CN111239704B - 大气探测雷达信号识别方法、装置、设备及介质 - Google Patents
大气探测雷达信号识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111239704B CN111239704B CN202010089236.2A CN202010089236A CN111239704B CN 111239704 B CN111239704 B CN 111239704B CN 202010089236 A CN202010089236 A CN 202010089236A CN 111239704 B CN111239704 B CN 111239704B
- Authority
- CN
- China
- Prior art keywords
- value
- target
- spectral density
- echo signal
- power spectral
- 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
- G01S7/41—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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种大气探测雷达目标回波识别处理方法、装置、设备及介质。该方法包括:读取功率谱密度数据;对功率谱密度数据进行预处理,获取预处理数据;通过对数线性拟合算法对预处理数据进行噪声电平估算,快速且准确地获取噪声电平值,提高数据处理效率;基于噪声电平值,对预处理数据进行识别,提取大气湍流回波信号,即目标回波信号;通过对目标回波信号进行计算,获取目标回波信号对应的基础数据。该方法使得对目标回波信号的识别与提取更加准确,有效提高了基础数据的质量。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种大气探测雷达信号识别方法、装置、设备及介质。
背景技术
雷达是一种利用电磁波探测目标的电子设备,根据用途可分为多种不同类型的雷达,包括预警雷达、搜索警戒雷达、导航雷达和气象雷达等。其中,气象雷达指专门用于气象要素探测的雷达,是通过气象目标对雷达发射电磁波的散射、反射来确定气象目标的位置和特性。具体地,以大气折射率指数不规则体为探测目标的气象雷达通常称为大气探测雷达(Atmospheric Radar),大气探测雷达可用于探测近地面-25km、60-90km及以上高度大气层中水平风速风向、垂直速度、大气折射率结构常数等数据,上述数据可用于大气风场、大气湍流和大气波动等动力过程的研究。大气探测雷达包括但不限于MST雷达(MesosphereStratosphere Troposphere radar)、ST雷达(Stratosphere Troposphere radar)和对流层及边界层风廓线雷达。
大气探测雷达在探测大气湍流回波信号时,一般会得到两类信号:一、大气要素信号,二、非大气要素信号。大气要素信号包括:大气湍流、降水等信号;非大气要素信号则包括:地杂波、间歇性杂波和系统噪声等信号。其中,地杂波信号指地面的建筑、山、树等对应的信号;间歇性杂波信号指飞机、鸟类的飞行等所造成的信号。大气探测雷达在探测大气湍流回波信号时,由于获取的大气湍流回波信号很弱,且随高度增加而减小,同时,不可避免地会受到杂波的干扰,导致大气湍流回波信号识别不准确,从而影响基础数据质量。因此,若想得到准确的大气湍流回波信号,则需要有效抑制地杂波、间歇性杂波和系统噪声等信号,以降低对大气湍流回波信号的干扰。但现有的大气探测雷达信号识别方法无法快速且准确地估算噪声电平,使得地杂波、间歇性杂波和系统噪声等无法被有效抑制,导致大气湍流回波信号识别不准确,从而影响大气湍流回波信号对应的多普勒速度、回波功率和谱宽等基础数据的质量。
发明内容
本发明实施例提供一种大气探测雷达信号识别方法、装置、设备及介质,以解决现有技术无法快速且准确地估算噪声电平,大气湍流回波信号识别不准确,以致基础数据质量不高的问题。
一种大气探测雷达信号识别方法,包括:
读取功率谱密度数据;
对所述功率谱密度数据进行预处理,获取预处理数据;
通过对数线性拟合算法对所述预处理数据进行噪声电平估算,获取噪声电平值;
基于所述噪声电平值,对所述预处理数据进行识别,提取目标回波信号;
通过对所述目标回波信号进行计算,获取所述目标回波信号对应的基础数据。
一种大气探测雷达信号识别装置,包括:
功率谱密度数据读取模块,用于读取功率谱密度数据;
功率谱密度数据预处理模块,用于对所述功率谱密度数据进行预处理,获取预处理数据;
噪声电平估算模块,用于通过对数线性拟合算法对所述预处理数据进行噪声电平估算,获取噪声电平值;
目标回波信号获取模块,用于基于所述噪声电平值,对所述预处理数据进行识别,提取目标回波信号;
基础数据获取模块,用于通过对所述目标回波信号进行计算,获取所述目标回波信号对应的基础数据。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述大气探测雷达信号识别方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述大气探测雷达信号识别方法。
上述雷达信号识别方法、装置、设备及介质,通过读取功率谱密度数据,并对功率谱密度数据进行预处理,获取预处理数据,以消除直流和噪声影响。在获取预处理数据后,通过对数线性拟合算法对预处理数据进行噪声电平估算,快速准确的得到噪声电平值,提高数据处理效率和准确性。在获取噪声电平值后,基于该噪声电平值,对预处理数据进行识别,提取目标回波信号,实现目标回波信号的精确识别与提取,从而得到高质量的基础数据。
附图说明
图1是本发明一实施例中大气探测雷达信号识别方法的一流程图;
图2是图1中步骤S20的一具体流程图;
图3是图1中步骤S30的一具体流程图;
图4是图1中步骤S40的一具体流程图;
图5是图4中步骤S42的一具体流程图;
图6是图5中步骤S422的一具体流程图;
图7是本发明一实施例中大气探测雷达信号识别装置的一示意图;
图8是本发明一实施例中计算机设备的一示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,一种雷达信号识别方法,包括如下步骤:
S10:读取功率谱密度数据。
S20:对功率谱密度数据进行预处理,获取预处理数据。
具体地,读取功率谱密度数据后,为抑制直流与一些窄而强的回波信号的影响,需要对功率谱密度数据进行预处理。其中,预处理数据指功率谱密度数据经过预处理后得到的数据。
本实施例中的预处理过程具体为:首先采用五点去直流法对功率谱密度数据进行处理,然后再采用三点平滑处理法对五点去直流法处理后的功率谱密度数据进行处理。
其中,五点去直流法,指在每个距离库内,通过计算零频临近的四点(左右各两点)的功率谱密度值的均值来代替零频原有的功率谱密度值,以去除功率谱密度数据中由于直流影响存在的异常数据。
三点平滑处理法,指对第i(2≤i≤n-1,n表示功率谱密度数据中FFT点的总个数)个FFT点及该点相邻的两个FFT点对应的功率谱密度值求均值,来代替第i个FFT点原有的功率谱密度值,消除功率谱密度数据中的脉冲噪声和椒盐噪声等噪声信号,以使得功率谱密度数据更加平滑,利于后续目标回波识别与提取。
S30:通过对数线性拟合算法对预处理数据进行噪声电平估算,获取噪声电平值。
其中,对数线性拟合算法指对数线性拟合的方式获取阈值,并对所有的阈值求平均值,获取噪声电平值的算法。本实施例中的对数线性拟合算法可快速实现客观分析法(Hildebrand and Sekhon,HS法)。
具体过程为:1.按照预设精度,在预处理数据的功率谱密度最大值和功率谱密度最小值之间选取多个值,作为初始阈值,计算每一初始阈值与上述功率谱密度最大值的差值,将上述差值作为有效阈值,并将所有有效阈值生成对应的有效阈值序列;2.获取每一有效阈值对应的有效噪声序列,计算所有有效噪声序列对应的功率谱密度方差理论值与功率谱密度方差实际值的比值,再对该比值求对数。其中,有效噪声序列指有效噪声点形成的序列,有效噪声点指FFT点和每一FFT点对应的小于有效阈值的功率谱密度值;3.对有效阈值序列和对数值序列进行线性拟合,选取对数值为0的有效阈值作为目标值;4.通过阈值计算公式对每一目标值进行计算,获取目标阈值,根据目标阈值获取对应的目标噪声序列,其中,目标噪声序列指目标噪声点形成的序列,目标噪声点包括FFT点和每一FFT点对应的小于目标阈值的功率谱密度值;5.对目标噪声序列求平均值,该平均值则为噪声电平值。
通过对数线性拟合算法对预处理数据进行噪声电平估算,可快速获取噪声电平值,使得获取的噪声电平值更加准确。
S40:基于噪声电平值,对预处理数据进行识别,提取目标回波信号。
具体地,在获取噪声电平值后,从预处理数据中识别到功率谱密度值高于噪声电平值的信号,并对这些信号进行链式检验、对称性检验和地杂波抑制处理,抑制非目标回波信号,以获取目标回波信号。其中,目标回波信号指根据实际需求获取的有用的信号,如实际需求获取的有用的信号为大气湍流信号,则目标回波信号为大气湍流信号。非目标回波信号指除了目标回波信号之外的信号,如间歇性杂波信号和噪声信号等。
