CN112731399B - 一种基于二维稀疏结构的宽带雷达飞机目标架次识别方法 - Google Patents

一种基于二维稀疏结构的宽带雷达飞机目标架次识别方法 Download PDF

Info

Publication number
CN112731399B
CN112731399B CN202011534816.4A CN202011534816A CN112731399B CN 112731399 B CN112731399 B CN 112731399B CN 202011534816 A CN202011534816 A CN 202011534816A CN 112731399 B CN112731399 B CN 112731399B
Authority
CN
China
Prior art keywords
matrix
data matrix
obtaining
target
sparse
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
CN202011534816.4A
Other languages
English (en)
Other versions
CN112731399A (zh
Inventor
陈一畅
张袁鹏
汤子跃
朱振波
孙永健
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.)
Air Force Early Warning Academy
Original Assignee
Air Force Early Warning Academy
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 Air Force Early Warning Academy filed Critical Air Force Early Warning Academy
Priority to CN202011534816.4A priority Critical patent/CN112731399B/zh
Publication of CN112731399A publication Critical patent/CN112731399A/zh
Application granted granted Critical
Publication of CN112731399B publication Critical patent/CN112731399B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S13/91—Radar or analogous systems specially adapted for specific applications for traffic control
    • 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

Abstract

本发明提供了一种基于二维稀疏结构的宽带雷达飞机目标架次识别方法，包括得到回波数据矩阵、得到地杂波对消后的数据矩阵、得到二维稀疏结构数据矩阵、得到二值数据矩阵、完成所述二值图聚类和得到架次信息；该方法基于二维稀疏结构模型，同时利用了飞机目标回波的多普勒信息和距离信息，大大降低了杂波和噪声的干扰，提高了架次识别的准确性；同时该方法可实现回波数据丢失情况下的目标架次识别。该方法弥补了窄带识别中对相参积累时间的要求和宽带识别中对信噪比要求较高的不足。

