CN111537976A - 一种机载雷达的运动目标检测方法及装置 - Google Patents

一种机载雷达的运动目标检测方法及装置 Download PDF

Info

Publication number
CN111537976A
CN111537976A CN202010625470.2A CN202010625470A CN111537976A CN 111537976 A CN111537976 A CN 111537976A CN 202010625470 A CN202010625470 A CN 202010625470A CN 111537976 A CN111537976 A CN 111537976A
Authority
CN
China
Prior art keywords
factor
matrix
snapshot data
calculating
target
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
Application number
CN202010625470.2A
Other languages
English (en)
Other versions
CN111537976B (zh
Inventor
高志奇
王媛媛
黄平平
徐伟
谭维贤
张振华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Inner Mongolia University of Technology
Original Assignee
Inner Mongolia University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Inner Mongolia University of Technology filed Critical Inner Mongolia University of Technology
Priority to CN202010625470.2A priority Critical patent/CN111537976B/zh
Publication of CN111537976A publication Critical patent/CN111537976A/zh
Application granted granted Critical
Publication of CN111537976B publication Critical patent/CN111537976B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S7/415—Identification of targets based on measurements of movement associated with the target

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

本发明公开了一种机载雷达运动目标的检测方法及装置，其中方法包括：获取预设距离单元的若干快拍数据；基于各所述快拍数据确定与各所述快拍数据对应的因素矩阵；利用预设的隶属度函数计算各所述因素矩阵中各元素的隶属杂波的隶属度，以获得与各所述因素矩阵对应的因素评判矩阵；基于各所述因素评判矩阵确定与各所述因素矩阵对应的目标元素集合；基于各所述目标元素集合计算滤波权值；基于所述滤波权值对回波信号进行滤波处理，以获得运动目标的位置信息。本发明有利于准确地确定出隶属于杂波程度高的元素，从而再利用这些元素来计算快拍数据的杂波协方差矩阵，有利于准确的计算出滤波权值，从而能够提高机载雷达的运动目标检测性能。

