CN111830479B - 雷达回波双分量混合幅度分布模型参数估计方法及装置 - Google Patents
雷达回波双分量混合幅度分布模型参数估计方法及装置 Download PDFInfo
- Publication number
- CN111830479B CN111830479B CN202010657840.0A CN202010657840A CN111830479B CN 111830479 B CN111830479 B CN 111830479B CN 202010657840 A CN202010657840 A CN 202010657840A CN 111830479 B CN111830479 B CN 111830479B
- Authority
- CN
- China
- Prior art keywords
- ccdf
- model
- component mixed
- echo
- weighting coefficient
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000007619 statistical method Methods 0.000 claims abstract description 13
- 208000021907 Central cloudy dystrophy of François Diseases 0.000 claims abstract 51
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000009977 dual effect Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
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
- G01S7/414—Discriminating targets with respect to background clutter
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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
本发明实施例提供一种雷达回波双分量混合幅度分布模型参数估计方法,包括:根据雷达回波数据对双分量混合模型中每个分量的模型参数进行估计;基于直方图统计方法得到经验CCDF,根据估计的每个分量的模型参数和初始加权系数,获取回波数据的初始理论CCDF;确定回波数据的CCDF区间范围,并统计经验CCDF和初始理论CCDF在CCDF区间范围内的所有分位点,计算分位点之间的误差;将初始加权系数增加预设步长,获取新的加权系数,直到加权系数超出预设范围;将误差最小值对应的加权系数作为双分量混合幅度分布模型的最优加权系数。本实施例运算简单,避免局部最优,提高拖尾区域建模精度,可用于杂波背景下的雷达目标检测。
Description
技术领域
本发明实施例涉及雷达信号处理技术领域,尤其涉及一种雷达回波双分量混合幅度分布模型参数估计方法及装置,可用于杂波背景下的雷达目标检测。
背景技术
雷达回波幅度分布模型描述了雷达杂波、目标回波以及目标回波与杂波叠加回波的时域统计起伏特性。在雷达信号处理领域,建立准确的雷达回波幅度分布模型具有重要的理论和应用价值。对于岸基、船载、机载等固定或运动平台常规体制雷达,雷达回波幅度分布模型是恒虚警(Constant False-Alarm Rate,CFAR)检测方法选择和门限设置的主要依据。对于机载、星载等运动平台合成孔径雷达(Synthetic Aperture Radar,SAR),雷达回波幅度分布模型不仅关乎目标检测性能,同时也是SAR图像解译的重要基础。
现代雷达为提高弱小目标探测和识别性能,通常采用较高分辨率,此时,回波幅度分布的非高斯特性显著。为提高理论模型与实测数据经验概率密度函数(ProbabilityDensity Function,PDF)之间的吻合度,一些双参数、三参数或多参数非高斯模型,在雷达回波幅度分布建模中得到应用。按照模型中幅度分布分量数的不同,可将模型分为单分量模型和双分量混合模型两类,前者通常为双参数或三参数模型,后者则大多为多参数模型,两类模型建模结果的差异主要体现在大幅值对应的拖尾区域,其参数估计方法截然不同。
其中,双分量混合模型主要用于解决高分辨率、3级以上海况条件下,雷达回波幅度分布的重拖尾建模问题。在这种条件下,单分量幅度分布模型在描述幅度分布拖尾特性方面具有一定的局限性,即理论PDF曲线与实测数据估计得到的经验PDF曲线在拖尾区域具有较大的偏离。对于目标检测而言,拖尾区域的拟合误差会直接导致理论门限的设定值过小,这将引起实际虚警数的增加,给检测性能带来不利影响。因此,作为稳健的幅度分布模型,应同时能够对雷达回波幅度分布的全局PDF及其拖尾区域实现精确拟合,且拖尾区域的拟合精度往往具有更加重要的理论指导意义。在该背景下,相关文献提出了双分量混合模型,这类模型的共同特点是在单分量模型基础上,以线性加权形式叠加额外的散射分量,以改善拖尾区域的建模准确度。根据模型两个分量组合形式的不同,双分量混合模型可细分为两类,第一类模型是两个分量的分布类型相同的情况,在数学形式上表示为如下形式:
pR(r)=ρp1(r|c1,v1)+(1-ρ)p2(r|c2,v2);
第二类模型是两个分量的分布类型不同的情况,在数学形式上表示为如下形式:
值得注意的是,两类模型在形式上是相同的,但是关于加权系数的定义不同,第一类模型中加权系数定义为两个分量的模型中尺度参数的比值,第二类模型中加权系数定义为两个分布分量的权重。
