CN112731404A - 地物杂波识别方法、装置及电子设备和存储介质 - Google Patents

地物杂波识别方法、装置及电子设备和存储介质 Download PDF

Info

Publication number
CN112731404A
CN112731404A CN202011625803.8A CN202011625803A CN112731404A CN 112731404 A CN112731404 A CN 112731404A CN 202011625803 A CN202011625803 A CN 202011625803A CN 112731404 A CN112731404 A CN 112731404A
Authority
CN
China
Prior art keywords
reflectivity
distance
pulse signal
network model
standard deviation
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
CN202011625803.8A
Other languages
English (en)
Other versions
CN112731404B (zh
Inventor
陈艳
孙召平
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.)
Beijing Metstar Radar Co ltd
Original Assignee
Beijing Metstar Radar Co ltd
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 Beijing Metstar Radar Co ltd filed Critical Beijing Metstar Radar Co ltd
Priority to CN202011625803.8A priority Critical patent/CN112731404B/zh
Publication of CN112731404A publication Critical patent/CN112731404A/zh
Application granted granted Critical
Publication of CN112731404B publication Critical patent/CN112731404B/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
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • G01S13/958—Theoretical aspects
    • 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
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • 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
    • G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请实施例公开了一种地物杂波识别方法、装置及电子设备和存储介质，从雷达回波的距离库提取特征参量集(差分相位的标准差PDPstd，差分反射率的标准差ZDRstd，相邻仰角的反射率的垂直梯度DBZg，相干功率与非相干功率的比值PR和反射率因子的纹理结构TDBZ)，将特征参量集输入预先训练好的神经网络模型，得到神经网络模型输出的与该距离库对应的地物杂波识别结果。由于神经网络模型是根据样本自动学习，对人的经验和水平的依赖程度较小，因而提高了地物杂波识别的精确度。而且，本申请的方案所采用的特征参量均是在地物和降水条件下具备明显差异的特征量，因而神经网络模型可以为浅层神经网络模型，提高了机器学习效率。

