CN112327293A - 一种基于分形特征智能学习的海面目标检测方法 - Google Patents

一种基于分形特征智能学习的海面目标检测方法 Download PDF

Info

Publication number
CN112327293A
CN112327293A CN202011126755.8A CN202011126755A CN112327293A CN 112327293 A CN112327293 A CN 112327293A CN 202011126755 A CN202011126755 A CN 202011126755A CN 112327293 A CN112327293 A CN 112327293A
Authority
CN
China
Prior art keywords
fractal
spectrum
sea
sea clutter
clutter
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
Application number
CN202011126755.8A
Other languages
English (en)
Other versions
CN112327293B (zh
Inventor
范一飞
李浩江
陶明亮
粟嘉
唐舒婷
王伶
张兆林
李滔
宫延云
韩闯
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical 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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202011126755.8A priority Critical patent/CN112327293B/zh
Publication of CN112327293A publication Critical patent/CN112327293A/zh
Application granted granted Critical
Publication of CN112327293B publication Critical patent/CN112327293B/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
    • 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
    • G01S7/41—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
    • G01S7/417—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 involving the use of neural networks
    • 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
    • G01S7/418—Theoretical aspects
    • 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)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种基于分形特征智能学习的海面目标检测方法，利用深度学习的方法对该二维联合分形特征参数进行学习，训练一神经网络进行杂波与目标智能化的区分，实现目标检测，将AR谱估计理论、联合分形特征和深度学习方法相结合，提出了一种基于AR谱联合分形特征的智能化新方法用于海面微弱目标检测，提高了海杂波背景下微弱目标检测的性能。克服了传统雷达目标检测方法因海杂波模型失配引起的检测性能下降的缺点，克服了传统时域、频域分形分析的缺点，充分考虑了时间相关性和频率相关性对海杂波分形特性分析的影响，提高了低信杂比背景下，海面微弱目标检测性能与稳定性，有更高的准确性与泛化能力。