与单分量模型相比,双分量混合模型的待估计参数更多。以两个K分布的叠加模型为例,待估计参数包括两个K分布分量的形状参数和尺度参数,以及权重,合计为5个参数,模型参数估计性能直接决定了建模准确度。目前针对该问题的已有解决方案是:首先,对模型做适当假定,减少待估计参数。例如,对于两个K分布的叠加模型,假定两个K分布分量的形状参数相同,尺度参数满足一定的加权系数,且权重为常数,在该假定下模型参数由5个减少到3个。然后,采用数值优化方法对模型参数进行估计,已经应用的方法包括Nelder-Mead单纯形搜索方法、基于字典的随机期望最大化方法等。
从实际应用效果来看,已有双分量混合模型参数估计方法存在四个主要问题:1、参数估计过程涉及较为复杂的迭代运算,计算复杂度很高,不利于在线回波数据的实时估计和参数更新;2、模型参数较多,采用数值优化方法尽管可以一次性估计出所有未知参数,但是易陷入局部最优解;3、采用数值优化方法时,目标函数的确定均是在PDF域或互补累积分布函数(CumulativeDistribution Function,CCDF)域统计得到,在大幅值对应的拖尾区域,上述两个数据域的数值都很小,约10-3到10-5量级;而在小幅值区域,其数值又较大,这相当于赋予了拖尾区域较小的权重,对改善拖尾建模精度不利;4、对回波数据中可能存在的异常值不具有稳健性,例如,在分析海杂波统计特性时,回波数据中出现的目标信号会严重影响参数估计性能,进而降低建模准确度。因此,急需结合实际应用需求,提出更为高效、稳健的雷达回波双分量混合幅度分布模型参数估计方法。
发明内容
本发明实施例提供一种雷达回波双分量混合幅度分布模型参数估计方法及装置,用以解决现有技术中双分量混合幅度分布模型的参数估计运算复杂、陷入局部最优解且拖尾区域建模精度低的缺陷。
本发明实施例提供一种雷达回波双分量混合幅度分布模型参数估计方法,包括:
根据雷达接收的回波数据,对雷达回波双分量混合幅度分布模型中每个分量的模型参数进行估计;
基于直方图统计方法得到所述回波数据的经验CCDF,根据所述雷达回波双分量混合幅度分布模型中估计的每个分量的模型参数和初始加权系数,获取所述回波数据的初始理论CCDF;
根据所述回波数据的数据点数和预设虚警概率,确定所述回波数据的CCDF区间范围,并统计所述经验CCDF和初始理论CCDF在所述CCDF区间范围内所有分位点,计算所述经验CCDF和理论CCDF对应分位点之间的误差;
将所述初始加权系数增加预设步长,获取新的加权系数,迭代执行获取理论CCDF,并计算所述经验CCDF和理论CCDF对应的分位点之间误差的步骤,直到加权系数超出预设范围;
获取所有加权系数对应误差中的最小值,将所述最小值对应的加权系数作为所述雷达回波双分量混合幅度分布模型的最优加权系数。
根据本发明一个实施例的雷达回波双分量混合幅度分布模型参数估计方法,若所述雷达回波双分量混合幅度分布模型中的两个分量具有相同的分布类型,则设定两个分量的模型中形状参数相同,所述加权系数为两个分量的模型中尺度参数的比值,所述两个分量的模型之间的权重为预设常数;
若所述雷达回波双分量混合幅度分布模型中的两个分量具有不同的分布类型,则所述加权系数为所述两个分量的权重。
根据本发明一个实施例的雷达回波双分量混合幅度分布模型参数估计方法,基于直方图统计方法得到雷达接收的回波数据的经验CCDF的步骤包括:
根据所述回波数据的数据点数,确定所述回波数据的幅度区间的划分数量;
获取所述回波数据的幅度最大值和幅度最小值,根据所述幅度最大值和幅度最小值确定所述回波数据的幅度总范围;
根据所述幅度区间的划分数量,将所述幅度总范围划分为等间隔的幅度区间;
统计位于每个所述幅度区间内的回波数据的数据点数;
根据每个所述幅度区间对应的数据点数,获取所述回波数据的经验PDF;
对所述经验PDF进行积分得到所述回波数据的经验CDF,根据所述经验CDF获取所述经验CCDF。
根据本发明一个实施例的雷达回波双分量混合幅度分布模型参数估计方法,根据所述回波数据的数据点数和预设虚警概率,确定所述回波数据的CCDF区间范围的步骤包括:
根据所述回波数据的数据点数确定所述CCDF区间范围的下限范围,从所述下限范围中任意取一个值作为所述CCDF区间范围的下限;
根据预设虚警概率确定所述CCDF区间范围的上限范围,从所述上限范围中任意取一个值作为所述CCDF区间范围的上限;
根据所述CCDF区间范围的上限和下限确定所述CCDF区间范围。
根据本发明一个实施例的雷达回波双分量混合幅度分布模型参数估计方法,根据所述CCDF区间范围的上限和下限确定所述CCDF区间范围的步骤之后还包括:
统计所述经验CCDF在所述CCDF区间范围内分位点的数量;
若所述数量小于预设阈值,则在所述下限范围内调小所述CCDF区间范围的下限取值和/或在所述上限范围内调大所述CCDF区间范围的上限取值;
统计所述经验CCDF在调整后的所述CCDF区间范围内分位点的数量,直到所述数量大于或等于所述预设阈值;
将最后一次调整的所述CCDF区间范围作为最终的CCDF区间范围。
根据本发明一个实施例的雷达回波双分量混合幅度分布模型参数估计方法,将所述最小值对应的当前加权系数作为所述雷达回波双分量混合幅度分布模型的最优加权系数的公式为:
其中,为所述最优加权系数,为待估计加权系数,Q为所述CCDF区间范围的下限对应的幅度区间编号,q为所述CCDF区间范围的上限对应的幅度区间编号,为所述经验CCDF的第i个分位点,R(i)为所述理论CCDF的第i个分位点;
若所述雷达回波双分量混合幅度分布模型中的两个分量具有相同的分布类型,所述加权系数为两个分量的模型中尺度参数的比值;
若所述雷达回波双分量混合幅度分布模型中的两个分量具有不同的分布类型,则所述加权系数为所述两个分量的权重。
根据本发明一个实施例的雷达回波双分量混合幅度分布模型参数估计方法,所述雷达回波双分量混合幅度分布模型的数量为多个;
相应地,在估计出每个所述雷达回波双分量混合幅度分布模型中各分量的模型参数和最优加权系数之后还包括:
采用修正的χ2检验方法,获取每个所述雷达回波双分量混合幅度分布模型的建模精度;
将建模精度最高的所述雷达回波双分量混合幅度分布模型作为最优模型;
