CN112083390B - 一种时空关联下雷达杂波的动态抑制方法及装置 - Google Patents
一种时空关联下雷达杂波的动态抑制方法及装置 Download PDFInfo
- Publication number
- CN112083390B CN112083390B CN202010842811.1A CN202010842811A CN112083390B CN 112083390 B CN112083390 B CN 112083390B CN 202010842811 A CN202010842811 A CN 202010842811A CN 112083390 B CN112083390 B CN 112083390B
- Authority
- CN
- China
- Prior art keywords
- target point
- clutter
- map data
- result
- groups
- 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
- 230000001629 suppression Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 75
- 238000009826 distribution Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 44
- 230000005764 inhibitory process Effects 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 239000004484 Briquette Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000008188 pellet Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000035945 sensitivity Effects 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
- 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
-
- 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
本发明公开了一种时空关联下雷达杂波的动态抑制方法及装置，其中方法包括：获取多组杂波图数据；对多组杂波图数据进行预处理，获得预处理结果；其中，预处理结果中的目标点的值表示为1或‑1，目标点为所述多组杂波图数据中的任一点；根据多组杂波图数据，构建多组杂波图数据对应的3个团块；其中，每个团块由目标点与目标点周围的时空间数据构成；根据3个团块，获得多组杂波图数据对应的无向图概率模型；其中，无向图概率模型为目标点与目标点的时空间数据构成的联合概率分布；根据无向图概率模型和预处理结果对目标点进行杂波抑制，获得剔除杂波后的目标信号。本发明方法及装置能够有效抑制雷达信号中的杂波信号，提高信杂比。
Description
技术领域
本发明涉及雷达信号处理技术领域，尤其涉及一种时空关联下雷达杂波的动态抑制方法及装置。
背景技术
雷达作为探测目标的装备，其在实际工作中接收到的回波信号包含目标信号和杂波信号。待检测的目标信号往往淹没在大量杂波信号中。在大多数情况下，杂波信号的强度会远远超过目标信号的强度。如果不采取有效的杂波抑制措施，是很难从接收信号中检测出目标的。随着技术的发展，雷达探测精度逐渐提高，雷达检测目标所受杂波环境的影响也越来越明显。在不降低探测精度的情况下进行杂波抑制，是当今雷达信号处理的主要任务。因此，对于复杂的环境干扰，在杂波背景下提高对目标的检测能力具有重要意义。现有杂波抑制方法中最常用的是动目标检测技术和自适应门限技术等，这些杂波抑制技术都是雷达目标检测中必不可少的信号处理方法。现有技术中有如下的处理方法：1、对动目标检测技术进行了一定的优化：加入时间灵敏度措施，以削弱超出系数范围的强杂波。2、利用了杂波协方差矩阵求解滤波器最优权系数的求解过程，获得最大改善因子。3、针对传统二维恒虚警矩形参考窗参考单元较多、计算量大，在多目标环境下检测效率低的问题，设计了一种田字型参考窗，剔除了部分与目标检测无关的参考单元，提高了检测效率。4、采用卡尔马斯(Kalmus)滤波器提高零多普勒频率处杂波抑制能力，并采用空间领域插值方式完成目标区域的杂波背景积累，解决慢速目标检测不连续问题。