Description

一种基于分形特征智能学习的海面目标检测方法
技术领域
本发明涉及于雷达技术领域，具体涉及一种微弱目标智能化检测方法，可用于岸基警戒雷达或对海搜索雷达，通过分析雷达回波目标单元与海杂波单元间的AR谱联合分形特征参数的差异，结合深度学习的智能化方法实现雷达海面微弱目标检测，在低信杂比情况下具有较好的检测性能。
背景技术
海杂波是雷达发射脉冲照射海面的后向散射回波。对海杂波进行特性分析和建模仿真对于设计有效的雷达检测方案和评价雷达检测性能至关重要。传统的研究主要是研究其统计特性，建立统计分布模型。然而，这些模型把海杂波视为某一随机过程的样本函数，这在很大程度上并非因为海杂波的物理本质，而是出于其看似随机的波形。实际上，在高分辨率雷达和低掠射角情况下测量的海杂波，表现出非高斯、非平稳和非线性特性，经典雷达目标检测所作的独立、线性、平稳等假设均不符合真实情况，基于这些假设而采用的经典雷达目标最佳检测策略不可避免导致检测性能下降。然而分形理论作为非线性动力学的重要分支，它的发展不仅为数学和物理提供了全新的观察视角和观察深度，也为雷达海杂波建模、分析和目标检测方法提供了新的动力和方向。
分形理论在雷达信号处理领域有着重要的应用，Lo等人在“Fractalcharacterisation of sea-scattered signals and detection of sea-surfacetargets,IEE Proc.-F,Vol.140,No.4,1993”提出了基于海杂波时域单一分形维数的目标检测方法，但在信杂比较低的情况下检测性能较差。Guan等人在“Fractal characteristicin frequency domain for target detection within sea clutter,IET Radar,Sonar&Navigation,Vol.6,No.5,pp.2012”中提出了一种基于海杂波频域Hurst指数的目标检测方法。但傅里叶分析隐含地采用了一个看来似乎很自然的假设，即除了能得到的观测数据外，序列的其他值均被认为是零，但序列或其自相关函数的那些我们未能观测到或未估计出来的值，实际上并不全是零，并且通过傅里叶分析得到的频谱分辨率较差。
海杂波AR谱盒维数是一易于计算的分形特征参数，可以用于海杂波粗糙程度的描述；Log-Log曲线截距可以在一定程度上反映出海杂波的波动情况。将AR谱盒维数(Log-Log曲线斜率)与Log-Log曲线截距相结合，构成海杂波在二维联合域上的分形特征参数，用于更加精细化的描述海杂波与目标的分形特征差异。
发明内容
为了克服现有技术的不足，本发明提供一种基于分形特征智能学习的海面目标检测方法，针对目标与海杂波在AR谱二维联合分形决策空间的主要差异，结合深度学习的智能化方法，提出一种基于海杂波AR谱联合分形特征的海面微弱目标检测方法，本发明提高了海杂波背景下微弱目标检测的性能。本发明拟利用深度学习的方法对该二维联合分形特征参数进行学习，训练一神经网络进行杂波与目标智能化的区分，实现目标检测，将AR谱估计理论、联合分形特征和深度学习方法相结合，提出了一种基于AR谱联合分形特征的智能化新方法用于海面微弱目标检测，提高了海杂波背景下微弱目标检测的性能。
本发明解决其技术问题所采用的技术方案包括如下步骤：
(1)海杂波的时域回波信号为X＝{xk,k＝1,2,3..N}，其中，N为时域回波序列长度，采用Yule-walker方程法估计海杂波的时域回波信号X的AR谱序列S(f)；
(2)海杂波AR谱联合分形特征参数计算；
针对步骤(1)中求得的AR谱序列S(f)，用序列的最大值max(S(f))对AR谱序列S(f)进行归一化处理，得到序列Su(f)：
Su(f)＝S(f)/max(S(f))
计算AR谱盒维数DAR：
Figure BDA0002733852730000021
其中，Su为归一化后的AR谱序列，Nδ(·)表示尺度δ下与Su交叠的盒子个数，δ为尺度参数，通过改变尺度参数δ，使用最小二乘法拟合得到lgNδ(Su)～(-lgδ)曲线，即Log-Log曲线；曲线斜率即为AR谱盒维数，同时获得曲线截距；AR谱盒维数(Log-Log曲线斜率)与Log-Log曲线截距构成AR谱联合分形特征参数；
(3)使用基于Keras的深度学习模型搭建并训练神经网络；
利用雷达实测回波数据，依照步骤(1)和步骤(2)，分别获得目标单元与海杂波单元的AR谱联合分形特征参数，构成数据集，将得到的数据集划分为训练集与测试集，利用训练集数据对搭建的Keras神经网络进行训练学习，得到训练好的神经网络；
(4)利用神经网络进行智能化目标区分与检测；
将测试集数据输入步骤(3)中训练好的神经网络，完成海杂波单元与目标单元的区分，实现海杂波环境下海面微弱目标的智能化检测。
所述δ的取值范围为0＜δ＜1。
所述训练集与测试集的数据量比例是1：1。