使用所述最优模型表示所述回波数据的幅度分布;
根据所述预设虚警概率和所述最优模型,确定理论检测门限,根据所述回波数据的幅度与所述理论检测门限之间的关系,对目标存在与否做出判决,若所述回波数据的幅度高于理论检测门限,则判定为目标存在,否则判定为目标不存在。
本发明实施例还提供一种雷达回波双分量混合幅度分布模型参数估计装置,包括:
第一估计模块,用于根据雷达接收的回波数据,对雷达回波双分量混合幅度分布模型中每个分量的模型参数进行估计;
获取模块,用于基于直方图统计方法得到所述回波数据的经验CCDF,根据所述雷达回波双分量混合幅度分布模型中估计的每个分量的模型参数和初始加权系数,获取所述回波数据的初始理论CCDF;
计算模块,用于根据所述回波数据的数据点数和预设虚警概率,确定所述回波数据的CCDF区间范围,并统计所述经验CCDF和初始理论CCDF在所述CCDF区间范围内的所有分位点,计算所述经验CCDF和初始理论CCDF对应分位点之间的误差;
调节模块,用于将所述初始加权系数增加预设步长,获取新的加权系数,迭代执行获取理论CCDF,并计算所述经验CCDF和理论CCDF对应分位点之间误差的步骤,直到加权系数超出预设范围;
第二估计模块,用于获取所有加权系数对应的误差中的最小值,将所述最小值对应的加权系数作为所述雷达回波双分量混合幅度分布模型的最优加权系数。
本发明实施例还提供一种电子设备,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,所述处理器执行所述程序时实现如上述任一种所述雷达回波双分量混合幅度分布模型参数估计方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述雷达回波双分量混合幅度分布模型参数估计方法的步骤。
本发明实施例提供的雷达回波双分量混合幅度分布模型参数估计方法及装置,通过首先估计出雷达回波双分量混合幅度分布模型中各分量的模型参数,然后估计出加权系数,分两步完成模型中多个参数的估计,避免复杂的迭代运算,可显著降低运算复杂度;在各分布分量参数估计的基础上,以单独的环节对加权系数进行估计,其实质是动态调整雷达回波的经验CCDF与理论CCDF的偏离度,在调整过程中必然存在一个最佳拟合的平衡点,因此可有效避免局部最优解问题;将拟合误差计算由CCDF域转化为分位点域,即在一定的区间范围内统计经验CCDF和理论CCDF对应分位点之间的误差,该处理赋予分布拖尾区域以更大的权重,使得拖尾区域的建模更加精确,更加贴近CFAR处理中的门限设置需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种雷达回波双分量混合幅度分布模型参数估计方法的流程示意图;
图2是本发明实施例提供的一种雷达回波双分量混合幅度分布模型参数估计方法中应用不同参数估计方法时检测门限损失情况示意图;
图3是本发明实施例提供的一种雷达回波双分量混合幅度分布模型参数估计方法中CCDF区间范围确定原理示意图;
图4是本发明实施例提供的一种雷达回波双分量混合幅度分布模型参数估计装置的结构示意图;
图5是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,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作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。
下面结合图1描述本发明实施例的雷达回波双分量混合幅度分布模型参数估计方法,该方法包括:S101,根据雷达接收的回波数据,对雷达回波双分量混合幅度分布模型中每个分量的模型参数进行估计;
具体地,在使用雷达接收的回波数据进行模型参数估计之前对回波数据进行预处理。对于雷达接收到的每一个脉冲串回波序列X=(x1,x2,…,xN),若序列为I和Q通道数据构成的复数,则首先对其I和Q通道数据取模,得到包络幅度数据序列。若雷达工作在扫描模式,则在脉冲维和距离维取出回波数据,得到数据矩阵,并将其转化为一维数据向量。若雷达工作在凝视模式,则在脉冲维取出回波数据,得到一维数据向量。为保证雷达回波双分量混合幅度分布模型的建模精度,回波数据的数据点数N应大于预设值,如2000。
雷达回波双分量混合幅度分布模型可以是两个K分布的叠加模型、两个韦布尔分布的叠加模型、K分布与对数正态分布的叠加模型,或者是韦布尔分布与对数正态的叠加模型。雷达回波双分量混合幅度分布模型为每个分量的单分量幅度分布模型的叠加,使用回波数据对雷达回波双分量混合幅度分布模型中的每个分量分别进行建模,并对每个分量的单分量幅度分布模型进行模型参数估计,得到各分量的模型参数。其中,每个分量的模型参数可以采用矩估计、最大似然估计方法得到。
S102,基于直方图统计方法得到所述回波数据的经验CCDF,根据所述雷达回波双分量混合幅度分布模型中估计的每个分量的模型参数和加权系数,获取所述回波数据的初始理论CCDF;
对于雷达接收的回波数据,采用直方图统计方法构建回波数据的直方图,根据直方图得到经验CCDF。初始化时给定初始加权系数,将初始加权系数作为当前加权系数,得到雷达回波双分量混合幅度分布模型的初始理论PDF,表示为pR(r)。根据初始理论PDF得到初始理论CDF,表示为PR(r)。根据初始理论CDF得到初始理论CCDF。
S103,根据所述回波数据的数据点数和预设虚警概率,确定所述回波数据的CCDF区间范围,并统计所述经验CCDF和初始理论CCDF在所述CCDF区间范围内的所有分位点,计算所述经验CCDF和初始理论CCDF对应分位点之间的误差;
依据回波数据的数据点数N和预设虚警概率Pfa确定相应的CCDF区间范围。本实施例不限于具体的确定方法。统计经验CCDF在CCDF区间范围内的分位点,其下限表示为上限表示为统计理论CCDF在CCDF区间范围内的分位点,其下限表示为RQ,上限表示为Rq。计算经验CCDF的分位点和对应的理论CCDF的分位点之间的误差。
