CN111723474B - 一种基于最大似然准则的临近目标识别方法 - Google Patents

一种基于最大似然准则的临近目标识别方法 Download PDF

Info

Publication number
CN111723474B
CN111723474B CN202010484360.9A CN202010484360A CN111723474B CN 111723474 B CN111723474 B CN 111723474B CN 202010484360 A CN202010484360 A CN 202010484360A CN 111723474 B CN111723474 B CN 111723474B
Authority
CN
China
Prior art keywords
radar
target
measured
identified
parameters
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
Application number
CN202010484360.9A
Other languages
English (en)
Other versions
CN111723474A (zh
Inventor
杨亚
黎亮
程旗
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.)
Sichuan Jiuzhou Electric Group Co Ltd
Original Assignee
Sichuan Jiuzhou Electric Group Co Ltd
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 Sichuan Jiuzhou Electric Group Co Ltd filed Critical Sichuan Jiuzhou Electric Group Co Ltd
Priority to CN202010484360.9A priority Critical patent/CN111723474B/zh
Publication of CN111723474A publication Critical patent/CN111723474A/zh
Application granted granted Critical
Publication of CN111723474B publication Critical patent/CN111723474B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar
    • G01S13/872—Combinations of primary radar and secondary radar
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Algebra (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于最大似然准则的临近目标识别方法，该方法适用于存在多个临近的雷达目标且有一个二次雷达的应答目标的场景的目标识别，该方法通过两次或以上的询问，对多次询问结果进行统计检测量分析和运算，在此基础上进行目标关联，从而能够减小系统误差和随机误差的影响，提升目标识别准确度，有助于提高雷达操作员/空管管理员对全空域目标的管理能力。

