CN111999718B - 基于几何平均估计的知识辅助自适应融合检测方法 - Google Patents

基于几何平均估计的知识辅助自适应融合检测方法 Download PDF

Info

Publication number
CN111999718B
CN111999718B CN202010912453.7A CN202010912453A CN111999718B CN 111999718 B CN111999718 B CN 111999718B CN 202010912453 A CN202010912453 A CN 202010912453A CN 111999718 B CN111999718 B CN 111999718B
Authority
CN
China
Prior art keywords
geometric mean
clutter
covariance matrix
matrix structure
heterogeneous
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
CN202010912453.7A
Other languages
English (en)
Other versions
CN111999718A (zh
Inventor
简涛
王海鹏
张杨
何友
李刚
李恒
刘传辉
沈剑
王哲昊
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.)
Naval Aeronautical University
Original Assignee
Naval Aeronautical University
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 Naval Aeronautical University filed Critical Naval Aeronautical University
Priority to CN202010912453.7A priority Critical patent/CN111999718B/zh
Publication of CN111999718A publication Critical patent/CN111999718A/zh
Application granted granted Critical
Publication of CN111999718B publication Critical patent/CN111999718B/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
    • G01S7/414—Discriminating targets with respect to background clutter

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

本发明公开了一种基于几何平均估计的知识辅助自适应融合检测方法，属于雷达信号处理领域。针对实际异质杂波环境中不同距离单元间杂波协方差矩阵结构非均匀特点，构建易于数学处理的合理先验分布，将杂波先验信息与辅助数据中所含异质杂波信息进行高效融合，构建易于数学处理的异质杂波协方差矩阵结构概率密度函数的几何平均估计方法，进而构建具有闭合形式的点目标知识辅助自适应融合检测器，提高了传统窄带雷达对异质杂波环境的适应能力，改善了异质杂波下的目标检测性能，提升了复杂电磁环境下窄带雷达对弱小目标的探测能力，具有推广应用价值。

