CN 110967678A CN 201911329241 A CN201911329241 A CN 201911329241A CN 110967678 A CN110967678 A CN 110967678A
- Authority
- CN
- China
- Prior art keywords
- data
- feature data
- band
- echo signal
- fusion algorithm
- 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
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
- G01S7/41—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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种多波段雷达目标识别的数据融合算法及系统,包括:数据获取模块,用于获取被识别目标体的电磁回波,特征提取模块,用于对所述电磁回波的回波数据,数据融合模块,用于利用特定融合算法将提取的多个所述特征数据融合为一种特征数据F;类别识别模块,用于根据上述融合后的特征数据F,来对所述被识别目标体的进行分类;图像处理模块,用于利用技术及图像转化原理将融合后的特征数据F转化为可视图像。通过利用雷达系统发射多波段电磁波,然后对被识别目标体的多波段电磁回波进行线性判别分析提取目标的特征,并将多波段的特征进行融合,将融合后的特征通过分类算法进行分类,能够得到不同被识别目标体的类别。
Description
技术领域
本发明涉及雷达目标特性探测领域,具体涉及一种多波段雷达目标识别的数据融合算法及系统。
背景技术
在现代战争中,由于电子进攻技术的发展,有源雷达雷达系统正面临着反辐射导弹、隐身飞机等先进武器,以及综合电子干扰、低空突防等作战手段日益严重的威胁。因此要提高雷达的生存能力,充分发挥雷达的效能,必须综合采用各种对抗措施。
在传统有源雷达领域中,提出了许多对抗四大威胁的措施,包括采用特定设计的信号波形实现低截获、提高雷达的机动性防止反辐射导弹的攻击等。然而,由于地球曲率的限制使得有源雷达对超低空飞行的巡航导弹的有效探测距离减小,使预警时间缩短。为实现对低空目标探测而采用的低仰角天线波束配置时,低空目标反射的微弱信号隐藏在地杂波噪声中,很难分辨。
而利用多个接收站截获的目标自身辐射源所发射的信号来对目标定位的无源雷达,是对抗反辐射导弹的有效措施。它通过测量目标信号到达各站的时延和到达角参数,确定辐射源及其载体平台(目标)的位置。但是当目标采取无线电静默而不发射信号时,这种无源雷达将失效。
现有技术中的雷达信号处理终端和目标识别平台,能够利用目标在米波、P波段、L波段、S波段、C波段、X波段、ka、ku波段等雷达反射特性来识别目标,但是,使用单一的波段来识别判断目标的特性,很容易出现错判漏盘的可能性,因此需要设计一种多波段雷达目标识别的数据融合算法及系统,通过米波、P波段、L波段组合的多波段雷达以及S波段、C波段、X波段、ka波段段组合的多波段雷达目标特性来识别目标。
申请号为201711072686.5的中国专利公开了一种基于多波段雷达的目标识别方法、装置及系统,其中的方法是采用两种波段的回波信号进行处理,并通过两种波段的回波信号的特征数据进行目标的识别。这种方法是采用了2种回波信号进行目标识别的,存在有准确性比较低的缺点,只能应用于民用无人机的监控和识别,目标识别的算法比较粗糙,无法满足军用的高精度和高准确度的要求。
发明内容
为克服现有技术的缺陷,本发明的目的在于提供一种多波段雷达目标识别的数据融合算法及系统,通过获取目标不同多波段特性,实现更加准确的识别目标。
为此,本发明提出了一种多波段雷达目标识别的数据融合算法,包括:获取被识别目标体的电磁回波,其中所述电磁回波包括多个波段的回波信号;多个波段的回波信号包括第一波段回波信号、第二波段回波信号以及第三波段回波信号;
对所述电磁回波的回波数据,采用线性判别分析方法提取所述被识别目标体的特征;所述被识别目标体的特征包括第一特征数据、第二特征数据和第三特征数据;所述第一特征数据是从第一波段回波信号提取的;所述第二特征数据是从第二波段回波信号提取的;所述第三特征数据是从第三波段回波信号提取的;
利用特定数据融合算法,将提取的多个所述特征数据融合为一种特征数据F;
根据上述融合后的特征数据F,来对所述被识别目标体的进行分类;
利用技术及图像转化原理将融合后的特征数据F转化为可视图像。