上述的方法虽然能够起到一定的杂波抑制效果，但仍存在如下的缺陷：检测结果中的杂波点仍旧很多，信杂比较低，对目标的检测仍具有较大的影响。
发明内容
鉴于上述问题，本发明提出了一种时空关联下雷达杂波的动态抑制方法及装置，能够有效抑制雷达信号中的杂波信号，提高信杂比。
第一方面，本申请通过一实施例提供如下技术方案：
一种时空关联下雷达杂波的动态抑制方法，包括：
获取多组杂波图数据；对所述多组杂波图数据进行预处理，获得预处理结果；其中，所述预处理结果中的目标点的值表示为1或-1，所述目标点为所述多组杂波图数据中的任一点；根据所述多组杂波图数据，构建所述多组杂波图数据对应的3个团块；其中，每个团块由目标点与所述目标点周围的时空间数据构成；根据所述3个团块，获得所述多组杂波图数据对应的无向图概率模型；其中，所述无向图概率模型为所述目标点与所述目标点的时空间数据构成的联合概率分布；根据所述无向图概率模型和所述预处理结果对所述目标点进行杂波抑制，获得剔除杂波后的目标信号。
可选的，所述对所述多组杂波图数据进行预处理，获得预处理结果，包括：
当所述多组杂波图数据中的目标点的值大于0时，令所述预处理结果中的目标点的值为1；当所述多组杂波图数据中的目标点的值等于0时，令所述预处理结果中的目标点的值为-1。
可选的，所述3个团块包括：第一团块、第二团块和第三团块；所述根据所述多组杂波图数据，构建所述多组杂波图数据对应的3个团块，包括：
根据所述多组杂波图数据，将所述第一团块构建为：{xi,j,t,xi±Δi,j±Δj,t}；根据所述多组杂波图数据，将所述第二团块构建为：{xi,j,t,xi,j,t±Δt}；根据所述多组杂波图数据，将所述第三团块构建为：{xi,j,t,xi±Δi,j±Δj,t±Δt}；其中，xi,j,t表示目标点，i、j、t分别表示数据点的距离维坐标、多普勒维坐标和时间坐标，Δi、Δj、Δt分别表示距离维坐标的偏移量、多普勒维坐标的偏移量和时间坐标的偏移量。
可选的，所述根据所述无向图概率模型和所述预处理结果对所述目标点进行杂波抑制，获得剔除杂波后的目标信号，包括：
令所述预处理结果中当前计算的目标点的值为1，并根据所述无向图概率模型，获得所述无向图概率模型的第一能量函数；令所述预处理结果中当前计算的目标点的值为-1，并根据所述无向图概率模型，获得所述无向图概率模型的第二能量函数；当所述第一能量函数大于所述第二能量函数时，将当前计算的目标点的值确定为-1，否则确定为1，完成所有所述目标点的值确定后获得第一抑制结果；根据所述预处理结果和所述第一抑制结果，确定所述第一抑制结果是否满足终止条件；若是，则将所述第一抑制结果作为所述目标信号；若否，则将所述预处理结果更新为所述第一抑制结果，并基于所述第一抑制结果和所述无向图概率模型进行循环计算，直至获得满足所述终止条件的第N抑制结果；则将所述第N抑制结果作为所述目标信号，N为大于等于2的整数。
可选的，所述终止条件为：Xi,j,t-Ti,j,t中的全部结果为0，其中，Xi,j,t表示预处理结果所有目标点的值，Ti,j,t表示抑制结果中的所有目标点的值。
可选的，所述第一能量函数和所述第二能量函数的获取方式为：
基于公式获取所述第一能量函数或所述第二能量函数；其中，E表示第一能量函数或第二能量函数，C1、C2、C3分别表示3个团块，E1、E2、E3分别表示3个团块的能量函数，E1＝α1(2||xi,j,t-xi±Δi,j±Δj,t||0-1)，E2＝α2(-2||xi,j,t-xi,j,t±Δt||0-1)，E3＝α3(-2||xi,j,t-xi±Δi,j±Δj,t±Δt||0-1)，α1、α2、α3分别表示E1、E2、E3的权重，xi,j,t表示目标点，i、j、t分别表示数据点的距离维坐标、多普勒维坐标和时间坐标，Δi、Δj、Δt分别表示距离维坐标的偏移量、多普勒维坐标的偏移量和时间坐标的偏移量。
第二方面，基于同一发明构思，本申请通过一实施例提供如下技术方案：
一种时空关联下雷达杂波的动态抑制装置，包括：
获取模块，用于获取多组杂波图数据；
预处理模块，用于对所述多组杂波图数据进行预处理，获得预处理结果；其中，所述预处理结果中的目标点的值表示为1或-1，所述目标点为所述多组杂波图数据中的任一点；
团块构建模块，用于根据所述多组杂波图数据，构建所述多组杂波图数据对应的3个团块；其中，每个团块由目标点与所述目标点周围的时空间数据构成；
模型构建模块，用于根据所述3个团块，获得所述多组杂波图数据对应的无向图概率模型；其中，所述无向图概率模型为所述目标点与所述目标点的时空间数据构成的联合概率分布；
