CN112184868A - 一种被动雷达频率分布统计信息的三维显示方法 - Google Patents
一种被动雷达频率分布统计信息的三维显示方法 Download PDFInfo
- Publication number
- CN112184868A CN112184868A CN202011046455.9A CN202011046455A CN112184868A CN 112184868 A CN112184868 A CN 112184868A CN 202011046455 A CN202011046455 A CN 202011046455A CN 112184868 A CN112184868 A CN 112184868A
- Authority
- CN
- China
- Prior art keywords
- sample
- point
- extreme
- points
- sample point
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- 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
- G01S7/04—Display arrangements
- G01S7/06—Cathode-ray tube displays or other two dimensional or three-dimensional displays
- G01S7/20—Stereoscopic displays; Three-dimensional displays; Pseudo-three-dimensional displays
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种被动雷达频率分布统计信息的三维显示方法,其主要流程是:首先接收信号处理后的PDW信息,根据历史缓存更新PDW信息,根据脉宽、幅度、脉冲数三个维度特征值加权计算公式计算样本空间所有样本点量化特征值,根据样本空间选取特征筛选矩阵,扫描并计算每个样本点聚合度和散落度;根据聚合度和散落度剔除杂波数据;根据自适应门限寻找区域极值点;将所有极值点加入极值点缓存列表,绘制图形时从列表依次取出极值点,每一个极值点根据特征筛选矩阵规模依次连接周边样本点,形成网格状峰值突起;单独绘制剩下的样本点;将脉宽、幅度、脉冲数量化映射为颜色、线条长度、线条密集度,实现在一个三维视图中显示PDW多维特征信息。
Description
技术领域
本发明涉及一种被动雷达频率分布统计信息的三维显示技术领域。
背景技术
频率分布统计信息(下文简称PDW信息,PDW是Pulse Description Word的缩写)是被动雷达无源探测时信号处理生成的数据。PDW形成于雷达信号完成参数测量之后,用于进一步完成分选识别功能生成脉冲描述字,是周期性的大量脉冲描述字的原始统计数据,观察者通过查看可视化的PDW信息,有助于分析目标的方位、距离、类型和运动特性。
目前频率分布统计信息在显控终端主要显示方式有能量图显示、瀑布图显示、曲线图显示等。能量图显示以方位、频率为二维坐标,脉宽、幅度、脉冲数用不同颜色色块区分不同量化单位值,PDW信息的三个维度特征需要用三个二维视图显示。瀑布图和曲线图也是二维视图,只能在一张视图中表征某一维度特征分布情况。PDW的三个特征维度信息无法在一个二维视图中关联显示供观察者关联查看与分析。
发明内容
为解决一张视图中无法同时显示PDW的三个特征维度信息的问题,本发明提出了一种被动雷达频率分布统计信息的三维显示方法,根据PDW信息总体规模设置样本空间,将每个有效信息单元格子作为样本点,根据每个样本点包含的脉宽、幅度、脉冲数信息生成对应的量化特征值;根据样本空间选取特征筛选矩阵;利用特征筛选矩阵计算所有样本点的聚合度和计算所有样本点的散落度;根据聚合度和散落度排序剔除杂波数据;根据动态门限查找区域极值点;绘制区域极值点并连接周边一定数量的样本点形成网格状峰值突起;绘制非区域极值点得样本点;将样本点的脉宽、幅度、脉冲数,量化映射为颜色、线条长度、线条密集度,形成三维视图显示。
本发明提出的被动雷达频率分布统计信息的三维显示方法,包含如下步骤:
步骤一、根据PDW信息总体规模设置样本空间,将每个有效信息单元格子作为样本点,根据脉宽、幅度、脉冲数三个维度特征值加权计算公式计算样本空间所有样本点对应的量化特征值,样本空间M中一个样本点m[i][j]的量化特征值记为s[i][j],s[i][j]表示为式1:
s[i][j]=F(R,A,w,s,n,hw,hs,hn)=w*hw+s*hs+n*hn (式1)
式1中,F表示加权计算函数,参数R表示样本点对应的频率量化值i,参数A表示样本点对应的方位量化值j,w、s、n分别表示脉宽、幅度、脉冲数的量化值,hw、hs、hn分别表示脉宽、幅度、脉冲数的加权计算系数,根据电磁波传播特性和反射特性,不同环境下选取不同的系数hw、hs、hn;其中脉宽、幅度、脉冲数都为无符号量化数值,取值范围为[0,255];
步骤二、根据样本空间选取特征筛选矩阵;样本空间M为s1*s2矩阵,则特征筛选矩阵为n*n矩阵,记为C,矩阵元素记为C[i][j],n表示为式2,C[i][j]表示为式4:
n=min(s1,s2)/30 (式2)
式3中的Sti,j是计算C[i][j]的一个指数变量;
步骤三、扫描所有样本点并计算每个样本点的聚合度和散落度;样本点m[i][j]的聚合度记为g[i][j],散落度记为h[i][j];g[i][j]表示为式5,h[i][j]表示为式7:
式7中e[i][j]表示样本点的量化特征值是否大于0,计算表示为式6;
式5和式7中,当元素下标i和j在样本空间边缘时,会导致k和d取值超出样本空间范围,当数据s[k][d]、c[k][d]、e[k][d]下标越界时,其值设为0;
步骤四、根据聚合度和散落度剔除杂波数据;将所有样本点的g[i][j]和h[i][j]分别按从大到小排序,排序序列分别记为List_g和List_h,设定比例系数K1和K2,将序列List_g最后K1比例的样本点标记为低置信度样本点,将序列List_h最后K2比例的样本点标记为低置信度样本点;低置信度样本点表示该样本点为杂波数据的概率大;
步骤五、门限调整与区域极值点查找;设置动态门限P,设置极值点集合,所有样本点初始化标记为非极值点,极值点占比Q表示极值点集合中的样本数除以样本空间样本数;循环比较P和Q,当Q小于P时,检测所有非极值点集合中的样本点,若该样本点量化特征值同时满足n*n区域内最高,满足聚合度排序在比例P前,满足非标记为低置信度样本点,则该样本点则标记为极值点,并加入极值点集合,同时门限减少比例T,T为不大于1的正数;当Q不小于P时,结束循环比较;
步骤六、将极值点集合中所有极值点加入极值点缓存列表,从列表中依次取出极值点;绘制该极值点,以该极值点为中心的n*n区域内,将该极值点依次连接周边最近的k个样本点,形成网格状峰值突起;
步骤七、绘制非极值样本点;
步骤八、将样本点的脉宽、幅度、脉冲数量化映射为颜色、线条长度、线条密集度;其中脉宽用256种取值对应256位真彩色;幅度用线条长度表示,线条长度与幅度数值成线性比例关系;脉冲数用单位面积线条数表示,将三维视图局部开窗放大可查看对应频率方位的脉冲数,显示线条数为脉冲数的量化数值除以15并向上取整。
进一步的,所述步骤一中根据PDW统计信息选取样本空间,该样本空间为二维极坐标样本空间,第一个维度为频率,对应极坐标的径向距离,第二个维度为方位,对应极坐标的方位;所有PDW信息格子按频率方位表示成样本空间一个样本点;样本点的脉宽、幅度、脉冲数为取值[0,255]的无符号量化值。
进一步的,所述步骤二中的特征筛选矩阵选取方法,特征筛选矩阵规模n取决于样本空间尺度,特征筛选矩阵每个元素接近中心点的权值高,靠近边缘的权值低,其权值计算以离中心点距离按指数形式衰减。
进一步的,所述步骤三中的聚合度和散落度提出与计算;聚合度计算是根据特征筛选矩阵进行矩阵相乘得到以样本点为中心的区域特征值,散落度计算是根据特征筛选矩阵规模累加计算区域有效样本点;计算公式中元素下标越界时元素取值为0。
进一步的,所述步骤四中的根据聚合度和散落度剔除杂波数据,根据样本点两种指标在所有样本点指标序列中排序结果,有一个指标符合排序比例就将样本点标记为低置信度样本点。
进一步的,所述步骤五中的动态门限计算与动态调整,动态门限初始值选取范围为0.01至0.99,循环体中门限减少比例T选取范围为0.01至0.99,根据不同电磁环境数据收敛速度设置比例系数。