本发明的有益效果在于：
1、本发明利用了海杂波非高斯、非平稳和非线性的特性，通过对海杂波AR谱分形特性的分析，应用AR谱联合分形特征参数进行目标检测，克服了传统雷达目标检测方法因海杂波模型失配引起的检测性能下降的缺点。
2、本发明采用了AR功率谱分析，克服了传统时域、频域分形分析的缺点，充分考虑了时间相关性和频率相关性对海杂波分形特性分析的影响。
3、本发明创新性的提出将AR功率谱的联合分形特征(盒维数与Log-Log曲线截距)作为雷达目标检测中区分海杂波背景与待检测目标的主要特征参数，该二维参数可以更加精细化的刻画出海杂波的波动情况。该方法较现有基于分形理论的目标检测方法而言，提高了低信杂比(SCR)背景下，海面微弱目标检测性能与稳定性。
4、本发明创新性的提出将深度学习方法应用于雷达信号处理技术领域。将AR谱联合分形特征作为神经网络模型的特征参数进行训练学习，并最终利用神经网络实现雷达海杂波背景下的海面微弱目标智能化检测。该检测方法较传统雷达目标检测技术与现有基于分形理论的雷达目标检测技术而言，有更高的准确性与泛化能力。
附图说明
图1是本发明的算法实现流程图。
图2是本发明lgNδ(Su)～(-lgδ)曲线(Log-Log曲线)示意图。
图3是本发明搭建的深度学习网络结构图。
图4是本发明海杂波单元与目标单元AR谱域盒维数对比图。
图5是本发明海杂波单元与目标单元时域盒维数对比图。
图6是本发明AR谱域决策空间的联合分形特征散射图。
图7是本发明时域决策空间的联合分形特征散射图。
图8是本发明实验样本在AR谱域决策空间的联合分形特征散射图。
图9实验检测结果图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
参照图1，本发明的具体实现过程如下：
步骤1，将雷达回波的时间序列分成若干小段序列，计算每段海杂波序列的AR谱。
设海杂波回波时间序列为X＝{Xi,i＝1,2,3,...n}，计算海杂波的AR谱S(f)：
Figure BDA0002733852730000041
其中ap,k是AR系数，
Figure BDA0002733852730000042
是噪声功率，通过“AR-based Growler detection in seaclutter，IEEE trans.on Signal Processing,Vol.41，No.3,1993”中的Yule-walker方程法求解得出。
步骤2，海杂波AR谱联合分形特征参数计算。
(a)针对步骤1中求得的AR谱序列S(f)，用该序列的最大值max(S(f))对AR谱序列S(f)进行归一化处理，得到序列Su(f)。
Su(f)＝S(f)/max(S(f))
(b)计算AR谱联合分形特征参数。
AR谱盒维数DAR定义如下式：
Figure BDA0002733852730000043
其中，Su为步骤2(a)归一化后的AR谱序列，Nδ(·)表示尺度δ下与Su交叠的盒子个数，δ为尺度参数，取值范围为0＜δ＜1。
通过改变尺度参数δ，使用最小二乘法拟合得到lgNδ(Su)～(-lgδ)曲线(即Log-Log曲线)，如图2所示。曲线斜率即为序列Su的AR谱盒维数，曲线截距亦可同时获得。AR谱盒维数(Log-Log曲线斜率)与Log-Log曲线截距构成AR谱联合分形特征参数。
步骤3，基于Keras深度学习模型的搭建与训练。
(a)数据预处理。
将上述步骤1、步骤2中计算得到的海杂波单元与目标单元的联合分形特征参数堆叠在一起，为目标和杂波的数据分别添加标签，其中杂波数据标签为0，目标数据标签为1。
将已添加标签的全体数据集划分为训练集与测试集两部分，训练集和测试集的划分比例在一定程度上会影响模型的训练结果。通常情况下，二者划分的比例为1:1。
(b)神经网络的搭建。
本发明搭建的深度学习网络结构为四层的全连接模型，包括输入层、两个隐藏层和输出层，神经元个数分别为20、16、20、1，如图3所示。网络前三层采用relu激活函数，有效避免了训练模型过程中出现梯度消失和梯度爆炸现象，最后输出层采用sigmoid函数，一般用于二分类的问题。
(c)神经网络的训练。
利用步骤3(a)中划分好的训练集数据，对步骤3(b)中搭建的Keras网络模型进行训练。
步骤4，智能化目标检测。
将步骤3(a)中划分好的测试集数据输入步骤3(c)中训练好的神经网络，完成海杂波单元与目标单元的区分，实现海杂波环境下，海面微弱目标的智能化检测。
本发明的效果可以通过以下实测数据试验进一步说明：
试验条件：本试验采用S波段雷达实测海杂波数据进行AR谱域分形属性分析并计算AR谱联合分形特征参数。S波段雷达高度为500m，雷达以一固定角度凝视海平面。该S波段雷达的主要参数指标如表1所示。
表1测试S波段雷达参数指标表
Figure BDA0002733852730000051
