CN111929679B - 一种自适应加权截断统计恒虚警检测方法 - Google Patents
一种自适应加权截断统计恒虚警检测方法 Download PDFInfo
- Publication number
- CN111929679B CN111929679B CN202010774326.5A CN202010774326A CN111929679B CN 111929679 B CN111929679 B CN 111929679B CN 202010774326 A CN202010774326 A CN 202010774326A CN 111929679 B CN111929679 B CN 111929679B
- Authority
- CN
- China
- Prior art keywords
- sample set
- reference unit
- data
- value
- unit sample
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 23
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- 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
- G01S7/38—Jamming means, e.g. producing false echoes
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种自适应加权截断统计恒虚警检测方法,包括:设置雷达回波信号参考单元样本集合,根据参考单元样本集合中数据大小确定截断深度;将参考单元样本集合中数据与截断深度作比较,迭代更新参考单元样本集合数据,直到参考单元样本集合中只剩下一个值或者参考单元中的值都小于截断深度,得到截断后的集合;根据截断后的参考单元样本集合计算瑞利分布尺度参数的最大似然估计,得到背景杂波功率估计。本发明杂波边缘环境中尽可能抑制了“杂波边缘效应”,均匀环境中性能接近CA‑CFAR,恒虚警损失小。
Description
技术领域
本发明属于雷达目标检测技术领域,具体为一种自适应加权截断统计恒虚警检测方法。
背景技术
在地面侦察雷达出现早期,检测背景较为单一,对目标检测算法的要求不是很高,然而随着地面环境的复杂化,强地物杂波会对目标产生严重的遮蔽效果。这对目标检测算法提出更高的要求,在多种不同杂波环境下均需要具有良好的恒虚警能力,并且保证最大的发现概率。从恒虚警算法出现到发展至今,研究人员提出了很多不同的算法,它们之间具有很大的性能差异,大多数算法均只有在特定环境中能维持良好的检测性能,在其他环境中性能急剧下降。因此如何得到自适应门限阈值、提高算法的环境适应性依然是目前很多学者的研究重点,是恒虚警目标检测算法的重点研究目标,对提高地面侦察雷达的检测性能有重要意义。
根据算法的不同计算方式,综合国内外大量关于CFAR算法的文献资料,可以将其分为四类:均值(Mean Level,ML)类、有序统计(Ordered Statistics,OS)类、自适应类以及其他类CFAR检测算法。当目标位于均匀环境中,即参考单元的功率统计独立且均匀分布时,CA-CFAR的检测性能是最优的。在杂波边缘环境中,GO-CFAR可以很好地维持虚警概率不上升,但在多目标环境中存在严重的目标遮蔽问题,发现概率因此受到影响。可变指数恒虚警算法(Variability Index CFAR,VI-CFAR)利用参考单元样本值计算二阶统计量等参数,判断当前检测单元所处杂波环境,从而自适应地从CA-CFAR、SO-CFAR、GO-CFAR中选取合适的算法来计算检测门限阈值。VI-CFAR在三种典型的杂波环境中性能相对稳定,但当干扰同时位于目标左右参考单元时会受到限制,导致检测性能严重下降。加权幅度迭代恒虚警检测算法(Weighted Amplitude Iteration CFAR,WAI-CFAR),在均匀环境下与CA-CFAR有相似的检测性能,在非均匀环境中若加权因子选取合适,则能体现出良好的鲁棒性,恒虚警能力优于传统算法。但由于加权因子大小对不同杂波环境中的性能影响较大,所以环境普适性有待提高。TS-CFAR利用左右参考单元的样本值进行参数估计,设置一个截断门限,剔除大于门限的样本值后对截断后的数据模型参数进行最大似然估计,从而得到自适应检测门限,可以解决多目标干扰问题,多目标情况中检测性能明显优于均值类和有序统计类恒虚警算法,但均匀杂波环境中恒虚警损失较大,杂波边缘环境中虚警概率明显上升。
以上这些优化算法,均只能满足某一特定环境下的检测性能要求,算法环境适应性不高。
发明内容
本发明的目的在于提出了一种自适应加权截断统计恒虚警检测方法。
实现本发明目的的技术方案为:一种自适应加权截断统计恒虚警检测方法,具体步骤为:
设置雷达回波信号参考单元样本集合,根据参考单元样本集合中数据大小确定截断深度;
