CN111562569A - 基于加权群稀疏约束的Weibull背景下多目标恒虚警检测方法 - Google Patents
基于加权群稀疏约束的Weibull背景下多目标恒虚警检测方法 Download PDFInfo
- Publication number
- CN111562569A CN111562569A CN202010320035.9A CN202010320035A CN111562569A CN 111562569 A CN111562569 A CN 111562569A CN 202010320035 A CN202010320035 A CN 202010320035A CN 111562569 A CN111562569 A CN 111562569A
- Authority
- CN
- China
- Prior art keywords
- background
- unit
- value
- target
- detection
- 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
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
-
- 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
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
基于加权群稀疏约束的Weibull背景下多目标恒虚警检测方法,它属于雷达目标检测领域。本发明解决了在多参数分布背景中,由于存在多个目标干扰导致对目标的检出概率低的问题。本发明基于对多个干扰目标的加权群稀疏约束,提出了一种新的目标恒虚警检测方法;在足量背景单元数量条件下保持恒虚警,针对Weibull背景中的多目标实现有效检测,提出方法大大提高了对目标的检出概率。本发明可以应用于多参数背景下的多干扰目标检测。
Description
技术领域
本发明属于雷达目标检测领域,具体涉及一种基于加权群稀疏约束的Weibull(韦布尔分布)背景下多目标恒虚警检测方法。
背景技术
在雷达目标检测中,恒虚警检测是常用的方法。然而,由于在雷达信号处理中采用加窗方法等原因,使得点目标在检测背景中存在展宽。在传统的恒虚警检测方法中,通常采用加入保护单元的方式,在参考单元选取时避免目标干扰。此外,在多参数分布背景中,难以有效识别多个干扰,从而对目标检测存在干扰,会导致对目标的检出概率较低。因此,多目标干扰问题是在多参数分布背景中实现目标有效检测亟需解决的问题。
发明内容
本发明的目的是为解决在多参数分布背景中,由于存在多个目标干扰导致对目标的检出概率低的问题,而提出了一种基于加权群稀疏约束的Weibull背景下多目标恒虚警检测方法。
本发明为解决上述技术问题采取的技术方案是:一种基于加权群稀疏约束的Weibull背景下多目标恒虚警检测方法。该方法包括以下步骤:
步骤一、结合对多个干扰目标的加权群稀疏约束和背景单元幅度对数的似然函数,构建关于背景单元分布参数的目标函数;
步骤二、对步骤一构建的关于背景单元分布参数的目标函数进行优化,得到背景单元分布参数的估计值;
步骤三、根据步骤二得到的背景单元分布参数估计值计算自适应检测阈值,再根据计算出的自适应检测阈值进行目标检测。
本发明的有益效果是:本发明提出了一种基于加权群稀疏约束的Weibull背景下多目标恒虚警检测方法;本发明基于对多个干扰目标的加权群稀疏约束,提出了一种新的目标恒虚警检测方法;在足量背景单元数量条件下保持恒虚警,针对Weibull背景中的多目标实现有效检测,提出方法大大提高了对目标的检出概率。
附图说明
图1为本发明方法的流程图;
图2为背景分布参数估计的流程图;
图3为加入25dB的孤立仿真目标的Weibull杂波背景图;
图4为对图3进行野值识别得到的识别结果图;
图5为加入的目标为25dB的相邻仿真目标的Weibull杂波背景图;
图6为对图5进行野值识别得到的识别结果图;
图7是虚警设为10-5时,孤立多目标场景下的目标发现概率与信杂比曲线图;
图8是虚警设为10-5时,孤立多目标场景下的目标检测虚警与信杂比曲线图;
图9是虚警设为10-5时,相邻多目标场景下的目标发现概率与信杂比曲线图;
图10是虚警设为10-5时,相邻多目标场景下的目标检测虚警与信杂比曲线图;
图11是在孤立多目标场景下,目标发现概率与理想虚警曲线图;
图12是在孤立多目标场景下,实际虚警与理想虚警曲线图;
图13是在相邻多目标场景下,目标发现概率与理想虚警曲线图;
图14是在相邻多目标场景下,实际虚警与理想虚警曲线图。
具体实施方式
具体实施方式一:结合图1说明本实施方式。本实施方式所述的一种基于加权群稀疏约束的Weibull背景下多目标恒虚警检测方法。该方法具体包括以下步骤:
步骤一、结合对多个干扰目标(即检测背景中包含大于等于2个目标)的加权群稀疏约束和背景单元幅度对数的似然函数,构建关于背景单元分布参数的目标函数;
步骤二、对步骤一构建的关于背景单元分布参数的目标函数进行优化,得到背景单元分布参数的估计值;
步骤三、根据步骤二得到的背景单元分布参数估计值计算自适应检测阈值,再根据计算出的自适应检测阈值进行目标检测。
若检测结果大于等于自适应检测阈值,则为目标,若检测结果小于自适应检测阈值,则为背景。
本发明并不局限于Weibull背景,对于其它多参数分布背景也同样适用。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤一的具体过程为:
对于服从Weibull分布的背景单元,背景单元幅度的对数将服从公式(1)的Gumbel分布(耿贝尔分布):
则关于背景单元幅度的对数x的似然函数为:
当检测背景中包含多个干扰目标时,对干扰目标进行加权群稀疏约束后,基于多个干扰目标的加权群稀疏约束和背景单元幅度对数x的似然函数,构建关于背景单元分布参数的目标函数:
其中,代表关于背景单元分布参数的目标函数;oj为需要估计的第j个检测单元xj包含的干扰目标的幅度,j=1,2,…,M,M为检测单元的总个数;oj,K为以检测单元xj为中心的邻域内K个背景单元构成的向量,K代表在以检测单元xj为中心时邻域内背景单元的数量为K个;ωj为oj,K对应的加权向量;λ为约束参数,且λ为正数;代表点乘;t代表惩罚函数的系数;||·||1代表1范数;e代表自然对数。
具体实施方式三:本实施方式与具体实施方式二不同的是:所述步骤二的具体过程为:
步骤二一、初始化a=0.5,b为背景单元幅度对数的中值,oj=0;
步骤二二、将步骤二一中的初始化值代入公式(4)和(5);
其中,b1为对初始化值b进行优化后的值,a1为对初始化值a进行优化后的值;
以检测单元xj为中心,检测单元xj邻域内的背景单元xi对应的加权值ωij为:
xj邻域内的各个背景单元对应的加权值共同组成加权向量ωj;
其中,d(i,j)=|xi-xj|,d(i,j)代表对xi-xj取绝对值后的值;常数κ的取值为0.75;
公式(4)和公式(5)中相关的计算方法为:
λ=-(1+ln(Pfc))/K (9)
其中,Pfc为野值识别的虚警概率;
步骤二三、将步骤二一中的初始化值代入公式(7);
对野值oj解得
中间变量r(j;vj,K)的表达式为:
式中, 为以检测单元xj为中心的临域;oj,n为以检测单元xj为中心的临域内背景单元n包含的干扰目标;vj,K代表以检测单元xj为中心的临域内背景单元包含的干扰目标构成的向量;vn,K代表以背景单元n为中心的临域内背景单元包含的干扰目标构成的向量,ωn为vn,K对应的加权向量;
野值估计的算法流程如表1所示:
表1
其中,N为背景单元数量,L为内部循环次数。综上所述,背景分布参数估计流程如图2所示。
具体实施方式四:本实施方式与具体实施方式三不同的是:所述步骤三中,根据步骤二得到的背景单元分布参数估计值计算自适应检测阈值,其具体过程为:
其中,T为计算出的自适应检测阈值,Pf为目标检测的虚警。
实验部分
实验中通过采用仿真数据注入扩展的仿真目标对提出的检测方法进行性能评估。在仿真中提出方法的参数设置为:L=10,估计的循环次数Q为5,野值识别虚警概率Pfc=2×10-2,检测单元临近区域大小设为5×3。检测背景Weibull杂波形状参数为1.5,尺度参数为1,大小为200×200。
图3为加入25dB的孤立仿真目标的Weibull杂波背景图,图4是对图3背景进行野值识别得到的识别结果图,图5为加入的目标为25dB的相邻仿真目标的Weibull杂波背景图,图6为对图5中注入目标的识别结果图。
从图3到图6可知,对于Weibull杂波背景中包含的展宽多个孤立目标、相邻的目标提出的方法都可以有效的识别。
在以上目标识别的基础上,本发明方法的检测性能结果如下:在虚警设为10-5时,对孤立多目标场景下,如图7所示为本发明检测性能的目标发现概率与信杂比(SCR)曲线图,如图8所示为本发明检测性能的目标检测虚警与信杂比曲线图。
在虚警设为10-5时,对相邻多目标场景下,如图9所示为本发明检测性能的目标发现概率与信杂比(SCR)曲线图,如图10所示为本发明检测性能的目标检测虚警与信杂比曲线图。
在孤立多目标场景下,如图11所示为本发明检测性能的目标发现概率与理想虚警曲线图,如图12为本发明检测性能的实际虚警与理想虚警曲线图;
在相邻多目标场景下,如图13所示为本发明检测性能的目标发现概率与理想虚警曲线图,如图14为本发明检测性能的实际虚警与理想虚警曲线图;
通过以上测试可知,本发明方法在保持恒虚警条件下,无论对于孤立多目标场景,还是相邻多目标场景,都能获得非常好的检测性能,都能获得逼近最优方法(最优方法是指:在所有信息都是已知情况下,得到的极限检测结果)的性能,验证了本发明方法的有效性。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (4)
1.基于加权群稀疏约束的Weibull背景下多目标恒虚警检测方法,其特征在于,该方法包括以下步骤:
步骤一、结合对多个干扰目标的加权群稀疏约束和背景单元幅度对数的似然函数,构建关于背景单元分布参数的目标函数;
步骤二、对步骤一构建的关于背景单元分布参数的目标函数进行优化,得到背景单元分布参数的估计值;
步骤三、根据步骤二得到的背景单元分布参数估计值计算自适应检测阈值,再根据计算出的自适应检测阈值进行目标检测。
2.根据权利要求1所述的基于加权群稀疏约束的Weibull背景下多目标恒虚警检测方法,其特征在于,所述步骤一的具体过程为:
对于服从Weibull分布的背景单元,背景单元幅度的对数将服从公式(1)的Gumbel分布:
则关于背景单元幅度的对数x的似然函数为:
当检测背景中包含多个干扰目标时,对干扰目标进行加权群稀疏约束后,基于多个干扰目标的加权群稀疏约束和背景单元幅度对数x的似然函数,构建关于背景单元分布参数的目标函数:
3.根据权利要求2所述的基于加权群稀疏约束的Weibull背景下多目标恒虚警检测方法,其特征在于,所述步骤二的具体过程为:
步骤二一、初始化a=0.5,b为背景单元幅度对数的中值,oj=0;
步骤二二、将步骤二一中的初始化值代入公式(4)和(5);