抑制处理模块，用于根据所述无向图概率模型和所述预处理结果对所述目标点进行杂波抑制，获得剔除杂波后的目标信号。
可选的，所述预处理模块，具体用于：
当所述多组杂波图数据中的目标点的值大于0时，令所述预处理结果中的目标点的值为1；当所述多组杂波图数据中的目标点的值等于0时，令所述预处理结果中的目标点的值为-1。
可选的，所述3个团块包括：第一团块、第二团块和第三团块；所述团块构建模块，具体用于：
根据所述多组杂波图数据，将所述第一团块构建为：{xi,j,t,xi±Δi,j±Δj,t}；根据所述多组杂波图数据，将所述第二团块构建为：{xi,j,t,xi,j,t±Δt}；根据所述多组杂波图数据，将所述第三团块构建为：{xi,j,t,xi±Δi,j±Δj,t±Δt}；其中，xi,j,t表示目标点，i、j、t分别表示数据点的距离维坐标、多普勒维坐标和时间坐标，Δi、Δj、Δt分别表示距离维坐标的偏移量、多普勒维坐标的偏移量和时间坐标的偏移量。
第三方面，基于同一发明构思，本申请通过一实施例提供如下技术方案：
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面中任一项所述方法的步骤。
本发明实施例中提供的一种时空关联下雷达杂波的动态抑制方法及装置，通过获取多组杂波图数据；然后，对多组杂波图数据进行预处理，获得预处理结果；其中，预处理结果中的目标点的值表示为1或-1，目标点为多组杂波图数据中的任一点；根据多组杂波图数据，构建多组杂波图数据对应的3个团块；其中，每个团块由目标点与目标点周围的时空间数据构成；根据3个团块，获得多组杂波图数据对应的无向图概率模型；其中，无向图概率模型为目标点与目标点的时空间数据构成的联合概率分布；最后，根据无向图概率模型和预处理结果对目标点进行杂波抑制，获得剔除杂波后的目标信号。在本发明实施例中通过构建团块和无向图概率模型的方式进行杂波抑制计算，可以考虑到待测目标的目标点的空间幅度关联性和时空位置上的关联性，而杂波则具有随机性，这样能够在多维特征层面上区分杂波与待测目标，从而剔除杂波获得目标信号。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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。在附图中：
图1示出了本发明第一实施例提供的一种时空关联下雷达杂波的动态抑制方法的流程图；
图2示出了本发明第一实施例中的第一团块的构建原理示意图；
图3示出了本发明第一实施例中的第二团块的构建原理示意图；
图4示出了本发明第一实施例中的第三团块的构建原理示意图；
图5示出了本发明第二实施例提供的一种时空关联下雷达杂波的动态抑制装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
第一实施例
请参见图1，图1示出了本发明第一实施例提供的一种时空关联下雷达杂波的动态抑制方法的流程图，所述方法包括：
步骤S10：获取多组杂波图数据。
在步骤S10中，多组杂波图数据表示雷达探测运动目标后接受到的连续的包含杂波的信号数据。在本实施中采用X表示多组杂波图数据，采用x表示X中的目标点，目标点为多组杂波图数据中的任一点；对于X中的每一个目标点与其时空间数据具有一定的关联性。
步骤S20：对所述多组杂波图数据进行预处理，获得预处理结果；其中，所述预处理结果中的目标点的值表示为1或-1，所述目标点为所述多组杂波图数据中的任一点。
在步骤S20中，预处理的具体方式为当多组杂波图数据中的目标点的值大于0时，令预处理结果中的目标点的值为1；当多组杂波图数据中的目标点的值等于0时，令预处理结果中的目标点的值为-1，这样可便于后续对多组杂波图数据进行抑制计算。具体表示可如下：
其中，xi,j,t表示目标点。
步骤S30：根据所述多组杂波图数据，构建所述多组杂波图数据对应的3个团块；其中，每个团块由目标点与所述目标点周围的时空间数据构成。
在步骤S30中，具体的3个团块包括：第一团块、第二团块和第三团块。具体的：
根据多组杂波图数据，将第一团块构建为：{xi,j,t,xi±Δi,j±Δj,t}，如图2所示。在第一团块中可表示目标点与同一时间的切片上的不同距离纬坐标和多普勒纬坐标下的其他数据点的关联。
根据多组杂波图数据，将第二团块构建为：{xi,j,t,xi,j,t±Δt}，如图3所示。在第二团块中可表示目标点与多个时间切片上的相同距离纬坐标和相同多普勒纬坐标的数据点的关联。
根据多组杂波图数据，将第三团块构建为：{xi,j,t,xi±Δi,j±Δj,t±Δt}，如图4所示。在第三团块中可表示目标点与多个时间切片上的不同距离纬坐标和不同多普勒纬坐标的数据点的关联。