Description

基于几何平均估计的知识辅助自适应融合检测方法
技术领域
本发明隶属于雷达信号处理领域，具体涉及一种基于几何平均估计的知识辅助自适应融合检测方法。
背景技术
窄带雷达点目标自适应检测面临目标自然环境复杂多变、电磁干扰等多种因素的影响，杂波统计特性不再满足独立同分布的均匀环境假设条件，导致现有点目标检测方法难以取得理想的检测效果。现有杂波模型主要包括均匀环境、部分均匀环境、非高斯杂波环境、异质杂波环境等。其中，部分均匀环境中，假设待检测距离单元数据(也称主数据)与只含纯杂波的参考距离单元数据(也称辅助数据)中的杂波分量具有相同的协方差矩阵结构但功率水平不同；而以复合高斯分布建模的非高斯杂波环境中，假设主数据和辅助数据中的杂波分量具有相同的协方差矩阵结构但不同距离单元间杂波功率水平不同。前述两种杂波模型中，均假定杂波分量具有相同的协方差矩阵结构，但在实际雷达探测面临的复杂海杂波、地物杂波等环境下，由于各种干扰因素的存在，不同距离单元间杂波协方差矩阵结构的均匀性会被进一步破坏，前述均匀、部分均匀和非高斯杂波模型中杂波分量具有相同协方差矩阵结构的假设条件将无法满足。此时需采用异质杂波模型进行环境建模，异质杂波环境下不同距离单元间杂波协方差矩阵结构相似但不相同，需通过合理的先验分布将辅助数据和主数据中的杂波协方差矩阵结构联系起来。
针对实际异质杂波环境中不同距离单元间杂波协方差矩阵结构非均匀特点，如何利用合理先验分布，基于辅助数据中所含异质杂波信息来准确估计主数据中杂波统计信息，在满足估计准确性的条件下构建便于数学处理的估计方法，进而构建具有闭合形式的检测统计量，在增强检测器恒虚警率(CFAR)特性的前提下，进一步提高传统窄带雷达对异质杂波环境的适应能力，改善目标检测性能，是提升复杂电磁环境下雷达探测能力的关键，也是目前急需解决的难题之一。
发明内容
针对实际异质杂波环境中不同距离单元间杂波协方差矩阵结构非均匀特点，如何构建易于数学处理的合理先验分布，将杂波先验信息与辅助数据中所含异质杂波信息进行高效融合，构建易于数学处理的协方差矩阵结构估计方法，在满足估计准确性的条件下为点目标检测器CFAR设计提供扎实基础，进而构建具有闭合形式的点目标知识辅助自适应融合检测器，进一步提高传统窄带雷达对异质杂波环境的适应能力，改善异质杂波下的目标检测性能，提升复杂电磁环境下窄带雷达对弱小目标的探测能力。
本发明所述基于几何平均估计的知识辅助自适应融合检测方法包括以下技术措施：
步骤1针对单个待检测距离单元的主数据，从与待检测距离单元临近的K个纯杂波距离单元获取K个辅助数据，利用逆Wishart分布对杂波协方差矩阵结构M进行先验分布建模，进而基于K个辅助数据分别构建M的K个后验概率密度函数，将K个后验概率密度函数进行几何平均，构建异质杂波协方差矩阵结构概率密度函数的几何平均估计方法，获得异质杂波协方差矩阵结构概率密度函数的几何平均估计
Figure BDA0002663816670000021
具体步骤包括：
由单个待检测距离单元回波复幅值构成主数据x，以待检测距离单元为中心，在其前后分别连续取一定数量的不包含目标的距离单元回波复幅值，构成K个只含纯杂波的辅助数据yk(k＝1,2,...K)，其中，x和yk均为N×1维的复向量，N表示雷达接收阵元数与相干处理脉冲数的乘积；
主数据和辅助数据中的杂波分量服从条件复高斯分布，但其杂波协方差矩阵结构M为随机矩阵，且服从自由度为L、均值为LR0的逆Wishart分布，其中，M和R0均为N×N维的Hermitian复数矩阵，M的先验分布概率密度函数(PDF)可表示为
Figure BDA0002663816670000022
其中，exp[·]表示指数函数，函数tr(·)和det(·)分别表示对矩阵求迹和求行列式，函数I[L,(LR0)-1]定义为：
Figure BDA0002663816670000023
上式中，Γ(·)表示Gamma函数。
令N×N维的复数矩阵Rk(k＝1,2,...K)表示为
Figure BDA0002663816670000024
其中，上标“H”表示共轭转置。
给定第k个辅助数据yk时矩阵M的条件PDF(即以辅助数据yk为条件的M的后验PDF)可以表示为：
Figure BDA0002663816670000025
其中，f(yk|M)表示已知M时辅助数据yk的条件复高斯分布PDF，f(yk)表示yk的PDF，可由下式计算
Figure BDA0002663816670000026