Figure BDA0002733852730000061
试验内容与结果：
本发明将AR谱估计理论、联合分形特征和深度学习方法相结合，提出了一种基于AR谱联合分形特征的智能化新方法用于海面微弱目标检测，提高了海杂波背景下微弱目标检测的性能。本发明重点关注AR谱的联合分形特征参数在海杂波单元和目标单元的区别。根据发明内容计算该S波段雷达实测海杂波数据AR谱的联合分形特征参数(盒维数与Log-Log曲线截距)。计算结果如图2所示。
为了分析海杂波与目标之间的差异，选择20个纯海杂波测距单元和目标测距单元计算AR盒维数。结果如图4所示。可以直观看出，纯海杂波距离单元的AR盒维数要大于包涵目标的距离单元的AR盒维数。AR盒维数反映了分形过程的不规则性。盒维数越大，分形对象越不规则。由于海杂波被视为一分形过程，当出现目标时，目标会破坏海杂波的原始分形特性，导致AR盒维数变小。因此，AR谱盒维数DAR可以用来描述海杂波的不规则性，这对于区分目标和海杂波背景是有效的。为了形成对比，同样计算了时域下的盒维数，结果如图5所示。可以看出，没有目标的海杂波距离单元和有目标的距离单元在时域无法被分开，这是因为时域的盒维数只考虑了杂波的幅度信息，忽略了频域和相关特性。在低SCR条件下，时域盒维数无法区分海杂波和目标。
盒维数用来表示海杂波的粗糙程度，其数值可以通过Log-Log曲线的斜率得到。Log-Log曲线的截距可以表示海杂波的波动，但是这一波动情况却经常被忽视。因此，将AR盒维数与Log-Log曲线截距相结合，形成联合分形特性，用于二维信号检测。本发明将长实测海杂波序列分成50段子序列，每段子序列长度为1024。纯海杂波距离单元和目标距离单元的联合分形散射图如图6所示。可以看出目标区域和海杂波区域有着十分明显的差异。这一结果表明，AR谱的联合分形特性可以作为一种有效的二维参数，用于目标与海杂波背景的区分。在与图6中AR谱分析相同的杂波数据、参数选择和计算流程的条件下，计算时域下的联合分形特性。图7是海杂波单元和目标单元的时域联合分形散射图。可以看出，海杂波单元和目标单元的散射图产生了很多交叠，彼此无法进行区分。产生这一现象的原因是，AR谱域的联合分形特性考虑了海杂波在时间和频率上的相关特性。这些特性在进行低SCR条件下的目标与海杂波背景区分时有着一定的优势。因此，本发明将AR谱域的联合分形特性用作目标检测的一种二维参数具有可行性。
通过上述实验分析可以知道，AR谱域盒维数和Log-Log曲线截距可以被用作目标检测的一种二维联合分形特征。然而，如果使用一种分形特性对应一个固定阈值的目标检测方法则需要通过大量计算获取该阈值，同时也忽视了海杂波的分形特性，势必造成目标检测性能的显著下降。本发明创新性的提出采用深度学习方法解决雷达目标分类领域的问题。海杂波背景条件下的雷达目标检测问题在本质上就是一个二维分类问题。因此，本发明提出了一种基于AR谱的联合分形特征的智能化目标检测方法，其流程如图1所示。
本发明将海杂波距离单元和目标距离单元的实测回波序依照上述步骤1和步骤2计算得到每个序列的AR谱联合分形特征参数，共得到2000个序列的AR联合分形特征参数，如图8所示。将800个子序列的AR分形结果作为训练集输入步骤3(b)中搭建的神经网络进行训练学习，剩余1200个子序列的AR分形结果用作测试集数据，检测训练好的神经网络的分类性能。检测结果如图9所示。
表2不同方的检测性能对比
检测方法 检测概率
AR谱分形特征智能学习方法 95.1％
时域联合分形方法 56.5％
AR Hurst指数方法 81％
FRFT Hurst方法 76.4％
传统恒虚警检测方法 35.8％
由表2可知，共测试1200个子序列，检测率95.1％，虚警率2.5％。将本发明提出的方法与时域联合分形方法，AR Hurst指数方法，FRFT Hurst指数方法以及传统的恒虚警检测方法进行比对分析：
由于SCR相对较低，传统的恒虚警检测方法的检测率仅为35.8％，远远低于分形检测方法。
与时域联合分形方法相比，本发明提出的方法将检测率提高了38.6％。由于考虑到海杂波的时间相关性和频率特性，基于AR谱联合分形特征的检测方法更加有效，准确。
与FRFT Hurst指数方法相比，AR分形方法有着更好的检测性能。这是因为基于AR分形特性的方法可以估计观测窗口之外的值，并且还可以提高频谱的频率分辨率，从而增强了海杂波与目标之间的差异性。
与AR Hurst指数方法相比，该方法将检测概率提高了14.1％。本发明提出的方法考虑了海杂波的二维联合分形特性，比单个Hurst指数参数包含更多的分形特征信息。除此之为，该方法也减少了计算量。经过计算机测试，该方法处理时间约为AR Hurst指数方法的1/20。因此，该方法具有比AR Hurst指数方法更好的实时性能。
综上所述，本发明的检测性能优于已有的分形检测算法和其他传统的检测算法，提高了雷达在低信杂比条件下海面微弱目标检测的性能。