S50:通过对目标回波信号进行计算,获取目标回波信号对应的基础数据。
本实施例中的基础数据一般是指谱宽、信噪比、大气折射率结构常数、垂直速度、水平风速、风向、径向速度等。具体地,在获取目标回波信号后,通过对目标回波信号进行相应地计算,以获取该目标回波信号对应的基础数据。
步骤S10-步骤S50,通过对功率谱密度数据进行预处理,为后续数据处理提供准确的数据来源,利于后续目标回波识别与提取。在通过对功率谱密度数据进行预处理,获取预处理数据后,通过对数线性拟合算法对预处理数据进行噪声电平估算,可快速实现客观分析法(Hildebrand and Sekhon,HS法),快速有效地获取噪声电平值,节省数据计算时间,提高数据计算效率。噪声电平值的准确估算可实现目标回波信号的准确识别和提取,从而提高基础数据质量,使得基础数据更加可靠。
优选的,如图2所示,步骤S20,对功率谱密度数据进行预处理,获取预处理数据,具体包括如下步骤:
S21:通过五点去直流法对功率谱密度数据进行去除直流处理,获取去直流数据。
其中,去直流数据指功率谱密度数据通过五点去直流法处理后得到的数据。具体地,通过五点去直流法对功率谱密度数据进行去除直流处理,以去除功率谱密度数据中由于直流影响存在的异常数据。
S22:通过三点平滑处理法对去直流数据进行平滑处理,获取预处理数据。
具体地,通过三点平滑处理法对去直流数据进行平滑处理,消除功率谱密度数据中的脉冲噪声和椒盐噪声等噪声信号,利于后续目标回波信号的识别与提取。
通过步骤S21-步骤S22,先后采用五点去直流法和三点平滑处理法对功率谱数据进行处理,可部分消除噪声信号影响,利于目标回波信号的准确识别与提取。
优选的,如图3所示,步骤S30,通过对数线性拟合算法对预处理数据进行噪声电平估算,获取噪声电平值,具体包括如下步骤:
S31:基于预设精度,在预处理数据的功率谱密度最大值与功率谱密度最小值之间选取初始阈值,计算每一初始阈值与功率谱密度最大值的差值,获取有效阈值,生成有效阈值序列。
其中,预设精度指用户根据实际要求设置的用于选取初始阈值的单位值,即每隔一个预设精度选取一个初始阈值,本实施例中的预设精度可以设置为多个。初始阈值指根据预设精度选取的功率谱密度值。如根据实际情况,第一预设精度设置为0.2,当选取完25个值后,根据第二预设精度0.5选取10个值。有效阈值指预处理数据中的功率谱密度最大值与初始阈值的差值,本实施例中用dp表示有效阈值。一般地,dp为0-25dB之间的值。
具体地,在预处理数据的功率谱密度最大值与功率谱密度最小值之间选取初始阈值,计算每一初始阈值与功率谱密度最大值的差值,获取有效阈值,生成有效阈值序列。其中,有效阈值序列指预处理数据中功率谱密度最大值与初始阈值的差值形成的序列。
S32:基于每一有效阈值,获取对应的有效噪声序列,计算所有有效噪声序列对应的功率谱密度方差理论值与功率谱密度方差实际值的比值。
其中,有效噪声序列指有效噪声点形成的序列,有效噪声点指FFT点和每一FFT点对应的小于有效阈值的功率谱密度值。
具体地,在得到有效阈值后,获取每个有效阈值对应的有效噪声序列。计算每一有效噪声序列的功率谱密度方差理论值与功率谱密度方差实际值,然后根据公式计算每一阈值的功率谱密度方差理论值与功率谱密度方差实际值的比值,其中,指某一阈值的功率谱密度方差理论值,S2指该阈值的功率谱密度方差实际值。
S33:对所有比值求对数,获取每一比值对应的对数值,生成对数值序列。
S34:对有效阈值序列与对数值序列进行线性拟合,将对数值为0的有效阈值作为目标值。
其中,目标值指对数值为0的阈值,即log(R2)=0对应的dp。具体地,有效阈值序列为线性拟合的横轴,对数值序列为线性拟合的纵轴,拟合直线的横轴截距为目标值。
S35:通过阈值计算公式对目标值进行计算,获取目标阈值,基于目标阈值获取对应的目标噪声序列。
其中,目标阈值指目标值通过阈值计算公式的计算得到的值。目标噪声序列指目标噪声点形成的序列,目标噪声点包括FFT点和每一FFT点对应的小于目标阈值的功率谱密度值。
S36:对目标噪声序列中的所有功率谱密度值求平均值,并将平均值作为噪声电平值。
步骤S31-步骤S36,通过对数线性拟合算法对预处理数据进行噪声电平估算,可快速实现客观分析法(Hildebrand and Sekhon,HS法),快速且准确地获取目标阈值,从而获取准确的噪声电平值,提高后续数据的准确性。
