CN112198488B - 一种极窄脉冲雷达角度关联目标回波空间聚合方法 - Google Patents
一种极窄脉冲雷达角度关联目标回波空间聚合方法 Download PDFInfo
- Publication number
- CN112198488B CN112198488B CN202010934824.1A CN202010934824A CN112198488B CN 112198488 B CN112198488 B CN 112198488B CN 202010934824 A CN202010934824 A CN 202010934824A CN 112198488 B CN112198488 B CN 112198488B
- Authority
- CN
- China
- Prior art keywords
- peak
- target
- angle
- value
- azimuth
- 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
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
-
- 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
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
- G01S13/726—Multiple target tracking
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种极窄脉冲雷达角度关联目标回波空间聚合方法,首先,得到每个极窄脉冲的角误差信息,对全部结果进行直方图统计,得到角度分布规律;其次,对统计结果进行平滑处理,完成角度的聚合;然后,对平滑聚合后的结果进行峰合并,并给出各峰与目标散射点间的映射关系;最后根据角误差信息与峰值的映射关系,完成目标回波聚合,并得到目标的角度信息;本发明能够准确地将属于同一目标的极窄脉冲聚合起来,并给出相应的角度信息。
Description
技术领域
本发明属于极窄脉冲雷达数据处理领域,具体涉及一种极窄脉冲雷达角度关联目标回波空间聚合方法。
背景技术
极窄脉冲雷达,是指经过处理后单个回波脉冲宽度远小于目标尺寸的一类雷达。对于极窄脉冲雷达,目标的回波中包含多个极窄脉冲,分别对应于目标上不同的散射点。因此,目标的极窄脉冲回波能够表示目标散射点沿雷达视线方向的分布情况,通常也称为目标的一维高分辨距离像(HRRP)。
目标回波空间聚合(以下简称“回波聚合”),是指在包含目标、杂波和噪声的极窄脉冲雷达回波中,将属于同一目标的极窄脉冲聚集在一起,提取目标回波片段(即目标HRRP),从而得到目标的有效信息。目标回波聚合是极窄脉冲雷达目标识别、目标跟踪的前提。
当雷达波束内存在多个角度不同、距离相近的目标时,多目标回波在距离上可能会出现重叠,因此可能将多目标回波错误地判定为单一目标回波,导致目标识别错误或降低目标跟踪精度。这是限制雷达目标探测能力的重要因素。
为了解决上述问题,可以采用角度关联回波聚合方法,即利用不同极窄脉冲在角度上的关联性作为判断其是否属于同一目标的依据。范颖锐在其论文“基于聚类算法的地面目标HRRP分割识别”中提出了一种基于二维聚类的目标HRRP分离方法。该方法假设多目标之间在距离上存在一定差异,在回波的“距离─角度”平面上采用二维聚类算法实现多目标分割。其不足为:无法对距离重合的多目标回波进行有效分割。
发明内容
有鉴于此,本发明提供了一种极窄脉冲雷达角度关联目标回波空间聚合方法,能够准确地将属于同一目标的极窄脉冲聚合起来,并给出相应的角度信息。
实现本发明的技术方案如下:
一种极窄脉冲雷达角度关联目标回波空间聚合方法,包括以下步骤:
步骤一、通过单脉冲测角,得到每个极窄脉冲的方位角或俯仰角的角误差信息;
步骤二、利用方位角或俯仰角的角误差信息分别得到方位偏差距离数据或俯仰偏差距离数据;
步骤三、对方位偏差距离或俯仰偏差距离进行直方图统计,得到对应的统计向量;
步骤四、对方位方向或俯仰方向对应的偏差距离统计结果进行平滑处理,完成角度聚合;
步骤五、对方位角或俯仰角对应的平滑聚合后的结果进行峰合并,并给出各峰与目标散射点间的映射关系;
步骤六、根据峰与目标散射点的映射关系得到各目标的散射点数据,完成对不同目标散射点的区分,通过最终分割完成的各目标散射点数据,计算得到目标方位角信息或目标俯仰角信息,利用分割完成的各目标散射点数据进行目标选择和目标跟踪。