将参考单元样本集合中数据与截断深度作比较,迭代更新参考单元样本集合数据,直到参考单元样本集合中只剩下一个值或者参考单元中的值都小于截断深度,得到截断后的集合;
根据截断后的参考单元样本集合计算瑞利分布尺度参数的最大似然估计,得到背景杂波功率估计。
优选地,获取雷达回波信号各个距离单元的I、Q两路数据,并对I、Q两路数据进行平方求和,设置平方求和后数据检测单元两侧的距离单元为保护单元,设置保护单元两边的若干个距离单元l1,l2,...,lN∈L和r1,r2,...,rN∈R为参考单元,得到参考单元样本集合{L,R}。
优选地,截断深度具体为:
其中,ω为截断系数,xi为参考单元样本集合里的数据,N为单侧参考单元个数。
优选地,将参考单元样本集合中数据与截断深度作比较,迭代更新参考单元样本集合数据得到截断后的集合的具体方法为:
A:将参考单元样本集合中的数据从小到大排序,得到初始有序样本集合;
B:将初始有序样本集合中的最大值与截断深度作比较,若大于截断深度,则将初始有序样本集合中的最大值和最小值替换为自适应加权均值;
C:重新将有序样本集合中的数据从小到大排序,重复步骤B,直至有序样本集合只剩下一个值或者参考单元中的值都小于截断深度。
优选地,所述自适应加权均值具体为:
式中,为自适应加权阈值,/>分别为初始有序样本集合中的最小值和最大值。
优选地,自适应加权阈值具体为:
式中,α0为调节中心,k为峰度调节因子系数,v为VI调节因子系数,k'及v'分别为峰度及VI控制系数,V为杂波数据VI统计量,V0为服从韦布尔分布的杂波数据VI统计量理论值,K为峰度统计量,K0为峰度统计量理论值。
优选地,根根据截断后的参考单元样本集合计算瑞利分布尺度参数的最大似然估计的具体方法为:
利用截断后的参考单元样本集合,基于右截断概率分布函数,得到瑞利分布尺度参数σ最大似然估计量的似然函数为:
其中,为截断后的参考单元样本集合;
对似然函数取对数得到:
则最大似然估计方程表示为:
其中,为最大似然估计值,令/>整理化简可得:
令:
可得:
由查表法找到对应的ξ值,并确定瑞利分布尺度参数的最大似然估计。
优选地,背景杂波功率估计为:
本发明与现有技术相比,其显著优点为:本发明通过使用自适应加权截断统计量方法,改进截断过程,把大于截断深度的样本与参考窗内最小的样本进行加权迭代,迭代后的值替代样本中的参与迭代的最小值,直到样本中没有值大于截断深度,据截断后的参考单元样本集合计算瑞利分布尺度参数的最大似然估计,从而计算出背景杂波功率估计值,恒虚警损失小;
本发明杂波边缘环境中尽可能抑制了“杂波边缘效应”,均匀环境中性能接近CA-CFAR;本发明适用于多种环境。
下面结合附图对本发明做进一步详细的描述。
附图说明
图1为本发明的流程图。
图2为背景杂波功率估计流程图。
图3为单目标环境中检测概率对比图。
图4为杂波边缘环境中检测概率对比图。
图5为杂波边缘环境中虚警概率对比图。
具体实施方式
如图1、2所示,一种自适应加权截断统计恒虚警检测方法,改进截断过程,将截断的较大值与参考单元中的较小值进行自适应加权处理,迭代后的值替代样本中的参与迭代的最小值,直到样本中只剩下一个值或者样本中的值都小于t,最后得到的就是背景杂波功率估计值,具体步骤为:
步骤1:设置雷达回波信号参考单元,根据参考单元中数据大小确定截断深度;
获取雷达回波信号各个距离单元的I、Q两路数据,并对I、Q两路数据进行平方求和,设置平方求和后数据检测单元两侧的距离单元为保护单元,设置保护单元两边的若干个距离单元l1,l2,...,lN∈L和r1,r2,...,rN∈R为参考单元,得到参考单元样本集合{L,R};
根据雷达回波信号参考单元中数据大小确定截断深度t:
截断深度t的确定没有一个理论上的标准,需要根据实际应用环境设置,当截断过多时会降低参数估计的准确性,损失有用信息,截断过少时则无法保证剔除所有干扰值,因此可将t设为与截断前参考单元样本有关的一个值,根据参考单元数据大小来确定合适的截断。
本发明中令截断深度为截断前参考单元数据均值的倍数,即:
其中,ω为截断系数,xi为参考单元样本集合里的数据。显然,截断系数ω越小,截断深度t越小,剔除的数据个数越多,截断后数据的均值越小。
步骤2:将参考单元样本集合中数据与截断深度作比较,迭代更新参考单元样本集合数据,直到参考单元样本集合中只剩下一个值或者参考单元中的值都小于截断深度,得到截断后的集合。
将参考单元样本集合{L,R}中的数据从小到大排序,得到初始有序样本集合即:
将初始有序样本集合中的最大值与截断深度作比较,若大于截断深度,则将初始有序样本集合中的最大值和最小值替换为自适应加权均值,具体为:
若中的最大值/>则将/>中的最大值/>与最小值/>均替换成其自适应加权均值,自适应加权均值具体为:
其中,如式所示:
其中,α0为调节中心,k为峰度调节因子系数,v为VI调节因子系数,k'及v'分别为峰度及VI控制系数,V为杂波数据VI统计量,V0为服从韦布尔分布的杂波数据VI统计量理论值,K为峰度统计量,K0为峰度统计量理论值。
其中, 为初始样本值,N为参考窗的长度,var(x)与E(x)分别为/>中样本的方差和均值,因此,服从韦布尔分布的杂波数据VI统计量理论值为:
其中Γ(x)为gamma函数,p为韦布尔分布的形状参数,p=2时,韦布尔分布退化为瑞利分布。
峰度统计量的定义为:
其中,γ4为中样本的四阶中心矩,对于韦布尔分布的杂波数据而言,其峰度统计量理论值为:
其中Γ(x)为gamma函数,p为韦布尔分布的形状参数,在本文中,一般设置为p=2。
将剩余数据从小到大排序,则第1次自适应加权截断后的有序集合为:
若集合中最大值/>仍大于截断深度t,则继续自适应加权截断,直至集合中没有大于t的元素存在或集合中只剩一个值时停止。显然,每经过一次自适应加权截断步骤,集合将减少一个数据,第j次的自适应加权均值为:
第j次自适应加权截断后的有序集合为:
假设经过2N-n次自适应加权截断后集合中已无大于截断深度的数据,此时集合为剩余数据个数为n。
步骤3:根据截断后的参考单元样本集合计算瑞利分布尺度参数的最大似然估计,得到背景杂波功率估计,具体步骤为:
显然,每经过一次自适应加权截断步骤,集合将减少一个数据,得到截断后参考单元样本集合,即为排除了强干扰影响的背景杂波功率估计值,因此这里需要估计的未知参数为瑞利分布尺度参数σ,其最大似然估计即为背景杂波功率估计值。
利用截断后的数据,基于右截断概率分布函数,得到σ最大似然估计量的似然函数为:
其中,为截断后剩余n个数据的集合,/>
对似然函数取对数得到:
则最大似然估计方程表示为:
其中,为最大似然估计值,令/>显然ξ>0,整理化简可得:
令
可得
由查表法得到ξ值后即可计算出瑞利分布尺度参数的最大似然估计:
根据下面公式:
由查表法找到对应的ξ值后即可计算出
由此可知,要得到σ的最大似然估计再根据上述公式求得ξ,则/>即背景杂波功率估计为:
即为AWTS-CFAR的背景杂波功率估计,计算流程图如图2所示。
根据多次仿真测试结果,设置α0=0.7,k'=1,k=2,v'=4,v=2.5,ω=2,图3为在均匀环境中各个算法检测概率对比图,可以看出,在均匀环境中Pfa=10-4、Pd=0.5时,SCRAWTS=4.809dB,SCRWAI,η=0.7=5.039dB,SCRAAI=4.703dB,SCRSAAI=4.801dB,SCRCA=4.64dB。其检测性能与TS-CFAR相比有很大改善,与此环境中性能最优的CA-CFAR相比仅有0.169dB的性能损失,比SAAI-CFAR及AAI-CFAR分别仅高0.008dB及0.106dB,优于η=0.7的WAI-CFAR,因此AWTS-CFAR在均匀环境中适用。
图4为在杂波边缘环境中检测概率对比图,在检测第240距离单元的目标时,AWTS-CFAR表现出了较好的检测性能,虽然在SCR>9dB时AWTS-CFAR的发现概率未超过同一信杂比下的AAI-CFAR及SAAI-CFAR,但与TS-CFAR相比有很大的提升,Pd=0.5时与ω=2的TS-CFAR相比仅有0.727dB的损失,性能远优于ω=2.5,3的TS-CFAR。
从图5可以看出,杂波边缘环境中,AWTS-CFAR的虚警概率在弱杂波区域下降幅度较小,消除了ω=2的TS-CFAR出现的虚警概率上升的异常现象,第244距离单元的Pfa=10-6,优于ω=2.5,3的TS-CFAR。在强杂波区域,AWTS-CFAR的Pfa上升幅度最小,第251距离单元的Pfa=13.52%,说明其维持虚警概率的性能较好,出现的“杂波边缘效应”相对较弱。
本发明采用了自适应加权截断的方法,把参考单元中大于截断深度的值与小于门限的最小值进行加权迭代,改善了传统算法在杂波边缘环境中的检测性能,降低算法检测性能对截断系数的敏感度。
Claims (3)
1.一种自适应加权截断统计恒虚警检测方法,其特征在于,具体步骤为:
设置雷达回波信号参考单元样本集合,根据参考单元样本集合中数据大小确定截断深度,具体为:
获取雷达回波信号各个距离单元的I、Q两路数据,并对I、Q两路数据进行平方求和,设置平方求和后数据检测单元两侧的距离单元为保护单元,设置保护单元两边的若干个距离单元l1,l2,...,lN∈L和r1,r2,...,rN∈R为参考单元,得到参考单元样本集合{L,R};
截断深度具体为:
其中,ω为截断系数,xi为参考单元样本集合里的数据,N为单侧参考单元个数;
将参考单元样本集合中数据与截断深度作比较,迭代更新参考单元样本集合数据,直到参考单元样本集合中只剩下一个值或者参考单元中的值都小于截断深度,得到截断后的集合,具体方法为:
A:将参考单元样本集合中的数据从小到大排序,得到初始有序样本集合;
B:将初始有序样本集合中的最大值与截断深度作比较,若大于截断深度,则将初始有序样本集合中的最大值和最小值替换为自适应加权均值;
所述自适应加权均值具体为:
式中,为自适应加权阈值,/>分别为初始有序样本集合中的最小值和最大值;
自适应加权阈值具体为:
式中,α0为调节中心,k为峰度调节因子系数,v为VI调节因子系数,k'及v'分别为峰度及VI控制系数,V为杂波数据VI统计量,V0为服从韦布尔分布的杂波数据VI统计量理论值,K为峰度统计量,K0为峰度统计量理论值;