S104,将所述初始加权系数增加预设步长,获取新的加权系数,迭代执行获取理论CCDF,并计算所述经验CCDF和理论CCDF对应分位点之间误差的步骤,直到加权系数超出预设范围;
模型参数估计的精度与加权系数步长的设定值有关,步长越小,则精度越高。若雷达回波双分量混合幅度分布模型中的两个分量具有相同的分布类型,当前加权系数为模型中两个分量的尺度参数比值,如加权系数的取值范围为1到80,步长的经验取值范围为0.1~1之间。若雷达回波双分量混合幅度分布模型中的两个分量具有不同的分布类型,当前加权系数为两个分量的权重,如的取值范围为0到1,步长经验取值范围为0.001~0.1之间。调节当前加权系数,找出使得误差最小的当前加权系数作为最优加权系数,从本质上看本实施例仍属于数值优化方法,但是该步骤涉及的待估计参数仅为加权系数这一个参数,不存在陷入局部最优解的问题。
S105,获取所有加权系数对应的误差中的最小值,将所述最小值对应的加权系数作为所述雷达回波双分量混合幅度分布模型的最优加权系数。
在评估出雷达回波双分量混合幅度分布模型中各分量的模型参数和最优加权系数之后,将这些参数带入雷达回波双分量混合幅度分布模型的理论表达式中,使用该理论表达式计算各幅度区间的理论PDF,根据理论PDF计算理论CDF,根据理论CDF计算得到理论CCDF,从而得到回波数据的最终雷达回波双分量混合幅度分布模型建模结果。在不同扫描周期和探测区域,分别利用接收到的回波数据进行模型参数估计,实现模型参数更新。
使用建模结果表示的回波数据的幅度分布,对回波数据进行后续处理。使用本实施例中的参数估计方法得到的雷达回波双分量混合幅度分布模型可以应用于雷达目标检测中,具体步骤为:依据预设虚警概率和理论CCDF,确定出与该虚警概率对应的分位点,将该分位点作为理论检测门限,根据当前雷达接收的回波数据的幅度与理论检测门限之间的关系,对目标存在与否做出判决,若高于理论检测门限,则判定为目标存在,否则判定为目标不存在。相比于已有参数估计方法,本实施例给出的参数估计方法专门针对幅度分布拖尾区域做了优化,因此得到的理论CCDF模型曲线在拖尾区域与实测数据经验CCDF曲线的吻合度更高,依据该理论CCDF模型得到的检测门限更加符合雷达回波特征,对于降低实际虚警概率具有明显的效果。在图2中给出了一种典型的应用结果示意图,图中,r1和r2分别表示相同模型、不同参数估计方法条件下的检测门限损失。可以看出,采用本实施例参数估计方法得到的模型,具有更小的检测门限损失,对目标检测非常有利。
本实施例首先估计出雷达回波双分量混合幅度分布模型中各分量的模型参数,然后估计出加权系数,分两步完成模型中多个参数的估计,避免复杂的迭代运算,可显著降低运算复杂度;在各分布分量参数估计的基础上,以单独的环节对加权系数进行估计,其实质是动态调整雷达回波的经验CCDF与理论CCDF的偏离度,在调整过程中必然存在一个最佳拟合的平衡点,因此可有效避免局部最优解问题;将拟合误差计算由CCDF域转化为分位点域,即在一定的区间范围内统计经验CCDF和理论CCDF对应分位点之间的误差,该处理赋予分布拖尾区域以更大的权重,使得拖尾区域的建模更加精确,更加贴近CFAR处理中的门限设置需求。
在上述实施例的基础上,本实施例中若所述雷达回波双分量混合幅度分布模型中的两个分量具有相同的分布类型,则设定两个分量的模型中形状参数相同,所述加权系数为两个分量的模型中尺度参数的比值,所述两个分量的模型之间的权重为预设常数;
具体地,如果雷达回波双分量混合幅度分布模型,例如两个K分布的叠加模型或者两个韦布尔分布的叠加模型中的两个分量具有相同的分布类型,则设定两个分量的模型中形状参数相同,尺度参数满足一定的加权系数。在该情况下,对雷达回波双分量混合幅度分布模型进行适当近似,即假定两个分量的模型之间的权重为预设常数,例如假定ρ=0.01。
若所述雷达回波双分量混合幅度分布模型中的两个分量具有不同的分布类型,则所述加权系数为所述两个分量的权重。
例如,雷达回波双分量混合幅度分布模型为K分布与对数正态分布的叠加模型,或者韦布尔分布与对数正态的叠加模型。
在上述实施例的基础上,本实施例中基于直方图统计方法得到雷达接收的回波数据的经验CCDF的步骤包括:根据所述回波数据的数据点数,确定所述回波数据的幅度区间的划分数量;
例如,划分数量为回波数据的数据点数除以预设常数,如预设常数为10。还可以将回波数据的数据点数除以预设常数作为划分数量的上限,将另一个预设常数作为划分数量的下限,如划分数量的范围为50到N/10之间,从该范围内任意取一值作为划分数量。
获取所述回波数据的幅度最大值和幅度最小值,根据所述幅度最大值和幅度最小值确定所述回波数据的幅度总范围;根据所述幅度区间的划分数量,将所述幅度总范围划分为等间隔的幅度区间;统计位于每个所述幅度区间内的回波数据的数据点数;
统计回波数据的幅度最大值和幅度最小值,在该范围内根据划分数量将该范围划分为等间隔的幅度区间,并统计幅度位于每个所述幅度区间内的回波数据的数据点数,从而构建回波数据的直方图。
根据每个所述幅度区间对应的数据点数,获取所述回波数据的经验PDF;对所述经验PDF进行积分得到所述回波数据的经验CDF,根据所述经验CDF获取所述经验CCDF。
在上述实施例的基础上,本实施例中根据所述回波数据的数据点数和预设虚警概率,确定所述回波数据的CCDF区间范围的步骤包括:根据所述回波数据的数据点数确定所述CCDF区间范围的下限范围,从所述下限范围中任意取一个值作为所述CCDF区间范围的下限;根据预设虚警概率确定所述CCDF区间范围的上限范围,从所述上限范围中任意取一个值作为所述CCDF区间范围的上限;根据所述CCDF区间范围的上限和下限确定所述CCDF区间范围。
具体地,CCDF区间范围对参数估计精度有直接影响。CCDF区间范围的下限,应保证统计结果的准确性,同时又能够对异常数据具有一定的抑制作用。折中考虑,CCDF区间范围的下限范围为[C1/N,C2/N],其中C1和C2为预设常数,C1小于C2,如C1为10,C2为100。