进一步地,步骤四具体为:
采用滑动平均滤波分别对方位方向和俯仰方向对应的统计结果进行平滑聚合,每次平滑后,寻找平滑后数据的峰值,根据峰值数据判断是否继续进行多次平滑聚合,直至符合设定条件,结束数据的平滑聚合。
进一步地,步骤五中对于方位角的峰合并具体为:
5.1、遍历方位角对应的平滑聚合结果中相邻的峰值,当相邻两峰值位置间距小于门限值Ath1时,直接进行峰值合并,将信息保存到峰值大的目标上,得到的合并后的峰的起止值为两相邻峰中具有较小起始位置的峰对应的起始值,与具有较大起始位置的峰对应的终止值,合并后的峰,选择较大峰值作为合并后的峰的峰值,标记另一峰值及目标无效;若峰值相同,则保留至左侧的目标上,继续判断合并后的峰值与相邻峰值之间的关系,直到不存在峰值位置间距小于Ath1的相邻峰值;
5.2、遍历直接合并后得到的数据中相邻的峰值,当两峰值位置间距小于Ath2时,进行峰值条件合并,即符合设定条件则完成合并,否则不合并;
定义需要进行峰值条件合并的两相邻峰值中较大的为gmax,峰值较小的为gmin,
条件合并的流程为:
(1)若拥有较大峰值的峰位于较小峰值的峰的右侧,符合:
则,将两峰进行合并,合并方式同步骤5.1中直接合并的方式;
(2)若拥有较大峰值的峰位于较小峰值的峰的左侧,符合:
则,将两峰进行合并,合并方式同步骤5.1中直接合并的方式;
(3)若以上两条件都不符合,则不进行合并。
有益效果:
1、本发明在多目标距离重合的情况下,仍然具有分辨多目标的能力,误判可能性低,保证了复杂环境下的目标分辨的准确性。
2、本发明在进行数据处理时,采取了直方图统计的方案,运算过程主要是针对一维数据进行的简单运算,具有较高的计算效率。
附图说明
图1为本发明流程图。
图2为参考散射点统计分割流程图。
图3为平滑聚合流程图。
图4为横向干扰测试场景示意图。
图5为映射关系示意图。
图6为回波分割结果图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供了一种极窄脉冲雷达角度关联目标回波空间聚合方法,流程如图1所示。
雷达目标角度信息通常包括俯仰角和方位角。在实际应用过程中,俯仰角与方位角具有相同的操作方法,因此这里以方位角为例进行说明。具体过程为:
步骤1、单脉冲测角,得到目标回波信号中多目标的一维高分辨距离像的距离单元信息、方位角误差信息。
101、极窄脉冲雷达接收到来自波束内目标的和通道信号和方位差通道信号。对和通道信号进行目标检测,得到波束内目标的n点一维高分辨距离像。所得一维高分辨距离像中各散射点所在的距离单元为一维向量S=(s1,s2,...sn),各距离单元对应的幅值为一维向量M=(m1,m2,...mn),对应的差通道信号幅值为一维向量D=(d1,d2,...dn);
102、通过振幅定向法中的和差法测量误差角。将差通道信号幅值一维向量D=(d1,d2,...dn)用和通道信号幅值一维向量M=(m1,m2,...mn)进行归一化处理,得到对应于距离单元S=(s1,s2,...sn)的方位角误差信号E=(e1,e2,...en),得到的角误差信号可以表示为:
步骤2、获取波束内目标的横向方位偏差距离信息。
201、根据当前帧的波束内的目标一维高分辨距离像的距离单元一维向量S=(s1,s2,...sn)与对应距离单元的方位误差角A=(a1,a2,...an),根据下式计算得到各距离单元对应的横向方位偏差距离B=(b1,b2,...bn),其计算公式如下:其中,i=1,2,...n。
202、缓存横向方位偏差距离数据B=(b1,b2,...bn),得到波束内目标的一维高分辨距离像横向方位偏差距离信息。
步骤3、对波束内目标的横向方位偏差距离信息B=(b1,b2,...bn)进行直方图统计,得到统计间隔信息X=((x1,x2),(x2,x3),...(xm,xm+1))与各间隔对应幅值信息K=(k1,k2,...km);如图2所示。
301、依据横向方位偏差距离信息B=(b1,b2,...bn),设定进行直方图统计的横向方位偏差距离的区间。统计区间的右端点与左端点的确定方式如下:
确定左端点:
首先找到B=(b1,b2,...bn)中的最小值Min(b1,b2...bn),然后将最小值减去Δ,最后对得到的差值进行向下取整,得到统计区间的左端点。
确定右端点:
首先找到B=(b1,b2,...bn)中的最大值Max(b1,b2...bn),然后将最大值加上Δ,最后对得到的和值进行向上取整,得到统计区间的右端点。