优选的,如图4所示,步骤S40,基于噪声电平值,对预处理数据进行识别,提取目标回波信号,具体包括如下步骤:
S41:基于噪声电平值,对预处理数据进行识别,获取高于噪声电平值的回波信号。
具体地,在获取预处理数据后,首先确定该预处理数据中所有极大值的FFT点(pi),再识别每个极大值左右两侧的极小值或噪声电平值对应的FFT点,作为峰区的左右边界(li,ri),最后,将高于噪声电平值的峰区作为回波信号。
S42:对回波信号进行提取和处理,获取目标回波信号。
具体地,在获取回波信号后,回波信号中仍存在间歇性杂波信号、地杂波等非目标回波信号,需根据大气时空连续性及不同回波信号有不同谱特征的特点,对回波信号进行准确识别与提取以得到目标回波信号。
步骤S41-步骤S42,基于噪声电平值,从预处理数据中获取高于噪声电平值的信号,以获取回波信号,并对回波信号进行提取和相应的处理,得到目标回波信号。
优选的,如图5所示,步骤S42,对回波信号进行提取和处理,获取目标回波信号,具体包括如下步骤:
S421:基于回波信号,选取回波信号中峰值最大、谱宽最大且功率最大的信号作为准目标回波信号。
其中,准目标回波信号指初步确定的可能的目标回波信号。
具体地,在获取回波信号后,从回波信号中选取峰值最大、谱宽最大且功率最大的峰区(即三峰)对应的信号作为准目标回波信号。
S422:对准目标回波信号进行链式检验,获取第一检验信号。
其中,链式检验指根据水平风速梯度检验准目标回波信号是否满足要求的过程。具体地,根据准目标回波信号具有时空连续性的特点,在获取准目标回波信号后,对准目标回波信号的三峰进行链式检验,通过链式检验的准目标回波信号作为第一检验信号。
S423:对第一检验信号进行对称性检验,获取第二检验信号。
其中,对称性检验指检验第一检验信号在方位角夹角为180度的两个相反方向上是否基于原点对称。
具体地,在对准目标回波信号进行链式检验后,获取第一检验信号仍可能会有间歇性杂波与地杂波等非目标回波信号的残留,因此,在获取第一检验信号后,还需要对第一检验信号进行对称性检验,在方位角夹角为180度的两个相反方向上基于原点对称的第一检验信号则为通过对称性检验,可作为第二检验信号。如具有五波束的MST雷达,方位角夹角为180度的东西波束(或南北波束),在同高度距离库上的径向速度具有对称性,即第一检验信号几乎均基于原点对称,则认定为第二检验信号。
S424:对第二检验信号进行地杂波抑制处理,获取目标回波信号。
具体地,对第一检验信号进行对称性检验后,获取的第二检验信号仍可能有地杂波残留,因此,在获取第二检验信号后,根据地杂波在零频附近和谱宽较窄的特点,对第二检验信号进行地杂波抑制处理,减少杂波信号,提高目标回波信号的质量。
步骤S421-步骤S424,通过获取准目标回波信号,并对准目标回波信号进行链式检验、对称性检验和地杂波抑制处理,以减少准目标回波信号中的杂波信号,提高目标回波信号的质量。
优选的,如图6所示,步骤S422,对准目标回波信号进行链式检验,获取第一检验信号,具体包括如下步骤:
S4221:获取水平风速梯度,基于水平风速梯度对准目标回波信号处理,选取低于水平风速梯度的准目标回波信号作为链式增点信号。
其中,链式增点信号指准目标回波信号对应的多普勒速度低于水平风速梯度的准目标回波信号。
S4222:基于链式增点信号,选取对应的临近距离库,计算链式增点信号与临近距离库中每一距离库所有信号的径向速度梯度,选取径向速度梯度的最小值作为最小径向速度梯度,当最小径向速度梯度大于预设梯度的累计层数没有超过预设层数,则获取第一检验信号。
其中,临近距离库指预先设置好的与链式增点信号对应的距离库临近的距离库。本实施例中临近距离库的个数可由用户根据实际情况具体设定。如临近距离库的个数为6,则基于链式增点信号分别向上、下各选取3个距离库。
实际使用时,径向速度梯度是径向速度之差与对应距离库数之差的比值,径向速度之差为代表信号的包络中功率谱密度最大值的FFT点数之差。
预设梯度指预先设置好的用于判断链式增点信号对应的最小径向速度梯度是否满足要求的值。最小径向速度梯度指径向速度梯度对应的最小值。
预设层数指预先设置的用于判断最小径向速度梯度大于预设梯度的累计层数是否满足要求的值。