C:重新将有序样本集合中的数据从小到大排序,重复步骤B,直至有序样本集合只剩下一个值或者参考单元中的值都小于截断深度;
根据截断后的参考单元样本集合计算瑞利分布尺度参数的最大似然估计,得到背景杂波功率估计。
2.根据权利要求1所述的自适应加权截断统计恒虚警检测方法,其特征在于,根据截断后的参考单元样本集合计算瑞利分布尺度参数的最大似然估计的具体方法为:
利用截断后的参考单元样本集合,基于右截断概率分布函数,得到瑞利分布尺度参数σ最大似然估计量的似然函数为:
其中,为截断后的参考单元样本集合;
对似然函数取对数得到:
则最大似然估计方程表示为:
其中,为最大似然估计值,令/>整理化简可得:
令:
可得:
由查表法找到对应的ξ值,并确定瑞利分布尺度参数的最大似然估计。
3.根据权利要求2所述的自适应加权截断统计恒虚警检测方法,其特征在于,背景杂波功率估计为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010774326.5A CN111929679B (zh) | 2020-08-04 | 2020-08-04 | 一种自适应加权截断统计恒虚警检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010774326.5A CN111929679B (zh) | 2020-08-04 | 2020-08-04 | 一种自适应加权截断统计恒虚警检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111929679A CN111929679A (zh) | 2020-11-13 |
CN111929679B true CN111929679B (zh) | 2023-11-21 |
Family
ID=73307725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010774326.5A Active CN111929679B (zh) | 2020-08-04 | 2020-08-04 | 一种自适应加权截断统计恒虚警检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111929679B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112684428B (zh) * | 2021-01-15 | 2023-08-04 | 浙江大学 | 一种基于信号代理的多目标恒虚警率检测方法 |
CN112965040B (zh) * | 2021-02-05 | 2024-01-23 | 重庆邮电大学 | 一种基于背景预筛选的自适应cfar目标检测方法 |
CN114578384B (zh) * | 2022-05-07 | 2022-09-09 | 成都凯天电子股份有限公司 | 一种用于激光大气系统的自适应恒虚警检测方法 |
CN116643248B (zh) * | 2023-07-26 | 2023-11-14 | 成都航空职业技术学院 | 一种恒虚警检测方法、存储介质及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104391290A (zh) * | 2014-11-17 | 2015-03-04 | 电子科技大学 | 一种适用于复杂非均匀杂波下的cfar检测器 |
KR101546421B1 (ko) * | 2015-02-16 | 2015-08-24 | 에스티엑스엔진 주식회사 | 적응 cfar 처리방법 |
CN107741581A (zh) * | 2017-09-22 | 2018-02-27 | 西安电子科技大学 | 基于截断矩的广义帕累托分布参数估计方法 |
CN107884757A (zh) * | 2016-09-30 | 2018-04-06 | 比亚迪股份有限公司 | 恒虚警目标检测方法、装置及车辆 |
KR101871874B1 (ko) * | 2017-09-14 | 2018-06-27 | 에스티엑스엔진 주식회사 | 불균일 환경에 효과적인 적응형 cfar 처리 방법 및 시스템 |
-
2020
- 2020-08-04 CN CN202010774326.5A patent/CN111929679B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104391290A (zh) * | 2014-11-17 | 2015-03-04 | 电子科技大学 | 一种适用于复杂非均匀杂波下的cfar检测器 |
KR101546421B1 (ko) * | 2015-02-16 | 2015-08-24 | 에스티엑스엔진 주식회사 | 적응 cfar 처리방법 |
CN107884757A (zh) * | 2016-09-30 | 2018-04-06 | 比亚迪股份有限公司 | 恒虚警目标检测方法、装置及车辆 |