其中，xi,j,t表示目标点，i、j、t分别表示数据点的距离维坐标、多普勒维坐标和时间坐标，Δi、Δj、Δt分别表示距离维坐标的偏移量、多普勒维坐标的偏移量和时间坐标的偏移量。构建的团块能够将目标点与其周围时空间数据进行关联。
在本实施例中Δi、Δj、Δt的取值大小可根据信号的强度和计算精度进行调整确定，不作限制。例如，可分别取值10、1、1，也可分别取值100、20、20，等等。
步骤S40：根据所述3个团块，获得所述多组杂波图数据对应的无向图概率模型；其中，所述无向图概率模型为所述目标点与所述目标点的时空间数据构成的联合概率分布。
步骤S50：根据所述无向图概率模型和所述预处理结果对所述目标点进行杂波抑制，获得剔除杂波后的目标信号。
在步骤S50中，具体包括如下过程：
1、令预处理结果中当前计算的目标点的值为1，并根据无向图概率模型，获得无向图概率模型的第一能量函数。
2、令预处理结果中当前计算的目标点的值为-1，并根据无向图概率模型，获得无向图概率模型的第二能量函数。
具体的，由于根据上述的多组杂波图数据设计了3个团块，因此，能量函数可由3个团块的能量函数构成。即通过公式获取第一能量函数或第二能量函数。其中，E表示第一能量函数或第二能量函数，C1、C2、C3分别表示3个团块，E1、E2、E3分别表示3个团块的能量函数，E1＝α1(2||xi,j,t-xi±Δi,j±Δj,t||0-1)，E2＝α2(-2||xi,j,t-xi,j,t±Δt||0-1)，E3＝α3(-2||xi,j,t-xi±Δi,j±Δj,t±Δt||0-1)，α1、α2、α3分别表示E1、E2、E3的权重，xi,j,t表示目标点，i、j、t分别表示数据点的距离维坐标、多普勒维坐标和时间坐标，Δi、Δj、Δt分别表示距离维坐标的偏移量、多普勒维坐标的偏移量和时间坐标的偏移量。通过上述方式可分别确定计算的目标点对整体能量函数的影响，进一步的可便于确定所计算的目标点是否为杂波图数据。
3、当第一能量函数大于第二能量函数时，将当前计算的目标点的值确定为-1，否则确定为1，完成所有目标点的值确定后获得第一抑制结果。第一抑制结果中的每个点的值均是对预处理结果中的每个点进行计算后确定的，均为-1或1。
4、根据预处理结果和第一抑制结果，确定第一抑制结果是否满足终止条件。具体的，终止条件可为：Xi,j,t-Ti,j,t中的全部结果为0，其中，Xi,j,t表示预处理结果所有目标点的值，Ti,j,t表示抑制结果中的所有目标点的值。
5、若是，则将第一抑制结果作为目标信号；若否，则将预处理结果更新为第一抑制结果，并基于第一抑制结果和无向图概率模型进行循环计算，直至获得满足终止条件的第N抑制结果；则将第N抑制结果作为所述目标信号，N为大于等于2的整数。此时的终止条件中的预处理结果Xi,j,t的值更新为上一次获得的抑制结果Ti,j,t。也即，Xi,j,t-Ti,j,t为0时，说明抑制结果不再发生变化，此时说明杂波图数据中的杂波得到了有效的抑制，可将该第N抑制结果作为目标信号T输出。
举个例子，对每一个目标点进行杂波检测时：
a)令当前计算的目标点xi,j,t的状态设置为1；
b)计算无向图概率模型的第一能量函数，记为Epos；
c)令当前计算的目标点xi,j,t的状态设置为-1；
d)计算无向图概率模型的第二能量函数，记为Eneg；
e)判断Epos是否大于Eneg，若是则令Ti,j,t＝-1，否则令Ti,j,t＝1；通过a)-e)完成多组杂波图数据中的每一个点的计算。
f)对所有目标点计算Xi,j,t-Ti,j,t，若结果全部为0，则结束计算，并输出目标信号T。若结果不全部为0，则令X＝T，转至步骤a)循环执行，直至满足Xi,j,t-Ti,j,t。
综上所述，本实施例中提供的一种时空关联下雷达杂波的动态抑制方法，通过获取多组杂波图数据；然后，对多组杂波图数据进行预处理，获得预处理结果；其中，预处理结果中的目标点的值表示为1或-1，目标点为多组杂波图数据中的任一点；根据多组杂波图数据，构建多组杂波图数据对应的3个团块；其中，每个团块由目标点与目标点周围的时空间数据构成；根据3个团块，获得多组杂波图数据对应的无向图概率模型；其中，无向图概率模型为目标点与目标点的时空间数据构成的联合概率分布；最后，根据无向图概率模型和预处理结果对目标点进行杂波抑制，获得剔除杂波后的目标信号。在本实施例中通过构建团块和无向图概率模型的方式进行杂波抑制计算，可以考虑到待测目标的目标点的空间幅度关联性和时空位置上的关联性，而杂波则具有随机性，这样能够在多维特征层面上区分杂波与待测目标，从而剔除杂波获得目标信号。