Description

一种基于最大似然准则的临近目标识别方法
技术领域
本发明涉及雷达技术领域，特别是涉及一种基于最大似然准则的临近目标识别方法。
背景技术
雷达、红外光电等是多数作战平台发现目标的主要探测器。现有雷达识别系统多与主探测器紧耦合工作，由主探测器直接牵引识别功能，并由识别系统对雷达发现目标的属性进行判定。其中，识别的基本流程为，对一次雷达牵引的目标进行询问，根据应答目标的信号估计出目标位置，然后将雷达牵引目标和二次雷达目标进行位置关联，最后确定牵引目标的属性。
针对单个雷达目标的识别处理流程是一个二元判决问题。在存在多个临近雷达目标且有一个二次雷达应答目标的场景下，宜将此二次雷达应答目标与某一个雷达目标进行关联，两种情况下均可以以识别概率和误识别概率衡量关联的准确性。
一次雷达目标和二次雷达识别目标存在独立的定位误差，主要由系统误差和随机误差构成。在一定空间范围内有多于一个雷达目标，且目标相距很近的情况下，二次雷达目标与雷达目标位置误差将给目标准确关联带来显著影响。
现有技术采用一种简单的关联方法来识别目标，该方法采用在距离和方位上分别设置门限，将满足一定门限范围内的目标判为识别目标，不满足门限要求的判为非识别目标。然而，在多个雷达目标距离很近的情况下，该关联方法会将临近的目标均判为识别目标，另外，系统误差存在的场景下，会将识别目标和误识别目标错误关联，增大误识别概率。
发明内容
本发明的目的在于提供一种基于最大似然准则的临近目标识别方法，能够减小系统误差和随机误差的影响，提升目标识别准确度。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于最大似然准则的临近目标识别方法，包括以下步骤：
S1：估计二次雷达的测量参数方差
Figure BDA0002518579190000021
以及相对于一次雷达的测量参数系统误差方差
Figure BDA0002518579190000022
其中，K表示测量参数的种数，K大于等于1；
S2：获取二次雷达识别的应答目标的N个采样点，N个采样点表示为：
Figure BDA0002518579190000023
其中，RFK是N×1的向量，表示二次雷达与N个采样点的第K种测量参数的测量值，RsysK表示二次雷达相对于一次雷达的第K种测量参数的测量参数系统误差差值；
S3：获取一次雷达识别的m个雷达目标，对每一个雷达目标的航迹进行插值处理得到每一个雷达目标的与N个采样点采样时刻相同的N个航迹点，形成量测序列，量测序列表示为：
Figure BDA0002518579190000024
其中，RRK(m)是N×1的向量，表示第m个雷达目标与N个航迹点的第K种测量参数的测量值；
S4：对一次雷达的每个雷达目标进行遍历，计算一次雷达识别的每个雷达目标与二次雷达识别的N个采样点的所有测量参数的测量值差值的N次采样差值E(m)，计算公式为：
E(m)＝[Rc1(m) Rc2(m) … RcK(m)]＝[RR1(m)-RF1 RR2(m)-RF2 … RRK(m)-RFK]
其中，RcK(m)表示第K种测量参数的测量值差值；
S5：根据所有测量参数的测量值差值RcK(m)估计得到二次雷达识别的N个采样点相对一次雷达识别的每个雷达目标的所有测量参数的测量参数系统误差
Figure BDA0002518579190000025
S6：根据所有测量参数的测量值差值RcK(m)、测量参数系统误差
Figure BDA0002518579190000026
得到二次雷达识别的N个采样点相对一次雷达识别的每个雷达目标的所有测量参数的测量参数随机误差
Figure BDA0002518579190000027
S7；根据所有测量参数的测量参数系统误差
Figure BDA0002518579190000028
测量参数随机误差
Figure BDA0002518579190000029
计算一次雷达识别的每个雷达目标的最大似然函数值，计算公式如下：
Figure BDA0002518579190000031
S8：在一次雷达的所有雷达目标遍历完成后，从各个雷达目标的最大似然函数值选择最小的最大似然函数值对应的雷达目标作为应答目标关联的识别目标。
优选的，所述测量参数包括距离、方位、俯仰中的至少一种。
优选的，所述步骤S5具体为：
采用最大后验估计法根据所有测量参数的测量值差值RcK(m)估计得到二次雷达识别的N个采样点相对一次雷达识别的每个雷达目标的所有测量参数的测量参数系统误差
Figure BDA0002518579190000032
计算公式为：
Figure BDA0002518579190000033
优选的，所述步骤S5具体为：
采用最大似然估计法根据所有测量参数的测量值差值RcK(m)估计得到二次雷达识别的N个采样点相对一次雷达识别的每个雷达目标的所有测量参数的测量参数系统误差
Figure BDA0002518579190000034
计算公式为：
Figure BDA0002518579190000035
区别于现有技术的情况，本发明的有益效果是：实现简单，识别效果明显，能够自动适应全空域、全方位各种目标的处理需求，可以提升正确识别概率，有助于提高雷达操作员/空管管理员对全空域目标的管理能力，有效保障飞行安全。
附图说明
图1是本发明实施例的一种基于最大似然准则的临近目标识别方法的流程图；
图2是本发明实施例的临近目标识别方法与现有技术的关联方法的识别概率对比图；
图3是本发明实施例的临近目标识别方法与现有技术的关联方法的误识别概率对比图；
图4是本发明实施例的临近目标识别方法与现有技术的关联方法的误识别概率对比图的正确概率对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1，本发明实施例的基于最大似然准则的临近目标识别方法包括以下步骤：
S1：估计二次雷达的测量参数方差
Figure BDA0002518579190000041