Description

地物杂波识别方法、装置及电子设备和存储介质
技术领域
本申请涉及信号处理技术领域，更具体地说，涉及一种地物杂波识别方法、装置及电子设备和存储介质。
背景技术
对于天气雷达而言，地物是一种杂波，严重污染气象数据，会对天气的预报预警造成重大干扰，因此，在气象数据应用之前，需要对气象数据进行地物杂波识别与处理。
目前在天气雷达业务系统中，地物杂波的自动识别基于模糊逻辑技术实现，该方法通过隶属函数对每个距离库的特征量进行归一化，然后将归一化的值进行加权平均得到模糊输出值，将模糊输出值与阈值进行比较来判别该距离库的回波是地物回波还是天气回波。
然而，隶属函数的获取以及权重的确定对人的经验和水平的依赖程度较大，主观性过高，导致对一些地物与特征类似的天气的区分能力不足。因而，如何提高地物杂波识别的精确度成为亟待解决的技术问题。
发明内容
本申请的目的是提供一种地物杂波识别方法、装置及电子设备和存储介质，包括如下技术方案：
一种地物杂波识别方法，包括：
对于雷达回波的每个距离库，获取该距离库的特征参量集，所述特征参量集中包括：差分相位的标准差PDPstd，差分反射率的标准差ZDRstd，相邻仰角的反射率的垂直梯度DBZg，相干功率与非相干功率的比值PR和反射率因子的纹理结构TDBZ；
将所述特征参量集输入预先训练好的神经网络模型，得到所述神经网络模型输出的与该距离库对应的地物杂波识别结果。
上述方法，优选的，所述相干功率与非相干功率的比值PR包括：水平通道的相干功率与非相干功率的比值PRh和垂直通道的相干功率与非相干功率的比值PRv。
上述方法，优选的，所述获取该距离库的特征参量集，包括：
对于该距离库对应的位于一个径向的多个脉冲信号中的每一个脉冲信号，获取该脉冲信号的水平通道的分量和垂直通道的分量；
根据所述多个脉冲信号的各个脉冲信号的水平通道的分量和垂直通道的分量获取该距离库的特征参量集。
上述方法，优选的，所述差分相位的标准差PDPstd通过如下方式得到：
对于该距离库对应的位于一个径向的多个脉冲信号中的每一个脉冲信号，计算该脉冲信号的水平通道的分量和垂直通道的分量的互相关系数；
获取所述多个脉冲信号对应的互相关系数的均值；
取以该距离库为中心，前后共k个距离库对应的k个均值的相位角的标准差，作为所述差分相位的标准差PDPstd。
上述方法，优选的，所述差分反射率的标准差ZDRstd通过如下方式得到：
对于该距离库对应的位于一个径向的多个脉冲信号中的每一个脉冲信号，计算该脉冲信号的水平通道的分量的第一自相关系数和垂直通道的分量的第二自相关系数；
获取各个脉冲信号对应的第一自相关系数的第一均值和第二自相关系数的第二均值；
将所述第一均值与所述第二均值的模值的比值的对数与预设系数乘积作为该距离库对应的差分反射率；
取以该距离库为中心，前后共k个距离库对应的k个差分反射率的标准差，作为所述差分反射率的标准差ZDRstd。
上述方法，优选的，所述相邻仰角的反射率的垂直梯度DBZg通过如下方式确定：
获取该距离库所在的第一仰角的脉冲信号的第一反射率与第二仰角的脉冲信号的第二反射率的差值；所述第一仰角和所述第二仰角为相邻仰角，所述第一仰角小于所述第二仰角；所述第二仰角的脉冲信号的第二反射率为前一次体积扫描中所述第二仰角的脉冲信号的反射率；
获取该距离库所在位置到水平面的第一垂直高度，与第二仰角上与该距离库的序号相同的距离库所在位置到所述水平面的第二垂直高度之差；
将所述差值与获取的高度差的比值作为所述相邻仰角的雷达回波的反射率的垂直梯度。
上述方法，优选的，所述相干功率与非相干功率的比值PR通过如下方式确定：
获取所述多个脉冲信号的均值的模的平方，作为该距离库的相干功率，以及所述多个脉冲信号中的各个脉冲信号的模的平方的均值；
获取所述各个脉冲信号的模的平方的均值与所述相干功率的差值，作为该距离库的非相干功率；
获取该距离库的相干功率与非相干功率的比值。
上述方法，优选的，所述反射率因子的纹理结构TDBZ通过如下方式确定：
对于该距离库对应的位于一个径向的多个脉冲信号中的每一个脉冲信号，计算该脉冲信号的水平通道的分量的第一自相关系数；
获取各个脉冲信号对应的第一自相关系数的第一均值；
获取所述第一均值的模值的对数与预设系数乘积，得到该距离库对应的反射率；
对于以该距离库为中心，前后共k个距离库对应的k个反射率，计算相邻的两个距离库的反射率的差值的平方，将得到的k-1个平方值的均值作为所述反射率因子的纹理结构TDBZ。
上述方法，优选的，所述神经网络模型通过如下方式训练得到：
获取样本的特征参量集，每个样本对应一个距离库；
将所述特征参数量集输入待训练的神经网络模型，得到所述样本对应的地物杂波识别结果；
以所述样本对应的地物杂波识别结果趋近于所述样本对应的标签为目标，对所述神经网络模型的参数进行更新；所述样本对应的标签表征所述样本对应的距离库中是否含有地物杂波。
一种地物杂波识别装置，包括：
特征参量集获取模块，用于对于雷达回波的每个距离库，获取该距离库的特征参量集，所述特征参量集中包括：差分相位的标准差PDPstd，差分反射率的标准差ZDRstd，相邻仰角的反射率的垂直梯度DBZg，相干功率与非相干功率的比值PR和反射率因子的纹理结构TDBZ；
识别模块，用于将所述特征参量集输入预先训练好的神经网络模型，得到所述神经网络模型输出的与该距离库对应的地物杂波识别结果。
一种电子设备，包括：
存储器，用于存储程序；
处理器，用于调用并执行所述存储器中的所述程序，通过执行所述程序实现如上任一项所述的地物杂波识别方法的各个步骤。
一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上任一项所述的地物杂波识别方法的各个步骤。