进一步地,所述特征数据融合包含以下步骤:S1、将所述多个波段的特征数据汇集到一个数据文件中;S2、对上述数据文件的特征数据,分别定义不同的权值;S3、采用数据融合算法,对分配了权值的特征数据进行融合计算,得出最终的特征数据F;S4、通过上述特征数据F,来对目标进行准确识别。
进一步地,所述步骤S3的数据融合算法中,包括数据预处理模块和权值分配模块。
进一步地,上述数据融合算法采用贝叶斯估计法。
进一步地,上述数据融合算法采用D-S证据推理法。
本发明还提出了一种多波段雷达目标识别系统,其特征在于,包括
数据获取模块,用于获取被识别目标体的电磁回波,其中所述电磁回波包括多个波段的回波信号;多个波段的回波信号包括第一波段回波信号、第二波段回波信号以及第三波段回波信号;
特征提取模块,用于对所述电磁回波的回波数据,采用线性判别分析方法提取所述被识别目标体的特征;所述被识别目标体的特征包括第一特征数据、第二特征数据和第三特征数据;所述第一特征数据是从第一波段回波信号提取的;所述第二特征数据是从第二波段回波信号提取的;所述第三特征数据是从第三波段回波信号提取的;
数据融合模块,用于利用特定融合算法将提取的多个所述特征数据融合为一种特征数据F;
类别识别模块,用于根据上述融合后的特征数据F,来对所述被识别目标体的进行分类;
图像处理模块,用于利用技术及图像转化原理将融合后的特征数据F转化为可视图像。
与现有技术相比,本发明的有益效果:
本发明的多波段雷达目标识别的数据融合算法及系统,通过利用雷达系统发射多波段电磁波,然后对被识别目标体的多波段电磁回波进行线性判别分析提取目标的特征,而且还将3个以上的多波段的特征进行数据融合,根据融合后的数据进行识别,能够更为精确和准确地对不同被识别目标体进行类别。
同时,雷达是通过发射电磁波、接收被识别目标体的反射回波从而对目标进行探测,相对于视频监控,该基于多波段雷达的目标识别方法具有全天候工作能力,受环境因素影响小,而且能够满足军用的高精度和高准确度的要求,而且能够将识别的结果进行图像显示。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的多波段雷达目标识别的数据融合算法流程图;以及
图2为本发明的多波段雷达目标识别系统的结构示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
图1-图2示出了根据本发明的一些实施例。
如图1所示,一种多波段雷达目标识别的数据融合算法,包括:获取被识别目标体的电磁回波,其中所述电磁回波包括多个波段的回波信号;多个波段的回波信号包括第一波段回波信号、第二波段回波信号以及第三波段回波信号;
对所述电磁回波的回波数据,采用线性判别分析方法提取所述被识别目标体的特征;所述被识别目标体的特征包括第一特征数据、第二特征数据和第三特征数据;所述第一特征数据是从第一波段回波信号提取的;所述第二特征数据是从第二波段回波信号提取的;所述第三特征数据是从第三波段回波信号提取的;
利用特定数据融合算法,将提取的多个所述特征数据融合为一种特征数据F;
根据上述融合后的特征数据F,来对所述被识别目标体的进行分类;
利用技术及图像转化原理将融合后的特征数据F转化为可视图像。
具体地,所述特征数据融合包含以下步骤:
S1、将所述多个波段的特征数据汇集到一个数据文件中;
S2、对上述数据文件的特征数据,分别定义不同的权值;
S3、采用数据融合算法,对分配了权值的特征数据进行融合计算,得出最终的特征数据F;
S4、通过上述特征数据F,来对目标进行准确识别。
其中,所述步骤S3的数据融合算法中,包括数据预处理模块和权值分配模块。
其中,上述数据融合算法采用贝叶斯估计法和D-S证据推理法中的一种。
具体地,所述根据所述特征采用分类算法识别所述被识别目标体的类别包括:将所述融合特征划分为训练融合特征和测试融合特征;根据所述训练融合特征训练所述分类算法;将所述测试融合特征输入至训练后的所述分类算法中识别所述被识别目标体的类别。
其中,一种基于多波段雷达的目标识别方法,通过利用雷达设备发射多波段电磁波,从而对被识别目标体的多波段电磁回波进行线性判别分析与分类器分类,能够得到不同被识别目标体的类别。同时,相对于视频监控、图像处理等技术,本发明实施方式采用的雷达设备具有全天候工作能力,受环境因素影响小。此外,本发明实施方式通过利用多个波段的雷达发射电磁波,对接收到的目标雷达多波段回波进行线性判别分析以及多个波段的特征进行融合,并通过kNN分类器进行分类,能够进一步增强被识别目标体分类的鲁棒性。
下面以双波段雷达以及kNN分类器应用于移动目标的分类识别为例进行示例性说明,但本公开并不限定于此。
本发明实施方式所述的方法是基于双波段雷达数据的主成分特征融合将其应用于移动目标分类,该方法主要是利用了两个波段的雷达同时对移动目标进行观测,利用不同类型的移动目标的旋转翼对电磁回波的信号的调制不一样,然后对两个波段雷达的回波信号进行特征提取与融合,从而能够更好的描述不同移动目标的区别并来实现不同的移动目标识别。