第二实施例
请参阅图5，基于同一发明构思，本发明第二实施例提供了一种时空关联下雷达杂波的动态抑制装置300。图5示出了本发明第二实施例提供的一种时空关联下雷达杂波的动态抑制装置300的结构示意图。
所述时空关联下雷达杂波的动态抑制装置300，包括：
获取模块301，用于获取多组杂波图数据；
预处理模块302，用于对所述多组杂波图数据进行预处理，获得预处理结果；其中，所述预处理结果中的目标点的值表示为1或-1，所述目标点为所述多组杂波图数据中的任一点；
团块构建模块303，用于根据所述多组杂波图数据，构建所述多组杂波图数据对应的3个团块；其中，每个团块由目标点与所述目标点周围的时空间数据构成；
模型构建模块304，用于根据所述3个团块，获得所述多组杂波图数据对应的无向图概率模型；其中，所述无向图概率模型为所述目标点与所述目标点的时空间数据构成的联合概率分布；
抑制处理模块305，用于根据所述无向图概率模型和所述预处理结果对所述目标点进行杂波抑制，获得剔除杂波后的目标信号。
作为一种可选的实施方式，所述预处理模块302，具体用于：
当所述多组杂波图数据中的目标点的值大于0时，令所述预处理结果中的目标点的值为1；当所述多组杂波图数据中的目标点的值等于0时，令所述预处理结果中的目标点的值为-1。
作为一种可选的实施方式，所述3个团块包括：第一团块、第二团块和第三团块；所述团块构建模块303，具体用于：
根据所述多组杂波图数据，将所述第一团块构建为：{xi,j,t,xi±Δi,j±Δj,t}；根据所述多组杂波图数据，将所述第二团块构建为：{xi,j,t,xi,j,t±Δt}；根据所述多组杂波图数据，将所述第三团块构建为：{xi,j,t,xi±Δi,j±Δj,t±Δt}；其中，xi,j,t表示目标点，i、j、t分别表示数据点的距离维坐标、多普勒维坐标和时间坐标，Δi、Δj、Δt分别表示距离维坐标的偏移量、多普勒维坐标的偏移量和时间坐标的偏移量。
需要说明的是，本发明实施例所提供的一种时空关联下雷达杂波的动态抑制装置300，其具体实现及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
第三实施例
基于同一发明构思，本实施例中提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一实例中任一项所述方法的步骤。
需要说明的是，本发明实施例所提供的计算机可读存储介质，上述程序被处理器执行时所实现的每个步骤的具体实现及产生的技术效果和前述方法实施例相同，为简要描述，本实施例未提及之处可参考前述方法实施例中相应内容。
本文中出现的术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系；单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种时空关联下雷达杂波的动态抑制方法，其特征在于，包括：
获取多组杂波图数据；
对所述多组杂波图数据进行预处理，获得预处理结果；其中，所述预处理结果中的目标点的值表示为1或-1，所述目标点为所述多组杂波图数据中的任一点；
根据所述多组杂波图数据，构建所述多组杂波图数据对应的3个团块；其中，每个团块由目标点与所述目标点周围的时空间数据构成；
根据所述3个团块，获得所述多组杂波图数据对应的无向图概率模型；其中，所述无向图概率模型为所述目标点与所述目标点的时空间数据构成的联合概率分布；
根据所述无向图概率模型和所述预处理结果对所述目标点进行杂波抑制，获得剔除杂波后的目标信号；
其中，所述对所述多组杂波图数据进行预处理，获得预处理结果，包括：
当所述多组杂波图数据中的目标点的值大于0时，令所述预处理结果中的目标点的值为1；
当所述多组杂波图数据中的目标点的值等于0时，令所述预处理结果中的目标点的值为-1；
所述根据所述无向图概率模型和所述预处理结果对所述目标点进行杂波抑制，获得剔除杂波后的目标信号，包括：
令所述预处理结果中当前计算的目标点的值为1，并根据所述无向图概率模型，获得所述无向图概率模型的第一能量函数；
令所述预处理结果中当前计算的目标点的值为-1，并根据所述无向图概率模型，获得所述无向图概率模型的第二能量函数；
当所述第一能量函数大于所述第二能量函数时，将当前计算的目标点的值确定为-1，否则确定为1，完成所有所述目标点的值确定后获得第一抑制结果；
根据所述预处理结果和所述第一抑制结果，确定所述第一抑制结果是否满足终止条件；
若是，则将所述第一抑制结果作为所述目标信号；