303、确定各分段的界限值。为避免数据值与界限值重合造成频数统计困难,统一规定界限为分段的左侧界限值包含在分段内,分段的右侧界限值归属下一分段,最后1个分段的右侧界限值如含有数据值则归属最后1个分段。得到波束内目标的横向方位偏差距离的各分段的界限值x=(x1,x2,...xm,xm+1),根据界限值得到横向方位偏差距离信息的统计向量X=((x1,x2),(x2,x3),...(xm,xm+1))。
304、将B=(b1,b2,...bn)中各个数据列入相应的分段内,统计各分段内包含的横向方位偏差距离的个数,得到统计向量X的各区间内的横向方位偏差距离个数一维向量K=(k1,k2,...km)。可知,B中元素一一映射到X中,统计得到K,横向方位偏差距离信息B与一维向量K具有映射关系。
步骤4、采用滑动平均滤波对数据K=(k1,k2,...km)进行平滑聚合,每次平滑后,寻找平滑后数据的峰值,根据峰值数据判断是否继续进行多次平滑聚合,直至条件符合,结束数据的平滑聚合,如图3所示。
实际场景中,考虑到目标的安全距离,一个波束内不会出现多于3个目标情况,故不考虑横向多于3个目标的情景。同时,平滑次数越多,目标分割能力越弱,平滑次数设定为最多进行y次平滑。
通过平滑,完成聚合,得到数据K'=(k'1,k'2,...k'm)的峰值,峰值位置与峰的起止值。下面对每次数据平滑、峰值统计与判断是否结束平滑的具体流程进行说明。
401、滑动平均滤波流程为:
依顺序从待平滑数据中取出z(z为奇数)个数据,每取出一个新数据,就将最早取出的那个数据丢掉,而后求得包括新数据在内的z个数据的算术平均值或加权平均值,待平滑数据中前个数据和后个数据不进行平均,保留原值。得到平滑后的一维向量K'=(k'1,k'2,...k'm),其对应分段的界限值与X=((x1,x2),(x2,x3),...(xm,xm+1))一一对应。
402、滑动平均滤波结束后,寻找K'=(k'1,k'2,...k'm)的峰值,并得到对应于峰值的位置,与峰值对应的分段的区间的界限值,与峰值的个数。
K'=(k'1,k'2,...k'm)的峰值包含如下3种可能:
(2)终止位置是峰值:k'm满足条件k'm>k'm-1,并且满足k'm>k'm-2时,k'm为位于终止位置的峰值,k'm对应X中的分段的界限值为峰值起止值(xm,xm+1),峰值位置为对应分段的中点即为
(3)中间位置存在峰值,即峰值元素是指其值大于左右相邻值的元素,可能存在两种情况:
b,当k'l>k'l-1,k'l=k'l+1=...=k'l+i,且k'l+i>k'l+i-1时,则峰值为k'l=k'l+1=...=k'l+i。峰值起止值为k'l,k'l+1,...k'l+i对应的X中的分段的界限值(xl,xl+i+1)。这种情况下,规定峰值位置为k'l,k'l+1,...k'l+i对应的X中分段的界限值的中点
403、根据峰值的个数、平滑的次数与302步中分段间隔h等值来判定是否跳到401步继续进行多次平滑。判定条件为:
(1)当已经进行y次平滑,则不再进行平滑;
(2)当峰值个数小于3时,不再进行平滑;
(3)当峰值个数等于3,且各峰值点位置间间距大于2*h时,不再进行平滑。
404、缓存平滑结束后得到的各峰值的幅值、峰值的位置与峰的起止值信息,两峰中间最小值位置即为上一峰结束、下一峰开始位置。
步骤5、对平滑聚合后的统计结果进行峰的合并,并给出其与目标散射点间的映射关系。
501、遍历K'=(k'1,k'2,...k'm)中相邻的峰值,当两峰值位置间距小于门限值Ath1时,直接进行峰合并,将信息保存到峰值大的目标上,得到的合并后的峰的起止值为两相邻峰中具有较小起始位置的峰对应的起始值,与具有较大起始位置的峰对应的终止值,合并后的峰,选择较大峰值作为合并后的峰的峰值,标记另一峰值及目标无效;若峰值相同,则保留至左侧的目标上,继续判断合并后的峰值与下一峰值之间的关系,直到不存在峰值位置小于Ath1的相邻峰值。
502、遍历直接合并后得到的数据中相邻的峰值,当两峰值位置间距小于Ath2时,进行峰值条件合并,即符合一定条件则完成合并,否则不合并。
定义需要进行峰值条件合并的两相邻峰值中较大的为gmax,峰值较小的为gmin,根据步骤4与步骤501已知此时两峰值的位置与峰的起始值。
条件合并的流程为:
(1)若拥有较大峰值的峰位于较小峰值的峰的右侧,符合:
则,将两峰进行合并,合并方式同步骤501中直接合并的方式,将与峰值对应的目标信息保存到峰值较小的目标上;
(2)若拥有较大峰值的峰位于较小峰值的峰的左侧,符合:
则,将两峰进行合并,合并方式同步骤501中直接合并的方式,将与峰值对应的目标信息保存到峰值较小的目标上。
(3)以上两条件都不符合,则不进行合并。
(4)提取合并后有效的峰的起止位置、中心位置等信息。