如链式增点信号为第i个距离库的第j个信号,s(i,j),该链式增点信号的临近距离库个数为6,则第i+k个距离库,(k=-3,-2,-1,1,2,3)为临近距离库,分别计算第i个距离库与第i+k个距离库的所有信号的径向速度梯度,从上述径向速度梯度中选取最小值作为最小径向速度梯度。若预设梯度FFT点数差值为7,预设层数设为2,则最小径向速度梯度大于7的层数没有超过预设层数2,则获取第一检验信号。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种大气探测雷达信号识别装置,该大气探测雷达信号识别装置与上述实施例中大气探测雷达信号识别方法一一对应。如图7所示,该大气探测雷达信号识别装置包括功率谱密度数据读取模块10、功率谱密度数据预处理模块20、噪声电平估算模块30、目标回波信号获取模块40和基础数据获取模块50。各功能模块详细说明如下:
功率谱密度数据读取模块10,用于读取功率谱密度数据。
功率谱密度数据预处理模块20,用于对功率谱密度数据进行预处理,获取预处理数据。
噪声电平估算模块30,用于通过对数线性拟合算法对预处理数据进行噪声电平估算,获取噪声电平值。
目标回波信号获取模块40,用于基于噪声电平值,对预处理数据进行识别,提取目标回波信号。
基础数据获取模块50,用于通过对目标回波信号进行计算,获取目标回波信号对应的基础数据。
进一步地,功率谱密度数据预处理模块20包括去直流处理单元和平滑处理单元。
去直流处理单元,用于通过五点去直流法对功率谱密度数据进行去除直流处理,获取去直流数据。
平滑处理单元,用于通过三点平滑处理法对去直流数据进行平滑处理,获取预处理数据。
进一步地,噪声电平估算模块30包括有效阈值序列获取单元、有效阈值计算单元、比值对数计算单元、对数线性拟合单元、目标噪声序列获取单元和目标噪声序列计算单元。
有效阈值序列获取单元,用于基于预设精度,在预处理数据的功率谱密度最大值与功率谱密度最小值之间选取初始阈值,计算每一初始阈值与功率谱密度最大值的差值,获取有效阈值,生成有效阈值序列;
有效阈值计算单元,用于基于每一有效阈值,获取对应的有效噪声序列,计算所有有效噪声序列对应的功率谱密度方差理论值与功率谱密度方差实际值的比值;
比值对数计算单元,用于对所有比值求对数,获取每一比值对应的对数值,生成对数值序列;
对数线性拟合单元,用于对有效阈值序列与对数值序列进行线性拟合,将对数值为0的有效阈值作为目标值;
目标噪声序列获取单元,用于通过阈值计算公式对目标值进行计算,获取目标阈值,基于目标阈值获取对应的目标噪声序列;
目标噪声序列计算单元,用于对目标噪声序列中的所有功率谱密度值求平均值,并将平均值作为噪声电平值。
进一步地,目标回波信号获取模块40包括回波信号获取单元和目标回波信号获取单元。
回波信号获取单元,用于基于噪声电平值,对预处理数据进行识别,获取高于噪声电平值的回波信号。
目标回波信号获取单元,用于对回波信号进行提取和处理,获取目标回波信号。
进一步地,目标回波信号获取单元包括准目标回波信号获取单元、链式检验单元、对称性检验单元和地杂波抑制处理单元。
准目标回波信号获取单元,用于基于回波信号,选取回波信号中峰值最大、谱宽最大且功率最大的信号作为准目标回波信号。
链式检验单元,用于对准目标回波信号进行链式检验,获取第一检验信号。
对称性检验单元,用于对第一检验信号进行对称性检验,获取第二检验信号。
地杂波抑制处理单元,用于对第二检验信号进行地杂波抑制处理,获取目标回波信号。
进一步地,链式检验单元包括第一链式检验单元和第二链式检验单元。
第一链式检验单元,用于基于水平风速梯度对准目标回波信号处理,选取低于水平风速梯度的准目标回波信号作为链式增点信号。
第二链式检验单元,用于基于链式增点信号,选取对应的临近距离库,计算链式增点信号与临近距离库中每一距离库所有信号的径向速度梯度,选取径向速度梯度的最小值作为最小径向速度梯度,当最小径向速度梯度大于预设梯度的累计层数没有超过预设层数,则获取第一检验信号。
关于大气探测雷达信号识别装置的具体限定可以参见上文中对于大气探测雷达信号识别方法的限定,在此不再赘述。上述大气探测雷达信号识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括计算机可读存储介质、内存储器。该计算机可读存储介质存储有操作系统、计算机程序和数据库。该内存储器为计算机可读存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储大气探测雷达信号识别方法中生成或获取的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种大气探测雷达信号识别方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例的大气探测雷达信号识别方法,如图1所示的步骤S10-步骤S50,或者图2至图6中所示的步骤,为避免重复,这里不再赘述。