KR101871874B1 (ko) * | 2017-09-14 | 2018-06-27 | 에스티엑스엔진 주식회사 | 불균일 환경에 효과적인 적응형 cfar 처리 방법 및 시스템 |
CN107741581A (zh) * | 2017-09-22 | 2018-02-27 | 西安电子科技大学 | 基于截断矩的广义帕累托分布参数估计方法 |
Non-Patent Citations (6)
Title |
---|
Binary and fuzzy distributed CFAR detectors;Amir Zaimbashi等;《2008 European Radar Conference》;全文 * |
Maximum Likelihood Detector in Gamma-Distributed Sea Clutter;Wei Zhou等;《 IEEE Geoscience and Remote Sensing Letters》;全文 * |
基于多杂波分布模型的自适应单元平均恒虚警检测;李晶晶,王首勇,胡文琳;空军雷达学院学报(03);全文 * |
基于排序数据变率的最大似然恒虚警检测方法;曲付勇;孟祥伟;;探测与控制学报(01);全文 * |
最佳线性无偏最大选择CFAR检测算法;孟祥伟,关键,王新政;系统工程与电子技术(05);全文 * |
调频连续波雷达的二维截断统计量恒虚警检测方法;王元恺;肖泽龙;吴礼;许建中;;西安交通大学学报(10);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111929679A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111929679B (zh) | 一种自适应加权截断统计恒虚警检测方法 | |
CN112329934A (zh) | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 | |
CN109767439A (zh) | 一种自适应窗口的多尺度差异与双边滤波的目标检测方法 | |
CN107271973B (zh) | 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 | |
CN112965040B (zh) | 一种基于背景预筛选的自适应cfar目标检测方法 | |
CN111275132A (zh) | 一种基于sa-pfcm++算法的目标分群方法 | |
CN112180341B (zh) | 一种背景自适应cfar算法选择的实现方法 | |
CN109146922B (zh) | 一种基于自适应粒子群优化的前视声纳水下目标跟踪方法 | |
CN108152796B (zh) | 一种基于灰色卡尔曼滤波的主瓣移动干扰消除方法 | |
Abraham | Signal excess in K-distributed reverberation | |
CN113219408A (zh) | 改进型rbf神经网络室内可见光定位方法及系统 | |
CN115932913B (zh) | 一种卫星定位伪距修正方法及装置 | |
CN107315169B (zh) | 基于二阶统计量相似度的杂波协方差矩阵估计方法 | |
CN115856819A (zh) | 一种基于平稳高斯过程的雷达目标恒虚警检测方法 | |
CN109239677B (zh) | 一种环境自适应恒虚警检测门限确定方法 | |
CN115508788A (zh) | 基于稳健噪底估计的信道化检测方法 | |
CN113504521B (zh) | 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 | |
Park et al. | Adaptive selection method for generalized likelihood ratio test | |
CN112711020A (zh) | 基于循环阈值距离分割的群目标跟踪方法 | |
Yan et al. | A novel adaptive resampling particle filtering algorithm | |
CN113946955B (zh) | 基于融合中心反馈信息的多目标贝叶斯波达方向估计方法 | |
CN117807356B (zh) | 基于改进麻雀算法优化粒子滤波的双矢量水听器定位方法 | |
CN116734853A (zh) | 一种基于多阵列的高精度直接位置确定算法 | |
CN111537976B (zh) | 一种机载雷达的运动目标检测方法及装置 | |
CN117092605A (zh) | 基于支持向量回归和分位数的雷达海杂波形状参数估计方法 |
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 |