Claims (3)

1.一种基于分形特征智能学习的海面目标检测方法，其特征在于包括下述步骤：
(1)海杂波的时域回波信号为X＝{xk,k＝1,2,3..N}，其中，N为时域回波序列长度，采用Yule-walker方程法估计海杂波的时域回波信号X的AR谱序列S(f)；
(2)海杂波AR谱联合分形特征参数计算；
针对步骤(1)中求得的AR谱序列S(f)，用序列的最大值max(S(f))对AR谱序列S(f)进行归一化处理，得到序列Su(f)：
Su(f)＝S(f)/max(S(f))
计算AR谱盒维数DAR：
Figure FDA0002733852720000011
其中，Su为归一化后的AR谱序列，Nδ(·)表示尺度δ下与Su交叠的盒子个数，δ为尺度参数，通过改变尺度参数δ，使用最小二乘法拟合得到lg Nδ(Su)～(-lgδ)曲线，即Log-Log曲线；曲线斜率即为AR谱盒维数，同时获得曲线截距；AR谱盒维数(Log-Log曲线斜率)与Log-Log曲线截距构成AR谱联合分形特征参数；
(3)使用基于Keras的深度学习模型搭建并训练神经网络；
利用雷达实测回波数据，依照步骤(1)和步骤(2)，分别获得目标单元与海杂波单元的AR谱联合分形特征参数，构成数据集，将得到的数据集划分为训练集与测试集，利用训练集数据对搭建的Keras神经网络进行训练学习，得到训练好的神经网络；
(4)利用神经网络进行智能化目标区分与检测；
将测试集数据输入步骤(3)中训练好的神经网络，完成海杂波单元与目标单元的区分，实现海杂波环境下海面微弱目标的智能化检测。
2.根据权利要求1所述的一种基于分形特征智能学习的海面目标检测方法，其特征在于：
所述δ的取值范围为0＜δ＜1。
3.根据权利要求1所述的一种基于分形特征智能学习的海面目标检测方法，其特征在于：
所述训练集与测试集的数据量比例是1：1。
CN202011126755.8A 2020-10-20 2020-10-20 一种基于分形特征智能学习的海面目标检测方法 Active CN112327293B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011126755.8A CN112327293B (zh) 2020-10-20 2020-10-20 一种基于分形特征智能学习的海面目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011126755.8A CN112327293B (zh) 2020-10-20 2020-10-20 一种基于分形特征智能学习的海面目标检测方法

Publications (2)