CCDF区间范围的上限对应拖尾区域的起点,这与预设虚警概率Pfa的设置及其对应的门限有关。理论CCDF曲线中与该虚警概率对应的门限值,应该与经验CCDF得到的门限值尽可能一致。为保证精度,CCDF区间范围的上限要大于Pfa。经验证,CCDF区间范围的上限取值范围为[C3*Pfa,C4*Pfa],如C3为10,C4为100。例如,当Pfa=10-3时,上限取值应介于10-2到10-1之间。综上,CCDF区间范围的下限范围为[C1/N,C2/N],从中取一值作为CCDF区间范围的下限,与之对应的幅度区间编号为Q。CCDF区间范围的上限范围为[C3*Pfa,C4*Pfa],从中取一值作为CCDF区间范围的上限,与之对应的幅度区间编号为q。CCDF区间范围的确定原理如图3所示。
在上述实施例的基础上,本实施例中根据所述CCDF区间范围的上限和下限确定所述CCDF区间范围的步骤之后还包括:统计所述经验CCDF在所述CCDF区间范围内分位点的数量;
若所述数量小于预设阈值,则在所述下限范围内调小所述CCDF区间范围的下限取值和/或在所述上限范围内调大所述CCDF区间范围的上限取值;
若实际统计得到的分位点数小于预设阈值,如10个,将影响模型参数估计精度,则在下限范围内调小CCDF区间范围的下限取值和/或在上限范围内调大CCDF区间范围的上限取值,从而保证实际统计得到的分位点数大于或等于预设阈值。
统计所述经验CCDF在调整后的所述CCDF区间范围内分位点的数量,直到所述数量大于或等于所述预设阈值;将最后一次调整的所述CCDF区间范围作为最终的CCDF区间范围。
在上述实施例的基础上,本实施例中将所述最小值对应的加权系数作为所述雷达回波双分量混合幅度分布模型的最优加权系数的公式为:
其中,为所述最优加权系数,为待估计加权系数,Q为所述CCDF区间范围的下限对应的幅度区间编号,q为所述CCDF区间范围的上限对应的幅度区间编号,为所述经验CCDF的第i个分位点,R(i)为所述理论CCDF的第i个分位点;
若所述雷达回波双分量混合幅度分布模型中的两个分量具有相同的分布类型,所述加权系数为两个分量的模型中尺度参数的比值;
若所述雷达回波双分量混合幅度分布模型中的两个分量具有不同的分布类型,则所述加权系数为所述两个分量的权重。
具体地,本实施例中经验CCDF和理论CCDF对应的分位点之间的误差为均方根误差(Root Mean Square Error,RMSE)。以经验CCDF和理论CCDF对应分位点的最小均方根误差为目标函数,采用多分位点联合优化求解方法得到模型的最优加权系数。在加权系数的取值范围内,以预设步长增加加权系数,当目标函数出现最小值时,对应的加权系数即为最优加权系数。
在上述各实施例的基础上,本实施例中所述雷达回波双分量混合幅度分布模型的数量为多个;相应地,在估计出每个所述雷达回波双分量混合幅度分布模型中各分量的模型参数和最优加权系数之后还包括:采用修正的χ2检验方法,获取每个所述雷达回波双分量混合幅度分布模型的建模精度;将建模精度最高的所述雷达回波双分量混合幅度分布模型作为最优模型;使用所述最优模型表示所述回波数据的幅度分布;根据所述虚警概率和所述最优模型,确定理论检测门限,根据所述回波数据的幅度与理论检测门限关系,对目标存在与否做出判决,若所述回波数据高于理论检测门限,则判定为目标存在,否则判定为目标不存在。具体地,本实施例采用修正的χ2检验方法,定量分析不同模型的建模精度,拟合优度返回值η表示为:
其中,m0表示幅度区间的划分数量,vi和NPfapi分别表示第i个幅度区间的经验频数和理论频数。拟合优度返回值η越小,则建模精度越高。将返回值最小的模型应用于当前雷达回波数据,完成双分量混合模型参数估计。
下面对本发明实施例提供的雷达回波双分量混合幅度分布模型参数估计装置进行描述,下文描述的雷达回波双分量混合幅度分布模型参数估计装置与上文描述的雷达回波双分量混合幅度分布模型参数估计方法可相互对应参照。
如图4所示,本实施例提供一种雷达回波双分量混合幅度分布模型参数估计装置,包括:第一估计模块401、获取模块402、计算模块403、调节模块404和第二估计模块405;其中:
第一估计模块401用于根据雷达接收的回波数据对雷达回波双分量混合幅度分布模型中每个分量的模型参数进行估计;
获取模块402用于基于直方图统计方法得到所述回波数据的经验CCDF,根据所述雷达回波双分量混合幅度分布模型中估计的每个分量的模型参数和初始加权系数,获取所述回波数据的初始理论CCDF;
计算模块403用于根据所述回波数据的数据点数和预设虚警概率,确定所述回波数据的CCDF区间范围,并统计所述经验CCDF和初始理论CCDF在所述CCDF区间范围内的所有分位点,计算所述经验CCDF和初始理论CCDF对应分位点之间的误差;
调节模块404用于将所述加权系数增加预设步长,获取新的加权系数,迭代执行获取理论CCDF,并计算所述经验CCDF和理论CCDF对应分位点之间误差的步骤,直到加权系数超出预设范围;
第二估计模块405用于获取所有加权系数对应的误差中的最小值,将所述最小值对应的加权系数作为所述雷达回波双分量混合幅度分布模型的最优加权系数。