进一步的,所述步骤六中的该极值点依次连接周边最近的k个样本点,k选取范围为1至2n,极值点和区域样本点连接组成网格状峰值突起。
进一步的,所述步骤八中的在三维视图中用线条颜色、线条长度、线条密集度表示一个数据三个维度特征值的方法,其中三个维度特征值都为量化特征值,线条密集度除以一个系数缩小取整。
本发明与现有技术相比,其显著效果为:
通过本发明的被动雷达频率分布统计信息的三维显示方法,能够将三个维度特征信息在一个视图中显示,提高观察者分析辐射源分布统计信息能力。通过特征值量化、特征筛选矩阵、杂波剔除、自适应门限动态调整等方法,能使PDW信息能够以三维方式显示,提高有效辐射源信息突出显示概率,在一个视图显示多维特征,提高PDW信息观察对比度与关联度;能够使PDW信息能够以三维方式显示,使一个视图可以同时显示三个维度特征信息,同时突出显示高增益、极值点信号。
下面结合附图对本发明作进一步详细描述。
附图说明
图1是本发明的方法流程图。
图2是本发明的数据显示效果示意图的三维45°俯视视角。
图3是本发明的数据显示效果示意图的三维水平视角。
具体实施方式
本发明实现方法具体实施步骤流程参见附图1,具体可描述为:
(1)根据PDW信息新输入和历史缓存更新PDW信息。PDW是频率分布统计信息(PulseDescription Word)的简称,历史缓存是指本次PDW信息输入到达前已经存储的PDW信息。将信号处理输出结果的PDW信息覆盖历史缓存中相应位置旧的信息,得到更新后的PDW信息作为本三维显示方法的输入。在雷达无源探测中,PDW中最小信息单元为频率分布统计单元格子,其基本信息为频率序号、方位序号、脉宽、幅度、脉冲数,其中脉宽、幅度、脉冲数为无符号量化数值,取值范围为[0,255]。
每一个最小信息单元可用一个五维向量表示,该向量记为L=(R,A,w,s,n)。其中R表示频率序号,A表示方位序号,w表示脉宽,s表幅度,n表示脉冲数。每一个最小信息单元为一个样本点。由频率分布统计单元格子信息组成可知PDW是五维样本空间的数据,同时所有样本点(R,A)组成一个极坐标平面样本空间,记为样本空间M(R,A),其中R表示径向距离,A表示方位。
(2)根据脉宽、幅度、脉冲数三个维度特征值加权计算公式计算样本空间M(R,A)所有样本点对应的量化特征值。根据量化特征值计算公式:
s[i][j]=F(R,A,w,s,n,hw,hs,hn)=w*hw+s*hs+n*hn (式1)
计算样本点m(i,j)对应的量化特征值记为s(i,j)。其中hw,hs,hn分别为参数w、参数s、参数n的权重系数。由于雷达领域电磁波传播、反射特性受地形状况、天气状况、目标表面反射系数、环境杂波等影响,不同时间、地点的权重参数不一样。故参数hw,hs,hn应为经验数据、机器学习收敛数据或从情报数据库获取数据。3个参数应根据实际情况设置或从已有经验中获取。
(3)根据样本空间选取特征筛选矩阵。特征筛选矩阵概念来自机器学习和神经网络的图像识别领域,该矩阵对某一区域符合特定图像的矩阵对应元素相乘并累加求和计算结果具有高增益输出。样本空间M(R,A)尺度为s1*s2,本发明的特征筛选矩阵设为一个n*n的矩阵,设该矩阵为C,n的计算为式2
n=min(s1,s2)/30 (式2)
矩阵元素为C[i][j],令C[i][j]的计算公式为:
特征筛选矩阵对于满足区域中间样本点量化特征值高并且周围样本点量化特征值低具有高增益输出。该特征筛选矩阵与极坐标平面样本空间M(R,A)中所有样本点所在区域进行对应元素加权相乘并累加求和运算可算得样本空间M(R,A)中每一个样本点对应的值,该值称为该样本点的聚合度。
样本点m[i][j]对应的聚合度g[i][j]的计算的计算方法为:
(4)扫描所有样本点并计算每个样本点的聚合度和散落度。聚合度是描述一个样本点及其周围其他样本点量化特征值集合的局部区域高增益突起特征符合程度,聚合度越高表示该样本点对应的方位频率上有辐射源目标的概率越高。聚合度计算方法为步骤(3)中描述。散落度是描述一个样本点周围其他样本点的数目密集程度,散落度越高表示该样本点对应的频率方位周围电磁波数目越多越复杂,该样本点对应的方位频率上有辐射源目标的概率越高。利用特征筛选矩阵计算所有样本点的聚合度,根据样本点集合计算所有样本点的散落度。样本点散落度等于该样本点所在区域单位面积样本点个数,样本点散落度计算方法为以样本点为中心的n*n区域内所有样本点个数除以n*n。散落度h[i][j]表示如式7:
选取实施例样本空间M0,Size(M0)=200*150,有效样本点随机生成,其中子样本空间选为M1,子样本空间为5*5矩阵。M1数据如下:
特征筛选矩阵C的规模n按n=min(s1,s2)/30计算取5,M1的聚合度集合和散落度集合分别记为G1、H1。则特征筛选矩阵C、聚合度集合G1、散落度集合H1分别计算如下:
(5)根据聚合度和散落度剔除杂波数据。杂波数据特点是低聚合度和低散落度,按一定比例标记低聚合度和低散落度的样本点,记为低置信度样本点,比例系数可取0.01-0.99,根据实际环境电磁特性设置最佳比例。低置信度评估方法为,先选取低聚合度比例系数K1和低散落度比例系数K2,将所有样本点分别按聚合度和散落度由高向低排序,将聚合度排序队列最后的K1比例样本点标记为低置信度样本点,将低散落排序队列最后的K2比例样本点标记为低置信度样本点。
以实施例子样本空间M1为例,一共8个有效样本点,取K1=K2=20%,根据G1和H1,则低置信度样本点为m[0][4]、m[4][1]、m[4][4]。
(6)计算样本空间整体离散度、计算自适应门限预期值的初始值。样本空间整体离散度为样本点总数除以样本空间大小,门限预期值记为P,P的初始值设为样本空间整体离散度乘以一个系数。区域极值点简称极值点,是指n*n区域中拥有最大量化特征值的样本点。标记为极值点的集合开始为空,所有样本点初始化标记为非极值点。极值点占比为标记为极值点的样本数除以样本点总数,极值点占比记为Q,由于极值点集合初始化为空,则Q初始化为0。
(7)检查极值点占比是否满足门限预期值。根据极值点集合来计算极值点占比Q。若极值点占比Q小于门限预期值P,则转到步骤(8);若极值点占比Q不小于门限预期值P,则转到步骤(9)。
(8)门限调整与极值点查找。若步骤(8)已执行50次,则直接转到步骤(9),否则继续执行步骤(8)。将门限预期值P与极值点占比Q进行比较,门限预期值P偏大则减小门限预期值,当前门限减少比例T。当前门限变化后记为P'。检测所有非极值点集合中的样本点,若该样本点量化特征值同时满足n*n区域内最大,满足聚合度排序在前P',满足非标记为低置信度样本点,则该样本点则标记为极值点,并加入极值点集合。转到步骤(7)。
(9)将极值点集合中所有极值点加入极值点缓存列表。
以实施例子样本空间M1为例,子样本空间整体离散度为0.32,系数选取0.5,则门限预期值P初始化为0.16,,经过步骤(6)、(7)、(8)、(9),步骤(9)完成时,样本点m[1][1]加入极值点缓存列表。
(10)从极值点缓存列表依次取出极值点,每一个极值点根据特征筛选矩阵规模n,以该极值点为中心的n*n区域内,将该极值点依次连接周边最近的4个样本点,形成网格状峰值突起。
(11)单独绘制剩下的样本点。
(12)将样本点的脉宽、幅度、脉冲数量化映射为颜色、线条长度、线条密集度,实现从三个视觉特性描述三个特征维度信息,实现PDW信息在一个视图中显示多维特征,提高PDW信息观察对比度与关联度。脉宽、幅度、脉冲数都为无符号量化数值,取值范围为[0,255],其中脉宽用256位真彩色对应256种取值;幅度用线条长度表示,线条长度与幅度数值成线性关系;脉冲数用单位面积线条数表示,将三维视图局部开窗放大可查看对应频率方位的脉冲数,显示线条数为脉冲数的量化数值除以15并向上取整。
PDW三个特征维度信息在一个三维视图显示,数据显示效果示意图的三维45°俯视视角参考图2,数据显示效果示意图的三维水平视角参考图3。
Claims (8)
1.一种被动雷达频率分布统计信息的三维显示方法,其特征在于:
步骤一:根据PDW信息总体规模设置样本空间,将每个有效信息单元格子作为样本点,根据脉宽、幅度、脉冲数三个维度特征值加权计算公式计算所有样本点对应的量化特征值,样本空间M中一个样本点m[i][j]的量化特征值记为s[i][j],s[i][j]表示为式1:
s[i][j]=F(R,A,w,s,n,hw,hs,hn)=w*hw+s*hs+n*hn (式1)