若否，则将所述预处理结果更新为所述第一抑制结果，并基于所述第一抑制结果和所述无向图概率模型进行循环计算，直至获得满足所述终止条件的第N抑制结果；则将所述第N抑制结果作为所述目标信号，N为大于等于2的整数。
2.根据权利要求1所述的方法，其特征在于，所述3个团块包括：第一团块、第二团块和第三团块；所述根据所述多组杂波图数据，构建所述多组杂波图数据对应的3个团块，包括：
根据所述多组杂波图数据，将所述第一团块构建为：{xi,j,t,xi±Δi,j±Δj,t}；
根据所述多组杂波图数据，将所述第二团块构建为：{xi,j,t,xi,j,t±Δt}；
根据所述多组杂波图数据，将所述第三团块构建为：{xi,j,t,xi±Δi,j±Δj,t±Δt}；
其中，xi,j,t表示目标点，i、j、t分别表示数据点的距离维坐标、多普勒维坐标和时间坐标，Δi、Δj、Δt分别表示距离维坐标的偏移量、多普勒维坐标的偏移量和时间坐标的偏移量。
3.根据权利要求1所述的方法，其特征在于，所述终止条件为：Xi,j,t-Ti,j,t中的全部结果为0，其中，Xi,j,t表示预处理结果所有目标点的值，Ti,j,t表示抑制结果中的所有目标点的值。
4.根据权利要求1所述的方法，其特征在于，所述第一能量函数和所述第二能量函数的获取方式为：
基于公式获取所述第一能量函数或所述第二能量函数；其中，E表示第一能量函数或第二能量函数，C1、C2、C3分别表示3个团块，E1、E2、E3分别表示3个团块的能量函数，E1＝α1(2||xi,j,t-xi±Δi,j±Δj,t||0-1)，E2＝α2(-2||xi,j,t-xi,j,t±Δt||0-1)，E3＝α3(-2||xi,j,t-xi±Δi,j±Δj,t±Δt||0-1)，α1、α2、α3分别表示E1、E2、E3的权重，xi,j,t表示目标点，i、j、t分别表示数据点的距离维坐标、多普勒维坐标和时间坐标，Δi、Δj、Δt分别表示距离维坐标的偏移量、多普勒维坐标的偏移量和时间坐标的偏移量。
5.一种时空关联下雷达杂波的动态抑制装置，其特征在于，包括：
获取模块，用于获取多组杂波图数据；
预处理模块，用于对所述多组杂波图数据进行预处理，获得预处理结果；其中，所述预处理结果中的目标点的值表示为1或-1，所述目标点为所述多组杂波图数据中的任一点；
团块构建模块，用于根据所述多组杂波图数据，构建所述多组杂波图数据对应的3个团块；其中，每个团块由目标点与所述目标点周围的时空间数据构成；
模型构建模块，用于根据所述3个团块，获得所述多组杂波图数据对应的无向图概率模型；其中，所述无向图概率模型为所述目标点与所述目标点的时空间数据构成的联合概率分布；
抑制处理模块，用于根据所述无向图概率模型和所述预处理结果对所述目标点进行杂波抑制，获得剔除杂波后的目标信号；
其中，所述预处理模块，具体用于：
当所述多组杂波图数据中的目标点的值大于0时，令所述预处理结果中的目标点的值为1；
当所述多组杂波图数据中的目标点的值等于0时，令所述预处理结果中的目标点的值为-1；
所述抑制处理模块，具体用于：
令所述预处理结果中当前计算的目标点的值为1，并根据所述无向图概率模型，获得所述无向图概率模型的第一能量函数；
令所述预处理结果中当前计算的目标点的值为-1，并根据所述无向图概率模型，获得所述无向图概率模型的第二能量函数；
当所述第一能量函数大于所述第二能量函数时，将当前计算的目标点的值确定为-1，否则确定为1，完成所有所述目标点的值确定后获得第一抑制结果；
根据所述预处理结果和所述第一抑制结果，确定所述第一抑制结果是否满足终止条件；
若是，则将所述第一抑制结果作为所述目标信号；
若否，则将所述预处理结果更新为所述第一抑制结果，并基于所述第一抑制结果和所述无向图概率模型进行循环计算，直至获得满足所述终止条件的第N抑制结果；则将所述第N抑制结果作为所述目标信号，N为大于等于2的整数。
6.根据权利要求5所述的装置，其特征在于，所述3个团块包括：第一团块、第二团块和第三团块；所述团块构建模块，具体用于：
根据所述多组杂波图数据，将所述第一团块构建为：{xi,j,t,xi±Δi,j±Δj,t}；
根据所述多组杂波图数据，将所述第二团块构建为：{xi,j,t,xi,j,t±Δt}；
根据所述多组杂波图数据，将所述第三团块构建为：{xi,j,t,xi±Δi,j±Δj,t±Δt}；