本实施例通过首先估计出雷达回波双分量混合幅度分布模型中各分量的模型参数,然后估计出加权系数,分两步完成模型中多个参数的估计,避免复杂的迭代运算,可显著降低运算复杂度;在各分布分量参数估计的基础上,以单独的环节对加权系数进行估计,其实质是动态调整雷达回波的经验CCDF与理论CCDF的偏离度,在调整过程中必然存在一个最佳拟合的平衡点,因此可有效避免局部最优解问题;将拟合误差计算由CCDF域转化为分位点域,即在一定的区间范围内统计经验CCDF和理论CCDF对应分位点之间的误差,该处理赋予分布拖尾区域以更大的权重,使得拖尾区域的建模更加精确,更加贴近CFAR处理中的门限设置需求。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)501、通信接口(CommunicationsInterface)502、存储器(memory)503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503中的逻辑指令,以执行雷达回波双分量混合幅度分布模型参数估计方法,该方法包括:根据雷达回波数据对双分量混合模型中每个分量的模型参数进行估计;基于直方图统计方法得到经验CCDF,根据估计的每个分量的模型参数和初始加权系数,获取回波数据的理论CCDF;确定回波数据的CCDF区间范围,并统计经验CCDF和理论CCDF在CCDF区间范围内的所有分位点,计算分位点之间的误差;将初始加权系数增加预设步长,获取新的加权系数,直到加权系数超出预设范围;将误差最小值对应的加权系数作为雷达回波双分量混合幅度分布模型的最优加权系数。
此外,上述的存储器503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的雷达回波双分量混合幅度分布模型参数估计方法,该方法包括:根据雷达回波数据对双分量混合模型中每个分量的模型参数进行估计;基于直方图统计方法得到经验CCDF,根据估计的每个分量的模型参数和初始加权系数,获取回波数据的理论CCDF;确定回波数据的CCDF区间范围,并统计经验CCDF和理论CCDF在CCDF区间范围内的所有分位点,计算分位点之间的误差;将初始加权系数增加预设步长,获取新的加权系数,直到加权系数超出预设范围;将误差最小值对应的加权系数作为雷达回波双分量混合幅度分布模型的最优加权系数。
又一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的雷达回波双分量混合幅度分布模型参数估计方法,该方法包括:根据雷达回波数据对双分量混合模型中每个分量的模型参数进行估计;基于直方图统计方法得到经验CCDF,根据估计的每个分量的模型参数和初始加权系数,获取回波数据的理论CCDF;确定回波数据的CCDF区间范围,并统计经验CCDF和理论CCDF在CCDF区间范围内的所有分位点,计算分位点之间的误差;将初始加权系数增加预设步长,获取新的加权系数,直到加权系数超出预设范围;将误差最小值对应的加权系数作为雷达回波双分量混合幅度分布模型的最优加权系数。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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。
Claims (10)
1.一种雷达回波双分量混合幅度分布模型参数估计方法,其特征在于,包括:
根据雷达接收的回波数据,对雷达回波双分量混合幅度分布模型中每个分量的模型参数进行估计;
基于直方图统计方法得到所述回波数据的经验CCDF,根据所述雷达回波双分量混合幅度分布模型中估计的每个分量的模型参数和初始加权系数,获取所述回波数据的初始理论CCDF;
根据所述回波数据的数据点数和预设虚警概率,确定所述回波数据的CCDF区间范围,并统计所述经验CCDF和初始理论CCDF在所述CCDF区间范围内的所有分位点,计算所述经验CCDF和初始理论CCDF对应分位点之间的误差;
将所述初始加权系数增加预设步长,获取新的加权系数,迭代执行获取理论CCDF,并计算所述经验CCDF和理论CCDF对应的分位点之间误差的步骤,直到加权系数超出预设范围;
获取所有加权系数对应误差中的最小值,将所述最小值对应的加权系数作为所述雷达回波双分量混合幅度分布模型的最优加权系数。
2.根据权利要求1所述的雷达回波双分量混合幅度分布模型参数估计方法,其特征在于,若所述雷达回波双分量混合幅度分布模型中的两个分量具有相同的分布类型,则设定两个分量的模型中形状参数相同,所述加权系数为两个分量的模型中尺度参数的比值,所述两个分量的模型之间的权重为预设常数;
若所述雷达回波双分量混合幅度分布模型中的两个分量具有不同的分布类型,则所述加权系数为所述两个分量的权重。
3.根据权利要求1所述的雷达回波双分量混合幅度分布模型参数估计方法,其特征在于,基于直方图统计方法得到雷达接收的回波数据的经验CCDF的步骤包括:
根据所述回波数据的数据点数,确定所述回波数据的幅度区间的划分数量;
获取所述回波数据的幅度最大值和幅度最小值,根据所述幅度最大值和幅度最小值确定所述回波数据的幅度总范围;
根据所述幅度区间的划分数量,将所述幅度总范围划分为等间隔的幅度区间;
统计位于每个所述幅度区间内的回波数据的数据点数;
根据每个所述幅度区间对应的数据点数,获取所述回波数据的经验PDF;
对所述经验PDF进行积分得到所述回波数据的经验CDF,根据所述经验CDF获取所述经验CCDF。
4.根据权利要求1所述的雷达回波双分量混合幅度分布模型参数估计方法,其特征在于,根据所述回波数据的数据点数和预设虚警概率,确定所述回波数据的CCDF区间范围的步骤包括:
根据所述回波数据的数据点数确定所述CCDF区间范围的下限范围,从所述下限范围中任意取一个值作为所述CCDF区间范围的下限;
根据预设虚警概率确定所述CCDF区间范围的上限范围,从所述上限范围中任意取一个值作为所述CCDF区间范围的上限;
根据所述CCDF区间范围的上限和下限确定所述CCDF区间范围。
5.根据权利要求4所述的雷达回波双分量混合幅度分布模型参数估计方法,其特征在于,根据所述CCDF区间范围的上限和下限确定所述CCDF区间范围的步骤之后还包括:
统计所述经验CCDF在所述CCDF区间范围内分位点的数量;
若所述数量小于预设阈值,则在所述下限范围内调小所述CCDF区间范围的下限取值和/或在所述上限范围内调大所述CCDF区间范围的上限取值;
统计所述经验CCDF在调整后的所述CCDF区间范围内分位点的数量,直到所述数量大于或等于所述预设阈值;
将最后一次调整的所述CCDF区间范围作为最终的CCDF区间范围。