其中,b1为对初始化值b进行优化后的值,a1为对初始化值a进行优化后的值;
以检测单元xj为中心,检测单元xj邻域内的背景单元xi对应的加权值ωij为:
xj邻域内的各个背景单元对应的加权值共同组成加权向量ωj;
其中,d(i,j)=|xi-xj|,d(i,j)代表对xi-xj取绝对值后的值;κ的取值为0.75;
λ=-(1+ln(Pfc))/K (9)
其中,Pfc为野值识别的虚警概率;
步骤二三、将步骤二一中的初始化值代入公式(7);
中间变量r(j;vj,K)的表达式为:
式中, 为以检测单元xj为中心的临域;oj,n为以检测单元xj为中心的临域内背景单元n包含的干扰目标;vj,K代表以检测单元xj为中心的临域内背景单元包含的干扰目标构成的向量;vn,K代表以背景单元n为中心的临域内背景单元包含的干扰目标构成的向量,ωn为vn,K对应的加权向量;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010320035.9A CN111562569B (zh) | 2020-04-21 | 2020-04-21 | 基于加权群稀疏约束的Weibull背景下多目标恒虚警检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010320035.9A CN111562569B (zh) | 2020-04-21 | 2020-04-21 | 基于加权群稀疏约束的Weibull背景下多目标恒虚警检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111562569A true CN111562569A (zh) | 2020-08-21 |
CN111562569B CN111562569B (zh) | 2022-12-06 |
Family
ID=72071682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010320035.9A Active CN111562569B (zh) | 2020-04-21 | 2020-04-21 | 基于加权群稀疏约束的Weibull背景下多目标恒虚警检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111562569B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113504521A (zh) * | 2021-07-08 | 2021-10-15 | 哈尔滨工业大学 | 一种用于多目标环境下的基于混合模型的恒虚警检测方法 |
WO2022151708A1 (zh) * | 2021-01-15 | 2022-07-21 | 浙江大学 | 一种基于信号代理的多目标恒虚警率检测方法 |
WO2023284698A1 (zh) * | 2021-07-14 | 2023-01-19 | 浙江大学 | 一种基于深度神经网络的多目标恒虚警率检测方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4661816A (en) * | 1982-10-05 | 1987-04-28 | Nec Corporation | Adaptive radar signal processor |
CN101329400A (zh) * | 2008-07-30 | 2008-12-24 | 电子科技大学 | 一种基于拟合优度检验的雷达目标恒虚警检测方法 |
CN103076602A (zh) * | 2012-12-27 | 2013-05-01 | 中国人民解放军海军航空工程学院 | 针对多目标背景的雷达自适应恒虚警率融合检测方法 |
US20130201054A1 (en) * | 2012-02-02 | 2013-08-08 | Raytheon Canada Limited | Knowledge Aided Detector |
CN103353594A (zh) * | 2013-06-17 | 2013-10-16 | 西安电子科技大学 | 二维自适应雷达恒虚警检测方法 |
CN103376445A (zh) * | 2012-04-27 | 2013-10-30 | 哈尔滨工业大学 | 基于野值剔除的指数分布参数确定方法和装置 |
CN103760542A (zh) * | 2014-01-10 | 2014-04-30 | 杭州电子科技大学 | 一种基于多模式的变化指数恒虚警目标检测方法 |
CN104237861A (zh) * | 2014-09-15 | 2014-12-24 | 电子科技大学 | 一种未知杂波背景下的cfar检测门限获取方法 |
KR101546421B1 (ko) * | 2015-02-16 | 2015-08-24 | 에스티엑스엔진 주식회사 | 적응 cfar 처리방법 |
CN105572651A (zh) * | 2015-12-30 | 2016-05-11 | 哈尔滨工业大学 | 一种基于杂波背景统计识别的cfar检测方法 |
KR20160053520A (ko) * | 2014-11-05 | 2016-05-13 | 국방과학연구소 | 비행 궤적 및 형태학적 처리를 이용한 효과적인 다중 표적 역합성 개구면 레이더 영상 형성 방법 및 장치 |
CN107271973A (zh) * | 2017-05-27 | 2017-10-20 | 南京理工大学 | 韦布尔杂波环境下基于偏斜度和均值比的恒虚警检测方法 |