Description

一种基于二维稀疏结构的宽带雷达飞机目标架次识别方法
技术领域
本发明涉及雷达架次识别领域，尤其涉及一种基于二维稀疏结构的宽带雷达飞机目标架次识别方法。
背景技术
随着现代科技的快速发展，各类人造飞行器逐渐普及，特别地，得益于飞行器性能的提升和无线电网络的互联发展，无论是军事战场还是民事应用，空中编队目标越来越多。常规雷达作为能够提供目标位置和运动参数的传感器，已远远不能满足现代军民各领域的需求，要想获得编队目标的详细架次信息，需要基于现有信息资源提出准确的架次识别方法。雷达架次识别技术是以雷达作为传感器，对探测到的目标的数量进行自动识别，对空域监视、目标规模判定乃至国土防空预警具有十分重要的作用。空中编队目标架次识别主要是利用雷达回波信号提取编队目标特征从而对架次进行识别，按照雷达体制，编队目标架次识别技术可分为窄带识别方法和宽带识别方法。
窄带识别方法是根据编队目标之间的多普勒频率差异，通过时频分析类的方法实现目标架次的识别。这类方法对雷达信号的相干性和相参积累时间有着一定的要求，否则无法达到要求的多普勒频率分辨率；此外，该类方法无法应用于飞机相对雷达径向飞行的情况。宽带识别方法是利用目标的各散射中心在径向距离上的高分辨力，得到目标的一维高分辨距离像，通过对距离像中峰值数量的提取来实现目标架次的识别。但是仅仅依靠飞机目标的高分辨距离像也很难确定其架次，主要原因在于回波信号中含有噪声和杂波，特别是当目标距离雷达较远，信噪比较低时，难以确定检测阈值。
发明内容
本发明的目的在于针对上述现有技术的不足，提供了一种基于二维稀疏结构的宽带雷达飞机目标架次识别方法，基于二维稀疏结构模型，同时利用了飞机目标回波的多普勒信息和距离信息，大大降低了杂波和噪声的干扰，提高了架次识别的准确性。
为实现上述目的，本发明采用了如下技术方案：
本发明提供了一种基于二维稀疏结构的宽带雷达飞机目标架次识别方法，其特征在于，包括以下步骤：
S1、得到回波数据矩阵SM×N：对采集的雷达回波数据进行混频、相位检波和A/D采样，得到零中频的数字信号；
对M个脉冲进行采样，每个脉冲采样N点，则第m个脉冲的N点采样数据存储成一个1×N的行向量[sm,1,sm,2,L sm,N]，M个脉冲的M×N个数据组成一个矩阵SM×N，
Figure BDA0002852858490000021
/>
S2、得到地杂波对消后的数据矩阵SL×N：采用三脉冲MTI技术对所述矩阵SM×N的每一列数据做运算：si,j-2×si-1,j+si+1,j；
其中，i＝2,3L M-1，j＝1,L N，得到数据矩阵SL×N；其中，L＝M-2；
S3、得到二维稀疏结构数据矩阵Psparse：利用同步正交匹配追踪算法，优化求解下式：
Figure BDA0002852858490000022
其中，ST为雷达回波所述数据矩阵SL×N的转置矩阵；
P为待求解的二维稀疏结构图矩阵；Pi,j表述矩阵第i行第j列的元素；Φ为稀疏观测矩阵；
所述稀疏观测矩阵的构造过程如下：
Φ＝(F-1·H·F)-1
其中，F为尺寸为N×N的傅里叶矩阵；(·)-1矩阵的取逆运算；
Figure BDA0002852858490000031
其中，j为虚数单位；γ为发射信号的调频率；diag(·)表示将向量转换为对角矩阵；
Figure BDA0002852858490000032
其中，fs是采样频率，Δf＝fs/N；
S4、得到二值数据矩阵P2，所述二值数据矩阵P2分两步获得：
S4.1、求解
Figure BDA0002852858490000033
得到代表目标散射点有无的二分层，其中，1表示有目标，0表示无目标；
单次回波检测数据矩阵Λ，其中：所述Psparse为所述二维稀疏结构数据矩阵；
Z＝min(X,Y)，
Figure BDA0002852858490000034
其中，xi和yi是待检测单元左、右的参考单元；
Figure BDA0002852858490000041