其中，xi,j,t表示目标点，i、j、t分别表示数据点的距离维坐标、多普勒维坐标和时间坐标，Δi、Δj、Δt分别表示距离维坐标的偏移量、多普勒维坐标的偏移量和时间坐标的偏移量。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-4中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010842811.1A CN112083390B (zh) | 2020-08-20 | 2020-08-20 | 一种时空关联下雷达杂波的动态抑制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010842811.1A CN112083390B (zh) | 2020-08-20 | 2020-08-20 | 一种时空关联下雷达杂波的动态抑制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112083390A CN112083390A (zh) | 2020-12-15 |
| CN112083390B true CN112083390B (zh) | 2024-02-27 |
Family
ID=73728399
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010842811.1A Active CN112083390B (zh) | 2020-08-20 | 2020-08-20 | 一种时空关联下雷达杂波的动态抑制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112083390B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113759336B (zh) * | 2021-08-31 | 2024-04-30 | 东南大学 | 一种图特征学习下的海杂波抑制方法 |
| CN115113168A (zh) * | 2022-08-25 | 2022-09-27 | 南京宇安防务科技有限公司 | 一种基于神经网络的雷达杂波抑制方法 |
| WO2024076287A1 (en) * | 2022-10-05 | 2024-04-11 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods in radar receiver and transmitter for detecting objects of interest |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006349477A (ja) * | 2005-06-15 | 2006-12-28 | Mitsubishi Electric Corp | レーダ装置 |
| CN103745216A (zh) * | 2014-01-02 | 2014-04-23 | 中国民航科学技术研究院 | 一种基于空域特性的雷达图像杂波抑制方法 |
| CN110082744A (zh) * | 2019-04-24 | 2019-08-02 | 西安电子科技大学 | 多普勒分级复用的mimo机载双基雷达杂波抑制方法 |
| CN110703239A (zh) * | 2019-09-23 | 2020-01-17 | 上海广电通信技术有限公司 | 基于多普勒处理的相参航海雷达目标增强技术 |
| CN110940970A (zh) * | 2019-11-06 | 2020-03-31 | 河海大学 | 一种针对浮油海面的mimo雷达目标检测方法及系统 |
-
2020
- 2020-08-20 CN CN202010842811.1A patent/CN112083390B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006349477A (ja) * | 2005-06-15 | 2006-12-28 | Mitsubishi Electric Corp | レーダ装置 |
| CN103745216A (zh) * | 2014-01-02 | 2014-04-23 | 中国民航科学技术研究院 | 一种基于空域特性的雷达图像杂波抑制方法 |
| CN110082744A (zh) * | 2019-04-24 | 2019-08-02 | 西安电子科技大学 | 多普勒分级复用的mimo机载双基雷达杂波抑制方法 |
| CN110703239A (zh) * | 2019-09-23 | 2020-01-17 | 上海广电通信技术有限公司 | 基于多普勒处理的相参航海雷达目标增强技术 |
