CN111259942A - 一种水中弱目标检测方法 - Google Patents
一种水中弱目标检测方法 Download PDFInfo
- Publication number
- CN111259942A CN111259942A CN202010026118.7A CN202010026118A CN111259942A CN 111259942 A CN111259942 A CN 111259942A CN 202010026118 A CN202010026118 A CN 202010026118A CN 111259942 A CN111259942 A CN 111259942A
- Authority
- CN
- China
- Prior art keywords
- data
- vector
- reconstruction
- dimension
- time
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种水中弱目标检测方法,提取数据的相对变化熵、关联维数、Lyapunov指数等多种特征量,利用SVM的方法,将多种特征量映射到同一高纬特征空间,最后通过SVM的分类结果实现对水中弱目标进行检测的方法。本发明利用相对变化熵分析方法,对接收数据的两个不同渐进指数速率差相对变化进行分析,并对其变化的程度进行表征,有效避免环境噪声本身能量波动带来的干扰。同时利用关联维数、Lyapunov指数等分析方法从另外的几个测度提取数据的非线性特性的变化,用特征融合方法避免环境噪声中脉冲成分所带来的干扰,能够做到无先验信息的水中目标远距离检测,具有检测距离远、不需先验信息等优点。
Description
技术领域
本发明涉及水声信号处理技术领域,具体为一种目标检测方法。
背景技术
为了应对“海洋世纪”带来的新的机遇与挑战,进一步振兴海洋事业,要按照“建设海洋强国”的战略思想,着力发展海洋科技,提高我国的海防实力,海洋安全领域的研 究至关重要,而水中弱目标检测则是海洋安全领域的一个重要研究方向。
水中弱目标的检测方法中较为常用的是线谱检测,线谱检测中常用的方法有自相关检测方法、快速傅里叶变换方法、自适应线谱增强方法等,但这些方法很多需要得 到线谱频率等先验信息,无此先验信息时,检测结果会受到很大的影响。同时,由于 声隐身技术的高速发展,机械设备主动隔振、主动约阻尼、声学智能结构等技术的陆 续应用,水中弱目标辐射噪声的线谱得到了很好的控制,线谱的幅值变得很小、线谱 能量大幅度降低、甚至数量可控。
张安清等人通过对大量实测海洋背景噪声数据的特征进行统计分析发现,海洋背景噪声伴有显著脉冲的非高斯特性。这种具有脉冲特性的噪声,会带来某些特征值数 值幅度上的变化,从而引起虚警,造成检测性能的降低。
针对特征线谱先验信息难以获得以及脉冲噪声带来的虚警干扰等问题,结合复杂海洋环境下的非线性特征表征的需要,本发明通过提取目标辐射噪声中固有的非线性 特征,提供一种不需任何先验信息的水中目标远距离检测方法,并利用SVM对多种 特征进行融合,避免了背景噪声中脉冲成分所引起的虚警,进一步提高了目标检测的 性能,提升了方法的可适用性。
发明内容
为了克服现有技术的不足,本发明提供一种水中弱目标检测方法。针对水下微弱信号检测的背景噪声复杂多样、低信噪比检测难度大、先验信息获取困难和脉冲噪声 的虚警干扰等问题,提出一种通过提取数据的相对变化熵、关联维数、Lyapunov指数 等多种特征量,并利用SVM的方法,将多种特征量映射到同一高纬特征空间,最后 通过SVM的分类结果实现对水中弱目标进行检测的方法。本发明利用混沌理论,准 确描述与实现目标信号和环境噪声中非线性特征的提取,实现了在缺少先验信息条件 下水中弱目标的低信噪比检测,并利用多种特征量的不同特性以及特征融合的方法, 有效避免了背景噪声中脉冲成分带来的虚警,结果表明,采用本发明公开的方法对水 中弱目标进行检测,提高了对水中弱目标的检测能力,是一种行之有效的检测方法。
针对特征线谱先验信息难以获得以及脉冲噪声带来的虚警干扰等问题,结合复杂海洋环境下的非线性特征表征的需要,本发明通过提取目标辐射噪声中固有的非线性 特征,提供一种不需任何先验信息的水中目标远距离检测方法,并利用SVM对多种 特征进行融合,避免了背景噪声中脉冲成分所引起的虚警,进一步提高了对目标检测 的性能,提升了方法的可适用性。
本发明解决其技术问题所采用的技术方案的步骤如下:
步骤一:利用水听器采集海洋中的声信号,记为a(t),即为输入信号,将输入信 号按照下式(1)处理,使方差变为1;
其中:a(ti)为声信号a(t)第i个数据,N′为声信号a(t)的数据个数;
步骤二:根据Takens重构定理对步骤一中的s(t)进行相空间重构;
利用G-P算法求取s(t)的重构维数与时间延迟,最后完成s(t)的相空间重构:
S(ti)=[s(ti),s(ti+τ),s(ti+2τ),…,s(ti+(m-1)τ)] (2)
其中s(t)表示输入信号,S(ti)表示重构后信号第i列,τ为延迟时间,m为嵌入维数,i为数据的下标;
步骤三:计算相空间重构后S(t)的相对变化熵数值,具体步骤为:
将初始时刻接收到的N个数据作为参考数据进行相空间重构,其中,N为数据处 理时的数据个数,得到重构后的数据S1(t),然后按照下式(3)对S1(t)进行微分得到 S′1(t),最后求取S′1(t)的奇异值并记为参考向量A;
其中:j=1、2…m代表重构后的数据维度值,T代表数据采用率,i=1、2…N-1 代表重构后某一维数据的下标,S1(t)为重构后的数据,S′1(t)为S1(t)微分后的数据, 为重构后数据的第j维中第i+1个数据;
将初始时刻N个数据之后接收的数据作为待测数据S2(t)进行相空间重构,重构完成后按照式(3)求取S2(t)的微分S′2(t),并求取S′2(t)的奇异值并记为待测向量B;
将待测向量B与参考向量A按照式(4)进行处理,得到相对向量C:
按照式(5)求取接收数据的相对变化熵H0:
其中:i=1、2…m,代表相应向量中元素的下标,G(C)表示相对向量C中m个 元素的乘积,td为固定长度的时间段,N0=td×T÷N,H0为固定时间段td内数据的相 对变化熵;
步骤四:计算S(ti)的Lyapunov指数最大值;
利用式(7)计算最大Lyapunov指数:
其中M为迭代次数,Li为ti时刻S(ti)与邻近点S1(ti)的间距,L'i为ti时刻S(ti)与邻近点S1(ti)经过固定时间演化后的间距,为求最大Lyapunov指数,只保留大于Li的L'i, t0为初始时刻,tM为从初始时刻迭代M次后的时间;
步骤五:计算S(ti)的关联维数数值;
利用式(8)与式(9)计算关联维数:
其中Cn(r)表示为式(9)计算的关联积分,θ为Heaviside单位函数,K=N-(m-1)τ表示重构后相空间中矢量点的个数,r为矢量点间距值;
其中,DGP为关联维数数值;
步骤六:构建水下多目标数据集;
通过水听器录取的背景噪声与水中目标辐射噪声的数据作为样本集,然后利用上述步骤一至步骤五,分别求取样本集的相对变化熵、Lyapunov指数和关联维数三个特 征值,并记为L={X3,Y3};
其中:X3为训练集,Y3为测试集,L为总的特征值集;
将X3={x1,x2,x3}作为训练集,送入到SVM分类器进行训练,Y3={y1,y2,y3}作为送入测试集到SVM分类器中进行测试;
步骤七:用SVM测试机进行检测,把多类SVM分类器的测试集给出的分类结果, 作为最终对水中弱目标的检测结果。
本发明的有益效果在于公开一种水中弱目标检测方法,利用相对变化熵分析方法, 对接收数据的两个不同渐进指数速率差相对变化进行分析,并对其变化的程度进行表征,可以有效避免环境噪声本身能量波动带来的干扰。同时利用关联维数、Lyapunov 指数等分析方法从另外的几个测度提取数据的非线性特性的变化,并在最后用特征融 合方法,进一步避免环境噪声中脉冲成分所带来的干扰。因此利用这种方法对水中目 标进行检测,能够做到无先验信息的水中目标远距离检测,具有检测距离远、不需先 验信息等优点。
附图说明
图1是本发明的路线检测方法的流程图。
图2是本发明的相对变化熵技术路线。
图3是本发明的SVM检测结果图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明的流程图如图1所示。
步骤一:利用水听器采集海洋中的声信号,记为a(t),即为输入信号,将输入信 号按照下式(1)处理,使方差变为1;
其中:a(ti)为声信号a(t)第i个数据,N′为声信号a(t)的数据个数;
步骤二:根据Takens重构定理对步骤一中的s(t)进行相空间重构;
利用G-P算法求取s(t)的重构维数与时间延迟,最后完成s(t)的相空间重构:
S(ti)=[s(ti),s(ti+τ),s(ti+2τ),…,s(ti+(m-1)τ)] (2)
其中s(t)表示输入信号,S(ti)表示重构后信号第i列,τ为延迟时间,m为嵌入维数,i为数据的下标;
步骤三:计算相空间重构后S(t)的相对变化熵数值,如图2所示具体步骤为:
将初始时刻接收到的N个数据作为参考数据进行相空间重构,按照步骤一、二对其进行相空间重构,其中,N为数据处理时的数据个数,本发明N为4000,得到重构后 的数据S1(t),然后按照下式(3)对S1(t)进行微分得到S′1(t),最后求取S′1(t)的奇异值 并记为参考向量A;
其中:j=1、2…m代表重构后的数据维度值,T代表数据采用率,i=1、2…N-1 代表重构后某一维数据的下标,S1(t)为重构后的数据,S′1(t)为S1(t)微分后的数据, 为重构后数据的第j维中第i+1个数据;
将初始时刻N个数据之后接收的数据作为待测数据S2(t)进行相空间重构,重构完成后按照式(3)求取S2(t)的微分S′2(t),并求取S′2(t)的奇异值并记为待测向量B;
将待测向量B与参考向量A按照式(4)进行处理,得到相对向量C:
按照式(5)求取接收数据的相对变化熵H0:
其中:i=1、2…m,代表相应向量中元素的下标,G(C)表示相对向量C中m个 元素的乘积,td为固定长度的时间段(如1秒),N0=td×T÷N,H0为固定时间段td内 数据的相对变化熵;
步骤四:计算S(ti)的Lyapunov指数最大值;
利用式(7)计算最大Lyapunov指数:
其中M为迭代次数,Li为ti时刻S(ti)与邻近点S1(ti)的间距,L'i为ti时刻S(ti)与邻近点S1(ti)经过固定时间(如0.01秒)演化后的间距,为求最大Lyapunov指数,只保留 大于Li的L'i,t0为初始时刻,tM为从初始时刻迭代M次后的时间;
步骤五:计算S(ti)的关联维数数值;
利用式(8)与式(9)计算关联维数:
其中Cn(r)表示为式(9)计算的关联积分,θ为Heaviside单位函数,K=N-(m-1)τ表示重构后相空间中矢量点的个数,r为矢量点间距值;
其中,DGP为关联维数数值;
步骤六:构建水下多目标数据集;
通过水听器录取的背景噪声与水中目标辐射噪声的数据作为样本集,然后利用上述步骤一至步骤五,分别求取样本集的相对变化熵、Lyapunov指数和关联维数三个特 征值,并记为L={X3,Y3};
其中:X3为训练集,Y3为测试集,L为总的特征值集;
将X3={x1,x2,x3}作为训练集,送入到SVM分类器进行训练,Y3={y1,y2,y3}作为送入测试集到SVM分类器中进行测试;训练集与测试集的划分是利用cvpartition函数,按 照70%用于训练,30%用于测试进行自动划分;
步骤七:用SVM测试机进行检测,把多类SVM分类器的测试集给出的分类结果, 作为最终对水中弱目标的检测结果。
如图3中所示,SVM的判决结果为1的说明有目标,-1的说明没有目标,其中SVM 预测值是判决器给出的结果,实际标记值为对数据实际情况。
Claims (1)
1.一种水中弱目标检测方法,其特征在于包括下述步骤:
步骤一:利用水听器采集海洋中的声信号,记为a(t),即为输入信号,将输入信号按照下式(1)处理,使方差变为1;
其中:a(ti)为声信号a(t)第i个数据,N′为声信号a(t)的数据个数;
步骤二:根据Takens重构定理对步骤一中的s(t)进行相空间重构;
利用G-P算法求取s(t)的重构维数与时间延迟,最后完成s(t)的相空间重构:
S(ti)=[s(ti),s(ti+τ),s(ti+2τ),…,s(ti+(m-1)τ)] (2)
其中s(t)表示输入信号,S(ti)表示重构后信号第i列,τ为延迟时间,m为嵌入维数,i为数据的下标;
步骤三:计算相空间重构后S(t)的相对变化熵数值,具体步骤为:
将初始时刻接收到的N个数据作为参考数据进行相空间重构,其中,N为数据处理时的数据个数,得到重构后的数据S1(t),然后按照下式(3)对S1(t)进行微分得到S′1(t),最后求取S′1(t)的奇异值并记为参考向量A;
其中:j=1、2…m代表重构后的数据维度值,T代表数据采用率,i=1、2…N-1代表重构后某一维数据的下标,S1(t)为重构后的数据,S′1(t)为S1(t)微分后的数据,为重构后数据的第j维中第i+1个数据;
将初始时刻N个数据之后接收的数据作为待测数据S2(t)进行相空间重构,重构完成后按照式(3)求取S2(t)的微分S′2(t),并求取S′2(t)的奇异值并记为待测向量B;
将待测向量B与参考向量A按照式(4)进行处理,得到相对向量C:
按照式(5)求取接收数据的相对变化熵H0:
其中:i=1、2…m,代表相应向量中元素的下标,G(C)表示相对向量C中m个元素的乘积,td为固定长度的时间段,N0=td×T÷N,H0为固定时间段td内数据的相对变化熵;
步骤四:计算S(ti)的Lyapunov指数最大值;
利用式(7)计算最大Lyapunov指数:
其中M为迭代次数,Li为ti时刻S(ti)与邻近点S1(ti)的间距,L'i为ti时刻S(ti)与邻近点S1(ti)经过固定时间演化后的间距,为求最大Lyapunov指数,只保留大于Li的L'i,t0为初始时刻,tM为从初始时刻迭代M次后的时间;
步骤五:计算S(ti)的关联维数数值;
利用式(8)与式(9)计算关联维数:
其中Cn(r)表示为式(9)计算的关联积分,θ为Heaviside单位函数,K=N-(m-1)τ表示重构后相空间中矢量点的个数,r为矢量点间距值;
其中,DGP为关联维数数值;
步骤六:构建水下多目标数据集;
通过水听器录取的背景噪声与水中目标辐射噪声的数据作为样本集,然后利用上述步骤一至步骤五,分别求取样本集的相对变化熵、Lyapunov指数和关联维数三个特征值,并记为L={X3,Y3};
其中:X3为训练集,Y3为测试集,L为总的特征值集;
将X3={x1,x2,x3}作为训练集,送入到SVM分类器进行训练,Y3={y1,y2,y3}作为送入测试集到SVM分类器中进行测试;
步骤七:用SVM测试机进行检测,把多类SVM分类器的测试集给出的分类结果,作为最终对水中弱目标的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010026118.7A CN111259942B (zh) | 2020-01-10 | 2020-01-10 | 一种水中弱目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010026118.7A CN111259942B (zh) | 2020-01-10 | 2020-01-10 | 一种水中弱目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111259942A true CN111259942A (zh) | 2020-06-09 |
CN111259942B CN111259942B (zh) | 2022-04-26 |
Family
ID=70948663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010026118.7A Active CN111259942B (zh) | 2020-01-10 | 2020-01-10 | 一种水中弱目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111259942B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711026A (zh) * | 2020-12-19 | 2021-04-27 | 西北工业大学 | 基于变微分步长相对变化熵的目标检测与信号频率估计方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6897802B1 (en) * | 2003-11-10 | 2005-05-24 | Raytheon Company | Fusion of shape and multiscale features for unknown target rejection |
CN103810499A (zh) * | 2014-02-25 | 2014-05-21 | 南昌航空大学 | 复杂背景下红外弱目标检测与跟踪的应用 |
CN103871058A (zh) * | 2014-03-12 | 2014-06-18 | 北京航空航天大学 | 基于压缩采样矩阵分解的红外小目标检测方法 |
CN105894033A (zh) * | 2016-04-01 | 2016-08-24 | 大连理工大学 | 一种海杂波背景下的弱目标检测方法及系统 |
CN106682615A (zh) * | 2016-12-28 | 2017-05-17 | 西北工业大学 | 一种水下弱小目标检测方法 |
CN108876021A (zh) * | 2018-05-31 | 2018-11-23 | 华中科技大学 | 一种中长期径流预报方法及系统 |
CN110060700A (zh) * | 2019-03-12 | 2019-07-26 | 上海微波技术研究所(中国电子科技集团公司第五十研究所) | 基于参数谱估计的短序列音频分析方法 |
-
2020
- 2020-01-10 CN CN202010026118.7A patent/CN111259942B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6897802B1 (en) * | 2003-11-10 | 2005-05-24 | Raytheon Company | Fusion of shape and multiscale features for unknown target rejection |
CN103810499A (zh) * | 2014-02-25 | 2014-05-21 | 南昌航空大学 | 复杂背景下红外弱目标检测与跟踪的应用 |
CN103810499B (zh) * | 2014-02-25 | 2017-04-12 | 南昌航空大学 | 复杂背景下红外弱目标检测与跟踪的应用 |
CN103871058A (zh) * | 2014-03-12 | 2014-06-18 | 北京航空航天大学 | 基于压缩采样矩阵分解的红外小目标检测方法 |
CN105894033A (zh) * | 2016-04-01 | 2016-08-24 | 大连理工大学 | 一种海杂波背景下的弱目标检测方法及系统 |
CN106682615A (zh) * | 2016-12-28 | 2017-05-17 | 西北工业大学 | 一种水下弱小目标检测方法 |
CN108876021A (zh) * | 2018-05-31 | 2018-11-23 | 华中科技大学 | 一种中长期径流预报方法及系统 |
CN110060700A (zh) * | 2019-03-12 | 2019-07-26 | 上海微波技术研究所(中国电子科技集团公司第五十研究所) | 基于参数谱估计的短序列音频分析方法 |
Non-Patent Citations (5)
Title |
---|
HONGHUI YANG 等: "Underwater Acoustic Target Recognition Using SVM Ensemble via Weighted Sample and Feature Selection", 《PROCEEDINGS OF 2016 13TH INTERNATIONAL BHURBAN CONFERENCE ON APPLIED SCIENCES & TECHNOLOGY》 * |
JONGKWON CHOI 等: "Acoustic Classification of Surface and Underwater Vessels in the Ocean Using Supervised Machine Learning", 《SENSORS》 * |
SHILEI MA 等: "Stochastic Resonance for Underwater VLF Weak Signal Detection under L´evy Noise Background", 《2017 IEEE》 * |
张建 等: "基于固有模态奇异值熵的微弱目标检测算法", 《现代雷达》 * |
许小可: "基于非线性分析的海杂波处理与目标检测", 《万方数据库》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711026A (zh) * | 2020-12-19 | 2021-04-27 | 西北工业大学 | 基于变微分步长相对变化熵的目标检测与信号频率估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111259942B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104166804B (zh) | 一种基于时频域单源点稀疏成分分析的工作模态辨识方法 | |
CN104569948B (zh) | 海杂波背景下子带自适应glrt‑ltd检测方法 | |
CN103293515B (zh) | 一种舰船线谱噪声源纵向分布特性测量方法 | |
US9961460B2 (en) | Vibration source estimation device, vibration source estimation method, and vibration source estimation program | |
RU2653585C1 (ru) | Способ обнаружения шумящих, движущихся в море объектов | |
CN104678384B (zh) | 一种波束域的声压差互相关谱分析水下目标速度估计方法 | |
CN110376575B (zh) | 一种基于阻尼参数匹配随机共振的低频线谱检测方法 | |
CN106707258A (zh) | 一种非高斯背景下微动目标多参数估计方法 | |
CN104502904B (zh) | 一种鱼雷自导波束锐化方法 | |
CN111257943B (zh) | 一种浅海低频声场时频干涉条纹提取方法 | |
CN111259942B (zh) | 一种水中弱目标检测方法 | |
CN110865375B (zh) | 一种水中目标检测方法 | |
US20220317273A1 (en) | Underwater acoustic target ranging method based on feature extraction and neural network | |
CN108107437A (zh) | 一种利用简正波耦合干涉的海洋环境监测方法 | |
CN116449351A (zh) | 基于costas波形的主动声呐处理方法及系统 | |
TW202030496A (zh) | 訊號處理方法 | |
CN113126029B (zh) | 适用于深海可靠声路径环境的多传感器脉冲声源定位方法 | |
CN108562905B (zh) | 一种基于模态域子空间检测器加权的水下目标检测方法 | |
Li et al. | Modal wavenumber extraction by finite difference vertical linear array data | |
Li et al. | Sparse Bayesian learning for horizontal wavenumber retrieval in underwater acoustical signal processing | |
Lei et al. | GLRT-based detection in bistatic sonar under strong direct blast with multipath propagation | |
CN112684437A (zh) | 一种基于时域warping变换的被动测距方法 | |
Garnier et al. | Applications of random matrix theory for sensor array imaging with measurement noise | |
CN112711026B (zh) | 基于变微分步长相对变化熵的目标检测与信号频率估计方法 | |
CN114578333B (zh) | 一种主动声呐目标动静辨识方法 |
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 |