503、遍历波束内的目标的散射点信息,将目标散射点信息映射到合并后的各个峰值对应的峰内。每个峰对应的目标散射点归为同一目标的散射点,不同峰则对应不同的目标。
根据步骤2,知目标方位角误差A=(a1,a2,...an)与横向方位偏差距离数据B=(b1,b2,...bn)为一一对应关系,而目标方位误差角与目标散射点一一对应;根据步骤3,B中元素一一映射到统计向量X中,统计得到K,目标一维高分辨距离像的横向方位偏差距离信息B与一维向量K具有映射关系;根据步骤4,对K进行平滑,知K=(k1,k2,...km)与K'=(k'1,k'2,...k'm)具有映射关系;根据步骤5,对K'=(k'1,k'2,...k'm)中的峰进行合并,知K’的数据可以一一映射到合并完成后的数据中,映射关系示意图如图5所示。
根据上述映射关系,可将目标散射点分别映射到不同的峰内,不同的峰代表不同的目标,从而完成对不同目标的散射点的划分。
步骤6、根据步骤5中峰与目标散射点间的对应关系,可通过各目标散射点数据进一步得到各目标的方位误差角信息等,最终分割完成的各目标散射点数据可应用于目标选择、目标跟踪等。例如,目标方位误差角信息可通过对已得目标对应散射点的方位角误差值进行平滑处理得到。
假设A=(a1,a2,...an)中有T个方位角误差值为同一目标的方位角误差,表示为A'=(a'1,a'2,...a't),计算得到这个目标的角度信息,将其角度数据进行平滑处理,得到目标径向几何中心的方位角:
上式中,cn是加权平滑算子,常用算子如下:
以上对雷达目标角度信息中的方位角的信息处理流程进行了详细解释。在对俯仰角进行处理时,流程与方位角处理流程一致,仅需要通过将步骤1中单脉冲测角得到的方位角误差信息换为单脉冲测角得到的俯仰角误差信息,步骤2中仍采用同样的偏差距离计算公式,得到俯仰偏差距离,在步骤3,4,5,6中对步骤2中所得俯仰偏差距离数据进行同流程同思路的直方图统计、平滑聚合、峰合并与散射点映射和目标俯仰角数据的平滑处理,即可得到目标俯仰角信息。
实施例
本发明的效果可以通过以下对横向干扰场景的极窄脉冲雷达角度关联目标回波空间聚合测试结果进行说明。
横向干扰测试场景设置为双目标场景,如图4所示:
参数设置如下表所示:
参数 | 数值 |
横向间距 | 20m |
径向距离(目标1距离) | 1000m |
目标长度,宽度 | 4.5m×1.8m |
径向目标重合度 | 40% |
根据参数设置进行试验,在场景设置中,距离像径向上无法对两目标进行区分,采用本发明方法对目标散射点进行分割,设置径向目标重合度为40%,进行试验,可得到回波分割结果图,对应图6,完成了对目标的分割。
分析上述结果可知,本发明提出的极窄脉冲雷达角度关联目标回波空间聚合方法具有较高准确性,可以完成目标回波分割。在完成精确跟踪的同时,降低了算法的复杂程度,提升了跟踪效率。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种极窄脉冲雷达角度关联目标回波空间聚合方法,其特征在于,包括以下步骤:
步骤一、通过单脉冲测角,得到每个极窄脉冲的方位角或俯仰角的角误差信息;
步骤二、利用方位角或俯仰角的角误差信息分别得到方位偏差距离数据或俯仰偏差距离数据;
步骤三、对方位偏差距离或俯仰偏差距离进行直方图统计,得到对应的统计向量;
步骤四、对方位方向或俯仰方向对应的偏差距离统计结果进行平滑处理,完成角度聚合;
步骤五、对方位角或俯仰角对应的平滑聚合后的结果进行峰合并,并给出各峰与目标散射点间的映射关系;
对于方位角的峰合并具体为:
5.1、遍历方位角对应的平滑聚合结果中相邻的峰值,当相邻两峰值位置间距小于门限值Ath1时,直接进行峰值合并,将信息保存到峰值大的目标上,得到的合并后的峰的起止值为两相邻峰中具有较小起始位置的峰对应的起始值,与具有较大起始位置的峰对应的终止值,合并后的峰,选择较大峰值作为合并后的峰的峰值,标记另一峰值及目标无效;若峰值相同,则保留至左侧的目标上,继续判断合并后的峰值与相邻峰值之间的关系,直到不存在峰值位置间距小于Ath1的相邻峰值;
5.2、遍历直接合并后得到的数据中相邻的峰值,当两峰值位置间距小于Ath2时,进行峰值条件合并,即符合设定条件则完成合并,否则不合并;
定义需要进行峰值条件合并的两相邻峰值中较大的为gmax,峰值较小的为gmin,
条件合并的流程为:
(1)若拥有较大峰值的峰位于较小峰值的峰的右侧,符合:
则,将两峰进行合并,合并方式同步骤5.1中直接合并的方式;
(2)若拥有较大峰值的峰位于较小峰值的峰的左侧,符合:
则,将两峰进行合并,合并方式同步骤5.1中直接合并的方式;
(3)若以上两条件都不符合,则不进行合并;
步骤六、根据峰与目标散射点的映射关系得到各目标的散射点数据,完成对不同目标散射点的区分,通过最终分割完成的各目标散射点数据,计算得到目标方位角信息或目标俯仰角信息,利用分割完成的各目标散射点数据进行目标选择和目标跟踪。
2.如权利要求1所述的一种极窄脉冲雷达角度关联目标回波空间聚合方法,其特征在于,步骤四具体为:
采用滑动平均滤波分别对方位方向和俯仰方向对应的统计结果进行平滑聚合,每次平滑后,寻找平滑后数据的峰值,根据峰值数据判断是否继续进行多次平滑聚合,直至符合设定条件,结束数据的平滑聚合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010934824.1A CN112198488B (zh) | 2020-09-08 | 2020-09-08 | 一种极窄脉冲雷达角度关联目标回波空间聚合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010934824.1A CN112198488B (zh) | 2020-09-08 | 2020-09-08 | 一种极窄脉冲雷达角度关联目标回波空间聚合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112198488A CN112198488A (zh) | 2021-01-08 |
CN112198488B true CN112198488B (zh) | 2021-07-20 |
Family
ID=74005466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010934824.1A Active CN112198488B (zh) | 2020-09-08 | 2020-09-08 | 一种极窄脉冲雷达角度关联目标回波空间聚合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112198488B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113640755A (zh) * | 2021-05-24 | 2021-11-12 | 中国南方电网有限责任公司超高压输电公司广州局 | 基于雷达光电联动系统的目标俯仰角获取方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105204017A (zh) * | 2015-09-01 | 2015-12-30 | 北京理工大学 | 一种基于正则优化的高分辨雷达角跟踪方法 |
CN110018461A (zh) * | 2019-04-16 | 2019-07-16 | 西安电子工程研究所 | 基于高分辨距离像和单脉冲测角的群目标识别方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2005334378A1 (en) * | 2005-07-14 | 2007-01-18 | Rafael Advanced Defense Systems Ltd. | Radar system and method for locating and identifying objects by their non-linear echo signals |
CN104220858B (zh) * | 2012-03-05 | 2016-05-25 | 普睿司曼股份公司 | 用于检测线缆中的扭曲的方法、具有扭曲传感器的电缆和用于制造所述线缆的方法 |
CN104007431B (zh) * | 2014-05-29 | 2017-03-29 | 西安电子科技大学 | 基于dpLVSVM模型的雷达HRRP的目标识别方法 |
CN106226746B (zh) * | 2016-07-11 | 2019-04-26 | 中国人民解放军国防科学技术大学 | 基于相位调制表面的误引干扰方法 |
CN107192991B (zh) * | 2017-07-18 | 2019-10-11 | 中国人民解放军国防科学技术大学 | 一种射频辐射式仿真宽带脉冲雷达成像等效模拟方法 |
CN111398928B (zh) * | 2020-05-08 | 2021-06-11 | 北京理工大学重庆创新中心 | 基于重采样算法的合成极窄脉冲雷达检测门限计算方法 |