Pf是虚警概率；
S4.2、在得到所述单次回波检测数据矩阵Λ的基础上，先根据m次回波的二分层检测结果积累，再与给定的门限K进行比较以得到最终的二值数据矩阵P2；
S5、完成所述二值数据矩阵P2聚类：循环搜索，将所述二值图P2中相邻的1值点融合为一类，统计所述二值数据矩阵P2中类的数量；
S6、得到架次信息。
进一步，所述同步正交匹配追踪算法的求解步骤为：
S3.1、初始化迭代序号i＝1，令残差矩阵
Figure BDA0002852858490000042
构建索引集合
Figure BDA0002852858490000043
支撑集合/>
Figure BDA0002852858490000044
S3.2、计算当前循环次数下的内积矩阵
Figure BDA0002852858490000045
其中(·)H表示矩阵的共轭转置操作；
S3.3、将内积矩阵元素按照行向量方向相加，根据最大化
Figure BDA0002852858490000046
找出最大和值对应的索引；
S3.4、更新索引集合
Figure BDA0002852858490000047
更新支撑集合/>
Figure BDA0002852858490000048
其中/>
Figure BDA0002852858490000049
为矩阵Φ的第/>
Figure BDA00028528584900000410
个列向量；
S3.5、计算稀疏矩阵在当前迭代次数的估计值
Figure BDA00028528584900000411
更新残差矩阵/>
Figure BDA00028528584900000412
S3.6、步进迭代序号i＝i+1，根据残差矩阵增量
Figure BDA00028528584900000413
判断是否满足循环终止条件，如果满足则进入所述S4，否则进入所述S3.2继续执行。
进一步，所述S4.2包括以下步骤：
S4.2.1、根据雷达工作带宽B和常规飞机目标的平均尺寸L得到参考单元的数量
Figure BDA0002852858490000051
其中c＝3×108m/s，保护单元的数量N＝M；
S4.2.2、确定所述Psparse的行数R和列数C；给定Pf，根据
Figure BDA0002852858490000052
计算出T；
S4.2.3、确定所述Psparse中检测单元的开始点数START＝M+1+N和检测单元的结束点数STOP＝C-M–N；
S4.2.4、初始化外层循环索引k＝1：R和内层循环索引d＝START：STOP，循环计算
Figure BDA0002852858490000053
和/>
Figure BDA0002852858490000054
Z＝min(X,Y)，/>
Figure BDA0002852858490000055
当/>
Figure BDA0002852858490000056
是则Λ(k,j)＝1，否则Λ(k,j)＝0；
S4.2.5、选取m＝15，根据
Figure BDA0002852858490000057
确定门限K；
S4.2.6、确定所述单次回波检测数据矩阵Λ的行数R和列数C；
S4.2.7、初始化外层循环索引k＝1：C和内层循环索引d＝m：R，循环计算
Figure BDA0002852858490000058
值并与K进行比较，若/>
Figure BDA0002852858490000059
则P2(d,k)＝1，否则P2(d,k)＝0；
进一步，所述S5的包括以下步骤：
S5.1、所述二值数据矩阵P2的元素个数为M×N，即矩阵P2有M行N列的元素。逐个像素搜索，相邻的值为1的元素归为同一类；
S5.2、记所述二值数据矩阵P2中一共只有Q类，每一类记为一个单独的集合，Cq(q＝1,2,L,Q)。
进一步，所述S6包括以下步骤：
S6.1、统计所述S5中每一类所包含的像素个数，记为Yq(q＝1,2,L,Q)；
S6.2、计算所有类平均包含像素点的平均个数