通过以上方案可知，本申请提供的一种地物杂波识别方法、装置及电子设备和存储介质，从雷达回波的距离库提取特征参量集(差分相位的标准差PDPstd，差分反射率的标准差ZDRstd，相邻仰角的反射率的垂直梯度DBZg，相干功率与非相干功率的比值PR和反射率因子的纹理结构TDBZ)，将特征参量集输入预先训练好的神经网络模型，得到神经网络模型输出的与该距离库对应的地物杂波识别结果。由于神经网络模型是根据样本自动学习，对人的经验和水平的依赖程度较小，因而提高了地物杂波识别的精确度。而且，本申请的方案所采用的特征参量均是在地物和降水条件下具备明显差异的特征量，因而神经网络模型可以为浅层神经网络模型，提高了机器学习效率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。
图1为本申请实施例提供的地物杂波识别方法的一种实现流程图；
图2为本申请实施例提供的获取第b个距离库的特征参量集的一种实现流程；
图3为本申请实施例提供的雷达扫描示意图；
图4为本申请实施例提供的根据第b个距离库对应的位于一个径向的N个脉冲信号的水平通道的分量和垂直通道的分量获取第b个距离库的差分相位的标准差PDPstd的一种实现流程图；
图5为本申请实施例提供的根据第b个距离库对应的位于一个径向的N个脉冲信号的水平通道的分量和垂直通道的分量获取第b个距离库的差分反射率的标准差ZDRstd的一种实现流程图；
图6为本申请实施例提供的根据第b个距离库对应的位于一个径向的N个脉冲信号的水平通道的分量和垂直通道的分量获取第b个距离库的相邻仰角的反射率的垂直梯度DBZg的一种实现流程图；
图7为本申请实施例提供的计算相邻仰角的雷达回波的反射率的垂直梯度的一种示例图；
图8为本申请实施例提供的根据第b个距离库对应的位于一个径向的N个脉冲信号的水平通道的分量和垂直通道的分量获取相干功率与非相干功率的比值PR的一种实现流程图；
图9为本申请实施例提供的根据第b个距离库对应的位于一个径向的N个脉冲信号的水平通道的分量和垂直通道的分量获取反射率因子的纹理结构TDBZ的一种实现流程图；
图10为本申请实施例提供的地物杂波识别装置的一种结构示意图；
图11为本申请实施例提供的电子设备的硬件结构框图。
说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的部分，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例，能够以除了在这里图示的以外的顺序实施。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1所示，为本申请实施例提供的地物杂波识别方法的一种实现流程图，可以包括：
步骤S101：对于雷达回波的每个距离库，获取该距离库的特征参量集，该特征参量集中包括：差分相位的标准差PDPstd，差分反射率的标准差ZDRstd，相邻仰角的反射率的垂直梯度DBZg，相干功率与非相干功率的比值PR和反射率因子的纹理结构TDBZ。
对于第b(b＝1，2，3，……，N；N为距离库的总个数)个距离库，差分相位的标准差PDPstd是指以第b个距离库为中心，前后共k个距离库的差分相位PHIDP的标准差；差分反射率的标准差ZDRstd是指以第b个距离库为中心，前后共k个距离库的差分反射率的标准差。k为奇数。
雷达回波的中的脉冲信号包括水平通道的分量和垂直通道的分量，基于此，本申请中的相干功率与非相干功率的比值PR可以包括：水平通道的相干功率与非相干功率的比值PRh和垂直通道的相干功率与非相干功率的比值PRv。
步骤S102：将特征参量集输入预先训练好的神经网络模型，得到神经网络模型输出的于该距离库对应的地物杂波识别结果。
地物杂波识别结果即为该距离库中是否具有地物杂波。
本申请实施例提供的地物杂波识别方法，从雷达回波的距离库提取特征参量集(差分相位的标准差PDPstd，差分反射率的标准差ZDRstd，相邻仰角的反射率的垂直梯度DBZg，相干功率与非相干功率的比值PR和反射率因子的纹理结构TDBZ)，将特征参量集输入预先训练好的神经网络模型，得到神经网络模型输出的与该距离库对应的地物杂波识别结果。由于神经网络模型是根据样本自动学习，对人的经验和水平的依赖程度较小，因而提高了地物杂波识别的精确度。而且，本申请的方案所采用的特征参量均是在地物和降水条件下具备明显差异的特征量，因而神经网络模型可以为浅层神经网络模型，提高了机器学习效率。
本申请的发明人研究发现，虽然现有技术中也有用神经网络模型来进行地物杂波识别，但现有技术中是将图片作为神经网络模型的输入，但这种实现方式要求神经网络模型具有较深的层次，训练参数多，需要耗费大量的时间与存储单元。而本申请是将从雷达回波信号中提取的特征参量集作为神经网络模型的输入，使得神经网络模型不需要较深的层次，从而减少了训练参数，进而降低了训练模型所耗费的时间与存储单元。
在一可选的实施例中，获取第b个距离库的特征参量集的一种实现流程图如图2所示，可以包括：
步骤S201：对于第b个距离库对应的位于一个径向的多个(为便于叙述，记为N个)脉冲信号中的每一个脉冲信号，获取该脉冲信号的水平通道的分量和垂直通道的分量。具体的，对于第i个脉冲信号，获取该第i个脉冲信号的水平通道的分量(为便于区分，记为xh[b][i])和垂直通道的分量(为便于区分，记为xv[b][i])。
雷达在进行扫描时，是循环进行体积扫描的，即一次体积扫描完成后，进行下一次体积扫描。其中，每一次体积扫描由多次平面扫描构成，每一次平面扫描以特定的仰角进行扫描，不同的平面扫描的仰角不同，每完成一次平面扫描，将仰角调大后进行下一次平面扫描，直至一次体积扫描完成。