CN111413682B (zh) * | 2020-05-08 | 2021-06-04 | 北京理工大学重庆创新中心 | 基于顺序统计量的合成极窄脉冲雷达检测门限计算方法 |
CN111539488B (zh) * | 2020-05-27 | 2021-11-26 | 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 |
CN111539385B (zh) * | 2020-05-28 | 2022-05-20 | 北京理工大学 | 基于分辨率金字塔模型的极窄脉冲雷达船只鉴别方法 |
-
2020
- 2020-09-08 CN CN202010934824.1A patent/CN112198488B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105204017A (zh) * | 2015-09-01 | 2015-12-30 | 北京理工大学 | 一种基于正则优化的高分辨雷达角跟踪方法 |
CN110018461A (zh) * | 2019-04-16 | 2019-07-16 | 西安电子工程研究所 | 基于高分辨距离像和单脉冲测角的群目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112198488A (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109581312B (zh) | 一种高分辨毫米波雷达多目标聚类方法 | |
CN112308881A (zh) | 一种基于遥感图像的舰船多目标跟踪方法 | |
CN110766719B (zh) | 一种目标跟踪方法、设备及存储介质 | |
CN110895333B (zh) | 一种基于多普勒频率的77g车载雷达数据快速聚类方法 | |
CN108181620B (zh) | 一种三坐标雷达点迹质量评估方法 | |
US20210109206A1 (en) | Target detection methods, systems, and computer-readable storage media | |
CN115311629B (zh) | 一种折弯机的异常折弯精度监测系统 | |
CN111999726B (zh) | 一种基于毫米波雷达的人员定位方法 | |
CN112198488B (zh) | 一种极窄脉冲雷达角度关联目标回波空间聚合方法 | |
CN109239702B (zh) | 一种基于目标状态集的机场低空飞鸟数量统计方法 | |
CN115965624A (zh) | 一种抗磨液压油污染颗粒检测方法 | |
CN110609279B (zh) | 一种优化角度栅瓣问题的算法 | |
CN111929653A (zh) | 一种基于无人船航海雷达的目标检测、跟踪方法及系统 | |
CN112986964B (zh) | 基于噪声邻域密度的光子计数激光点云自适应去噪方法 | |
CN109856604B (zh) | 一种二维缩比快速恒虚警检测方法 | |
CN112198486B (zh) | 一种极窄脉冲雷达距离关联目标回波空间聚合方法 | |
CN112630742B (zh) | 高旁瓣多普勒条带的处理方法、装置、设备和存储介质 | |
CN117314901A (zh) | 一种尺度自适应的芯片检测神经网络系统 | |
CN111080647B (zh) | 基于自适应滑动窗口滤波和fcm的sar图像分割方法 | |
CN111695548A (zh) | 基于毫米波雷达的高压线检测方法 | |
CN107729903A (zh) | 基于区域概率统计和显著性分析的sar图像目标检测方法 | |
CN114660566B (zh) | 虚假目标剔除方法、装置、计算机设备及存储介质 | |
US20220363288A1 (en) | Method and Apparatus for Tracking Object Using Lidar Sensor and Recording Medium Storing Program to Execute the Method | |
CN113537411B (zh) | 一种基于毫米波雷达的改进模糊聚类方法 | |
CN115511902A (zh) | 一种角点特征提取方法及系统 |
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 |