式1中,F表示加权计算函数,参数R表示样本点对应的频率量化值i,参数A表示样本点对应的方位量化值j,w、s、n分别表示脉宽、幅度、脉冲数的量化值,hw、hs、hn分别表示脉宽、幅度、脉冲数的加权计算系数,根据电磁波传播特性和反射特性,不同环境下选取不同的系数hw、hs、hn;其中脉宽、幅度、脉冲数都为无符号量化数值,取值范围为[0,255];
步骤二:根据样本空间选取特征筛选矩阵;样本空间M为s1*s2矩阵,则特征筛选矩阵为n*n矩阵,记为C,矩阵元素记为C[i][j],n表示为式2,C[i][j]表示为式4:
n=min(s1,s2)/30 (式2)
式3中的Sti,j是计算C[i][j]的一个指数变量;
步骤三:扫描所有样本点并计算每个样本点的聚合度和散落度;样本点m[i][j]的聚合度记为g[i][j],散落度记为h[i][j];g[i][j]表示为式5,h[i][j]表示为式7:
式7中e[i][j]表示样本点的量化特征值是否大于0,计算表示为式6;式5和式7中,当元素下标i和j在样本空间边缘时,会导致k和d取值超出样本空间范围,当数据s[k][d]、c[k][d]、e[k][d]下标越界时,其值设为0;
步骤四:根据聚合度和散落度剔除杂波数据;将所有样本点的g[i][j]和h[i][j]分别按从大到小排序,排序序列分别记为List_g和List_h,设定比例系数K1和K2,将序列List_g最后K1比例的样本点标记为低置信度样本点,将序列List_h最后K2比例的样本点标记为低置信度样本点;低置信度样本点表示该样本点为杂波数据的概率大;
步骤五:门限调整与区域极值点查找;设置动态门限P,设置极值点集合,所有样本点初始化标记为非极值点,极值点占比Q表示极值点集合中的样本数除以样本空间样本数;循环比较P和Q,当Q小于P时,检测所有非极值点集合中的样本点,若该样本点量化特征值同时满足n*n区域内最高,满足聚合度排序在比例P前,满足非标记为低置信度样本点,则该样本点则标记为极值点,并加入极值点集合,同时门限减少比例T,T为不大于1的正数;当Q不小于P时,结束循环比较;
步骤六:将极值点集合中所有极值点加入极值点缓存列表,从列表中依次取出极值点;绘制该极值点,以该极值点为中心的n*n区域内,将该极值点依次连接周边最近的k个样本点,形成网格状峰值突起;
步骤七:绘制非极值样本点;
步骤八:将样本点的脉宽、幅度、脉冲数量化映射为颜色、线条长度、线条密集度;其中脉宽用256种取值对应256位真彩色;幅度用线条长度表示,线条长度与幅度数值成线性比例关系;脉冲数用单位面积线条数表示,将三维视图局部开窗放大可查看对应频率方位的脉冲数,显示线条数为脉冲数的量化数值除以15并向上取整。
2.根据权利要求1所述的一种被动雷达频率分布统计信息的三维显示方法,其特征在于:所述步骤一中样本空间为二维极坐标样本空间,第一个维度为频率,对应极坐标的径向距离,第二个维度为方位,对应极坐标的方位;所有PDW信息单元格子按频率方位表示成样本空间一个样本点;样本点的脉宽、幅度、脉冲数为取值[0,255]的无符号量化值。
3.根据权利要求1所述的一种被动雷达频率分布统计信息的三维显示方法,其特征在于:所述步骤二中的特征筛选矩阵规模n取决于样本空间尺度,特征筛选矩阵每个元素接近中心点的权值高,靠近边缘的权值低,其权值计算以离中心点距离按指数形式衰减。
4.根据权利要求1所述的一种被动雷达频率分布统计信息的三维显示方法,其特征在于:所述步骤三中的聚合度计算是根据特征筛选矩阵进行矩阵相乘得到以样本点为中心的区域特征值,散落度计算是根据特征筛选矩阵规模累加计算区域有效样本点;计算公式中元素下标越界时元素取值为0。
5.根据权利要求1所述的一种被动雷达频率分布统计信息的三维显示方法,其特征在于:所述步骤四中的根据样本点两种指标在所有样本点指标序列中排序结果,有一个指标符合排序比例就将样本点标记为低置信度样本点。
6.根据权利要求1所述的一种被动雷达频率分布统计信息的三维显示方法,其特征在于:所述步骤五中的动态门限计算与动态调整,动态门限初始值选取范围为0.01至0.99,循环体中门限减少比例T选取范围为0.01至0.99,根据不同电磁环境数据收敛速度设置比例系数。