在一个优选的实施方式中,所使用的双波段雷达设备采用中心频率为24GHz的K波段和中心频率为9.8GHz的X波段连续波雷达。其中频率很接近的电磁波属于同一个波段,例如9.8Ghz和10GHz同属于X波段。可以利用该双波段雷达设备同时获取移动目标的数据。连续波雷达的优点在于其精度高、功率低、不存在距离盲点、便于携带,因此非常适合在本实验中获取数据。
例如,可以按照预定设置的雷达系统作为识别不同类别的移动目标的实验场景。图示中,两部雷达(K波段雷达和X波段雷达)分别包括发射器和接收器,且两部雷达之间距离很接近,这样可以忽略两部雷达同时发射的电磁波到达同一被识别目标体例如这里的移动目标的时间差别。需要说明的是,本发明实施例的技术方案的实现对两部雷达的安装位置并没有固定的要求,不要求从同一个位置发射电磁波。另外,虽然本发明实施例中提及两部雷达同时向同一被识别目标体发射电磁波,但这里对两部雷达的同步要求并不作严格要求。
需要说明的是,其他实施例中所述双波段雷达设备也可以采用非连续波,或者连续波中其他波段。此外,本发明实施例中对雷达发射的电磁波的波形没有特殊设计,只要两个雷达的频率不一样即可,且对两个雷达的频率间隔无具体要求。
虽然上述实施例中仅以两部雷达为例进行举例说明,但实际上,在其他实施例中,可以采用三部或者三部以上不同波段的雷达同时向被识别目标体发射电磁波,这样,理论上,发射不同波段的雷达数量越多,获取的被识别目标体的特征维数就越多,最后移动目标类别的识别结果准确率就越高。
如图2所示,本发明实施方式提供的一种多波段雷达目标识别系统,包括:数据获取模块、特征提取模块、数据融合模块、类别识别模块、以及图像处理模块。下面对该系统所包括的各个模块分别进行说明。
数据获取模块可以用于获取被识别目标体的电磁回波,其中所述电磁回波包括多个波段的回波信号;多个波段的回波信号包括第一波段回波信号、第二波段回波信号以及第三波段回波信号。所包括的具体内容以及的具体表现形式等可以参见上述方法实施方式中的相关描述,在此不再重复说明。
特征提取模块可以用于对所述电磁回波的回波数据,采用线性判别分析方法提取所述被识别目标体的特征;所述被识别目标体的特征包括第一特征数据、第二特征数据和第三特征数据;所述第一特征数据是从第一波段回波信号提取的;所述第二特征数据是从第二波段回波信号提取的;所述第三特征数据是从第三波段回波信号提取的。
数据融合模块,用于利用特定融合算法将提取的多个所述特征数据融合为一种特征数据F。
类别识别模块可以用于根据上述融合后的特征数据F,来对所述被识别目标体的进行分类。
图像处理模块可以用于利用技术及图像转化原理将融合后的特征数据F转化为可视图像。
作为示例,本发明实施方式的所述被识别目标体可以包括不同类别的移动目标。
作为示例,本发明实施方式的所述不同类别的移动目标可以包括直升机和多翼无人机。
在本发明的一个优选实施方式中,所述特征提取模块可以包括数据段截取单元、特征值计算单元、特征提取单元以及特征融合单元。
其中,所述数据段截取单元可以用于分别对每一类移动目标的所述电磁回波数据进行截取,获得每一类移动目标的第一波段样本数据和第二波段样本数据。其中固定每个截取时间的长度,且所述截取时间的长度大于移动目标转动周期。
所述特征值计算单元可以用于根据每一类移动目标的所述第一波段样本数据获得每一类移动目标的第一波段特征值和第一波段特征向量,以及根据每一类移动目标的所述第二波段样本数据获得每一类移动目标的第二波段特征值和第二波段特征向量。
所述特征提取单元可以用于根据每一类移动目标的所述第一波段特征值和所述第一波段特征向量获得每一类移动目标的第一波段特征,以及根据每一类移动目标的所述第二波段特征值和所述第二波段特征向量获得每一类移动目标的第二波段特征。
所述特征融合单元可以用于根据每一类移动目标的所述第一波段特征和所述第二波段特征获得每一类移动目标的融合特征。
在本发明的一个优选实施方式中,所述类别识别模块可以包括数据集划分单元、分类器训练单元以及分类识别单元。
其中,所述数据集划分单元可以用于将所述融合特征划分为训练融合特征和测试融合特征。
所述分类器训练单元可以用于根据所述训练融合特征训练所述分类算法。
所述分类识别单元可以用于将所述测试融合特征输入至训练后的所述分类算法中识别所述被识别目标体的类别。
在本发明的一个优选实施方式中,所述分类算法可以包括kNN分类器或者支持向量机。
作为示例,本发明实施方式的所述电磁回波数据可以为连续波电磁回波数据。
作为示例,本发明实施方式的所述第一波段回波信号和所述第二波段回波信号的频率不相同。
作为示例,本发明实施方式的所述第一波段回波信号为K波段回波信号,所述第二波段回波信号为X波段回波信号。