雷达在进行平面扫描时，时采用逐径向顺时针方向扫描，每一径向数据采用极坐标方式表示，以方位和距离进行标识。其中，径向是指以雷达为中心，沿雷达电磁波的发射方向。如图3所示，在对雷达数据进行绘制时，径向数据可以分为若干个距离库，每个距离库以一个等腰梯形进行绘制。雷达以一个仰角按照顺时针的方向进行逐径向360度扫描，完成一次平面扫描。
脉冲信号为IQ信号，获取IQ信号的水平通道的分量和垂直通道的分量的过程为本领域技术任意所熟知的公知常识，这里不再详述。
如无特别说明，本文所说的第b个距离库是指第一仰角上的第b个距离库。
步骤S202：根据上述N个脉冲信号的各个脉冲信号的水平通道的分量和垂直通道的分量获取该距离库的特征参量集。
也就说，每个一个距离库的特征参量集均是通过脉冲信号的水平通道的分量和垂直通道的分量得到的。
在一可选的实施例中，根据第b个距离库对应的位于一个径向的N个脉冲信号的水平通道的分量和垂直通道的分量获取第b个距离库的差分相位的标准差PDPstd的一种实现流程图如图4所示，可以包括：
步骤S401：对于第b个距离库对应的位于一个径向的N个脉冲信号中的第i个脉冲信号，计算该第i个脉冲信号的水平通道的分量xh[b][i]和垂直通道的分量xv[b][i]的互相关系数，该互相关系数ρhv可以通过如下公式计算得到：
Figure BDA0002877431420000081
步骤S402：获取上述N个脉冲信号对应的互相关系数的均值。
步骤S403：取以第b个距离库为中心，前后共k个距离库对应的k个均值的相位角的标准差，作为差分相位的标准差PDPstd。
脉冲信号的水平通道的分量和垂直通道的分量通常是用复数表示，基于此，每个脉冲信号对应的互相关系数也是复数，因此，步骤S302中得到的多个脉冲信号对应的互相关系数的均值也为复数。对于以第b个距离库为中心，前后共k个距离库中的每一个距离库，取该距离库对应的互相关系数的均值的相位角，然后计算k个距离库的相位角的标准差，作为第b个距离库的差分相位的标准差PDPstd。
其中，上述获取第b个距离库对应的相位角
Figure BDA0002877431420000083
的过程可以通过如下公式表示：
Figure BDA0002877431420000082
arg()表示取相位角，单位为度。
本申请实施例中，将计算得到的k个相位角
Figure BDA0002877431420000084
的标准差作为第b个距离库的差分相位的标准差PDPstd。
在一可选的实施例中，根据第b个距离库对应的位于一个径向的N个脉冲信号的水平通道的分量和垂直通道的分量获取第b个距离库的差分反射率的标准差ZDRstd的一种实现流程图如图5所示，可以包括：
步骤S501：对于第b个距离库对应的位于一个径向的N个脉冲信号中的第i个脉冲信号，计算该第i个脉冲信号的水平通道的分量xh[b][i]的第一自相关系数和垂直通道的分量xv[b][i]的第二自相关系数。
其中，第一自相关系数可以通过如下公式计算得到；
Figure BDA0002877431420000091
第二自相关系数可以通过如下公式计算得到：
Figure BDA0002877431420000092
步骤S502：获取N个脉冲信号对应的第一自相关系数的第一均值和N个脉冲信号对应的第二自相关系数的第二均值。
步骤S503：将第一均值与第二均值的模值的比值的对数与预设系数乘积作为第b个距离库对应的差分反射率ZDR[b]。
上述获取第b个距离库对应的差分反射率ZDR[b]的过程可以通过如下公式表示：
Figure BDA0002877431420000093
其中，为a预设系数，比如a的取值可以为10。对数可以取以10为底的对数，当然，也可以取以其它数为底的对数，比如，取以2为底的对数等。
步骤S504：取以该距离库为中心，前后共k个距离库对应的k个差分反射率ZDR的标准差，作为第b个距离库的差分反射率的标准差ZDRstd。
在一可选的实施例中，根据第b个距离库对应的位于一个径向的N个脉冲信号的水平通道的分量和垂直通道的分量获取第b个距离库的相邻仰角的反射率的垂直梯度DBZg的一种实现流程图如图6所示，可以包括：
步骤S601：获取第b个距离库所在的第一仰角的第一反射率dBZ1与第二仰角的第二反射率dBZ2的差值；第一仰角和第二仰角为相邻仰角，第一仰角小于第二仰角；第二仰角的第二反射率为前一次体积扫描中第二仰角的脉冲信号的反射率。
本申请实施例中，计算的是相邻两次体积扫描中的相邻仰角的脉冲信号的反射率的差值。即假设第b个距离库所在的第一仰角的脉冲信号是当前体积扫描(为便于叙述，记为第t次体积扫描)过程中以第一仰角进行平面扫描得到的脉冲信号，则第二仰角的脉冲信号则是前一次体积扫描(即第t-1次体积扫描)过程中在以第一仰角完成平面扫描后以第二仰角进行平面扫描得到的第b个距离库的脉冲信号。
反射率的计算方式可以参看公式(10)，这里不再详述。
步骤S602：获取第b个距离库所在位置到水平面的第一垂直高度，以及第二仰角上第b个距离库所在位置到同一水平面的第二垂直高度之差Δd。
步骤S603：将步骤S601得到的反射率差值与步骤S602得到的高度差的比值作为相邻仰角的雷达回波的反射率的垂直梯度。
如图7所示，为本申请实施例提供的计算相邻仰角的雷达回波的反射率的垂直梯度的一种示例图，该示例中，第一仰角为0.5°，第二仰角为1.5°。
在一可选的实施例中，根据第b个距离库对应的位于一个径向的N个脉冲信号的水平通道的分量和垂直通道的分量获取相干功率与非相干功率的比值PR的一种实现流程图如图8所示，可以包括：