| CN110940970A (zh) * | 2019-11-06 | 2020-03-31 | 河海大学 | 一种针对浮油海面的mimo雷达目标检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于空间多波束的高频地波雷达电离层杂波抑制算法;姚迪;张鑫;杨强;邓维波;陈秋实;;电子与信息学报(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112083390A (zh) | 2020-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112083390B (zh) | 一种时空关联下雷达杂波的动态抑制方法及装置 | |
| CN109471072B (zh) | 基于fpga的单脉冲雷达二维cfar检测方法及系统 | |
| CN111008585B (zh) | 基于自适应分层高分辨sar图像的舰船目标检测方法 | |
| CN109613527B (zh) | 一种运动目标的检测门限生成方法及装置 | |
| CN103217673B (zh) | 一种非均匀Weibull杂波背景下的CFAR检测方法 | |
| CN111624567B (zh) | 一种恒虚警检测方法及装置 | |
| CN110866545A (zh) | 一种探地雷达资料中管线目标的自动识别方法及系统 | |
| CN113534120B (zh) | 一种基于深度神经网络的多目标恒虚警率检测方法 | |
| WO2014197139A1 (en) | System and method for distribution free target detection in a dependent non-gaussian background | |
| Piskur et al. | Algorithms for passive detection of moving vessels in marine environment | |
| CN111695461B (zh) | 一种基于图频特性的雷达杂波智能分类方法 | |
| CN111445515A (zh) | 基于特征融合网络的地下圆柱体目标半径估算方法及系统 | |
| CN112669332B (zh) | 一种基于双向局部极大值和峰值局部奇异性判断海天条件和检测红外目标的方法 | |
| CN106353743A (zh) | 匹配于等效形状参数的近最优雷达目标检测方法 | |
| CN111830481B (zh) | 雷达回波单分量幅度分布模型参数估计方法及装置 | |
| CN117250589A (zh) | 一种用于交通雷达的点云数据恒虚警检测方法 | |
| CN117630819A (zh) | 一种雷达信号脉冲重复时间盲估计方法、装置及存储介质 | |
| CN105242272B (zh) | 基于自回归时间序列模型的车载毫米波防撞雷达恒虚警检测方法 | |
| CN112363133A (zh) | 一种基于多普勒雷达的目标检测方法、介质及装置 | |
| Cui et al. | New CFAR target detector for SAR images based on kernel density estimation and mean square error distance | |
| Brekke et al. | Target tracking in heavy-tailed clutter using amplitude information | |
| CN116224280B (zh) | 雷达目标检测方法、装置、雷达设备及存储介质 | |
| Zhang et al. | SAR image ship detection based on a superpixel non-window fast cfar strategy | |
| CN113740820B (zh) | 一种雷达信号处理机脉冲多普勒处理的数学建模方法 | |
| Cho et al. | Time-Domain Measurement Data Accumulation for Slow Moving Point Target Detection in Heavily Cluttered Environments Using CNN |
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 |