Description

一种机载雷达的运动目标检测方法及装置
技术领域
本发明涉及空时自适应处理领域，特别涉及一种机载雷达运动目标检测方法及装置。
背景技术
在利用雷达对运动目标进行检测时，由于回波信号中会包含大量杂波信号，因此需要滤除或抑制杂波，以此来提高雷达的检测性能。
现有技术中提出了一种基于联合稀疏功率谱恢复的STAP算法 (JSR-STAP)来处理非均匀杂波，以克服离群点对正侧视模式机载雷达的 STAP性能的影响，但是该算法要对训练样本数据进行高斯指数加权，可以消除离群点的影响。然而较小的加权值导致该样本对杂波协方差矩阵 (CCM)估计的贡献随之减少，降低了样本中杂波场景信息的作用，使得CCM估计精度下降，STAP滤波器性能下降，当样本包含密集干扰时，易导致运动目标检测性能下降。
另外一种方式是在JSR-STAP算法的基础上进行改进，利用训练样本和待检测距离单元的稀疏性，选择训练样本中杂波的位置和检测单元中杂波的位置相似的训练样本，去除选优后训练样本中的干扰目标，采用处理后的训练样本和待检测距离单元的数据构建CCM。尽管选优算法降低了干扰目标带来的性能损失，然而样本选优本身就意味着训练样本数目的减少，显然，该方法减小了样本的利用率，因此会导致在实际环境中训练样本不足，造成运动目标检测不够精准的问题。
发明内容
本发明实施例的目的在于提供一种机载雷达运动目标的检测方法及装置，用于解决现有技术中无法准确的检测出运动目标的问题。
为了解决上述技术问题，本申请的实施例采用了如下技术方案：一种机载雷达运动目标的检测方法，包括如下步骤：
获取各设距离单元的快拍数据；
基于各所述快拍数据确定与各所述快拍数据对应的因素矩阵；
利用预设的隶属度函数计算各所述因素矩阵中各元素的隶属杂波的隶属度，以获得与各所述因素矩阵对应的因素评判矩阵；
基于各所述因素评判矩阵确定与各所述因素矩阵对应的目标元素集合；
基于各所述目标元素集合计算滤波权值；
基于所述滤波权值对回波信号进行滤波处理，以获得运动目标的位置信息。
可选的，所述基于各所述快拍数据确定与各所述快拍数据对应的因素矩阵，具体包括：
利用稀疏恢复方法计算各所述快拍数据的系数向量；
基于各所述系数向量确定与各所述快拍数据对应的因素矩阵。
可选的，所述基于各所述因素评判矩阵确定与各所述因素矩阵对应的目标元素集合，具体包括：
基于预设的评判标准对各所述因素评判矩阵中的各元素进评判，以确定各因素评判矩阵中元素值大于所述评判标准评判值的元素为第一元素；
基于各因素评判矩阵中的各所述第一元素确定各所述因素矩阵中与所述第一元素对应的元素为目标元素；
基于各所述因素矩阵中的各目标元素构建获得与各因素矩阵对应的目标元素集合。
可选的，所述基于各所述目标元素集合计算滤波权值，具体包括：
基于各所述目标元素集合计算各所述快拍数据的杂波协方差矩阵；
基于各所述快拍数据的杂波协方差矩阵计算获得所述滤波权值。
可选的，所述基于各所述快拍数据的杂波协方差矩阵计算获得所述滤波权值，具体包括：
基于各快拍数据的杂波协方差矩阵计算获得平均值；
基于所述平均值以及预设的计算公式计算获得所述滤波权值。
为了解决上述技术问题，本申请的实施例提供一种机载雷达运动目标的检测装置，包括：
获取模块，用于获取各设距离单元的快拍数据；
第一确定模块，用于基于各所述快拍数据确定与各所述快拍数据对应的因素矩阵；
第二确定模块，用于利用预设的隶属度函数计算各所述因素矩阵中各元素的隶属度，以获得与各所述因素矩阵对应的因素评判矩阵；
第三确定模块，用于基于各所述因素评判矩阵确定与各所述因素矩阵对应的目标元素集合；
计算模块，用于基于各所述目标元素集合计算滤波权值；
滤波模块，用于基于所述滤波权值对运动目标的回波信号进行滤波处理，以获得运动目标的位置信息。
可选的，所述第一确定模块具体用于：
利用稀疏恢复方法计算各所述快拍数据的系数向量；
基于各所述系数向量确定与各所述快拍数据对应的因素矩阵。
可选的，所述第三确定模块具体用于：
基于预设的评判标准对各所述因素评判矩阵中的各元素进评判，以确定各因素评判矩阵中元素值大于所述评判标准评判值的元素为第一元素；
基于各因素评判矩阵中的各所述第一元素确定各所述因素矩阵中与所述第一元素对应的元素为目标元素；
基于各所述因素矩阵中的各目标元素构建获得与各因素矩阵对应的目标元素集合。
可选的，所述计算模块具体用于：
基于各所述目标元素集合计算各所述快拍数据的杂波协方差矩阵；
基于各所述快拍数据的杂波协方差矩阵计算获得所述滤波权值。
可选的，所述计算模块具体用于：
基于各快拍数据的杂波协方差矩阵计算获得平均值；
基于所述平均值以及预设的计算公式计算获得所述滤波权值。