Figure BDA0002852858490000061
S6.3、去除杂散点，循环检验，q＝1,2,L,Q，若
Figure BDA0002852858490000062
则清除第q类；
S6.4、统计所剩类的数量Qr，即为架次数。
本发明的有益效果为：该方法基于二维稀疏结构模型，同时利用了飞机目标回波的多普勒信息和距离信息，大大降低了杂波和噪声的干扰，提高了架次识别的准确性；同时该方法可实现回波数据丢失情况下的目标架次识别。该方法弥补了窄带识别中对相参积累时间的要求和宽带识别中对信噪比要求较高的不足。
1)利用了多测量矢量模型，对雷达在不同慢时间接收到的回波信号进行了建模，有助于提高信号恢复的精度。
2)在获得距离多普勒二值图前，通过对待检测单元左右参考单元数据的估计和合理选择的二次检测门限最大程度的保留了目标的各散射点，为后续聚类图像的获得奠定了基础。
3)通过对雷达回波信号的稀疏处理，可实现回波数据缺失或污染条件下的目标识别。
4)本算法同时利用了飞机目标回波的多普勒信息和距离信息弥补了单纯窄带识别中对相参积累时间的要求和单纯宽带识别中对信噪比要求较高的不足。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
一种基于二维稀疏结构的宽带雷达飞机目标架次识别方法，其特征在于，包括以下步骤：
S1、得到回波数据矩阵SM×N：对采集的雷达回波数据进行混频、相位检波和A/D采样，得到零中频的数字信号；
对M个脉冲进行采样，每个脉冲采样N点，则第m个脉冲的N点采样数据存储成一个1×N的行向量[sm,1,sm,2,L sm,N]，M个脉冲的M×N个数据组成一个矩阵SM×N，
Figure BDA0002852858490000071
S2、得到地杂波对消后的数据矩阵SL×N：采用三脉冲MTI技术对所述矩阵SM×N的每一列数据做运算：si,j-2×si-1,j+si+1,j；
其中，i＝2,3L M-1，j＝1,L N，得到数据矩阵SL×N；其中，L＝M-2；
S3、得到二维稀疏结构数据矩阵Psparse：利用同步正交匹配追踪算法，优化求解下式：
Figure BDA0002852858490000072
其中，ST为雷达回波所述数据矩阵SL×N的转置矩阵；
P为待求解的二维稀疏结构图矩阵；Pi,j表述矩阵第i行第j列的元素；Φ为稀疏观测矩阵；
所述稀疏观测矩阵的构造过程如下：
Φ＝(F-1·H·F)-1
其中，F为尺寸为N×N的傅里叶矩阵；(·)-1矩阵的取逆运算；
Figure BDA0002852858490000081
其中，j为虚数单位；γ为发射信号的调频率；diag(·)表示将向量转换为对角矩阵；
Figure BDA0002852858490000082
其中，fs是采样频率，Δf＝fs/N；
所述同步正交匹配追踪算法的求解步骤为：
S3.1、初始化迭代序号i＝1，令残差矩阵
Figure BDA0002852858490000083
构建索引集合
Figure BDA0002852858490000084
支撑集合/>
Figure BDA0002852858490000085
S3.2、计算当前循环次数下的内积矩阵
Figure BDA0002852858490000086
其中(·)H表示矩阵的共轭转置操作；
S3.3、将内积矩阵元素按照行向量方向相加，根据最大化
Figure BDA0002852858490000087
找出最大和值对应的索引；
S3.4、更新索引集合
Figure BDA0002852858490000088
更新支撑集合/>
Figure BDA0002852858490000089
其中/>
Figure BDA00028528584900000810
为矩阵Φ的第/>
Figure BDA00028528584900000811
个列向量；
S3.5、计算稀疏矩阵在当前迭代次数的估计值