结合杂波先验分布信息和K个辅助数据yk(k＝1,2,...K)进行杂波协方差矩阵结构估计，鉴于前述多个函数和后续检测统计量设计中多涉及乘除运算，基于K个条件PDF f(M|yk)(k＝1,2,...K)，采用几何平均方法估计出矩阵M的PDF为：
Figure BDA0002663816670000031
上式为M的PDF几何平均估计表达式，可见其具有闭型形式，为后续设计闭合形式的点目标知识辅助自适应融合检测统计量奠定了基础。
步骤2基于异质杂波协方差矩阵结构概率密度函数的几何平均估计
Figure BDA0002663816670000032
在有目标和无目标两种假设下求解主数据x的概率密度函数，根据广义似然比检验准则，求解点目标未知复幅度的最大似然估计，进而针对异质杂波环境，构建基于几何平均估计的知识辅助自适应融合检测统计量；具体步骤包括：
在无目标的H0假设下，基于矩阵M的PDF的几何平均估计
Figure BDA0002663816670000033
主数据x的PDF可表示为
Figure BDA0002663816670000034
在有目标的H1假设下，基于矩阵M的PDF的几何平均估计
Figure BDA0002663816670000035
主数据x的PDF可表示为
Figure BDA0002663816670000036
其中，上述两式中，fx(x|M,H0)和fx(x|M,H1)分别表示H0和H1两种假设下主数据x在M已知时的复高斯分布条件PDF；复标量a表示点目标未知复幅度；p表示已知的空时导向矢量，是一个N×1维的单位向量，根据雷达系统工作参数确定；
根据广义似然比检验准则，点目标检测统计量可初步表示为
Figure BDA0002663816670000037
令N×N维的复矩阵C为：
Figure BDA0002663816670000041
未知复幅度a的最大似然估计可表示为
Figure BDA0002663816670000042
将式(11)的
Figure BDA0002663816670000043
代入式(9)中替换其中的未知量a，并对式(9)中Λ的表达式进行等价数学变换，针对异质杂波环境，可得基于几何平均估计的知识辅助自适应融合检测的检测统计量λ，即
Figure BDA0002663816670000044
上式中，|·|表示取复数的模值。
步骤3为保持检测方法的CFAR特性，根据预设的虚警概率设置检测门限T；将主数据x对应的检测统计量λ与检测门限T进行比较，若λ≥T，则判定当前待检测距离单元存在点目标，主数据x不作为后续其他待检测距离单元的辅助数据；反之若λ＜T，则判定当前待检测距离单元不存在点目标，主数据x作为后续其他待检测距离单元的辅助数据。
与背景技术相比，本发明的有益效果是：1)针对实际异质杂波环境中不同距离单元间杂波协方差矩阵结构非均匀特点，构建了易于数学处理的杂波协方差矩阵结构合理先验分布；2)将杂波先验信息与辅助数据中所含异质杂波信息进行高效的几何平均融合，构建了易于数学处理的协方差矩阵结构估计方法，在满足估计准确性的条件下为点目标检测器CFAR设计奠定扎实基础；3)构建了异质杂波下基于几何平均估计的知识辅助自适应融合检测器，具有闭合形式的表达式，且在保持CFAR特性的同时，进一步提高了传统窄带雷达对异质杂波环境的适应能力，改善了异质杂波下的目标检测性能，提升复杂电磁环境下雷达对弱小目标的探测能力。
附图说明
图1是本发明所提出的基于几何平均估计的知识辅助自适应融合检测方法的功能模块图。图1中，1.中间矩阵计算模块，2.杂波协方差矩阵结构概率密度函数的几何平均估计模块，3.基于几何平均估计的知识辅助融合检测器构建模块，4.检测判决模块。
具体实施方式
下面结合附图对本发明作进一步描述。本发明实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。
为验证本发明所述方法的有效性，本具体实施方式给出了二个实施例，第一个实施例针对对地探测环境，第二个实施例针对对海探测环境。
实施例1：
参照说明书附图1，实施例1的具体实施方式分为以下几个步骤：
步骤A1利用对地探测雷达，对待检测地域周围的无目标范围进行雷达照射，获得与待检测距离单元邻近的不包含目标的距离单元回波复幅值，构成K个只含纯地杂波的辅助数据yk(k＝1,2,…K)，将辅助数据送至中间矩阵计算模块(1)；在中间矩阵计算模块(1)中，依据式(3)计算矩阵Rk(k＝1,2,…K)，并将矩阵Rk(k＝1,2,…K)送至杂波协方差矩阵结构概率密度函数的几何平均估计模块(2)；在杂波协方差矩阵结构概率密度函数的几何平均估计模块(2)中，依据式(6)计算杂波协方差矩阵结构M概率密度函数的几何平均估计