7.根据权利要求1所述的一种被动雷达频率分布统计信息的三维显示方法,其特征在于:所述步骤六中的极值点依次连接周边最近的k个样本点,k选取范围为1至2n,极值点和区域样本点连接组成网格状峰值突起。
8.根据权利要求1所述的一种被动雷达频率分布统计信息的三维显示方法,其特征在于:所述步骤八中的在三维视图中用线条颜色、线条长度、线条密集度表示一个数据三个维度特征值的方法,其中三个维度特征值都为量化特征值,线条密集度除以一个系数缩小取整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011046455.9A CN112184868B (zh) | 2020-09-29 | 2020-09-29 | 一种被动雷达频率分布统计信息的三维显示方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011046455.9A CN112184868B (zh) | 2020-09-29 | 2020-09-29 | 一种被动雷达频率分布统计信息的三维显示方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112184868A true CN112184868A (zh) | 2021-01-05 |
CN112184868B CN112184868B (zh) | 2023-02-17 |
Family
ID=73946907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011046455.9A Active CN112184868B (zh) | 2020-09-29 | 2020-09-29 | 一种被动雷达频率分布统计信息的三维显示方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184868B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106772261A (zh) * | 2016-12-07 | 2017-05-31 | 中国船舶重工集团公司第七二四研究所 | 雷达侦测信号多维特征聚类可视化显示方法 |
CN107038717A (zh) * | 2017-04-14 | 2017-08-11 | 东南大学 | 一种基于立体栅格自动分析3d点云配准误差的方法 |
CN108416815A (zh) * | 2018-03-05 | 2018-08-17 | 国家安全生产监督管理总局通信信息中心 | 大气光值的测定方法、设备及计算机可读存储介质 |
CN111190146A (zh) * | 2020-01-13 | 2020-05-22 | 中国船舶重工集团公司第七二四研究所 | 一种基于视觉图形特征的复杂信号分选方法 |
CN111539488A (zh) * | 2020-05-27 | 2020-08-14 | 北京理工大学 | 复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法 |
-
2020
- 2020-09-29 CN CN202011046455.9A patent/CN112184868B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106772261A (zh) * | 2016-12-07 | 2017-05-31 | 中国船舶重工集团公司第七二四研究所 | 雷达侦测信号多维特征聚类可视化显示方法 |
CN107038717A (zh) * | 2017-04-14 | 2017-08-11 | 东南大学 | 一种基于立体栅格自动分析3d点云配准误差的方法 |
CN108416815A (zh) * | 2018-03-05 | 2018-08-17 | 国家安全生产监督管理总局通信信息中心 | 大气光值的测定方法、设备及计算机可读存储介质 |
CN111190146A (zh) * | 2020-01-13 | 2020-05-22 | 中国船舶重工集团公司第七二四研究所 | 一种基于视觉图形特征的复杂信号分选方法 |