以及相对于一次雷达的测量参数系统误差方差
Figure BDA0002518579190000042
其中，K表示测量参数的种数，K大于等于1。
其中，
Figure BDA0002518579190000043
表示二次雷达的第K种测量参数的测量参数方差，
Figure BDA0002518579190000044
表示二次雷达相对于一次雷达的第K种测量参数的测量参数系统误差方差。在本实施例中，测量参数包括距离、方位、俯仰中的至少一种。当然，还可以包括其他的参数。举例而言，如果第1种测量参数为距离，第2种测量参数为方位，那么
Figure BDA0002518579190000045
表示二次雷达的距离方差，
Figure BDA0002518579190000046
表示二次雷达的方位方差，
Figure BDA0002518579190000047
表示二次雷达相对于一次雷达的距离系统误差方差，
Figure BDA0002518579190000048
表示二次雷达相对于一次雷达的方位系统误差方差。
S2：获取二次雷达识别的应答目标的N个采样点，N个采样点表示为：
Figure BDA0002518579190000051
其中，RFK是N×1的向量，表示二次雷达与N个采样点的第K种测量参数的测量值，RsysK表示二次雷达相对于一次雷达的第K种测量参数的测量参数系统误差差值。在不受限的时间和空间范围内，RsysK服从方差为
Figure BDA0002518579190000052
的高斯分布。如步骤S1所举例，RF1表示二次雷达与N个采样点的距离值，Rsys1表示二次雷达相对于一次雷达的距离系统误差差值。
S3：获取一次雷达识别的m个雷达目标，对每一个雷达目标的航迹进行插值处理得到每一个雷达目标的与N个采样点采样时刻相同的N个航迹点，形成量测序列，量测序列表示为：
Figure BDA0002518579190000053
其中，RRK(m)是N×1的向量，表示第m个雷达目标与N个航迹点的第K种测量参数的测量值，如步骤S1所举例，RR1(m)表示第m个雷达目标与N个航迹点的距离值，对应的，RR1(m,N)表示第m个雷达目标与第N个航迹点的距离值。
S4：对一次雷达的每个雷达目标进行遍历，计算一次雷达识别的每个雷达目标与二次雷达识别的N个采样点的所有测量参数的测量值差值的N次采样差值E(m)，计算公式为：
E(m)＝[Rc1(m) Rc2(m) …RcK(m)]＝[RR1(m)-RF1 RR2(m)-RF2 …RRK(m)-RFK]
其中，RcK(m)表示第K种测量参数的测量值差值。
S5：根据所有测量参数的测量值差值RcK(m)估计得到二次雷达识别的N个采样点相对一次雷达识别的每个雷达目标的所有测量参数的测量参数系统误差
Figure BDA0002518579190000054
S6：根据所有测量参数的测量值差值RcK(m)、测量参数系统误差
Figure BDA0002518579190000055
得到二次雷达识别的N个采样点相对一次雷达识别的每个雷达目标的所有测量参数的测量参数随机误差
Figure BDA0002518579190000056
S7；根据所有测量参数的测量参数系统误差
Figure BDA0002518579190000057
测量参数随机误差
Figure BDA0002518579190000058
计算一次雷达识别的每个雷达目标的最大似然函数值，计算公式如下：
Figure BDA0002518579190000061
其中，Γ(m)表示第m个雷达目标的最大似然函数值。
S8：在一次雷达的所有雷达目标遍历完成后，从各个雷达目标的最大似然函数值选择最小的最大似然函数值对应的雷达目标作为应答目标关联的识别目标。
其中，似然函数是观测值在H1假设下相对应雷达航迹的条件概率，最大自然判决准则即选择似然函数最大化对应的假设作为判决结果。为使最大似然函数最大，令一次雷达第m个目标的代价函数为Γ(m)，假设第I个雷达目标是应答目标关联的识别目标，那么第I个雷达目标的最大似然函数值为：
Figure BDA0002518579190000062
需要注意，只有所有雷达目标遍历完成后，才会进行步骤S8。也就是说，在进行步骤S8之前，会先判断所有雷达目标是否遍历完成，如果遍历完成，才会进行步骤S8，如果没有遍历完成，则继续进行步骤S4-S7，直到所有雷达目标遍历完成。
在本实施例中，所有测量参数的测量参数系统误差
Figure BDA0002518579190000063
可以采用最大似然估计法或最大似然估计法计算。
具体而言，步骤S5具体为：
采用最大后验估计法根据所有测量参数的测量值差值RcK(m)估计得到二次雷达识别的N个采样点相对一次雷达识别的每个雷达目标的所有测量参数的测量参数系统误差
Figure BDA0002518579190000064
计算公式为：
Figure BDA0002518579190000065
Figure BDA0002518579190000071
或者，步骤S5具体为：
采用最大似然估计法根据所有测量参数的测量值差值RcK(m)估计得到二次雷达识别的N个采样点相对一次雷达识别的每个雷达目标的所有测量参数的测量参数系统误差
Figure BDA0002518579190000072
计算公式为：
Figure BDA0002518579190000073
对本发明实施例的临近目标识别方法进行仿真，完成5000次蒙特卡洛试验，统计的识别概率、误识别概率和正确概率随归一化距离变化的曲线，并与现有技术的关联方法进行对比，对比结果如图2至图4所示，由图可知，本发明实施例的临近目标识别方法要明显优于现有技术的关联方法。
通过上述方式，本发明实施例的基于最大似然准则的临近目标识别方法在识别多个邻近目标时，能够减小系统误差和随机误差的影响，提升目标识别准确度。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (4)