Figure BDA0002663816670000051
并将
Figure BDA0002663816670000052
送至基于几何平均估计的知识辅助融合检测器构建模块(3)；
值得注意的是，步骤A1中，利用逆Wishart分布对杂波协方差矩阵结构进行先验分布建模，充分考虑了实际建筑物、林地、草地等不同地杂波环境导致的异质杂波情况，针对异质杂波下不同距离单元间杂波协方差矩阵结构非均匀特点，构建的地杂波协方差矩阵结构先验分布易于数学处理；另外，通过将杂波先验信息与辅助数据中所含异质杂波信息进行高效的几何平均融合，所获得的协方差矩阵结构估计表达式具有闭型形式，便于后续数学处理，在满足估计准确性的条件下，为对地探测雷达点目标检测器CFAR设计奠定扎实基础。
步骤A2在基于几何平均估计的知识辅助融合检测器构建模块(3)中，依据式(12)计算基于几何平均估计的知识辅助自适应融合检测的检测统计量λ，并将λ送至检测判决模块(4)；
值得注意的是，步骤A2中，所构建的复杂地面环境异质杂波下基于几何平均估计的知识辅助自适应融合检测器，在保持CFAR特性的同时，可进一步提高传统窄带对地雷达在异质地杂波环境下的适应能力，改善复杂地面环境异质杂波下的点目标检测性能，提升复杂电磁环境下雷达对弱小地面目标的探测能力。
步骤A3根据预设的虚警概率设置检测门限T：具体为，设定虚警概率为Pfa，根据蒙特卡洛方法，依据前期积累的100/Pfa个实测地杂波数据计算检测阈值T。进一步，检测统计量λ与检测门限T进行比较，若λ≥T，则判定当前待检测距离单元存在点目标，主数据x不作为后续其他待检测距离单元的辅助数据；反之若λ＜T，则判定当前待检测距离单元不存在点目标，主数据x作为后续其他待检测距离单元的辅助数据。
实施例2：
参照说明书附图1，实施例2的具体实施方式分为以下几个步骤：
步骤B1利用对海探测雷达，对待检测海域周围的无目标范围进行雷达照射，获得与待检测距离单元邻近的不包含目标的距离单元回波复幅值，构成K个只含纯海杂波的辅助数据yk(k＝1,2,…K)，将辅助数据送至中间矩阵计算模块(1)；在中间矩阵计算模块(1)中，依据式(3)计算矩阵Rk(k＝1,2,…K)，并将矩阵Rk(k＝1,2,…K)送至杂波协方差矩阵结构概率密度函数的几何平均估计模块(2)；在杂波协方差矩阵结构概率密度函数的几何平均估计模块(2)中，依据式(6)计算杂波协方差矩阵结构M概率密度函数的几何平均估计
Figure BDA0002663816670000061
并将
Figure BDA0002663816670000062
送至基于几何平均估计的知识辅助融合检测器构建模块(3)；
值得注意的是，步骤B1中，利用逆Wishart分布对杂波协方差矩阵结构进行先验分布建模，充分考虑了不同海况海洋环境中杂波尖峰等导致的异质杂波情况，针对海洋环境异质杂波下不同距离单元间杂波协方差矩阵结构非均匀特点，构建的海杂波协方差矩阵结构先验分布易于数学处理；另外，通过将杂波先验信息与辅助数据中所含异质杂波信息进行高效的几何平均融合，所获得的协方差矩阵结构估计表达式具有闭型形式，便于后续数学处理，在满足估计准确性的条件下，为对海雷达点目标检测器CFAR设计奠定扎实基础。
步骤B2在基于几何平均估计的知识辅助融合检测器构建模块(3)中，依据式(12)计算基于几何平均估计的知识辅助自适应融合检测的检测统计量λ，并将λ送至检测判决模块(4)；
值得注意的是，步骤B2中，所构建的海洋环境异质杂波下基于几何平均估计的知识辅助自适应融合检测器，在保持CFAR特性的同时，可进一步提高传统窄带对海雷达对异质杂波环境的适应能力，改善海洋环境异质杂波下的点目标检测性能，提升复杂电磁环境下对海雷达对弱小目标探测能力。
步骤B3根据预设的虚警概率设置检测门限T：具体为，设定虚警概率为Pfa，根据蒙特卡洛方法，依据前期积累的100/Pfa个实测数据计算检测阈值T；考虑到海杂波获取难度大，若实际获得的纯海杂波实测数据量Z少于100/Pfa，则缺少的100/Pfa-Z个杂波数据可利用海杂波仿真模型进行仿真获得，其中的模型参数根据已获得的纯海杂波实测数据进行合理估计设定。进一步将检测统计量λ与检测门限T进行比较，若λ≥T，则判定当前待检测距离单元存在点目标，主数据x不作为后续其他待检测距离单元的辅助数据；反之若λ＜T，则判定当前待检测距离单元不存在点目标，主数据x作为后续其他待检测距离单元的辅助数据。