CN107561509A (zh) * | 2017-08-28 | 2018-01-09 | 电子科技大学 | 一种机载毫米波雷达电力线检测方法 |
CN107680120A (zh) * | 2017-09-05 | 2018-02-09 | 南京理工大学 | 基于稀疏表示和转移受限粒子滤波的红外小目标跟踪方法 |
CN110133612A (zh) * | 2019-05-20 | 2019-08-16 | 哈尔滨工业大学 | 一种基于跟踪反馈的扩展目标检测方法 |
US20200111382A1 (en) * | 2018-10-04 | 2020-04-09 | The Regents Of The University Of Michigan | Automotive Radar Scene Simulator |
-
2020
- 2020-04-21 CN CN202010320035.9A patent/CN111562569B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4661816A (en) * | 1982-10-05 | 1987-04-28 | Nec Corporation | Adaptive radar signal processor |
CN101329400A (zh) * | 2008-07-30 | 2008-12-24 | 电子科技大学 | 一种基于拟合优度检验的雷达目标恒虚警检测方法 |
US20130201054A1 (en) * | 2012-02-02 | 2013-08-08 | Raytheon Canada Limited | Knowledge Aided Detector |
CN103376445A (zh) * | 2012-04-27 | 2013-10-30 | 哈尔滨工业大学 | 基于野值剔除的指数分布参数确定方法和装置 |
CN103076602A (zh) * | 2012-12-27 | 2013-05-01 | 中国人民解放军海军航空工程学院 | 针对多目标背景的雷达自适应恒虚警率融合检测方法 |
CN103353594A (zh) * | 2013-06-17 | 2013-10-16 | 西安电子科技大学 | 二维自适应雷达恒虚警检测方法 |
CN103760542A (zh) * | 2014-01-10 | 2014-04-30 | 杭州电子科技大学 | 一种基于多模式的变化指数恒虚警目标检测方法 |
CN104237861A (zh) * | 2014-09-15 | 2014-12-24 | 电子科技大学 | 一种未知杂波背景下的cfar检测门限获取方法 |
KR20160053520A (ko) * | 2014-11-05 | 2016-05-13 | 국방과학연구소 | 비행 궤적 및 형태학적 처리를 이용한 효과적인 다중 표적 역합성 개구면 레이더 영상 형성 방법 및 장치 |
KR101546421B1 (ko) * | 2015-02-16 | 2015-08-24 | 에스티엑스엔진 주식회사 | 적응 cfar 처리방법 |
CN105572651A (zh) * | 2015-12-30 | 2016-05-11 | 哈尔滨工业大学 | 一种基于杂波背景统计识别的cfar检测方法 |
CN107271973A (zh) * | 2017-05-27 | 2017-10-20 | 南京理工大学 | 韦布尔杂波环境下基于偏斜度和均值比的恒虚警检测方法 |
CN107561509A (zh) * | 2017-08-28 | 2018-01-09 | 电子科技大学 | 一种机载毫米波雷达电力线检测方法 |
CN107680120A (zh) * | 2017-09-05 | 2018-02-09 | 南京理工大学 | 基于稀疏表示和转移受限粒子滤波的红外小目标跟踪方法 |
US20200111382A1 (en) * | 2018-10-04 | 2020-04-09 | The Regents Of The University Of Michigan | Automotive Radar Scene Simulator |
CN110133612A (zh) * | 2019-05-20 | 2019-08-16 | 哈尔滨工业大学 | 一种基于跟踪反馈的扩展目标检测方法 |
Non-Patent Citations (6)
Title |
---|
BLACKNELL, D: "A mixture distribution model for correlated SAR clutter", 《CONFERENCE ON MICROWAVE SENSING AND SYNTHETIC APERTURE RADAR》 * |
LI, Y; WU, LS;WANG, XY: "Constant false alarm rate detector based on sparsity regularisation in multi-target interfering Weibull clutter", 《 IET RADAR SONAR AND NAVIGATION 》 * |
WEI ZHOU;JUNHAO XIE;GAOPENG LI;YUHAN DU: "Robust CFAR Detector With Weighted Amplitude Iteration in Nonhomogeneous Sea Clutter", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》 * |