Figure BDA0002852858490000091
更新残差矩阵/>
Figure BDA0002852858490000092
S3.6、步进迭代序号i＝i+1，根据残差矩阵增量
Figure BDA0002852858490000093
判断是否满足循环终止条件，如果满足则进入所述S4，否则进入所述S3.2继续执行。
S4、得到二值数据矩阵P2，所述二值数据矩阵P2分两步获得：
S4.1、求解
Figure BDA0002852858490000094
得到代表目标散射点有无的二分层，其中，1表示有目标，0表示无目标；
单次回波检测数据矩阵Λ，其中：所述Psparse为所述二维稀疏结构数据矩阵；
Z＝min(X,Y)，
Figure BDA0002852858490000095
其中，xi和yi是待检测单元左、右的参考单元；
Figure BDA0002852858490000096
Pf是虚警概率；
S4.2、在得到所述单次回波检测数据矩阵Λ的基础上，先根据m次回波的二分层检测结果积累，再与给定的门限K进行比较以得到最终的二值数据矩阵P2；其具体步骤如下：
S4.2.1、根据雷达工作带宽B和常规飞机目标的平均尺寸L得到参考单元的数量
Figure BDA0002852858490000097
其中c＝3×108m/s，保护单元的数量N＝M；
S4.2.2、确定所述Psparse的行数R和列数C；给定Pf，根据
Figure BDA0002852858490000101
计算出T；
S4.2.3、确定所述Psparse中检测单元的开始点数START＝M+1+N和检测单元的结束点数STOP＝C-M–N；
S4.2.4、初始化外层循环索引k＝1：R和内层循环索引d＝START：STOP，循环计算
Figure BDA0002852858490000102
和/>
Figure BDA0002852858490000103
Z＝min(X,Y)，/>
Figure BDA0002852858490000104
当/>
Figure BDA0002852858490000105
是则Λ(k,j)＝1，否则Λ(k,j)＝0；
S4.2.5、选取m＝15，根据
Figure BDA0002852858490000106
确定门限K；
S4.2.6、确定所述单次回波检测数据矩阵Λ的行数R和列数C；
S4.2.7、初始化外层循环索引k＝1：C和内层循环索引d＝m：R，循环计算
Figure BDA0002852858490000107
值并与K进行比较，若/>
Figure BDA0002852858490000108
则P2(d,k)＝1，否则P2(d,k)＝0。
S5、完成所述二值数据矩阵P2聚类：循环搜索，将所述二值数据矩阵P2中相邻的1值点融合为一类，统计所述二值数据矩阵P2中类的数量，其具体步骤如下：
S5.1、所述二值数据矩阵P2的元素个数为M×N，即矩阵P2有M行N列的元素。逐个像素搜索，相邻的值为1的元素归为同一类；
其中，相邻是指如下表的情况：
1 1 1
1 1 1
1 1 1
其中，对角线的中心处表示当前搜索的像素点，其周围的八个像素中，值为1则被归为当前搜索像素点的类。
S5.2、记所述二值数据矩阵P2中一共只有Q类，每一类记为一个单独的集合，Cq(q＝1，2，L，Q)。
S6、得到架次信息，其具体步骤如下：
S6.1、统计所述S5中每一类所包含的像素个数，记为Yq(q＝1，2，L，Q)；
S6.2、计算所有类平均包含像素点的平均个数
Figure BDA0002852858490000111
S6.3、去除杂散点，循环检验，q＝1，2，L，Q，若
Figure BDA0002852858490000112
则清除第q类；
S6.4、统计所剩类的数量Qr，即为架次数。
以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (5)