Claims (3)

1.基于几何平均估计的知识辅助自适应融合检测方法，其特征在于，包括以下步骤：
步骤1针对单个待检测距离单元的主数据x和K个辅助数据，利用逆Wishart分布对其中的杂波协方差矩阵结构进行先验分布建模，进而基于K个辅助数据分别构建杂波协方差矩阵结构的K个后验概率密度函数，将杂波协方差矩阵结构的K个后验概率密度函数进行几何平均，构建异质杂波协方差矩阵结构概率密度函数的几何平均估计方法，获得异质杂波协方差矩阵结构概率密度函数的几何平均估计；
步骤2基于异质杂波协方差矩阵结构概率密度函数的几何平均估计，在有目标和无目标两种假设下求解主数据x的概率密度函数，根据广义似然比检验准则，求解点目标未知复幅度的最大似然估计，进而针对异质杂波环境，构建基于几何平均估计的知识辅助自适应融合检测的检测统计量；
步骤3根据预设的虚警概率设置检测门限T；将主数据x对应的检测统计量λ与T进行比较，若λ≥T，则判定当前待检测距离单元存在点目标，x不作为后续其他待检测距离单元的辅助数据；反之若λ＜T，则判定当前待检测距离单元不存在点目标，x作为后续其他待检测距离单元的辅助数据。
2.根据权利要求1所述的基于几何平均估计的知识辅助自适应融合检测方法，其特征在于，所述步骤1中构建异质杂波协方差矩阵结构概率密度函数的几何平均估计方法具体为：
基于杂波协方差矩阵结构M的K个后验概率密度函数，采用几何平均方法估计M的概率密度函数，得到异质杂波协方差矩阵结构概率密度函数的几何平均估计
Figure FDA0003498005790000011
为
Figure FDA0003498005790000012
其中，exp[·]表示指数函数，函数tr(·)和det(·)分别表示对矩阵求迹和求行列式，Γ(·)表示Gamma函数，N表示雷达接收阵元数与相干处理脉冲数的乘积，矩阵Rk，k＝1,2,...K，具体表示为
Figure FDA0003498005790000013
上标“H”表示共轭转置，L表示逆Wishart分布的自由度，R0为N×N维的Hermitian复数矩阵，K个辅助数据yk，k＝1,2,...K，均为N×1维的复向量。
3.根据权利要求1所述的基于几何平均估计的知识辅助自适应融合检测方法，其特征在于，在所述步骤2中：
针对异质杂波环境，得到基于几何平均估计的知识辅助自适应融合检测的检测统计量λ为
Figure FDA0003498005790000021
其中，|·|表示取复数的模值；上标“H”表示共轭转置，L表示逆Wishart分布的自由度；R0为N×N维的Hermitian复数矩阵；N×1维的复向量yk表示第k个辅助数据；p表示已知的空时导向矢量，是一个N×1维的单位向量，根据雷达系统工作参数确定。
CN202010912453.7A 2020-09-02 2020-09-02 基于几何平均估计的知识辅助自适应融合检测方法 Active CN111999718B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010912453.7A CN111999718B (zh) 2020-09-02 2020-09-02 基于几何平均估计的知识辅助自适应融合检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010912453.7A CN111999718B (zh) 2020-09-02 2020-09-02 基于几何平均估计的知识辅助自适应融合检测方法

Publications (2)

Publication Number Publication Date
CN111999718A CN111999718A (zh) 2020-11-27
CN111999718B true CN111999718B (zh) 2022-04-01