步骤S801：获取N个脉冲信号的均值的模的平方，作为第b个距离库的相干功率，还获取N个脉冲信号中的各个脉冲信号的模的平方的均值。
步骤S802：获取各个脉冲信号的模的平方的均值与相干功率的差值，作为第b个距离库的非相干功率。
步骤S803：获取第b个距离库的相干功率与非相干功率的比值PR。
获取相干功率与非相干功率的比值PR的过程可以通过如下公式表示：
Figure BDA0002877431420000101
x[b][i]表示第b个距离库对应的位于一个径向的第i个脉冲信号。
可以选的，在获取第b个距离库的相关功率与非相干功率的比值后，还可以对第b个距离库的相关功率与非相干功率的比值进行归一化，得到归一化的相干功率与非相干功率的比值，将该归一化的相干功率与非相干功率的比值用于地物杂波识别。可选的，可以通过如下公式进行归一化处理：
Figure BDA0002877431420000102
其中，b为预设系数，b的取值可以为10。对数可以取以10为底的对数，当然，也可以取以其它数为底的对数，比如，取以2为底的对数等。
可选的，对于第b个距离库对应的位于一个径向的N个脉冲信号，可以计算该N个脉冲信号的水平通道的分量相干功率与非相干功率的比值PRh，以及该N个脉冲信号的垂直通道的分量相干功率与非相干功率的比值PRv。
水平通道的分量相干功率与非相干功率的比值PRh用公式可以表示为：
Figure BDA0002877431420000111
或者，
Figure BDA0002877431420000112
xh[b][i]表示第b个距离库对应的位于一个径向的第i个脉冲信号的水平通道的分量。
垂直通道的分量相干功率与非相干功率的比值PRv用公式可以表示为：
Figure BDA0002877431420000113
或者，
Figure BDA0002877431420000114
xv[b][i]表示第b个距离库对应的位于一个径向的第i个脉冲信号的垂直通道的分量。
在一可选的实施例中，根据第b个距离库对应的位于一个径向的N个脉冲信号的水平通道的分量和垂直通道的分量获取反射率因子的纹理结构TDBZ的一种实现流程图如图9所示，可以包括：
步骤S901：对于第b个距离库对应的位于一个径向的多个脉冲信号中的第i个脉冲信号，计算该第i脉冲信号的水平通道的分量xh[b][i]的第一自相关系数；具体计算过程可参看公式(3)。
步骤S902：获取各个脉冲信号对应的第一自相关系数的第一均值；
步骤S903：获取第一均值的模值的对数与预设系数乘积，得到第b个距离库对应的反射率dBZ[b]。
上述计算第b个距离库对应的反射率dBZ[b]的过程可以通过如下公式表示：
Figure BDA0002877431420000115
其中，c为预设系数，c的取值可以为10。对数可以取以10为底的对数，当然，也可以取以其它数为底的对数，比如，取以2为底的对数等。
步骤S904：对于以第b个距离库为中心，前后共k个距离库对应的k个反射率，计算相邻的两个距离库的反射率的差值的平方，将得到的k-1个平方值的均值作为反射率因子的纹理结构TDBZ。
反射率因子的纹理结构TDBZ用公式可以表示为：
Figure BDA0002877431420000121
在一可选的实施例中，上述申请网络模型可以通过如下方式训练得到：
获取样本的特征参量集，每个样本对应一个距离库；
将样本的特征参数量集输入待训练的神经网络模型，得到样本对应的地物杂波识别结果；
以样本对应的地物杂波识别结果趋近于样本对应的标签为目标，对所述神经网络模型的参数进行更新；其中，样本对应的标签表征样本对应的距离库中是否含有地物杂波。
可选的，本申请实施例中的神经网络模型可以为三层的神经网络模型，该申请网络模型可以包括两个隐含层和一个输出层。
在模型训练好以后，使用测试样本数据(未参与模型的训练)对模型进行测试，测试结果显示本申请实施例提供的神经网络模型的准确识别率大于90％，虚警率低于5％，说明本申请的模型的泛化性能好。
在一可选的实施例中，可以将训练好的神经网络模型保存为PB格式文件，便于不同语言的系统调用、训练或迁移，扩展了应用平台。
与方法实施例相对应，本申请实施例还提供一种地物杂波识别装置，本申请实施例提供的地物杂波识别装置的一种结构示意图如图10所示，可以包括：
特征参量集获取模块1001，用于对于雷达回波的每个距离库，获取该距离库的特征参量集，所述特征参量集中包括：差分相位的标准差PDPstd，差分反射率的标准差ZDRstd，相邻仰角的反射率的垂直梯度DBZg，相干功率与非相干功率的比值PR和反射率因子的纹理结构TDBZ；
识别模块1002，用于将所述特征参量集输入预先训练好的神经网络模型，得到所述神经网络模型输出的与该距离库对应的地物杂波识别结果。
本申请实施例提供的地物杂波识别装置，从雷达回波的距离库提取特征参量集(差分相位的标准差PDPstd，差分反射率的标准差ZDRstd，相邻仰角的反射率的垂直梯度DBZg，相干功率与非相干功率的比值PR和反射率因子的纹理结构TDBZ)，将特征参量集输入预先训练好的神经网络模型，得到神经网络模型输出的与该距离库对应的地物杂波识别结果。由于神经网络模型是根据样本自动学习，对人的经验和水平的依赖程度较小，因而提高了地物杂波识别的精确度。而且，本申请的方案所采用的特征参量均是在地物和降水条件下具备明显差异的特征量，因而神经网络模型可以为浅层神经网络模型，提高了机器学习效率。
在一可选的实施例中，所述相干功率与非相干功率的比值PR包括：水平通道的相干功率与非相干功率的比值PRh和垂直通道的相干功率与非相干功率的比值PRv。