1.一种基于二维稀疏结构的宽带雷达飞机目标架次识别方法，其特征在于，包括以下步骤：
S1、得到回波数据矩阵SM×N：对采集的雷达回波数据进行混频、相位检波和A/D采样，得到零中频的数字信号；
对M个脉冲进行采样，每个脉冲采样N点，则第m个脉冲的N点采样数据存储成一个1×N的行向量[sm,1,sm,2,…sm,N]，M个脉冲的M×N个数据组成一个矩阵SM×N，
Figure FDA0004167263550000011
S2、得到地杂波对消后的数据矩阵SL×N：采用三脉冲MTI技术对所述矩阵SM×N的每一列数据做运算：si,j-2×si-1,j+si+1,j；
其中，i＝2,3…M-1，j＝1,…N，得到数据矩阵SL×N；其中，L＝M-2；
S3、得到二维稀疏结构数据矩阵Psparse：利用同步正交匹配追踪算法，优化求解下式：
Figure FDA0004167263550000012
其中，ST为雷达回波所述数据矩阵SL×N的转置矩阵；
P为待求解的二维稀疏结构图矩阵；Pi,j表述矩阵第i行第j列的元素；Φ为稀疏观测矩阵；
所述稀疏观测矩阵的构造过程如下：
Φ＝(F-1·H·F)-1
其中，F为尺寸为N×N的傅里叶矩阵；(·)-1矩阵的取逆运算；
Figure FDA0004167263550000021
其中，j为虚数单位；γ为发射信号的调频率；diag(·)表示将向量转换为对角矩阵；
Figure FDA0004167263550000022
其中，fs是采样频率，Δf＝fs/N；
S4、得到二值数据矩阵P2，所述二值数据矩阵P2分两步获得：
S4.1、求解
Figure FDA0004167263550000023
得到代表目标散射点有无的二分层，其中，1表示有目标，0表示无目标；
单次回波检测数据矩阵Λ，其中：所述Psparse为所述二维稀疏结构数据矩阵；
Z＝min(X,Y)，
Figure FDA0004167263550000024
/>
其中，xi和yi是待检测单元左、右的参考单元；
Figure FDA0004167263550000025
Pf是虚警概率；
S4.2、在得到所述单次回波检测数据矩阵Λ的基础上，先根据m次回波的二分层检测结果积累，再与给定的门限K进行比较以得到最终的二值数据矩阵P2；
S5、完成所述二值数据矩阵P2聚类：循环搜索，将所述二值数据矩阵P2中相邻的1值点融合为一类，统计所述二值数据矩阵P2中类的数量；
S6、得到架次信息。
2.根据权利要求1所述的一种基于二维稀疏结构的宽带雷达飞机目标架次识别方法，其特征在于，所述同步正交匹配追踪算法的求解步骤为：
S3.1、初始化迭代序号i＝1，令残差矩阵
Figure FDA0004167263550000031
构建索引集合/>
Figure FDA0004167263550000032
支撑集合/>
Figure FDA0004167263550000033
S3.2、计算当前循环次数下的内积矩阵
Figure FDA0004167263550000034
其中(·)H表示矩阵的共轭转置操作；
S3.3、将内积矩阵元素按照行向量方向相加，根据最大化
Figure FDA0004167263550000035
找出最大和值对应的索引；
S3.4、更新索引集合
Figure FDA0004167263550000036
更新支撑集合/>
Figure FDA0004167263550000037
其中/>
Figure FDA0004167263550000038
为矩阵Φ的第/>
Figure FDA0004167263550000039
个列向量；
S3.5、计算稀疏矩阵在当前迭代次数的估计值
Figure FDA00041672635500000310
更新残差矩阵/>
Figure FDA00041672635500000311
S3.6、步进迭代序号i＝i+1，根据残差矩阵增量
Figure FDA00041672635500000312
判断是否满足循环终止条件，如果满足则进入所述S4，否则进入所述S3.2继续执行。
3.根据权利要求1所述的一种基于二维稀疏结构的宽带雷达飞机目标架次识别方法，其特征在于，所述S4.2包括以下步骤：
S4.2.1、根据雷达工作带宽B和常规飞机目标的平均尺寸L得到参考单元的数量
Figure FDA0004167263550000041
其中c＝3×108m/s，保护单元的数量N＝M；
S4.2.2、确定所述Psparse的行数R和列数C；给定Pf，根据
Figure FDA0004167263550000042
计算出T；
S4.2.3、确定所述Psparse中检测单元的开始点数START＝M+1+N和检测单元的结束点数STOP＝C-M–N；
S4.2.4、初始化外层循环索引k＝1：R和内层循环索引d＝START：STOP，循环计算
Figure FDA0004167263550000043
和/>
Figure FDA0004167263550000044
Z＝min(X,Y)，/>
Figure FDA0004167263550000045
当/>
Figure FDA0004167263550000046
是则Λ(k,j)＝1，否则Λ(k,j)＝0；
S4.2.5、选取m＝15，根据
Figure FDA0004167263550000047
确定门限K；
S4.2.6、确定所述单次回波检测数据矩阵Λ的行数R和列数C；
S4.2.7、初始化外层循环索引k＝1：C和内层循环索引d＝m：R，循环计算
Figure FDA0004167263550000048
值并与K进行比较，若/>
Figure FDA0004167263550000049
则P2(d,k)＝1，否则P2(d,k)＝0。
4.根据权利要求1所述的一种基于二维稀疏结构的宽带雷达飞机目标架次识别方法，其特征在于，所述S5的包括以下步骤：
S5.1、所述二值数据矩阵P2的元素个数为M×N，即矩阵P2有M行N列的元素；逐个像素搜索，相邻的值为1的元素归为同一类；
S5.2、记所述二值数据矩阵P2中一共只有Q类，每一类记为一个单独的集合，Cq(q＝1,2,…,Q)。
5.根据权利要求1所述的一种基于二维稀疏结构的宽带雷达飞机目标架次识别方法，其特征在于，所述S6包括以下步骤：
S6.1、统计所述S5中每一类所包含的像素个数，记为Yq(q＝1,2,…,Q)；
S6.2、计算所有类平均包含像素点的平均个数
Figure FDA0004167263550000051
S6.3、去除杂散点，循环检验，q＝1,2,…,Q，若
Figure FDA0004167263550000052
则清除第q类；
S6.4、统计所剩类的数量Qr，即为架次数。
CN202011534816.4A 2020-12-22 2020-12-22 一种基于二维稀疏结构的宽带雷达飞机目标架次识别方法 Active CN112731399B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011534816.4A CN112731399B (zh) 2020-12-22 2020-12-22 一种基于二维稀疏结构的宽带雷达飞机目标架次识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011534816.4A CN112731399B (zh) 2020-12-22 2020-12-22 一种基于二维稀疏结构的宽带雷达飞机目标架次识别方法