作为示例,本发明实施方式的所述类别识别模块可以包括:数据划分单元,用于将所述特征划分为训练样本数据和测试样本数据;分类器训练单元,用于根据所述训练样本数据训练所述分类算法;目标识别单元,用于将所述测试样本数据输入至训练后的所述分类算法中识别所述被识别目标体的类别。
作为示例,本发明实施方式的所述装置还可以包括结果验证模块,其中所述结果验证模块用于采用预设次数的独立实验验证所述被识别目标体的类别识别结果。
各个模块和/或单元所执行的具体操作可以参见上述方法实施方式中针对步骤的相关描述,在此不再重复说明。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种多波段雷达目标识别的数据融合算法,其特征在于,包括
获取被识别目标体的电磁回波,其中所述电磁回波包括多个波段的回波信号;多个波段的回波信号包括第一波段回波信号、第二波段回波信号以及第三波段回波信号;
对所述电磁回波的回波数据,采用线性判别分析方法提取所述被识别目标体的特征;所述被识别目标体的特征包括第一特征数据、第二特征数据和第三特征数据;所述第一特征数据是从第一波段回波信号提取的;所述第二特征数据是从第二波段回波信号提取的;所述第三特征数据是从第三波段回波信号提取的;
利用特定数据融合算法,将提取的多个所述特征数据融合为一种特征数据F;
根据上述融合后的特征数据F,来对所述被识别目标体的进行分类;
利用技术及图像转化原理将融合后的特征数据F转化为可视图像。
2.根据权利要求1所述的多波段雷达目标识别的数据融合算法,其特征在于,所述特征数据融合包含以下步骤:
S1、将所述多个波段的特征数据汇集到一个数据文件中;
S2、对上述数据文件的特征数据,分别定义不同的权值;
S3、采用数据融合算法,对分配了权值的特征数据进行融合计算,得出最终的特征数据F;
S4、通过上述特征数据F,来对目标进行准确识别。
3.根据权利要求2所述的多波段雷达目标识别的数据融合算法,其特征在于,所述步骤S3的数据融合算法中,包括数据预处理模块和权值分配模块。
4.根据权利要求3所述的多波段雷达目标识别的数据融合算法,其特征在于,上述数据融合算法采用贝叶斯估计法。
5.根据权利要求3所述的多波段雷达目标识别的数据融合算法,其特征在于,上述数据融合算法采用D-S证据推理法。
6.一种多波段雷达目标识别系统,其特征在于,包括
数据获取模块,用于获取被识别目标体的电磁回波,其中所述电磁回波包括多个波段的回波信号;多个波段的回波信号包括第一波段回波信号、第二波段回波信号以及第三波段回波信号;
特征提取模块,用于对所述电磁回波的回波数据,采用线性判别分析方法提取所述被识别目标体的特征;所述被识别目标体的特征包括第一特征数据、第二特征数据和第三特征数据;所述第一特征数据是从第一波段回波信号提取的;所述第二特征数据是从第二波段回波信号提取的;所述第三特征数据是从第三波段回波信号提取的;
数据融合模块,用于利用特定融合算法将提取的多个所述特征数据融合为一种特征数据F;
类别识别模块,用于根据上述融合后的特征数据F,来对所述被识别目标体的进行分类;
图像处理模块,用于利用技术及图像转化原理将融合后的特征数据F转化为可视图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911329241.XA CN110967678A (zh) | 2019-12-20 | 2019-12-20 | 一种多波段雷达目标识别的数据融合算法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911329241.XA CN110967678A (zh) | 2019-12-20 | 2019-12-20 | 一种多波段雷达目标识别的数据融合算法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110967678A true CN110967678A (zh) | 2020-04-07 |
Family
ID=70035663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911329241.XA Pending CN110967678A (zh) | 2019-12-20 | 2019-12-20 | 一种多波段雷达目标识别的数据融合算法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110967678A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111580093A (zh) * | 2020-05-25 | 2020-08-25 | 南京理工大学 | 用于探测无人机集群目标的雷达系统 |
CN113341407A (zh) * | 2021-06-02 | 2021-09-03 | 中国水产科学研究院南海水产研究所 | 一种基于雷达探测的渔业捕捞追踪系统及方法 |
CN113721241A (zh) * | 2021-08-24 | 2021-11-30 | 武昌理工学院 | 一种多波段多雷达协作探测方法 |
CN114239654A (zh) * | 2021-12-17 | 2022-03-25 | 电子科技大学 | 一种基于双波段热释电器件的温度识别分类方法 |
CN116788533A (zh) * | 2023-08-21 | 2023-09-22 | 济钢防务技术有限公司 | 一种无源雷达识别飞体装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060238406A1 (en) * | 2005-04-20 | 2006-10-26 | Sicom Systems Ltd | Low-cost, high-performance radar networks |
CN102855272A (zh) * | 2012-07-16 | 2013-01-02 | 中国科学院地理科学与资源研究所 | 一种微博客蕴含交通信息融合的d-s证据理论方法 |
CN103020589A (zh) * | 2012-11-19 | 2013-04-03 | 山东神思电子技术股份有限公司 | 一种单训练样本人脸识别方法 |
CN103903430A (zh) * | 2014-04-14 | 2014-07-02 | 东南大学 | 一种采用多源同构数据的行程时间动态融合预测方法 |
CN104598878A (zh) * | 2015-01-07 | 2015-05-06 | 深圳市唯特视科技有限公司 | 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法 |
CN105227863A (zh) * | 2015-09-29 | 2016-01-06 | 安徽博微广成信息科技有限公司 | 一种基于人像特征信息采集的视频图像处理方法 |
CN106443625A (zh) * | 2016-09-19 | 2017-02-22 | 电子科技大学 | 基于高分辨一维像信息融合的目标识别方法 |
CN107870322A (zh) * | 2017-11-03 | 2018-04-03 | 北京清瑞维航技术发展有限公司 | 基于单波段雷达的目标识别方法、装置及系统 |
CN107886121A (zh) * | 2017-11-03 | 2018-04-06 | 北京清瑞维航技术发展有限公司 | 基于多波段雷达的目标识别方法、装置及系统 |
CN108267757A (zh) * | 2017-12-30 | 2018-07-10 | 广州柏颐信息科技有限公司 | 一种多模定位数据融合方法 |
KR101918007B1 (ko) * | 2017-07-17 | 2018-11-13 | 서울시립대학교 산학협력단 | 다중 편광레이더 영상과 전정색 영상의 융합방법 및 장치 |
CN110232371A (zh) * | 2019-06-24 | 2019-09-13 | 北京理工大学 | 基于小样本的高精度hrrp雷达多目标识别方法 |
-
2019
- 2019-12-20 CN CN201911329241.XA patent/CN110967678A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060238406A1 (en) * | 2005-04-20 | 2006-10-26 | Sicom Systems Ltd | Low-cost, high-performance radar networks |
CN102855272A (zh) * | 2012-07-16 | 2013-01-02 | 中国科学院地理科学与资源研究所 | 一种微博客蕴含交通信息融合的d-s证据理论方法 |
CN103020589A (zh) * | 2012-11-19 | 2013-04-03 | 山东神思电子技术股份有限公司 | 一种单训练样本人脸识别方法 |
CN103903430A (zh) * | 2014-04-14 | 2014-07-02 | 东南大学 | 一种采用多源同构数据的行程时间动态融合预测方法 |
CN104598878A (zh) * | 2015-01-07 | 2015-05-06 | 深圳市唯特视科技有限公司 | 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法 |