或者,处理器执行计算机程序时实现上述大气探测雷达信号识别装置这一实施例中的各模块/单元的功能,例如图7所示的模块10至模块50的功能,为避免重复,这里不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例的大气探测雷达信号识别方法,如图1所示的步骤S10-步骤S50,或者图2至图6中所示的步骤,为避免重复,这里不再赘述。或者,计算机程序被处理器执行时实现上述大气探测雷达信号识别装置这一实施例中的各模块/单元的功能,例如图7所示的模块10至模块50的功能,为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述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,均应包含在本发明的保护范围之内。
Claims (8)
1.一种大气探测雷达信号识别方法,其特征在于,包括:
读取功率谱密度数据;
对所述功率谱密度数据进行预处理,获取预处理数据;
通过对数线性拟合算法对所述预处理数据进行噪声电平估算,获取噪声电平值;
基于所述噪声电平值,对所述预处理数据进行识别,提取目标回波信号;
通过对所述目标回波信号进行计算,获取所述目标回波信号对应的基础数据;
所述通过对数线性拟合算法对所述预处理数据进行噪声电平估算,获取噪声电平值,包括:
基于预设精度,在所述预处理数据的功率谱密度最大值与功率谱密度最小值之间选取初始阈值,计算每一所述初始阈值与所述功率谱密度最大值的差值,获取有效阈值,生成有效阈值序列;
基于每一所述有效阈值,获取对应的有效噪声序列,计算所有所述有效噪声序列对应的功率谱密度方差理论值与功率谱密度方差实际值的比值;
对所有所述比值求对数,获取每一所述比值对应的对数值,生成对数值序列;
对所述有效阈值序列与所述对数值序列进行线性拟合,将所述对数值为0的有效阈值作为目标值;
通过阈值计算公式对所述目标值进行计算,获取目标阈值,基于所述目标阈值获取对应的目标噪声序列;
对所述目标噪声序列中的所有功率谱密度值求平均值,获取噪声电平值。
2.如权利要求1所述的大气探测雷达信号识别方法,其特征在于,所述对所述功率谱密度数据进行预处理,获取预处理数据,包括:
通过五点去直流法对所述功率谱密度数据进行去除直流处理,获取去直流数据;
通过三点平滑处理法对所述去直流数据进行平滑处理,获取预处理数据。
3.如权利要求1所述的大气探测雷达信号识别方法,其特征在于,所述基于所述噪声电平值,对所述预处理数据进行识别,提取目标回波信号,包括:
基于所述噪声电平值,对所述预处理数据进行识别,获取高于所述噪声电平值的回波信号;
对所述回波信号进行提取,获取目标回波信号。
4.如权利要求3所述的大气探测雷达信号识别方法,其特征在于,所述对所述回波信号进行提取,获取目标回波信号,包括:
基于所述回波信号,选取所述回波信号中峰值最大、谱宽最大且功率最大的信号作为准目标回波信号;
对所述准目标回波信号进行链式检验,获取第一检验信号;
对所述第一检验信号进行对称性检验,获取第二检验信号;
对所述第二检验信号进行地杂波抑制处理,获取目标回波信号。
5.如权利要求4所述的大气探测雷达信号识别方法,其特征在于,所述对所述准目标回波信号进行链式检验,获取第一检验信号,包括:
获取水平风速梯度,基于所述水平风速梯度对所述准目标回波信号处理,选取低于水平风速梯度的准目标回波信号作为链式增点信号;
基于所述链式增点信号,选取对应的临近距离库,计算链式增点信号与所述临近距离库中每一距离库所有信号的径向速度梯度,选取径向速度梯度的最小值作为最小径向速度梯度,当所述最小径向速度梯度大于预设梯度的累计层数没有超过预设层数,则获取第一检验信号。
6.一种大气探测雷达信号识别装置,其特征在于,包括:
功率谱密度数据读取模块,用于读取功率谱密度数据;
功率谱密度数据预处理模块,用于对所述功率谱密度数据进行预处理,获取预处理数据;
噪声电平估算模块,用于通过对数线性拟合算法对所述预处理数据进行噪声电平估算,获取噪声电平值;
目标回波信号获取模块,用于基于所述噪声电平值,对所述预处理数据进行识别,提取目标回波信号;
基础数据获取模块,用于通过对所述目标回波信号进行计算,获取所述目标回波信号对应的基础数据;
所述噪声电平估算模块包括:
有效阈值序列获取单元,用于基于预设精度,在所述预处理数据的功率谱密度最大值与功率谱密度最小值之间选取初始阈值,并生成对应的初始阈值序列;