Publication Number Publication Date
CN112327293A true CN112327293A (zh) 2021-02-05
CN112327293B CN112327293B (zh) 2023-05-23

Family

ID=74310860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011126755.8A Active CN112327293B (zh) 2020-10-20 2020-10-20 一种基于分形特征智能学习的海面目标检测方法

Country Status (1)

Country Link
CN (1) CN112327293B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114415118A (zh) * 2021-12-30 2022-04-29 西北工业大学 一种基于二维分形特征的海面目标检测方法
CN114429585A (zh) * 2021-12-26 2022-05-03 西北工业大学 一种海面目标多特征智能辨识方法
CN116165646A (zh) * 2023-02-22 2023-05-26 哈尔滨工业大学 基于分割网络的虚警可控雷达目标检测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001281328A (ja) * 2000-03-28 2001-10-10 Nec Corp 目標識別装置および目標識別方法
CN102914769A (zh) * 2012-10-19 2013-02-06 南京信息工程大学 基于联合分形的海杂波背景下小目标检测方法
CN103577877A (zh) * 2013-11-19 2014-02-12 北京航空航天大学 一种基于时频分析和bp神经网络的船舶运动预报方法
CN105259546A (zh) * 2015-09-30 2016-01-20 西安电子科技大学 一种基于ar谱分形的海面微弱雷达目标检测方法
CN105304078A (zh) * 2015-10-28 2016-02-03 中国电子科技集团公司第三研究所 目标声数据训练装置和目标声数据训练方法
CN105353371A (zh) * 2015-12-03 2016-02-24 西安电子科技大学 基于ar谱扩展分形的海面雷达目标检测方法
CN105894033A (zh) * 2016-04-01 2016-08-24 大连理工大学 一种海杂波背景下的弱目标检测方法及系统
CN107861108A (zh) * 2017-10-24 2018-03-30 西安空间无线电技术研究所 一种基于功率谱盒维数的海上目标检测方法
CN109212503A (zh) * 2018-09-26 2019-01-15 西安空间无线电技术研究所 一种基于ar谱分形相关特征的海上目标检测方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001281328A (ja) * 2000-03-28 2001-10-10 Nec Corp 目標識別装置および目標識別方法
CN102914769A (zh) * 2012-10-19 2013-02-06 南京信息工程大学 基于联合分形的海杂波背景下小目标检测方法
CN103577877A (zh) * 2013-11-19 2014-02-12 北京航空航天大学 一种基于时频分析和bp神经网络的船舶运动预报方法
CN105259546A (zh) * 2015-09-30 2016-01-20 西安电子科技大学 一种基于ar谱分形的海面微弱雷达目标检测方法
CN105304078A (zh) * 2015-10-28 2016-02-03 中国电子科技集团公司第三研究所 目标声数据训练装置和目标声数据训练方法
CN105353371A (zh) * 2015-12-03 2016-02-24 西安电子科技大学 基于ar谱扩展分形的海面雷达目标检测方法
CN105894033A (zh) * 2016-04-01 2016-08-24 大连理工大学 一种海杂波背景下的弱目标检测方法及系统
CN107861108A (zh) * 2017-10-24 2018-03-30 西安空间无线电技术研究所 一种基于功率谱盒维数的海上目标检测方法
CN109212503A (zh) * 2018-09-26 2019-01-15 西安空间无线电技术研究所 一种基于ar谱分形相关特征的海上目标检测方法及装置

Non-Patent Citations (11)