Family

ID=73465822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010912453.7A Active CN111999718B (zh) 2020-09-02 2020-09-02 基于几何平均估计的知识辅助自适应融合检测方法

Country Status (1)

Country Link
CN (1) CN111999718B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101768587B1 (ko) * 2016-05-13 2017-08-17 국방과학연구소 비정상 클러터 및 이종 클러터 억제를 위한 공분산 행렬 추정방법
CN108919223A (zh) * 2018-07-26 2018-11-30 中国人民解放军海军航空大学 宽带雷达目标自适应结构化匹配滤波方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8138963B1 (en) * 2010-09-10 2012-03-20 Mitsubishi Electric Research Laboratories, Inc. Method for detecting targets using space-time adaptive processing and shared knowledge of the environment
US11397258B2 (en) * 2015-07-17 2022-07-26 Origin Wireless, Inc. Method, apparatus, and system for outdoor target tracking
CN106932766B (zh) * 2017-04-27 2019-07-09 中国人民解放军海军航空大学 基于变参数广义结构的距离扩展目标自适应检测方法
CN107942308A (zh) * 2017-10-19 2018-04-20 西安电子科技大学 复合高斯环境下基于伽玛纹理的自适应Rao检测方法
CN108764163A (zh) * 2018-05-30 2018-11-06 合肥工业大学 多目标环境下基于灰度相关特性的cfar检测方法
CN108919224B (zh) * 2018-07-26 2020-06-30 中国人民解放军海军航空大学 基于斜对称结构的宽带雷达目标自适应融合检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101768587B1 (ko) * 2016-05-13 2017-08-17 국방과학연구소 비정상 클러터 및 이종 클러터 억제를 위한 공분산 행렬 추정방법
CN108919223A (zh) * 2018-07-26 2018-11-30 中国人民解放军海军航空大学 宽带雷达目标自适应结构化匹配滤波方法

Also Published As

Publication number Publication date
CN111999718A (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN111999717B (zh) 基于协方差矩阵结构统计估计的自适应融合检测方法
CN111999716B (zh) 基于杂波先验信息的目标自适应融合检测方法
CN111999714B (zh) 基于多散射点估计和杂波知识辅助的自适应融合检测方法
Gini et al. Covariance matrix estimation for CFAR detection in correlated heavy tailed clutter
US8138963B1 (en) Method for detecting targets using space-time adaptive processing and shared knowledge of the environment
CN106468770B (zh) K分布杂波加噪声下的近最优雷达目标检测方法
CN103729637B (zh) 基于容积卡尔曼滤波的扩展目标概率假设密度滤波方法
CN106254010B (zh) 一种时变海洋信道建模方法
CN112904290B (zh) 一种雷达智能认知抗干扰策略的生成方法
CN104155650A (zh) 一种基于熵权值法点迹质量评估的目标跟踪方法
CN103412290B (zh) 知识辅助的apr非均匀样本检测方法
Hurtado et al. Target estimation, detection, and tracking
CN111999715B (zh) 异质杂波下目标知识辅助自适应融合检测方法
CN106872958A (zh) 基于线性融合的雷达目标自适应检测方法
CN108919225B (zh) 部分均匀环境下距离扩展目标多通道融合检测方法
CN110389327A (zh) 接收站位置误差下多站多外辐射源雷达双基距定位方法
CN113238211B (zh) 一种干扰条件下参数化自适应阵列信号检测方法与系统
CN113673565A (zh) 多传感器gm-phd自适应序贯融合多目标跟踪方法
CN108562877A (zh) 一种基于信号包络特征的欺骗式干扰抑制方法
CN111999718B (zh) 基于几何平均估计的知识辅助自适应融合检测方法
CN106353743A (zh) 匹配于等效形状参数的近最优雷达目标检测方法
CN106680779A (zh) 脉冲噪声下的波束成形方法及装置
CN116106829B (zh) 部分均匀杂波加干扰下目标智能检测方法
CN112014823B (zh) 基于目标幅度综合估计的自适应融合检测方法
CN104035078A (zh) 一种基于阵元阶数递推的降维空时自适应权值计算方法

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