在一可选的实施例中，所述特征参量集获取模块1001获取该距离库的特征参量集时用于：
对于该距离库对应的位于一个径向的多个脉冲信号中的每一个脉冲信号，获取该脉冲信号的水平通道的分量和垂直通道的分量；
根据所述多个脉冲信号的各个脉冲信号的水平通道的分量和垂直通道的分量获取该距离库的特征参量集。
在一可选的实施例中，所述特征参量集获取模块1001获取所述差分相位的标准差PDPstd时用于：
对于该距离库对应的位于一个径向的多个脉冲信号中的每一个脉冲信号，计算该脉冲信号的水平通道的分量和垂直通道的分量的互相关系数；
获取所述多个脉冲信号对应的互相关系数的均值；
取以该距离库为中心，前后共k个距离库对应的k个均值的相位角的标准差，作为所述差分相位的标准差PDPstd。
在一可选的实施例中，所述特征参量集获取模块1001获取所述差分反射率的标准差ZDRstd时用于：
对于该距离库对应的位于一个径向的多个脉冲信号中的每一个脉冲信号，计算该脉冲信号的水平通道的分量的第一自相关系数和垂直通道的分量的第二自相关系数；
获取各个脉冲信号对应的第一自相关系数的第一均值和第二自相关系数的第二均值；
将所述第一均值与所述第二均值的模值的比值的对数与预设系数乘积作为该距离库对应的差分反射率；
取以该距离库为中心，前后共k个距离库对应的k个差分反射率的标准差，作为所述差分反射率的标准差ZDRstd。
在一可选的实施例中，所述特征参量集获取模块1001获取所述相邻仰角的反射率的垂直梯度DBZg时用于：
获取该距离库所在的第一仰角的脉冲信号的第一反射率与第二仰角的脉冲信号的第二反射率的差值；所述第一仰角和所述第二仰角为相邻仰角，所述第一仰角小于所述第二仰角；所述第二仰角的脉冲信号的第二反射率为前一次体积扫描中所述第二仰角的脉冲信号的反射率；
获取该距离库所在位置到水平面的第一垂直高度，与第二仰角上与该距离库的序号相同的距离库所在位置到所述水平面的第二垂直高度之差；
将所述差值与获取的高度差的比值作为所述相邻仰角的雷达回波的反射率的垂直梯度。
在一可选的实施例中，所述特征参量集获取模块1001获取所述相干功率与非相干功率的比值PR时用于：
获取所述多个脉冲信号的均值的模的平方，作为该距离库的相干功率，以及所述多个脉冲信号中的各个脉冲信号的模的平方的均值；
获取所述各个脉冲信号的模的平方的均值与所述相干功率的差值，作为该距离库的非相干功率；
获取该距离库的相干功率与非相干功率的比值。
在一可选的实施例中，所述特征参量集获取模块1001获取所述反射率因子的纹理结构TDBZ时用于：
对于该距离库对应的位于一个径向的多个脉冲信号中的每一个脉冲信号，计算该脉冲信号的水平通道的分量的第一自相关系数；
获取各个脉冲信号对应的第一自相关系数的第一均值；
获取所述第一均值的模值的对数与预设系数乘积，得到该距离库对应的反射率；
对于以该距离库为中心，前后共k个距离库对应的k个反射率，计算相邻的两个距离库的反射率的差值的平方，将得到的k-1个平方值的均值作为所述反射率因子的纹理结构TDBZ。
在一可选的实施例中，所述装置还包括：训练模块，用于对所述神经网络模型进行训练：
获取样本的特征参量集，每个样本对应一个距离库；
将所述特征参数量集输入待训练的神经网络模型，得到所述样本对应的地物杂波识别结果；
以所述样本对应的地物杂波识别结果趋近于所述样本对应的标签为目标，对所述神经网络模型的参数进行更新；所述样本对应的标签表征所述样本对应的距离库中是否含有地物杂波。
本申请实施例提供的地物杂波识别装置可应用于电子设备中，如PC终端、云平台、服务器或服务器集群等。可选的，图11示出了本申请实施例提供的电子设备的硬件结构框图，参照图11，该电子设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；
在本申请实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
处理器1可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)等，例如至少一个磁盘存储器；
其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：
对于雷达回波的每个距离库，获取该距离库的特征参量集，所述特征参量集中包括：差分相位的标准差PDPstd，差分反射率的标准差ZDRstd，相邻仰角的反射率的垂直梯度DBZg，相干功率与非相干功率的比值PR和反射率因子的纹理结构TDBZ；
将所述特征参量集输入预先训练好的神经网络模型，得到所述神经网络模型输出的与该距离库对应的地物杂波识别结果。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种存储介质，该存储介质可存储有适于处理器执行的程序，所述程序用于：
对于雷达回波的每个距离库，获取该距离库的特征参量集，所述特征参量集中包括：差分相位的标准差PDPstd，差分反射率的标准差ZDRstd，相邻仰角的反射率的垂直梯度DBZg，相干功率与非相干功率的比值PR和反射率因子的纹理结构TDBZ；
将所述特征参量集输入预先训练好的神经网络模型，得到所述神经网络模型输出的与该距离库对应的地物杂波识别结果。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
应当理解，本申请实施例中，从权、各个实施例、特征可以互相组合结合，都能实现解决前述技术问题。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (12)