* Cited by examiner, † Cited by third party
Title
YIFEI FA: "Weak Target Detection Based on Joint Fractal Characteristics of Autoregressive Spectrum in Sea Clutter Background", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》, 31 December 2019 (2019-12-31) *
彭岁阳等: "LVQ神经网络用于海上小目标检测", 《雷达与对抗》 *
彭岁阳等: "LVQ神经网络用于海上小目标检测", 《雷达与对抗》, no. 02, 15 July 2006 (2006-07-15) *
范一飞等: "海杂波AR谱多重分形特性及微弱目标检测方法", 《电子与信息学报》 *
范一飞等: "海杂波AR谱多重分形特性及微弱目标检测方法", 《电子与信息学报》, no. 02, 15 February 2016 (2016-02-15) *
范一飞等: "海杂波AR谱扩展分形特性及微弱目标检测方法", 《西安电子科技大学学报》 *
范一飞等: "海杂波AR谱扩展分形特性及微弱目标检测方法", 《西安电子科技大学学报》, no. 01, 28 February 2017 (2017-02-28) *
赵江洪等: "深度学习的遥感影像舰船目标检测", 《测绘科学》 *
赵江洪等: "深度学习的遥感影像舰船目标检测", 《测绘科学》, no. 03, 20 March 2020 (2020-03-20) *
顾智敏等: "FRFT域内的海杂波多重分形特性与目标检测", 《南京大学学报(自然科学)》 *
顾智敏等: "FRFT域内的海杂波多重分形特性与目标检测", 《南京大学学报(自然科学)》, no. 04, 30 July 2017 (2017-07-30) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114429585A (zh) * 2021-12-26 2022-05-03 西北工业大学 一种海面目标多特征智能辨识方法
CN114415118A (zh) * 2021-12-30 2022-04-29 西北工业大学 一种基于二维分形特征的海面目标检测方法
CN114415118B (zh) * 2021-12-30 2024-04-30 西北工业大学 一种基于二维分形特征的海面目标检测方法
CN116165646A (zh) * 2023-02-22 2023-05-26 哈尔滨工业大学 基于分割网络的虚警可控雷达目标检测方法
CN116165646B (zh) * 2023-02-22 2023-08-11 哈尔滨工业大学 基于分割网络的虚警可控雷达目标检测方法

Also Published As

Publication number Publication date
CN112327293B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN105137498B (zh) 一种基于特征融合的地下目标探测识别系统及方法
CN112327293B (zh) 一种基于分形特征智能学习的海面目标检测方法
CN109084186B (zh) 基于改进的elmd多尺度熵的管道泄漏信号识别方法
Guan et al. Adaptive fractional Fourier transform-based detection algorithm for moving target in heavy sea clutter
CN106468770B (zh) K分布杂波加噪声下的近最优雷达目标检测方法
CN106772268B (zh) 一种高斯白噪声下的弱信号盲检测方法
CN106872958B (zh) 基于线性融合的雷达目标自适应检测方法
CN112147601B (zh) 一种基于随机森林的海面小目标检测方法
CN111580091B (zh) 一种基于ar谱奇异强度函数的海面微弱目标检测方法
CN113534120B (zh) 一种基于深度神经网络的多目标恒虚警率检测方法
Toledo et al. Cluster analysis: A new approach applied to lidar measurements for atmospheric boundary layer height estimation
CN112462355B (zh) 一种基于时频三特征提取的对海目标智能检测方法
CN106569193A (zh) 基于前‑后向收益参考粒子滤波的海面小目标检测方法
CN110501683A (zh) 一种基于四维数据特征的海陆杂波分类方法
CN109212503A (zh) 一种基于ar谱分形相关特征的海上目标检测方法及装置
CN105259546A (zh) 一种基于ar谱分形的海面微弱雷达目标检测方法
Wang et al. Online multi-target laser ranging using waveform decomposition on fpga
Fan et al. Multifractal correlation analysis of autoregressive spectrum-based feature learning for target detection within sea clutter
CN106353743B (zh) 匹配于等效形状参数的近最优雷达目标检测方法
CN107861108B (zh) 一种基于功率谱盒维数的海上目标检测方法
CN109635407A (zh) 一种雷达精密稳定平台运行可靠性评估方法
Salmasi et al. Design and analysis of fractal detector for high resolution radars
Fan et al. Weak target detection based on deep neural network under sea clutter background
Smeltzer et al. Current mapping from the wave spectrum
Chen et al. Moving target detection at sea based on fractal characters in FRFT domain

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