1.一种基于最大似然准则的临近目标识别方法，其特征在于，包括以下步骤：
S1：估计二次雷达的测量参数方差
Figure FDA0002518579180000011
以及相对于一次雷达的测量参数系统误差方差
Figure FDA0002518579180000012
其中，K表示测量参数的种数，K大于等于1；
S2：获取二次雷达识别的应答目标的N个采样点，N个采样点表示为：
Figure FDA0002518579180000013
其中，RFK是N×1的向量，表示二次雷达与N个采样点的第K种测量参数的测量值，RsysK表示二次雷达相对于一次雷达的第K种测量参数的测量参数系统误差差值；
S3：获取一次雷达识别的m个雷达目标，对每一个雷达目标的航迹进行插值处理得到每一个雷达目标的与N个采样点采样时刻相同的N个航迹点，形成量测序列，量测序列表示为：
Figure FDA0002518579180000014
其中，RRK(m)是N×1的向量，表示第m个雷达目标与N个航迹点的第K种测量参数的测量值；
S4：对一次雷达的每个雷达目标进行遍历，计算一次雷达识别的每个雷达目标与二次雷达识别的N个采样点的所有测量参数的测量值差值的N次采样差值E(m)，计算公式为：
E(m)＝[Rc1(m) Rc2(m) … RcK(m)]＝[RR1(m)-RF1 RR2(m)-RF2 … RRK(m)-RFK]
其中，RcK(m)表示第K种测量参数的测量值差值；
S5：根据所有测量参数的测量值差值RcK(m)估计得到二次雷达识别的N个采样点相对一次雷达识别的每个雷达目标的所有测量参数的测量参数系统误差
Figure FDA0002518579180000015
S6：根据所有测量参数的测量值差值RcK(m)、测量参数系统误差
Figure FDA0002518579180000016
得到二次雷达识别的N个采样点相对一次雷达识别的每个雷达目标的所有测量参数的测量参数随机误差
Figure FDA0002518579180000017
S7；根据所有测量参数的测量参数系统误差
Figure FDA0002518579180000021
测量参数随机误差
Figure FDA0002518579180000022
计算一次雷达识别的每个雷达目标的最大似然函数值，计算公式如下：
Figure FDA0002518579180000023
S8：在一次雷达的所有雷达目标遍历完成后，从各个雷达目标的最大似然函数值选择最小的最大似然函数值对应的雷达目标作为应答目标关联的识别目标。
2.根据权利要求1所述的临近目标识别方法，其特征在于，所述测量参数包括距离、方位、俯仰中的至少一种。
3.根据权利要求1或2所述的临近目标识别方法，其特征在于，所述步骤S5具体为：
采用最大后验估计法根据所有测量参数的测量值差值RcK(m)估计得到二次雷达识别的N个采样点相对一次雷达识别的每个雷达目标的所有测量参数的测量参数系统误差
Figure FDA0002518579180000024
计算公式为：
Figure FDA0002518579180000025
Figure FDA0002518579180000026
……
Figure FDA0002518579180000027
4.根据权利要求1或2所述的临近目标识别方法，其特征在于，所述步骤S5具体为：
采用最大似然估计法根据所有测量参数的测量值差值RcK(m)估计得到二次雷达识别的N个采样点相对一次雷达识别的每个雷达目标的所有测量参数的测量参数系统误差
Figure FDA0002518579180000028
计算公式为：
Figure FDA0002518579180000029
Figure FDA0002518579180000031
……
Figure FDA0002518579180000032
CN202010484360.9A 2020-06-01 2020-06-01 一种基于最大似然准则的临近目标识别方法 Active CN111723474B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010484360.9A CN111723474B (zh) 2020-06-01 2020-06-01 一种基于最大似然准则的临近目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010484360.9A CN111723474B (zh) 2020-06-01 2020-06-01 一种基于最大似然准则的临近目标识别方法