本发明通过利用预设的隶属度函数来对因素矩阵中的各元素进行计算，有利于准确的确定出隶属于杂波程度高的元素，从而再利用这些元素来计算快拍数据的杂波协方差矩阵，有利于准确的计算出滤波权值，以此来对回波信号进行滤波处理，进而来提高雷达的检测性能，能够更加准确地检测出运动目标。
附图说明
图1为本发明一实施例一种机载雷达运动目标的检测方法的流程图；
图2为本发明另一实施例一种机载雷达运动目标的检测装置的结构框图。
具体实施方式
此处参考附图描述本申请的各种方案以及特征。
应理解的是，可以对此处申请的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例，并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本申请的这些和其它特性将会变得显而易见。
还应当理解，尽管已经参照一些具体实例对本申请进行了描述，但本领域技术人员能够确定地实现本申请的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时，鉴于以下详细说明，本申请的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本申请的具体实施例；然而，应当理解，所申请的实施例仅仅是本申请的实例，其可采用多种方式实施。熟知和/或重复的功能和机构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此，本文所申请的具体的机构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细机构多样地使用本申请。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本申请的相同或不同实施例中的一个或多个。
本发明一实施例提供一种机载雷达运动目标的检测方法，如图1所示，包括如下步骤：
步骤S101，获取各预设距离单元的快拍数据；
本步骤中，由正侧视阵机载雷达几何模型可知，某一距离单元的快拍数据x(l)中可能包含杂波、干扰、运动目标和噪声等成分，每个距离单元的杂波数据可以看作Nc个杂波反射信号之和，因此任意距离单元的杂波加噪声快拍数据x(l)可以表示为Nc个杂波矢量与噪声矢量nl之和，第l个距离单元的杂波加噪声快拍数据可以用下面的模型进行表示：
Figure BDA0002564586920000051
其中，εc,i表示第i个杂波分量的复数增益，S为第i个杂波分量的空时导向矢量，nl为第l个距离单元满足零均值、方差为δ2的高斯白噪声。
对于机载正侧视均匀线性阵列雷达，第i个杂波散射点的空间锥角ψi与其归一化多普勒频率fd,i之间存在以下耦合关系：
Figure BDA0002564586920000052
当载机速度va与雷达工作波长λ恒定时，fd,i与cosψi成正比，因此杂波主要分布在杂波脊上。将杂波空时平面划分为NM×NsNd的单元格，快拍数据x(l)可以表示为：空时超完备字典Φ·快拍数据的复数幅度α+噪声矢量nl，即如下表达式：
Figure BDA0002564586920000061
其中，Φ为超完备基矩阵，由Ns×Nd个空时导向矢量组成，列向量α衷示杂波快拍数据在字典Φ(超完备基矩阵)下的复数幅度。
步骤S102，基于各所述快拍数据确定与各所述快拍数据对应的因素矩阵；
本步骤在具体实施过程中，具体可以利用稀疏恢复方法计算各所述快拍数据的系数向量；然后基于各所述系数向量确定与各所述快拍数据对应的因素矩阵。
更加具体的，由于杂波占据的空时单元十分有限，只能占据角度-多普勒平面上很少的点，主要分布在杂波脊上，所以α可以看作稀疏向量。在字典Φ已知的情况下，稀疏向量α可以根据最小化范数的方法进行恢复，以此来获得各快拍数据的系数向量α′l，即：
α'＝argmin||α||1subject to||x-Φα||2＜η
其中，‖·‖p表示lp范数(p＝1,2)，η表示稀疏恢复的容许误差，一般取决于噪声功率。假设快拍x(l)满足上式表示的最优化问题，通过稀疏恢复方法分别恢复它们在字典Φ下的系数向量α′l。
在获得各快拍数据的系数向量α′l后就可以确定因素矩阵U。因素矩阵 U表示被评判对象各元素组成的矩阵，本发明中的因素矩阵即系数向量α′l构成的系数矩阵，可表示为：
Figure 1
步骤S103，利用预设的隶属度函数计算各所述因素矩阵中各元素的隶属杂波的隶属度，以获得与各所述因素矩阵对应的因素评判矩阵；
本步骤在具体实施过程中可以根据因素矩阵U的数据特点来构造隶属度函数，具体的隶属度函数表示为：