1.一种地物杂波识别方法，其特征在于，包括：
对于雷达回波的每个距离库，获取该距离库的特征参量集，所述特征参量集中包括：差分相位的标准差PDPstd，差分反射率的标准差ZDRstd，相邻仰角的反射率的垂直梯度DBZg，相干功率与非相干功率的比值PR和反射率因子的纹理结构TDBZ；
将所述特征参量集输入预先训练好的神经网络模型，得到所述神经网络模型输出的与该距离库对应的地物杂波识别结果。
2.根据权利要求1所述的方法，其特征在于，所述相干功率与非相干功率的比值PR包括：水平通道的相干功率与非相干功率的比值PRh和垂直通道的相干功率与非相干功率的比值PRv。
3.根据权利要求1-2所述的方法，其特征在于，所述获取该距离库的特征参量集，包括：
对于该距离库对应的位于一个径向的多个脉冲信号中的每一个脉冲信号，获取该脉冲信号的水平通道的分量和垂直通道的分量；
根据所述多个脉冲信号的各个脉冲信号的水平通道的分量和垂直通道的分量获取该距离库的特征参量集。
4.根据权利要求3所述的方法，其特征在于，所述差分相位的标准差PDPstd通过如下方式得到：
对于该距离库对应的位于一个径向的多个脉冲信号中的每一个脉冲信号，计算该脉冲信号的水平通道的分量和垂直通道的分量的互相关系数；
获取所述多个脉冲信号对应的互相关系数的均值；
取以该距离库为中心，前后共k个距离库对应的k个均值的相位角的标准差，作为所述差分相位的标准差PDPstd。
5.根据权利要求3所述的方法，其特征在于，所述差分反射率的标准差ZDRstd通过如下方式得到：
对于该距离库对应的位于一个径向的多个脉冲信号中的每一个脉冲信号，计算该脉冲信号的水平通道的分量的第一自相关系数和垂直通道的分量的第二自相关系数；
获取各个脉冲信号对应的第一自相关系数的第一均值和第二自相关系数的第二均值；
将所述第一均值与所述第二均值的模值的比值的对数与预设系数乘积作为该距离库对应的差分反射率；
取以该距离库为中心，前后共k个距离库对应的k个差分反射率的标准差，作为所述差分反射率的标准差ZDRstd。
6.根据权利要求3所述的方法，其特征在于，所述相邻仰角的反射率的垂直梯度DBZg通过如下方式确定：
获取该距离库所在的第一仰角的脉冲信号的第一反射率与第二仰角的脉冲信号的第二反射率的差值；所述第一仰角和所述第二仰角为相邻仰角，所述第一仰角小于所述第二仰角；所述第二仰角的脉冲信号的第二反射率为前一次体积扫描中所述第二仰角的脉冲信号的反射率；
获取该距离库所在位置到水平面的第一垂直高度，与第二仰角上与该距离库的序号相同的距离库所在位置到所述水平面的第二垂直高度之差；
将所述差值与获取的高度差的比值作为所述相邻仰角的雷达回波的反射率的垂直梯度。
7.根据权利要求3所述的方法，其特征在于，所述相干功率与非相干功率的比值PR通过如下方式确定：
获取所述多个脉冲信号的均值的模的平方，作为该距离库的相干功率，以及所述多个脉冲信号中的各个脉冲信号的模的平方的均值；
获取所述各个脉冲信号的模的平方的均值与所述相干功率的差值，作为该距离库的非相干功率；
获取该距离库的相干功率与非相干功率的比值。
8.根据权利要求3所述的方法，其特征在于，所述反射率因子的纹理结构TDBZ通过如下方式确定：
对于该距离库对应的位于一个径向的多个脉冲信号中的每一个脉冲信号，计算该脉冲信号的水平通道的分量的第一自相关系数；
获取各个脉冲信号对应的第一自相关系数的第一均值；
获取所述第一均值的模值的对数与预设系数乘积，得到该距离库对应的反射率；
对于以该距离库为中心，前后共k个距离库对应的k个反射率，计算相邻的两个距离库的反射率的差值的平方，将得到的k-1个平方值的均值作为所述反射率因子的纹理结构TDBZ。
9.根据权利要求1所述的方法，其特征在于，所述神经网络模型通过如下方式训练得到：
获取样本的特征参量集，每个样本对应一个距离库；
将所述特征参数量集输入待训练的神经网络模型，得到所述样本对应的地物杂波识别结果；
以所述样本对应的地物杂波识别结果趋近于所述样本对应的标签为目标，对所述神经网络模型的参数进行更新；所述样本对应的标签表征所述样本对应的距离库中是否含有地物杂波。
10.一种地物杂波识别装置，其特征在于，包括：
特征参量集获取模块，用于对于雷达回波的每个距离库，获取该距离库的特征参量集，所述特征参量集中包括：差分相位的标准差PDPstd，差分反射率的标准差ZDRstd，相邻仰角的反射率的垂直梯度DBZg，相干功率与非相干功率的比值PR和反射率因子的纹理结构TDBZ；
识别模块，用于将所述特征参量集输入预先训练好的神经网络模型，得到所述神经网络模型输出的与该距离库对应的地物杂波识别结果。
11.一种电子设备，其特征在于，包括：
存储器，用于存储程序；
处理器，用于调用并执行所述存储器中的所述程序，通过执行所述程序实现如权利要求1-9中任一项所述的地物杂波识别方法的各个步骤。
12.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-9中任一项所述的地物杂波识别方法的各个步骤。
CN202011625803.8A 2020-12-31 2020-12-31 地物杂波识别方法、装置及电子设备和存储介质 Active CN112731404B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011625803.8A CN112731404B (zh) 2020-12-31 2020-12-31 地物杂波识别方法、装置及电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011625803.8A CN112731404B (zh) 2020-12-31 2020-12-31 地物杂波识别方法、装置及电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN112731404A true CN112731404A (zh) 2021-04-30
CN112731404B CN112731404B (zh) 2024-10-22