6.根据权利要求1所述的雷达回波双分量混合幅度分布模型参数估计方法,其特征在于,将所述最小值对应的加权系数作为所述雷达回波双分量混合幅度分布模型的最优加权系数的公式为:
其中,为所述最优加权系数,为待估计加权系数,Q为所述CCDF区间范围的下限对应的幅度区间编号,q为所述CCDF区间范围的上限对应的幅度区间编号,为所述经验CCDF的第i个分位点,R(i)为所述理论CCDF的第i个分位点;
若所述雷达回波双分量混合幅度分布模型中的两个分量具有相同的分布类型,所述加权系数为两个分量的模型中尺度参数的比值;
若所述雷达回波双分量混合幅度分布模型中的两个分量具有不同的分布类型,则所述加权系数为所述两个分量的权重。
7.根据权利要求1-6任一所述的雷达回波双分量混合幅度分布模型参数估计方法,其特征在于,所述雷达回波双分量混合幅度分布模型的数量为多个;
相应地,在估计出每个所述雷达回波双分量混合幅度分布模型中各分量的模型参数和最优加权系数之后还包括:
采用修正的χ2检验方法,获取每个所述雷达回波双分量混合幅度分布模型的建模精度;
将建模精度最高的所述雷达回波双分量混合幅度分布模型作为最优模型;
使用所述最优模型表示所述回波数据的幅度分布;
根据所述预设虚警概率和所述最优模型,确定理论检测门限,根据所述回波数据的幅度与所述理论检测门限之间的关系,对目标存在与否做出判决,若所述回波数据的幅度高于所述理论检测门限,则判定为目标存在,否则判定为目标不存在。
8.一种雷达回波双分量混合幅度分布模型参数估计装置,其特征在于,包括:
第一估计模块,用于根据雷达接收的回波数据,对雷达回波双分量混合幅度分布模型中每个分量的模型参数进行估计;
获取模块,用于基于直方图统计方法得到所述回波数据的经验CCDF,根据所述雷达回波双分量混合幅度分布模型中估计的每个分量的模型参数和初始加权系数,获取所述回波数据的初始理论CCDF;
计算模块,用于根据所述回波数据的数据点数和预设虚警概率,确定所述回波数据的CCDF区间范围,并统计所述经验CCDF和初始理论CCDF在所述CCDF区间范围内的所有分位点,计算所述经验CCDF和初始理论CCDF对应分位点之间的误差;
调节模块,用于将所述初始加权系数增加预设步长,获取新的加权系数,迭代执行获取理论CCDF,并计算所述经验CCDF和理论CCDF对应分位点之间误差的步骤,直到加权系数超出预设范围;
第二估计模块,用于获取所有加权系数对应误差中的最小值,将所述最小值对应的加权系数作为所述雷达回波双分量混合幅度分布模型的最优加权系数。
9.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述雷达回波双分量混合幅度分布模型参数估计方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述雷达回波双分量混合幅度分布模型参数估计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010657840.0A CN111830479B (zh) | 2020-07-09 | 2020-07-09 | 雷达回波双分量混合幅度分布模型参数估计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010657840.0A CN111830479B (zh) | 2020-07-09 | 2020-07-09 | 雷达回波双分量混合幅度分布模型参数估计方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111830479A CN111830479A (zh) | 2020-10-27 |
CN111830479B true CN111830479B (zh) | 2023-03-07 |
Family
ID=72900374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010657840.0A Active CN111830479B (zh) | 2020-07-09 | 2020-07-09 | 雷达回波双分量混合幅度分布模型参数估计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111830479B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113504515B (zh) * | 2021-06-28 | 2023-08-29 | 中国人民解放军海军航空大学航空作战勤务学院 | 回波极值模型的参数估计、检测门限形成方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012101211A1 (fr) * | 2011-01-27 | 2012-08-02 | Thales | Procede d'affichage de la surface equivalente radar minimale detectable |
CN104535981A (zh) * | 2015-01-21 | 2015-04-22 | 西安电子科技大学 | 海杂波Pareto幅度分布参数的双分位点估计方法 |
CN107167781A (zh) * | 2017-03-31 | 2017-09-15 | 西安电子科技大学 | 海杂波幅度对数正态分布参数的分位点估计方法 |
CN109143196A (zh) * | 2018-09-25 | 2019-01-04 | 西安电子科技大学 | 基于k分布海杂波幅度模型的三分位点参数估计方法 |
CN110275148A (zh) * | 2019-06-20 | 2019-09-24 | 中国人民解放军海军航空大学 | 一种海杂波幅度分布参数估计方法及系统 |
-
2020