宋文青,王英华,刘宏伟: "高分辨SAR图像自动区域筛选目标检测算法", 《电子与信息学报》 * |
李杨: "高频地波雷达背景感知与目标检测技术研究", 《中国优秀博士学位论文全文数据库 高频地波雷达背景感知与目标检测技术研究》 * |
贺超: "高频地波雷达海杂波抑制与目标检测技术研究", 《中国博士学位论文全文数据库 基础科学辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022151708A1 (zh) * | 2021-01-15 | 2022-07-21 | 浙江大学 | 一种基于信号代理的多目标恒虚警率检测方法 |
CN113504521A (zh) * | 2021-07-08 | 2021-10-15 | 哈尔滨工业大学 | 一种用于多目标环境下的基于混合模型的恒虚警检测方法 |
WO2023284698A1 (zh) * | 2021-07-14 | 2023-01-19 | 浙江大学 | 一种基于深度神经网络的多目标恒虚警率检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111562569B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111562569B (zh) | 基于加权群稀疏约束的Weibull背景下多目标恒虚警检测方法 | |
CN112329934A (zh) | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 | |
Zhou et al. | GM-PHD-based multi-target visual tracking using entropy distribution and game theory | |
CN110907762A (zh) | 一种非侵入式负荷匹配辨识方法 | |
CN103400152A (zh) | 基于分层聚类的滑动窗口多数据流异常检测方法 | |
CN110780269B (zh) | 自适应新生强度下基于gm-phd滤波器的显式多目标跟踪方法 | |
Jiang et al. | Optimal allocation of cooperative jamming resource based on hybrid quantum‐behaved particle swarm optimisation and genetic algorithm | |
CN113673565B (zh) | 多传感器gm-phd自适应序贯融合多目标跟踪方法 | |
CN109471072A (zh) | 基于fpga的单脉冲雷达二维cfar检测方法及系统 | |
CN110376581B (zh) | 基于高斯混合概率假设密度滤波器的显式多目标跟踪方法 | |
CN107436434B (zh) | 基于双向多普勒估计的航迹起始方法 | |
CN112241554B (zh) | 基于差分隐私指数机制的模型窃取防御方法和装置 | |
CN111711432B (zh) | 一种基于ukf和pf混合滤波的目标跟踪算法 | |
CN113296089B (zh) | 用于多预警机目标跟踪系统的lmb密度融合方法及装置 | |
Tian et al. | Performance evaluation of deception against synthetic aperture radar based on multifeature fusion | |
CN116400318B (zh) | 基于在线粒子群优化的多观测目标位置估计方法及装置 | |
Wang et al. | A robust constant false alarm rate detector based on the Bayesian estimator for the non-homogeneous Weibull clutter in HFSWR | |
CN115359258B (zh) | 一种成分不确定度测量的弱小目标检测方法及系统 | |
CN115220002B (zh) | 一种固定单站的多目标数据关联跟踪方法和相关装置 | |
Bae | Survey of amplitude‐aided multi‐target tracking methods | |
CN105929390B (zh) | 一种多目标检测前跟踪方法 | |
CN114445456A (zh) | 基于部分模型的数据驱动智能机动目标跟踪方法及装置 | |
CN109613489B (zh) | 一种基于模糊函数地貌特征的雷达信号分选方法 | |
Stevens et al. | Automated gain control through deep reinforcement learning for downstream radar object detection | |
Zhang et al. | Infrared dim-small object detection algorithm based on saliency map combined with target motion feature |
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 |