Figure BDA0002564586920000063
其中，
Figure BDA0002564586920000071
在构造好隶属度函数之后，就可以基于该隶属度函数来对各因素矩阵U中的各元素进行计算，获得各元素的隶属于杂波的隶属度，由此获得与各因素矩阵对应的因素评判矩阵。本步骤中，因素评判矩阵Π中的元素
Figure BDA0002564586920000072
为单元素评价元素，即通过对因素矩阵U中单个元素
Figure BDA0002564586920000073
进行隶属度计算后获得的。
步骤S104，基于各所述因素评判矩阵确定与各所述因素矩阵对应的目标元素集合；
本步骤在具体实施过程中，可以基于预设的评判标准对各所述因素评判矩阵中的各元素进评判，以确定各因素评判矩阵中元素值大于所述评判标准评判值的元素为第一元素；然后基于各因素评判矩阵中的各所述第一元素确定各所述因素矩阵中与所述第一元素对应的元素为目标元素；最后基于各所述因素矩阵中的各目标元素构建获得与各因素矩阵对应的目标元素集合。
根据具体的，可以预先确定评判标准V＝[a,b]，它表示评语。在本发明中，根据杂波特性，评判标准的取值范围设置为V＝[0.7，0.95]，在实际仿真过程中，可以设置评判标准数值为0.9。如果因素评判矩阵中的元素的数值大于预设的评判标准值，即Υi,l＞V，则表明因素评判矩阵中的该元素所对应的因素矩阵中的元素隶属于杂波信息的可能性较大，则记录其位置，由此确定因素矩阵中的元素为目标元素，并构成与各因素矩阵对应的目标元素集合θ。
步骤S105，基于各所述目标元素集合计算滤波权值；
本步骤在具体实施过程中，可以基于各所述目标元素集合计算各所述快拍数据的杂波协方差矩阵Re(l)，即计算公式为：
Figure BDA0002564586920000074
然后基于各快拍数据的杂波协方差矩阵计算获得平均值Rav，计算公式为：
Figure BDA0002564586920000081
最后基于所述平均值以及预设的计算公式计算获得所述滤波权值W，计算公式为：
Figure BDA0002564586920000082
其中，St为待检测目标的导向矢量。
步骤S106，基于所述滤波权值对回波信号进行滤波处理，以获得运动目标的位置信息。
本发明实施例通过利用预设的隶属度函数来对因素矩阵中的各元素进行计算，有利于准确的确定出隶属于杂波程度高的元素，从而再利用这些元素来计算快拍数据的杂波协方差矩阵，有利于准确的计算处滤波权值，从而能够提高机载雷达的动目标检测性能。
本发明另一实施例提供一种机载雷达运动目标的检测装置，如图2所示，包括：
获取模块1，用于获取各预设距离单元的快拍数据；
第一确定模块2，用于基于各所述快拍数据确定与各所述快拍数据对应的因素矩阵；
第二确定模块3，用于利用预设的隶属度函数计算各所述因素矩阵中各元素的隶属度，以获得与各所述因素矩阵对应的因素评判矩阵；
第三确定模块4，用于基于各所述因素评判矩阵确定与各所述因素矩阵对应的目标元素集合；
计算模块5，用于基于各所述目标元素集合计算滤波权值；
滤波模块6，用于基于所述滤波权值对运动目标的回波信号进行滤波处理，以获得运动目标的位置信息。
本实施例中，所述第一确定模块具体用于：利用稀疏恢复方法计算各所述快拍数据的系数向量；基于各所述系数向量确定与各所述快拍数据对应的因素矩阵。
具体的，所述第三确定模块具体用于：基于预设的评判标准对各所述因素评判矩阵中的各元素进评判，以确定各因素评判矩阵中元素值大于所述评判标准评判值的元素为第一元素；基于各因素评判矩阵中的各所述第一元素确定各所述因素矩阵中与所述第一元素对应的元素为目标元素；基于各所述因素矩阵中的各目标元素构建获得与各因素矩阵对应的目标元素集合。
具体的，所述计算模块具体用于：基于各所述目标元素集合计算各所述快拍数据的杂波协方差矩阵；基于各所述快拍数据的杂波协方差矩阵计算获得所述滤波权值。
具体的，所述计算模块具体用于：基于各快拍数据的杂波协方差矩阵计算获得平均值；基于所述平均值以及预设的计算公式计算获得所述滤波权值。
本发明通过借助模糊数学中的决策应用，来构造合适隶属度函数，提高了杂波协方差矩阵的估计精度，消除了密集干扰对动目标检测性能的影响，提高了机载雷达的动目标检测性能；与JSR-STAP算法相比，即使未对训练样本数据进行加权，杂波功率谱也没有出现伪峰，减少了计算复杂度；与基于稀疏样本选优动目标检测算法相比，本发明省略对训练样本数据的选优过程，在提高杂波协方差矩阵估计精度的前提下，提高了样本利用率。
以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (10)