CN105227863A (zh) * | 2015-09-29 | 2016-01-06 | 安徽博微广成信息科技有限公司 | 一种基于人像特征信息采集的视频图像处理方法 |
CN106443625A (zh) * | 2016-09-19 | 2017-02-22 | 电子科技大学 | 基于高分辨一维像信息融合的目标识别方法 |
KR101918007B1 (ko) * | 2017-07-17 | 2018-11-13 | 서울시립대학교 산학협력단 | 다중 편광레이더 영상과 전정색 영상의 융합방법 및 장치 |
CN107870322A (zh) * | 2017-11-03 | 2018-04-03 | 北京清瑞维航技术发展有限公司 | 基于单波段雷达的目标识别方法、装置及系统 |
CN107886121A (zh) * | 2017-11-03 | 2018-04-06 | 北京清瑞维航技术发展有限公司 | 基于多波段雷达的目标识别方法、装置及系统 |
CN108267757A (zh) * | 2017-12-30 | 2018-07-10 | 广州柏颐信息科技有限公司 | 一种多模定位数据融合方法 |
CN110232371A (zh) * | 2019-06-24 | 2019-09-13 | 北京理工大学 | 基于小样本的高精度hrrp雷达多目标识别方法 |
Non-Patent Citations (2)
Title |
---|
李晓松: "《装备建设军民融合评价与优化》", 30 April 2017, 国防工业出版社 * |
查宇飞: "《视频目标跟踪方法》", 31 July 2015, 国防工业出版社 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111580093A (zh) * | 2020-05-25 | 2020-08-25 | 南京理工大学 | 用于探测无人机集群目标的雷达系统 |
CN113341407A (zh) * | 2021-06-02 | 2021-09-03 | 中国水产科学研究院南海水产研究所 | 一种基于雷达探测的渔业捕捞追踪系统及方法 |
CN113341407B (zh) * | 2021-06-02 | 2024-02-06 | 中国水产科学研究院南海水产研究所 | 一种基于雷达探测的渔业捕捞追踪系统及方法 |
CN113721241A (zh) * | 2021-08-24 | 2021-11-30 | 武昌理工学院 | 一种多波段多雷达协作探测方法 |
CN114239654A (zh) * | 2021-12-17 | 2022-03-25 | 电子科技大学 | 一种基于双波段热释电器件的温度识别分类方法 |
CN114239654B (zh) * | 2021-12-17 | 2023-05-12 | 电子科技大学 | 一种基于双波段热释电器件的温度识别分类方法 |
CN116788533A (zh) * | 2023-08-21 | 2023-09-22 | 济钢防务技术有限公司 | 一种无源雷达识别飞体装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110967678A (zh) | 一种多波段雷达目标识别的数据融合算法及系统 | |
EP1992963B1 (en) | Enhanced passive coherent location techniques to track and identify UAVS, UCAVS, MAVS, and other objects | |
EP3602118B1 (en) | Global integrity check system and associated method | |
CN102227647B (zh) | 用于利用以准动态或动态方式对要监控的空间进行分区化来接收二次雷达信号的设备及用于此的方法 | |
Fabrizio et al. | Adaptive beamforming for high-frequency over-the-horizon passive radar | |
Jarabo‐Amores et al. | IDEPAR: a multichannel digital video broadcasting‐terrestrial passive radar technological demonstrator in terrestrial radar scenarios | |
Olsen et al. | Bridging the gap between civilian and military passive radar | |