Publications (2)

Publication Number Publication Date
CN111723474A CN111723474A (zh) 2020-09-29
CN111723474B true CN111723474B (zh) 2022-02-18

Family

ID=72565614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010484360.9A Active CN111723474B (zh) 2020-06-01 2020-06-01 一种基于最大似然准则的临近目标识别方法

Country Status (1)

Country Link
CN (1) CN111723474B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102608589A (zh) * 2012-03-16 2012-07-25 南京理工大学 基于仿生模式识别理论的雷达目标识别方法
CN104865562A (zh) * 2015-06-12 2015-08-26 西安电子科技大学 基于混合模型的雷达非合作目标的识别方法
CN109581359A (zh) * 2018-12-27 2019-04-05 电子科技大学 一种esm无源信息与雷达有源信息关联的方法
CN110083915A (zh) * 2019-04-22 2019-08-02 武汉大学 一种高频区雷达目标散射中心正向自动化建模方法
CN111157969A (zh) * 2020-01-20 2020-05-15 四川九洲电器集团有限责任公司 一种多传感器系统误差在线估计和数据融合方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102608589A (zh) * 2012-03-16 2012-07-25 南京理工大学 基于仿生模式识别理论的雷达目标识别方法
CN104865562A (zh) * 2015-06-12 2015-08-26 西安电子科技大学 基于混合模型的雷达非合作目标的识别方法
CN109581359A (zh) * 2018-12-27 2019-04-05 电子科技大学 一种esm无源信息与雷达有源信息关联的方法
CN110083915A (zh) * 2019-04-22 2019-08-02 武汉大学 一种高频区雷达目标散射中心正向自动化建模方法
CN111157969A (zh) * 2020-01-20 2020-05-15 四川九洲电器集团有限责任公司 一种多传感器系统误差在线估计和数据融合方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"Maximum Likelihood Methods in Radar Array Signal Processing";A.LEE SWINDLEHURST .etc;《Proceedings of the IEEE》;19980228;第86卷(第2期);421-441 *
"一种基于 Dirichelt 过程隐变量支撑向量机模型的目标识别方法";张学峰等;《电子与信息学报》;20150131;第37卷(第1期);29-36 *
"基于RTF和AMF融合聚焦的雷达弱小目标检测";梁璞等;《航空兵器》;20191231;第26卷(第6期);1-9 *
"复杂态势下敌我识别关联处理流程";旺小林等;《中国电子科学研究院学报》;20181031;第13卷(第5期);613-617 *

Also Published As

Publication number Publication date
CN111723474A (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
CN110889862B (zh) 一种网络传输攻击环境中多目标跟踪的组合测量方法
US20100315904A1 (en) Direction-finding method and installation for detection and tracking of successive bearing angles
CN110443275B (zh) 去除噪声的方法、设备及存储介质
CN112881993B (zh) 自动识别雷达分布杂波引起虚假航迹的方法
CN112083441A (zh) 激光雷达和毫米波雷达深度融合的障碍物检测方法及系统
CN114049382A (zh) 一种智能网联环境下目标融合跟踪方法、系统和介质
CN111239704B (zh) 大气探测雷达信号识别方法、装置、设备及介质
CN110673130A (zh) 一种基于航迹关联的运动目标航迹跟踪方法
CN111366900B (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
CN111157969B (zh) 一种多传感器系统误差在线估计和数据融合方法
CN111723474B (zh) 一种基于最大似然准则的临近目标识别方法
CN116953692A (zh) 一种主动雷达和被动雷达协同跟踪下的航迹关联方法
CN113342057B (zh) 轨迹的融合方法、装置、无人机探测系统、设备和介质
CN113253262B (zh) 一种基于一维距离像记录背景对比检测目标方法
CN112083388B (zh) 一种基于二次雷达应答信号的点迹质量评判方法
CN115220002A (zh) 一种固定单站的多目标数据关联跟踪方法和相关装置
CN113591976A (zh) 一种基于前向全近邻解相关的乱序航迹融合方法
CN113933798A (zh) 一种基于相似性原理的全局传感器系统误差分区配准算法
Ge et al. Multi-radar hybrid detection algorithm based on information entropy
RU2206104C2 (ru) Способ распознавания удаленных воздушных объектов
CN113900093B (zh) 一种基于分集技术的外辐射源雷达自动目标识别方法
RU2755801C1 (ru) Способ определения азимута цели с помощью линейно-аппроксимированной пеленгационной характеристики
CN113030901B (zh) 一种结合姿态仪与毫米波雷达的无人船前方多目标跟踪检测方法
Jiang et al. Positive definite matrix space based detector with limited training samples for multiple target situations
RU2752863C1 (ru) Способ стробового отождествления сигналов с источниками радиоизлучения в многоцелевой обстановке

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Yang Ya

Inventor after: Li Liang

Inventor after: Cheng Qi

Inventor before: Yang Ya

Inventor before: Li Liang

GR01 Patent grant
GR01 Patent grant