1.一种机载雷达运动目标的检测方法，其特征在于，包括如下步骤：
获取各预设距离单元的快拍数据；
基于各所述快拍数据确定与各所述快拍数据对应的因素矩阵；
利用预设的隶属度函数计算各所述因素矩阵中各元素的隶属杂波的隶属度，以获得与各所述因素矩阵对应的因素评判矩阵；
基于各所述因素评判矩阵确定与各所述因素矩阵对应的目标元素集合；
基于各所述目标元素集合计算滤波权值；
基于所述滤波权值对回波信号进行滤波处理，以获得运动目标的位置信息。
2.如权利要求1所述的方法，其特征在于，所述基于各所述快拍数据确定与各所述快拍数据对应的因素矩阵，具体包括：
利用稀疏恢复方法计算各所述快拍数据的系数向量；
基于各所述系数向量确定与各所述快拍数据对应的因素矩阵。
3.如权利要求1所述的方法，其特征在于，所述基于各所述因素评判矩阵确定与各所述因素矩阵对应的目标元素集合，具体包括：
基于预设的评判标准对各所述因素评判矩阵中的各元素进评判，以确定各因素评判矩阵中元素值大于所述评判标准评判值的元素为第一元素；
基于各因素评判矩阵中的各所述第一元素确定各所述因素矩阵中与所述第一元素对应的元素为目标元素；
基于各所述因素矩阵中的各目标元素构建获得与各因素矩阵对应的目标元素集合。
4.如权利要求1所述的方法，其特征在于，所述基于各所述目标元素集合计算滤波权值，具体包括：
基于各所述目标元素集合计算各所述快拍数据的杂波协方差矩阵；
基于各所述快拍数据的杂波协方差矩阵计算获得所述滤波权值。
5.如权利要求1所述的方法，其特征在于，所述基于各所述快拍数据的杂波协方差矩阵计算获得所述滤波权值，具体包括：
基于各快拍数据的杂波协方差矩阵计算获得平均值；
基于所述平均值以及预设的计算公式计算获得所述滤波权值。
6.一种机载雷达运动目标的检测装置，其特征在于，包括：
获取模块，用于获取各预设距离单元的快拍数据；
第一确定模块，用于基于各所述快拍数据确定与各所述快拍数据对应的因素矩阵；
第二确定模块，用于利用预设的隶属度函数计算各所述因素矩阵中各元素的隶属度，以获得与各所述因素矩阵对应的因素评判矩阵；
第三确定模块，用于基于各所述因素评判矩阵确定与各所述因素矩阵对应的目标元素集合；
计算模块，用于基于各所述目标元素集合计算滤波权值；
滤波模块，用于基于所述滤波权值对运动目标的回波信号进行滤波处理，以获得运动目标的位置信息。
7.如权利要求6所述的装置，其特征在于，所述第一确定模块具体用于：
利用稀疏恢复方法计算各所述快拍数据的系数向量；
基于各所述系数向量确定与各所述快拍数据对应的因素矩阵。
8.如权利要求6所述的装置，所述第三确定模块具体用于：
基于预设的评判标准对各所述因素评判矩阵中的各元素进评判，以确定各因素评判矩阵中元素值大于所述评判标准评判值的元素为第一元素；
基于各因素评判矩阵中的各所述第一元素确定各所述因素矩阵中与所述第一元素对应的元素为目标元素；
基于各所述因素矩阵中的各目标元素构建获得与各因素矩阵对应的目标元素集合。
9.如权利要求6所述的装置，所述计算模块具体用于：
基于各所述目标元素集合计算各所述快拍数据的杂波协方差矩阵；
基于各所述快拍数据的杂波协方差矩阵计算获得所述滤波权值。
10.如权利要求9述的装置，其特征在于，所述计算模块具体用于：
基于各快拍数据的杂波协方差矩阵计算获得平均值；
基于所述平均值以及预设的计算公式计算获得所述滤波权值。
CN202010625470.2A 2020-07-01 2020-07-01 一种机载雷达的运动目标检测方法及装置 Active CN111537976B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010625470.2A CN111537976B (zh) 2020-07-01 2020-07-01 一种机载雷达的运动目标检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010625470.2A CN111537976B (zh) 2020-07-01 2020-07-01 一种机载雷达的运动目标检测方法及装置