Publications (2)

Publication Number Publication Date
CN112731399A CN112731399A (zh) 2021-04-30
CN112731399B true CN112731399B (zh) 2023-06-02

Family

ID=75604304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011534816.4A Active CN112731399B (zh) 2020-12-22 2020-12-22 一种基于二维稀疏结构的宽带雷达飞机目标架次识别方法

Country Status (1)

Country Link
CN (1) CN112731399B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103217676A (zh) * 2013-05-06 2013-07-24 西安电子科技大学 基于双谱去噪的噪声背景下雷达目标识别方法
CN104122540A (zh) * 2014-07-31 2014-10-29 电子科技大学 基于匹配字典和压缩感知的雷达一维距离像目标识别方法
CN104865568A (zh) * 2015-06-02 2015-08-26 西安电子科技大学 基于稀疏重构的宽带雷达高速群目标分辨方法
CN105572649A (zh) * 2015-12-11 2016-05-11 中北大学 基于稀疏傅里叶变换的雷达目标检测方法
CN107132535A (zh) * 2017-04-07 2017-09-05 西安电子科技大学 基于变分贝叶斯学习算法的isar稀疏频带成像方法
CN108008385A (zh) * 2017-11-20 2018-05-08 西安电子科技大学 基于稀疏贝叶斯学习的干扰环境isar高分辨成像方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103217676A (zh) * 2013-05-06 2013-07-24 西安电子科技大学 基于双谱去噪的噪声背景下雷达目标识别方法
CN104122540A (zh) * 2014-07-31 2014-10-29 电子科技大学 基于匹配字典和压缩感知的雷达一维距离像目标识别方法
CN104865568A (zh) * 2015-06-02 2015-08-26 西安电子科技大学 基于稀疏重构的宽带雷达高速群目标分辨方法
CN105572649A (zh) * 2015-12-11 2016-05-11 中北大学 基于稀疏傅里叶变换的雷达目标检测方法
CN107132535A (zh) * 2017-04-07 2017-09-05 西安电子科技大学 基于变分贝叶斯学习算法的isar稀疏频带成像方法
CN108008385A (zh) * 2017-11-20 2018-05-08 西安电子科技大学 基于稀疏贝叶斯学习的干扰环境isar高分辨成像方法

Also Published As

Publication number Publication date
CN112731399A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN106226751B (zh) 基于dp-tbd的机动目标检测与跟踪方法
CN111045008B (zh) 基于展宽计算的车载毫米波雷达目标识别方法
CN113808174B (zh) 基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法
CN110018461B (zh) 基于高分辨距离像和单脉冲测角的群目标识别方法
CN104459661B (zh) 检测快速火炮类微弱目标的方法
CN109100696B (zh) 基于点状杂波图的慢速运动目标消除方法
CN111208479B (zh) 一种降低深度网络检测中虚警概率的方法
CN111323756A (zh) 一种基于深度学习的航海雷达目标检测方法及装置
Yan et al. Moving targets extraction in multichannel wide-area surveillance system by exploiting sparse phase matrix
CN112731399B (zh) 一种基于二维稀疏结构的宽带雷达飞机目标架次识别方法
CN111368653B (zh) 一种基于r-d图与深度神经网络的低空小目标检测方法
Shuai et al. A ship target automatic recognition method for sub-meter remote sensing images
CN113447901B (zh) 一种不依赖概率模型的海杂波识别与目标检测方法
CN111289953B (zh) 一种基于模糊矩阵更新的天基雷达距离/速度解模糊方法
Zhu et al. Dbu-net based robust target detection for multi-frame track-before-detect method
CN113009450A (zh) 基于最优路径法的目标群运动特征提取方法及装置
Joshi et al. Ship tracking in high-resolution range-compressed airborne radar data acquired during linear and circular flight tracks
CN109934840A (zh) 基于gmphd滤波器的圆周sar运动目标跟踪方法
Su et al. Graph data and GCN based maritime target detection of multi-frame scanning radar
CN113780362B (zh) 一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法
CN112782665B (zh) 一种基于fmcw雷达rdi的数据集拓展方法
CN116430349B (zh) 一种基于物理先验知识的空间群目标探测方法及系统
CN112710997B (zh) 一种扫描模式下雷达机动目标检测方法及系统
CN114720973A (zh) 一种多人体目标生命体征识别方法、系统及计算机设备
Wang et al. An Improved RBF Neural Network based on Clustering Algorithm for Estimating Wind Speed from X-band Marine Radar Images

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