Kemkemian et al. | Toward common radar & EW multifunction active arrays | |
Robertson | Practical ESM analysis | |
Wang et al. | A low-cost, near-real-time two-UAS-based UWB emitter monitoring system | |
Khudov et al. | Improving the efficiency of radar control of airspace with the multilateration system use | |
Kuschel | VHF/UHF radar. Part 2: Operational aspects and applications | |
RU2665032C2 (ru) | Устройство распознавания воздушно-космических объектов в двухдиапазонных радиолокационных комплексах с активными фазированными антенными решетками (афар) | |
Aldowesh et al. | A passive bistatic radar experiment for very low radar cross-section target detection | |
Sha’ameri et al. | Performance analysis of a minimum configuration multilateration system for airborne emitter position estimation | |
RU2562060C1 (ru) | Способ внешнего радиолокационного выявления факта наличия траекторных нестабильностей полета у воздушного объекта по структуре его импульсной характеристики | |
EP3326000B1 (en) | Obstacle detection radar using a polarization test | |
Ptak et al. | Aircraft classification based on radar cross section of long-range trajectories | |
Károly et al. | Assessing the Unmanned Aerial Vehicles' Surveillance Problems and Actual Solution Options from the Different Stakeholders' Viewpoint | |
CN206038902U (zh) | 雷达预警系统 | |
Zohuri et al. | Electronic countermeasure and electronic counter-countermeasure | |
Khawaja | A Survey on Radar Techniques for Detection, Tracking, and Classification of Aerial Threats | |
Bakare et al. | A Comprehensive Review of Radar System Technology | |
Stahl et al. | Evaluation of passive multi-static primary surveillance radar for operational use in civil air traffic control | |
Ezuma | UAV detection and classification using radar, radio frequency and machine learning techniques |
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 |
Application publication date: 20200407 |
|
RJ01 | Rejection of invention patent application after publication |