Publications (2)

Publication Number Publication Date
CN111537976A true CN111537976A (zh) 2020-08-14
CN111537976B CN111537976B (zh) 2022-12-09

Family

ID=71978330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010625470.2A Active CN111537976B (zh) 2020-07-01 2020-07-01 一种机载雷达的运动目标检测方法及装置

Country Status (1)

Country Link
CN (1) CN111537976B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102914776A (zh) * 2012-10-15 2013-02-06 西安电子科技大学 基于模糊c均值算法的多通道SAR动目标定位方法
CN107664759A (zh) * 2017-06-12 2018-02-06 南京邮电大学 一种基于稀疏非均匀样本选优的机载雷达动目标检测方法
WO2018049595A1 (zh) * 2016-09-14 2018-03-22 深圳大学 一种基于交替方向乘子法的稳健稀疏恢复stap方法及其系统
CN109212500A (zh) * 2018-08-08 2019-01-15 河海大学 一种基于稀疏重构的ka-stap杂噪协方差矩阵高精度估计方法
WO2019047210A1 (zh) * 2017-09-11 2019-03-14 深圳大学 基于知识的稀疏恢复空时自适应处理方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102914776A (zh) * 2012-10-15 2013-02-06 西安电子科技大学 基于模糊c均值算法的多通道SAR动目标定位方法
WO2018049595A1 (zh) * 2016-09-14 2018-03-22 深圳大学 一种基于交替方向乘子法的稳健稀疏恢复stap方法及其系统
CN107664759A (zh) * 2017-06-12 2018-02-06 南京邮电大学 一种基于稀疏非均匀样本选优的机载雷达动目标检测方法
WO2019047210A1 (zh) * 2017-09-11 2019-03-14 深圳大学 基于知识的稀疏恢复空时自适应处理方法及系统
CN109212500A (zh) * 2018-08-08 2019-01-15 河海大学 一种基于稀疏重构的ka-stap杂噪协方差矩阵高精度估计方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
EPPILI JAYA,ET AL: "Fuzzy-based MTD：A fuzzy decisive approach for moving target detection in multichannel SAR framework", 《DATA TECHNOLOGIES AND APPLICATION》 *
GAO ZHIQI,ET AL: "Robust STAP algorithm based on knowledge- aided SR for airborne radar", 《IET RADAR, SONAR & NAVIGATION》 *
W. ZHANG, ET AL: "Reduced Dimension STAP Based on Sparse Recovery in Heterogeneous Clutter Environments", 《IEEE》 *
潘雪莉等: "机载环视SAR海面特性和舰船目标检测算法研究", 《中国博士学位论文全文数据库 信息科技辑》 *
黄平平等: "基于地基雷达图像的无监督变化检测", 《雷达学报》 *

Also Published As

Publication number Publication date
CN111537976B (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
US6437728B1 (en) A-scan ISAR target recognition system and method
CN109324315B (zh) 基于双层次块稀疏性的空时自适应处理雷达杂波抑制方法
CN111965632B (zh) 一种基于黎曼流形降维的雷达目标检测方法
US9188666B2 (en) System and method for distribution free target detection in a dependent non-Gaussian background
CN110058222B (zh) 一种基于传感器选择的双层粒子滤波检测前跟踪方法
CN109212500A (zh) 一种基于稀疏重构的ka-stap杂噪协方差矩阵高精度估计方法
CN107831473B (zh) 基于高斯过程回归的距离-瞬时多普勒图像序列降噪方法
CN107884751A (zh) 一种利用单通道接收信号作信源数目估计的方法
CN115061113B (zh) 用于雷达的目标检测模型训练方法、装置及存储介质
CN115166666A (zh) 一种非均匀环境下多普勒域降维迭代自适应stap方法
WO1993006503A1 (en) Ultrasonic ranging devices
US20220413092A1 (en) Radar data denoising systems and methods
CN107678029B (zh) 一种基于随机参考平均互相关信息的后向投影成像方法
Gao et al. Fast two‐dimensional subset censored CFAR method for multiple objects detection from acoustic image
CN111537976B (zh) 一种机载雷达的运动目标检测方法及装置
CN105652256B (zh) 一种基于极化信息的高频地波雷达tbd方法
Tang et al. A novel approach for automatic recognition of LPI radar waveforms based on CNN and attention mechanisms
CN111812634A (zh) 警戒线目标监测方法、装置和系统
CN113534065B (zh) 一种雷达目标微动特征提取与智能分类方法及系统
CN113093135B (zh) 基于f范数归一化距离的目标检测方法及装置
CN114966674A (zh) 一种基于发射波形信息的凝视雷达低空目标测高方法
CN114429593A (zh) 基于快速导向滤波的红外小目标检测方法及其应用
CN106778870A (zh) 一种基于rpca技术的sar图像舰船目标检测方法
CN108830290B (zh) 基于稀疏表示和高斯分布的sar图像分类方法
CN113391286A (zh) 基于二维块稀疏恢复的虚拟孔径mimo雷达目标探测方法

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