有效阈值计算单元,用于基于所述初始阈值序列中的每一初始阈值,获取每一初始阈值对应的初始噪声序列,计算所有所述初始噪声序列对应的功率谱密度方差理论值与功率谱密度方差实际值的比值;
比值对数计算单元,用于对所有所述比值求对数,获取每一所述比值对应的对数值,生成对数值序列;
对数线性拟合单元,计算每一所述初始阈值与所述功率谱密度最大值的差值,获取目标阈值序列,对所述目标阈值序列与所述对数值序列进行线性拟合,将所述对数值为0的阈值作为目标值;
目标噪声序列获取单元,用于通过阈值计算公式对所述目标值进行计算,获取目标阈值,基于所述目标阈值获取对应的目标噪声序列;
目标噪声序列计算单元,用于对所述目标噪声序列求平均值,获取噪声电平值。
7.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述大气探测雷达信号识别方法。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述大气探测雷达信号识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010089236.2A CN111239704B (zh) | 2020-02-12 | 2020-02-12 | 大气探测雷达信号识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010089236.2A CN111239704B (zh) | 2020-02-12 | 2020-02-12 | 大气探测雷达信号识别方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111239704A CN111239704A (zh) | 2020-06-05 |
CN111239704B true CN111239704B (zh) | 2021-09-21 |
Family
ID=70868942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010089236.2A Active CN111239704B (zh) | 2020-02-12 | 2020-02-12 | 大气探测雷达信号识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111239704B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111624607A (zh) * | 2020-06-12 | 2020-09-04 | 上海眼控科技股份有限公司 | 低空风切变区域的获取方法、装置、设备和存储介质 |
CN112433219B (zh) * | 2020-11-03 | 2024-05-31 | 深圳市汇海潜水工程服务有限公司 | 水下探测方法、系统及可读存储介质 |
CN113640769B (zh) * | 2021-08-27 | 2023-06-13 | 南京信息工程大学 | 基于深度神经网络的天气雷达基本反射率预测方法 |
CN115372988B (zh) * | 2022-10-18 | 2023-01-24 | 青岛镭测创芯科技有限公司 | 一种飞机尾涡的识别定位方法、装置及介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100520444C (zh) * | 2006-09-26 | 2009-07-29 | 南京大桥机器有限公司 | 便携式x波段多普勒天气雷达信号处理方法及装置 |
DE102009001243A1 (de) * | 2009-02-27 | 2010-09-09 | Robert Bosch Gmbh | Verfahren zur Erkennung von Vereisung bei einem winkelauflösenden Radarsensor in einem winkelauflösenden Radarsensor in einem Fahrerassistenzsystem für Kraftfahrzeuge |
CN102508219B (zh) * | 2011-10-17 | 2013-08-07 | 中国人民解放军理工大学气象学院 | 风廓线雷达湍流目标检测方法 |
CN103197299B (zh) * | 2013-03-25 | 2014-12-10 | 南京信息工程大学 | 天气雷达径向风信息提取及量化分析系统 |
CN104122538B (zh) * | 2013-04-24 | 2017-08-04 | 何平 | 确定风廓线雷达噪声功率的方法 |
CN103675791B (zh) * | 2013-12-05 | 2015-12-30 | 北京师范大学 | 基于数值分布均衡化的米散射激光雷达云识别方法 |
CN105527617B (zh) * | 2016-02-06 | 2017-11-07 | 哈尔滨工业大学 | 一种基于鲁棒主元分析的探地雷达数据背景去除方法 |
CN107907864B (zh) * | 2017-10-27 | 2019-11-15 | 北京无线电测量研究所 | 一种风廓线雷达降水干扰抑制方法和系统 |
CN109324328B (zh) * | 2018-12-17 | 2022-12-20 | 北京无线电测量研究所 | 提取降水时风廓线雷达垂直波束湍流谱的方法及装置 |
CN109613503B (zh) * | 2018-12-20 | 2021-01-12 | 中国气象科学研究院 | 雷达回波信号的标校方法和装置 |
-
2020
- 2020-02-12 CN CN202010089236.2A patent/CN111239704B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111239704A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111239704B (zh) | 大气探测雷达信号识别方法、装置、设备及介质 | |
CN112308881B (zh) | 一种基于遥感图像的舰船多目标跟踪方法 | |
Song et al. | Adaptive clutter measurement density estimation for improved target tracking | |
CN112965146B (zh) | 一种结合气象雷达与雨量桶观测数据的定量降水估算方法 | |
CN105785340B (zh) | 单脉冲雷达对主瓣内目标和诱饵干扰的测角与识别方法 | |
CN112881993B (zh) | 自动识别雷达分布杂波引起虚假航迹的方法 | |
CN107561509B (zh) | 一种机载毫米波雷达电力线检测方法 | |
CN108919224A (zh) | 基于斜对称结构的宽带雷达目标自适应融合检测方法 | |
CN109901154B (zh) | 基于递推rtht-tbd的自适应调整方法 | |
CN111580091A (zh) | 一种基于ar谱奇异强度函数的海面微弱目标检测方法 | |
CN115685096B (zh) | 一种基于逻辑回归的二次雷达副瓣抑制方法 | |
CN107479037B (zh) | 一种pd雷达杂波区域判别方法 | |
CN105158749A (zh) | 高频雷达海杂波幅度统计分布检验方法 | |
KR101882482B1 (ko) | 표적 인식 장치 및 방법 | |
Sahal et al. | Comparison of CFAR methods on multiple targets in sea clutter using SPX-radar-simulator | |
CN115561753A (zh) | 地下目标的确定方法及装置、设备及存储介质 | |
CN111366900A (zh) | 基于残差统计的跟踪雷达航迹质量评估方法、系统及介质 | |
CN114690157A (zh) | 激光雷达反射率的自动标定方法、目标检测方法以及装置 | |
CN116430336B (zh) | 基于自适应阈值的对流单体识别方法 | |
CN116819561A (zh) | 一种点云数据匹配方法、系统、电子设备及存储介质 | |
CN113822361B (zh) | 一种基于汉明距离的sar图像相似程度度量方法和系统 | |
CN114966590A (zh) | 双极化雷达的空飘气球快速检测方法及装置 | |
CN112927201A (zh) | 一种曲线检测方法及装置 | |
CN113450308B (zh) | 一种雷达降雨检测方法、装置、计算机设备和存储介质 | |
CN107748357B (zh) | 一种fir滤波器的雷达晴天图设计方法 |
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 |