CN111539488A (zh) * | 2020-05-27 | 2020-08-14 | 北京理工大学 | 复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112184868B (zh) | 2023-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | What catch your attention in SAR images: Saliency detection based on soft-superpixel lacunarity cue | |
Ji et al. | Seabed sediment classification using multibeam backscatter data based on the selecting optimal random forest model | |
CN112001270B (zh) | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 | |
CN107016677A (zh) | 一种基于fcn和cnn的云图分割方法 | |
CN108960421B (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
CN111709487B (zh) | 基于决策级融合的水下多源声学图像底质分类方法及系统 | |
CN113344045B (zh) | 一种结合hog特征提高sar船只分类精度的方法 | |
CN114594461A (zh) | 基于注意力感知与缩放因子剪枝的声呐目标检测方法 | |
CN112949380B (zh) | 一种基于激光雷达点云数据的智能水下目标识别系统 | |
CN114565861A (zh) | 基于概率统计微分同胚集匹配的机载下视目标图像定位方法 | |
CN112184868B (zh) | 一种被动雷达频率分布统计信息的三维显示方法 | |
CN108509835B (zh) | 基于DFIC超像素的PolSAR图像地物分类方法 | |
CN115877377B (zh) | 一种雷达组网矢量流场合成方法、系统、设备及存储介质 | |
CN116311067A (zh) | 基于高维特征图谱的目标综合识别方法、装置及设备 | |
CN111239685A (zh) | 基于均匀设计和自组织特征映射神经网络的声源定位方法 | |
Wang et al. | Passive tracking of underwater acoustic targets based on multi-beam LOFAR and deep learning | |
CN113534146B (zh) | 一种雷达视频图像目标自动检测方法与系统 | |
CN108304862A (zh) | 一种基于小波变换的地图建筑物多边形模式识别方法 | |
CN112819813B (zh) | 一种地下管线智能识别方法、装置及存储介质 | |
CN115359361A (zh) | 一种sar影像域自适应动态优化地物分类模型训练方法 | |
CN111951299B (zh) | 一种红外空中目标检测方法 | |
CN114445456A (zh) | 基于部分模型的数据驱动智能机动目标跟踪方法及装置 | |
Martínez et al. | Real-Time Detection Method of Persistent Objects in Radar Imagery with Deep Learning | |
Lang et al. | A synthetic aperture radar sea surface distribution estimation by n-order Bézier curve and its application in ship detection | |
CN113671493B (zh) | 一种基于特征融合的海面小目标检测方法及系统 |
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 |