- 2020-07-09 CN CN202010657840.0A patent/CN111830479B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012101211A1 (fr) * | 2011-01-27 | 2012-08-02 | Thales | Procede d'affichage de la surface equivalente radar minimale detectable |
CN104535981A (zh) * | 2015-01-21 | 2015-04-22 | 西安电子科技大学 | 海杂波Pareto幅度分布参数的双分位点估计方法 |
CN107167781A (zh) * | 2017-03-31 | 2017-09-15 | 西安电子科技大学 | 海杂波幅度对数正态分布参数的分位点估计方法 |
CN109143196A (zh) * | 2018-09-25 | 2019-01-04 | 西安电子科技大学 | 基于k分布海杂波幅度模型的三分位点参数估计方法 |
CN110275148A (zh) * | 2019-06-20 | 2019-09-24 | 中国人民解放军海军航空大学 | 一种海杂波幅度分布参数估计方法及系统 |
Non-Patent Citations (4)
Title |
---|
A model for non Rayleigh sea clutter amplitudes using compound Inverse Gaussian distribution;Amar Mezache et al.;《2013 IEEE Radar Conference (RadarCon13)》;20130503;第1-5页 * |
Model for non-rayleigh clutter amplitudes using compound inverse gaussian distribution: an experimental analysis;Amar Mezache et al.;《IEEE Transactions on Aerospace and Electronic Systems》;20150131;第51卷(第1期);第142-153页 * |
利用神经网络的海杂波幅度分布参数估计方法;王国庆 等;《海军航空工程学院学报》;20191231;第34卷(第6期);第480-487页 * |
大入射余角海杂波相关特性分析及幅度拟合;刘恒燕 等;《海军航空工程学院学报》;20180630;第33卷(第3期);第307-312页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111830479A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110275148B (zh) | 一种海杂波幅度分布参数估计方法及系统 | |
CN111381216B (zh) | 混合分布的雷达海杂波分析方法及装置 | |
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 | |
CN110673109B (zh) | 一种星载大光斑激光雷达全波形数据分解方法 | |
CN110879927B (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
Redding | Estimating the parameters of the K distribution in the intensity domain | |
CN112578357B (zh) | 雷达标定参数的修正方法、装置、电子设备和路侧设备 | |
CN111830479B (zh) | 雷达回波双分量混合幅度分布模型参数估计方法及装置 | |
CN112526470A (zh) | 标定雷达参数的方法和装置、电子设备、存储介质 | |
CN111830481B (zh) | 雷达回波单分量幅度分布模型参数估计方法及装置 | |
CN111239704A (zh) | 大气探测雷达目标回波识别处理方法、装置、设备及介质 | |
CN116908853A (zh) | 高相干点选取方法、装置和设备 | |
CN114742237A (zh) | 联邦学习模型聚合方法、装置、电子设备及可读存储介质 | |
CN109830001A (zh) | 一种数据质量评估方法及装置 | |
CN116819561A (zh) | 一种点云数据匹配方法、系统、电子设备及存储介质 | |
CN111308436B (zh) | 基于体积相关函数的雷达空时自适应处理方法及装置 | |
CN107728121B (zh) | 一种基于可变窗的局部拟合优度检验方法 | |
CN116047524A (zh) | 一种双偏振天气雷达数据质量实时评估方法及系统 | |
CN115932773A (zh) | 基于谱形特征的目标角度检测方法、装置、设备及介质 | |
CN115630271A (zh) | 信号频率估计方法、装置、设备及存储介质 | |
Gomes et al. | Long-term memory in Euronext stock indexes returns: An econophysics approach | |
CN113687321A (zh) | 雷达目标探测距离评估方法和装置 | |
CN110766005A (zh) | 目标特征提取方法、装置和终端设备 | |
CN106772306B (zh) | 一种目标物的检测方法及服务器 | |
Oliver | Parameter estimation with correlated clutter textures |
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 |