Family

ID=75609812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011625803.8A Active CN112731404B (zh) 2020-12-31 2020-12-31 地物杂波识别方法、装置及电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN112731404B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114966596A (zh) * 2022-05-23 2022-08-30 哈尔滨工业大学 一种基于多机器学习与层次化分类的电离层杂波识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140210661A1 (en) * 2011-04-07 2014-07-31 Mrinal Singh Balaji Systems and methods for calibrating dual polarization radar systems
CN105911546A (zh) * 2016-04-25 2016-08-31 北京敏视达雷达有限公司 一种海杂波的识别方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140210661A1 (en) * 2011-04-07 2014-07-31 Mrinal Singh Balaji Systems and methods for calibrating dual polarization radar systems
CN105911546A (zh) * 2016-04-25 2016-08-31 北京敏视达雷达有限公司 一种海杂波的识别方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
宗蓉;陈超;潘国盛;: "基于模糊逻辑的双偏振多普勒雷达地物杂波抑制方法的初步应用", 广东气象, no. 06, pages 1 - 2 *
彭雪丽;夏桂书;牟奇锋;: "非相干MTI方式对气象雷达地杂波的抑制", 微计算机信息, no. 12 *
杜言霞;于子敏;温继昌;舒毅;吴勇凯;谢启杰;: "基于神经网络技术的天气雷达超折射回波识别", 气象科技, no. 04, pages 1 - 3 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114966596A (zh) * 2022-05-23 2022-08-30 哈尔滨工业大学 一种基于多机器学习与层次化分类的电离层杂波识别方法
CN114966596B (zh) * 2022-05-23 2024-09-17 哈尔滨工业大学 一种基于多机器学习与层次化分类的电离层杂波识别方法

Also Published As

Publication number Publication date
CN112731404B (zh) 2024-10-22

Similar Documents

Publication Publication Date Title
Xiang et al. Superpixel generating algorithm based on pixel intensity and location similarity for SAR image classification
CN110609281B (zh) 一种区域检测方法及装置
US20070253625A1 (en) Method for building robust algorithms that classify objects using high-resolution radar signals
CN108961255B (zh) 基于相位线性度和功率的海陆噪声场景分割方法
CN107561509B (zh) 一种机载毫米波雷达电力线检测方法
Villar et al. Evaluation of an efficient approach for target tracking from acoustic imagery for the perception system of an autonomous underwater vehicle
CN111505651B (zh) 一种主动声呐回波图潜在运动目标的特征提取方法
CN113486961A (zh) 基于深度学习的低信噪比下雷达rd图像目标检测方法、系统及计算机设备
Gonzalez-Huici et al. A combined strategy for landmine detection and identification using synthetic GPR responses
KR102337687B1 (ko) 인공 신경망 기반의 표적 영역 추출 장치, 방법 및 이의 학습 방법
Abu et al. CFAR detection algorithm for objects in sonar images
CN111707998B (zh) 一种基于连通区域特征的海面漂浮小目标检测方法
Zheng et al. Detection of small objects in sidescan sonar images based on POHMT and Tsallis entropy
Janakaraj et al. STAR: Simultaneous tracking and recognition through millimeter waves and deep learning
CN112415514A (zh) 一种目标sar图像生成方法及装置
CN112731404B (zh) 地物杂波识别方法、装置及电子设备和存储介质
Grecu et al. Detection of anomalous propagation echoes in weather radar data using neural networks
CN107909595A (zh) 基于幅度与能量聚集度乘积的海陆杂波场景分割方法
Villar et al. Efficient approach for OS‐CFAR 2D technique using distributive histograms and breakdown point optimal concept applied to acoustic images
CN107610130A (zh) 基于幅度与相位线性度之比的海陆杂波场景分割方法
Kruse et al. Generating impact maps from automatically detected bomb craters in aerial wartime images using marked point processes
CN113960551B (zh) 一种针对sar图像的杂波图像生成方法和目标检测方法
CN115205683A (zh) 一种红外小目标检测方法
CN115436936A (zh) 用于目标检测的雷达图确定方法、装置、设备及介质
CN114037903A (zh) 洪涝灾害水体范围检测方法及装置、设备和存储介质

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
CB02 Change of applicant information

Address after: 100094 Building 2, yard 3, fengxiu Middle Road, Haidian District, Beijing

Applicant after: Huayun Minshida Radar (Beijing) Co.,Ltd.

Address before: 100094 Building 2, yard 3, fengxiu Middle Road, Haidian District, Beijing

Applicant before: BEIJING METSTAR RADAR Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant