CN112859007B - 一种基于极化分解的海杂波背景下弱小目标检测识别方法 - Google Patents

一种基于极化分解的海杂波背景下弱小目标检测识别方法 Download PDF

Info

Publication number
CN112859007B
CN112859007B CN202110052432.7A CN202110052432A CN112859007B CN 112859007 B CN112859007 B CN 112859007B CN 202110052432 A CN202110052432 A CN 202110052432A CN 112859007 B CN112859007 B CN 112859007B
Authority
CN
China
Prior art keywords
polarization
matrix
target
decomposition
sea 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.)
Active
Application number
CN202110052432.7A
Other languages
English (en)
Other versions
CN112859007A (zh
Inventor
马红光
龙正平
宋小杉
闫彬舟
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.)
Xi'an Daheng Tiancheng It Co ltd
Original Assignee
Xi'an Daheng Tiancheng It 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 Xi'an Daheng Tiancheng It Co ltd filed Critical Xi'an Daheng Tiancheng It Co ltd
Priority to CN202110052432.7A priority Critical patent/CN112859007B/zh
Publication of CN112859007A publication Critical patent/CN112859007A/zh
Application granted granted Critical
Publication of CN112859007B publication Critical patent/CN112859007B/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
    • 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
    • G01S7/024—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using polarisation effects
    • 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
    • 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

本发明一种基于极化分解的海杂波背景下弱小目标检测识别方法，首先构造雷达多通道回波的极化矩阵，提取极化矩阵的幅度和相位，分别对极化矩阵幅度和相位进行标准极化分解，提取输出的特征矩阵对角线元并将其转化为奇异谱形式，计算奇异谱的负熵并依次排列各距离单元的负熵值形成序列，找出极小值所处距离单元即为目标所处位置。而后，再对极化矩阵进行7元散射功率分解，分析目标包含的基本散射结构，形成极化特征描述字，识别目标特征，在给定海杂波背景下，本发明可以检测到传统方法不能发现的弱小目标，在检测定位和识别精度上有很明显的提高。通过实测海杂波数据验证了方法的有效性，该项成果还可应用于其他背景下的多目标识别。

Description

一种基于极化分解的海杂波背景下弱小目标检测识别方法
技术领域
本发明属于海杂波背景下目标检测、定位与识别技术领域，特别涉及一种基于极化分解的海杂波背景下弱小目标检测识别方法。
背景技术
对海杂波背景下的弱小目标检测与识别的研究一直是雷达信号处理领域的热点问题,传统的做法是将对海观测雷达接收的海面回波进行统计学模型拟合，典型的海杂波统计学模型包括复合K分布、Pareto、LogNormal、Weibull、Rayleigh分布等，这些模型通常仅适用于雷达相干处理时间相对短的场合，这样可以近似忽略海杂波的非平稳特性。然而，对海面弱小目标(如潜艇潜望镜、飞行器残骸及浮冰等)的检测需要相对长的相干处理时间，以积累足够的目标回波功率，但同时海杂波的能量也随之加强，且呈现出明显的非平稳特征，如附图1中(a)和(b)所示，为利用加拿大McMaster大学IPIX雷达测量的海杂波数据(http://soma.ece.mcmaster.ca/ipix/dartmouth/datasets.html)的时域幅度图，存在明显的尖峰，且尖峰的强度与数量随海况的增高而增加，附图2中(a)和(b)分别为上述海杂波数据的频谱图，可见高海况时由于海面张力波引起的表面管状微动特性加剧而导致其带宽显著展宽。以至于不能用恒定的概率密度模型参数描述海杂波，致使造成目标检测概率低而虚警概率高的结果。
为解决上述问题，雷达工程及信号处理领域内的国内外专家学者进行了大量的研究工作，取得了丰硕的研究成果。经典的解决方案之一是对雷达回波的统计学特性进行动态跟踪，按特性相近的原则对其进行分段处理，在工程层面上解决了部分问题，但随着海况的提高，雷达回波数据的分段越来越短，最终与短时观测的情形无本质的差异，致使对弱小目标探测时仍存在较高的虚警概率、较低的发现概率，因此，基于统计学特性的信号处理方法在高海况条件下已不满足工程的需要，必须寻求不依赖海杂波概率密度分布的目标检测方法(method of Distribution-Free for target detection)，进而解决这一难题。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于极化分解的海杂波背景下弱小目标检测识别方法，采用基于标准极化分解的目标检测算法及基于7元散射功率分解的目标识别方法，能够有效克服传统方法的不足，利用雷达回波的极化特征而不依赖海杂波概率密度分布进行目标检测，具有特征量物理意义紧密结合目标电磁波散射特征、目标定位与识别精度高等特点。
为了实现上述目的，本发明采用的技术方案是：
一种基于极化分解的海杂波背景下弱小目标检测识别方法，包括如下步骤：
步骤1，构造雷达多通道回波的极化矩阵T，提取极化矩阵T的幅度和相位；
步骤2，分别对提取的幅度和相位进行标准极化分解，提取标准极化分解输出的特征矩阵对角线元并将其转化为奇异谱形式；
步骤3，计算奇异谱的负熵并依次排列各距离单元的负熵值形成序列，找出极小值所处距离单元即为目标所在的距离单元；
步骤4，对极化矩阵T进行7元散射功率分解，分析目标包含的基本散射结构，形成极化特征描述字，识别目标特征。
所述步骤1中，输入雷达多通道回波数据，回波数据包括Svv、Shh、Shv和Svh，分别为：垂直极化发射垂直极化接收信号构成的长度为L的复时间(I-Q)序列、水平极化发射水平化接收信号构成的长度为L的复时间(I-Q)序列、水平极化发射垂直极化接收信号构成的长度为L的复时间(I-Q)序列和垂直极化发射水平极化接收信号构成的长度为L的复时间(I-Q)序列，Shv＝Svh，令kp＝[Svv+Shh,Svv-Shh,2Svh]，kp为L×3矩阵，则极化矩阵为T＝kp*kp，kp*为kp的共轭转置矩阵，T为3×3矩阵，提取矩阵T的幅度A＝abs(T)及相位θ＝angle(T)，对每个距离单元雷达回波均构建极化矩阵T。
所述步骤2中，对A进行特征值分解：[P,S,Q]＝svd(A,'econ')；其中，svd()为特征值分解函数，A为被分解矩阵，'econ'为特征值分解选项-economy，P,Q分别是A的左、右特征矢量矩阵，S是A的特征值构成的对角线矩阵；
令U＝P*Q'；其中，Q'为矩阵Q的转置矩阵；计算
r＝sum(diag(S)>norm(A,1)*eps/2)
其中，r为S对角线元中满足大于A第1列取范数后乘以esp/2的元个数总和，norm()为取范数函数，sum()为求和函数；diag(S)为提取矩阵S对角线元，eps＝10-7～10-9，为系统极小值；
计算:
U＝P(:,1:r)*Q(:,1:r)'
H＝Q*S*Q'
H1＝(H+H')/2
其中，P(:,1:r)表示取P的1至r列，Q(:,1:r)表示取Q的1至r列，U为A的特征矢量矩阵，当A列满秩时，U的列相互正交；若A行满秩时，则U的行相互正交，A＝U*H1，矩阵H1为3×3半正定Hermitian矩阵；上述过程完成了对矩阵A的标准极化分解。
对θ按照上述方式进行标准极化分解，得到矩阵H2。分别提取H1、H2的对角线元λ1和λ2，λ1＝diag(H1)，λ2＝diag(H2)，按下式将其转换为奇异谱：
p1i表示对角线元λ1＝{λ1i,i＝1,2,3}转换得到的奇异谱，p2i表示对角线元λ2＝＝{λ2i,i＝1,2,3}转换得到的奇异谱。
所述步骤3中，计算负熵令/>其中EA为极化矩阵T的幅度矩阵A的负熵，Eθ为极化矩阵T的相位矩阵θ的负熵，E为极化矩阵T的幅度-相位联合负熵；
排列各距离单元的负熵值形成负熵序列GH＝{Ej},j＝1,2,…K,K为距离单元个数，计算所有距离单元负熵的标准离差σ＝std(GH)，找到满足Ej≤2σ的距离单元，即为目标所在的距离单元；若该条件不成立，则返回步骤1。
所述步骤4中，对极化矩阵T进行7元散射功率分解，构造目标的极化特征描述字PFDW：PFDW＝[Ps,Pd,Pv,Ph,Pod,Pcd,Pmd]
式中，Ps为面散射功率(Surface Scattering Power)，Pd为二次面散射功率(Double-bounce Scattering Power)，Pv为体散射功率(Volume Scattering Power)，Ph为螺旋散射功率(Helix Scattering Power)，Pod为固定偶极子散射功率(Oriented DipoleScattering Power)，Pcd为复合偶极子散射功率(Compound Dipole Scattering Power)，Pmd为混合偶极子散射功率(Mixed Dipole Scattering Power)。
所述步骤4中，找出目标的极化特征描述字PFDW中大于0的元，分析目标极化特性，确定目标类型；提取目标的极化特征描述字PFDW中大于0的元所对应的距离单元值，判断与步骤3所确定的目标距离单元值之差的绝对值是否小等于1，若满足该条件则计算所有距离单元值得均值作为对目标位置的估计值，反之则将其归化为其它目标位置，其它指多目标情形，即满足Ej≤2σ的距离单元个数大于1。
与现有技术相比，本发明的有益效果是：
1)，通过计算绝对值A和相位值θ标准极化分解输出的Hermitian矩阵对角线元的负熵，综合考虑极化矩阵T的幅度与极化偏转相位，可提高目标定位精度。
2)，利用7SD获得的目标位置信息与CPD的目标位置信息融合，可提高对目标的定位精度。
3)，本发明利用IPIX雷达回波数据集验证了方法的有效性，所提出的方法利用极化散射特性检测、识别海杂波背景下的弱小目标，具有检测概率高、对目标识别和定位准确的特点。
附图说明
图1为IPIX雷达实测海杂波数据，其中，(a)为低海况海杂波，(b)为高海况海杂波。
图2为IPIX雷达实测海杂波频谱，其中，(a)为低海况海杂波频谱，(b)为高海况海杂波频谱。
图3为本发明识别方法流程图。
图4为IPIX雷达部分回波数据集的目标定位结果，其中(a)为IPIX雷达#17估计目标所在距离单元：9，(b)为IPIX雷达#30估计目标所在距离单元：7，(c)为IPIX雷达#54估计目标所在距离单元：8，(d)为IPIX雷达#280估计目标所在距离单元：8。
图5为IPIX雷达#17回波数据集的目标定位结果。
图6为IPIX雷达#30回波数据集的目标定位结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明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发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明一种基于极化分解的海杂波背景下弱小目标检测识别方法，首先构造雷达多通道回波的极化矩阵，提取极化矩阵的幅度和相位，分别对极化矩阵幅度和相位进行标准极化分解(Canonical Polar Decomposition-CPD)，提取CPD输出的特征矩阵H对角线元并将其转化为奇异谱形式，计算奇异谱的负熵并依次排列各距离单元的负熵值形成序列，找出极小值所处距离单元即为目标所处位置。而后，再对极化矩阵进行7元散射功率分解(7-component scattering power decomposition-7SD)，分析目标包含的基本散射结构，形成极化特征描述字(Polar feature describe word-PFDW)，识别目标特征。
参考图3，本发明具体步骤如下：
S1)输入雷达多通道回波数据，设雷达回波包括Svv、Shh、Shv和Svh，分别为“垂直极化发射垂直极化接收”、“水平极化发射水平化接收”、“水平极化发射垂直极化接收”、“垂直极化发射水平极化接收”信号构成的长度为L复时间(I-Q)序列,通常有Shv＝Svh。令kp＝[Svv+Shh,Svv-Shh,2Svh],kp为L×3矩阵，则极化矩阵为T＝kp*kp，kp*为kp的共轭转置矩阵，T为3×3矩阵。
S2)提取矩阵T的绝对值A＝abs(T)及相位θ＝angle(T),对A进行特征值分解：[P,S,Q]＝svd(A,'econ')，其中，svd()为特征值分解函数，A为被分解矩阵，'econ'为特征值分解选项-economy，P,Q分别是A的左、右特征矢量矩阵，S是A的特征值构成的对角线矩阵；
S3)令U＝P*Q'；其中，Q'为矩阵Q的转置矩阵；计算
r＝sum(diag(S)>norm(A,1)*eps/2)
其中，r为S对角线元中满足大于A第1列取范数后乘以esp/2的元个数总和，norm()为取范数函数，sum()为求和函数；diag(S)为提取矩阵S对角线元，eps＝10-7～10-9为系统极小值。
S4)计算
U＝P(:,1:r)*Q(:,1:r)'
H＝Q*S*Q'
H1＝(H+H')/2
其中，P(:,1:r)表示取P的1至r列，Q(:,1:r)表示取Q的1至r列，U为A的特征矢量矩阵，当A列满秩时，U的列相互正交；若A行满秩时，则U的行相互正交，A＝U*H1，矩阵H1为3×3半正定Hermitian矩阵；
S5)对相位θ重复S2～S4，将得到的Hermitian矩阵记为H2；
S6)分别提取H1、H2的对角线元λ1和λ2，λ1＝diag(H1)，λ2＝diag(H2)，按下式将其转换为奇异谱：
p1i表示对角线元λ1＝{λ1i,i＝1,2,3}转换得到的奇异谱，p2i表示对角线元λ2＝＝{λ2i,i＝1,2,3}转换得到的奇异谱。
S7)计算负熵令其中EA为极化矩阵T的幅度矩阵A的负熵，Eθ为极化矩阵T的相位矩阵θ的负熵，E为极化矩阵T的幅度-相位联合负熵；
在步骤S2)～S7)中，通过计算绝对值A和相位值θ标准极化分解输出的Hermitian矩阵对角线元的负熵，综合考虑极化矩阵T的幅度与极化偏转相位，可提高目标定位精度。
S8)按距离单元(Range Bin)的雷达回波依次重复S1～S7，得到负熵序列GH＝{Ej},j＝1,2,…K,K为距离单元个数，计算所有距离单元负熵的标准离差σ＝std(GH),找到满足Ej≤2σ的距离单元，即为目标所在的距离单元；若该条件不成立，则返回S1)。
S9)对极化矩阵T实施7元散射功率分解(7-component scattering powerdecomposition-7SD)，构造目标的极化特征描述字：
PFDW＝[Ps,Pd,Pv,Ph,Pod,Pcd,Pmd]
式中，Ps为面散射功率(Surface Scattering Power)，Pd为二次面散射功率(Double-bounce Scattering Power)，Pv为体散射功率(Volume Scattering Power)，Ph为螺旋散射功率(Helix Scattering Power)，Pod为固定偶极子散射功率(Oriented DipoleScattering Power)，Pcd为复合偶极子散射功率(Compound Dipole Scattering Power)，Pmd为混合偶极子散射功率(Mixed Dipole Scattering Power)。
S10)找出目标的极化特征描述字PFDW中大于0的元，分析目标极化特性，确定目标类型；
S11)提取目标的极化特征描述字PFDW中大于0的元所对应的距离单元值，判断与S8)所确定的目标距离单元值之差的绝对值是否大于1，若不满足该条件则计算所有距离单元值得均值作为对目标位置的估计值，反之则将其归化为其他目标位置，“其他”指多目标情形，即满足Ej≤2σ的距离单元个数大于1。
上述目标检测方法的有效性基于的物理依据是，海杂波通常反映由重力引起的海浪运动特性和海面张力引起的表面管状运动特性，这两个运动特征反映在H1、H2的对角线元的变化上，随海况的升高，对角线元呈现出较大的随机性，而对海面上的目标而言，由于其几何形状固定，对雷达的散射特性相对固定，因此，在计算负熵序列GH时，其负熵值则将明显小于海杂波的负熵值。如附图4所示，(a)、(b)、(c)、(d)分别为利用加拿大McMaster大学IPIX雷达的数据集(#17,#30,#54和#280)对所提算法的验证结果，表1为部分数据集的主要参数。
表1.IPIX雷达回波部分数据集主要参数
将附图4中负熵序列GH极小值所在的距离单元与表1的目标所在距离单元相比较可见，所提出的目标检测与定位方法准确地锁定目标位置，且GH曲线的凹口宽度近似为受影响的距离单元长度，具有较为准确的目标定位精度。
为验证基于7元散射功率分解的目标识别方法，对表1中的6个数据集进行了计算分析，IPIX雷达的工作频率为9.39GHz(X波段，波长3cm),所采集的海杂波数据中包含一个直径为1m、表面覆盖金属网的聚乙烯球，漂浮在某个距离单元，金属网孔的尺寸小于雷达波长，因此可等效为理想金属球体，具有各向同性特征(isotropy)，其极化散射特性必然是以体散射为主，以下仅给出#17和#30数据集的实验结果，其他数据集实验有着相似的结果。
(1)17.cdf:附图5为7元散射功率分解所得结果在14个距离单元的分布图，由于只有Pv在目标所处距离单元附近不为零，这里只展示了4个散射功率的波形。
对该数据集的分析结果如下：
1、回波中不含面散射分量。
2、回波中不含二次散射分量。
3、回波中含体散射分量，估计目标所在距离单元：9。
4、回波中不含螺旋散射分量。
5、回波中不含定向偶机子散射分量。
6、回波中不含复合偶机子散射分量。
7、回波中不含混合偶机子散射分量。
(2)30.cdf:附图6为7元散射功率分解所得结果在14个距离单元的分布图，由于该数据集的平均信杂比为SCR＝2.92dB(见表1)，其7元散射功率分解结果较前述数据集的处理结果有一定的差异，Pv的分布相对平缓，在目标所处距离单元处仅与海杂波产生的体反射功率有0.01dB的差异，对该数据集的分析结果如下：
1、回波中不含面散射分量
2、回波中不含二次散射分量
3、回波中含体散射分量，估计目标所在距离单元：6
4、回波中不含螺旋散射分量
5、回波中不含定向偶机子散射分量
6、回波中不含复合偶机子散射分量
7、回波中不含混合偶机子散射分量
由上述2个数据集的处理结果可见，海杂波的极化特性主要表现在体反射功率上，与目标的极化特性重叠，当海况增高时，目标特征被压制，产生了定位误差。对比负熵序列GH极小值的目标定位结果，目标距离单元之差的绝对值满足小于等于1的条件，经融合后可得目标位置的估计值。
综上，本发明是一种不依赖海杂波统计学模型的海杂波背景下弱小目标检测、定位与识别方法，相比现有方法，在给定海杂波背景下，可以检测到传统方法不能发现的弱小目标，在检测定位和识别精度上有很明显的提高。通过实测海杂波数据验证了方法的有效性，该项成果还可应用于其他背景下的多目标识别。

Claims (6)

1.一种基于极化分解的海杂波背景下弱小目标检测识别方法，其特征在于，包括如下步骤：
步骤1，构造雷达多通道回波的极化矩阵T，提取极化矩阵T的幅度和相位；
步骤2，分别对提取的幅度和相位进行标准极化分解，提取标准极化分解输出的特征矩阵对角线元并将其转化为奇异谱形式；
步骤3，计算奇异谱的负熵并依次排列各距离单元的负熵值形成序列，找出极小值所处距离单元即为目标所在的距离单元；
步骤4，对极化矩阵T进行7元散射功率分解，分析目标包含的基本散射结构，形成极化特征描述字，识别目标特征。
2.根据权利要求1所述基于极化分解的海杂波背景下弱小目标检测识别方法，其特征在于，所述步骤1中，输入雷达多通道回波数据，回波数据包括Svv、Shh、Shv和Svh，分别为：垂直极化发射垂直极化接收信号构成的长度为L的复时间(I-Q)序列、水平极化发射水平化接收信号构成的长度为L的复时间(I-Q)序列、水平极化发射垂直极化接收信号构成的长度为L的复时间(I-Q)序列和垂直极化发射水平极化接收信号构成的长度为L的复时间(I-Q)序列，Shv＝Svh，令kp＝[Svv+Shh,Svv-Shh,2Svh]，kp为L×3矩阵，则极化矩阵为T＝kp*kp，kp*为kp的共轭转置矩阵，T为3×3矩阵，提取矩阵T的幅度A＝abs(T)及相位θ＝angle(T)，对每个距离单元雷达回波均构建极化矩阵T。
3.根据权利要求1所述基于极化分解的海杂波背景下弱小目标检测识别方法，其特征在于，所述步骤2中，先对A进行特征值分解：
[P,S,Q]＝svd(A,'econ')
其中，svd()为特征值分解函数，A为被分解矩阵，'econ'为特征值分解选项-economy，P,Q分别是A的左、右特征矢量矩阵，S是A的特征值构成的对角线矩阵；
令U＝P*Q'；其中，Q'为矩阵Q的转置矩阵；计算
r＝sum(diag(S)>norm(A,1)*eps/2)
其中，r为S对角线元中满足大于A第1列取范数后乘以esp/2的元个数总和，norm()为取范数函数，sum()为求和函数；
diag(S)为提取矩阵S对角线元，eps＝10-7～10-9，为系统极小值；
计算：
U＝P(:,1:r)*Q(:,1:r)'
H＝Q*S*Q'
H1＝(H+H')/2
其中，P(:,1:r)表示取P的1至r列，Q(:,1:r)表示取Q的1至r列，U为A的特征矢量矩阵，当A列满秩时，U的列相互正交；若A行满秩时，则U的行相互正交，A＝U*H1，矩阵H1为3×3半正定Hermitian矩阵；
以上完成对矩阵A的标准极化分解；
对θ按照上述方式进行标准极化分解，得到矩阵H2；
分别提取H1、H2的对角线元λ1和λ2，λ1＝diag(H1)，λ2＝diag(H2)，按下式将其转换为奇异谱：
p1i表示对角线元λ1＝{λ1i,i＝1,2,3}转换得到的奇异谱，p2i表示对角线元λ2＝＝{λ2i,i＝1,2,3}转换得到的奇异谱。
4.根据权利要求3所述基于极化分解的海杂波背景下弱小目标检测识别方法，其特征在于，所述步骤3中，计算负熵 令其中EA为极化矩阵T的幅度矩阵A的负熵，Eθ为极化矩阵T的相位矩阵θ的负熵，E为极化矩阵T的幅度-相位联合负熵；
排列各距离单元的负熵值形成负熵序列GH＝{Ej},j＝1,2,…K,K为距离单元个数，计算所有距离单元负熵的标准离差σ＝std(GH)，找到满足Ej≤2σ的距离单元，即为目标所在的距离单元；若该条件不成立，则返回步骤1。
5.根据权利要求1或4所述基于极化分解的海杂波背景下弱小目标检测识别方法，其特征在于，所述步骤4中，对极化矩阵T进行7元散射功率分解，构造目标的极化特征描述字PFDW：
PFDW＝[Ps,Pd,Pv,Ph,Pod,Pcd,Pmd]
式中，Ps为面散射功率(Surface Scattering Power)，Pd为二次面散射功率(Double-bounce Scattering Power)，Pv为体散射功率(Volume Scattering Power)，Ph为螺旋散射功率(Helix Scattering Power)，Pod为固定偶极子散射功率(Oriented DipoleScattering Power)，Pcd为复合偶极子散射功率(Compound Dipole Scattering Power)，Pmd为混合偶极子散射功率(Mixed Dipole Scattering Power)。
6.根据权利要求5所述基于极化分解的海杂波背景下弱小目标检测识别方法，其特征在于，所述步骤4中，找出目标的极化特征描述字PFDW中大于0的元，分析目标极化特性，确定目标类型；提取目标的极化特征描述字PFDW中大于0的元所对应的距离单元值，判断与步骤3所确定的目标距离单元值之差的绝对值是否小于等于1，若满足该条件则计算所有距离单元值的均值作为对目标位置的估计值，反之则将其归化为其它目标位置。
CN202110052432.7A 2021-01-15 2021-01-15 一种基于极化分解的海杂波背景下弱小目标检测识别方法 Active CN112859007B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110052432.7A CN112859007B (zh) 2021-01-15 2021-01-15 一种基于极化分解的海杂波背景下弱小目标检测识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110052432.7A CN112859007B (zh) 2021-01-15 2021-01-15 一种基于极化分解的海杂波背景下弱小目标检测识别方法

Publications (2)

Publication Number Publication Date
CN112859007A CN112859007A (zh) 2021-05-28
CN112859007B true CN112859007B (zh) 2023-08-29

Family

ID=76006451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110052432.7A Active CN112859007B (zh) 2021-01-15 2021-01-15 一种基于极化分解的海杂波背景下弱小目标检测识别方法

Country Status (1)

Country Link
CN (1) CN112859007B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2006100252A4 (en) * 2006-04-01 2006-05-04 Sms Technology Australia Pty Ltd Mrealty
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
RU2693048C1 (ru) * 2018-04-24 2019-07-01 Общество с ограниченной ответственностью "Конструкторское бюро "Автономные информационные системы" (ООО "КБ "АИС") Способ селекции радиолокационных целей на фоне подстилающей поверхности
CN111190157A (zh) * 2020-01-10 2020-05-22 中国地质大学（武汉） 一种ipix雷达回波数据时频分析方法及系统
CN111243507A (zh) * 2018-11-29 2020-06-05 乐金显示有限公司 像素感测装置及包括该像素感测装置的有机发光显示装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102013102424A1 (de) * 2013-03-11 2014-09-11 Stefan Trummer Polarimetrisches Radar zur Objektklassifikation sowie geeignetes Verfahren und Verwendung hierfür

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2006100252A4 (en) * 2006-04-01 2006-05-04 Sms Technology Australia Pty Ltd Mrealty
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
RU2693048C1 (ru) * 2018-04-24 2019-07-01 Общество с ограниченной ответственностью "Конструкторское бюро "Автономные информационные системы" (ООО "КБ "АИС") Способ селекции радиолокационных целей на фоне подстилающей поверхности
CN111243507A (zh) * 2018-11-29 2020-06-05 乐金显示有限公司 像素感测装置及包括该像素感测装置的有机发光显示装置
CN111190157A (zh) * 2020-01-10 2020-05-22 中国地质大学（武汉） 一种ipix雷达回波数据时频分析方法及系统

Also Published As

Publication number Publication date
CN112859007A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
Shao et al. Deep fusion for radar jamming signal classification based on CNN
CN104251989B (zh) 基于压缩空间谱的单基地mimo雷达目标波达方向估计方法
CN111580064B (zh) 一种基于多域多维特征融合的海面小目标检测方法
CN110261841A (zh) 基于迭代加权近端投影的mimo雷达单测量矢量doa估计方法
CN107683423A (zh) 用于调频连续波雷达中的对象检测的低复杂度超分辨率技术
CN106707257A (zh) 基于嵌套阵列的mimo雷达波达方向估计方法
CN110297233B (zh) Lfmcw阵列雷达信号并行流水化处理方法
CN102914773B (zh) 一种多航过圆周sar三维成像方法
CN106646344A (zh) 一种利用互质阵的波达方向估计方法
KR102013205B1 (ko) 레이더 신호 처리 모의 장치 및 방법
CN107632291A (zh) 一种基于极化雷达抗角反射器干扰的方法
CN104076360A (zh) 基于压缩感知的二维sar稀疏目标成像方法
CN105158749A (zh) 高频雷达海杂波幅度统计分布检验方法
Huang et al. Application of ICA technique to PCA based radar target recognition
CN103760540B (zh) 基于重构信号和1-范数的动目标检测与参数估计方法
CN113534065B (zh) 一种雷达目标微动特征提取与智能分类方法及系统
CN103207390B (zh) Frft域海杂波中目标的近似分形检测方法
CN110967677B (zh) 时频域分级多目标分辨与测量方法
CN116643251B (zh) 非均匀杂波环境中的宽带雷达运动目标检测方法
CN112859007B (zh) 一种基于极化分解的海杂波背景下弱小目标检测识别方法
CN102928827B (zh) 一种基于past的快速降维空时自适应处理方法
CN115877380A (zh) 一种sar多运动目标成像方法、装置和存储介质
Juan et al. A new Wavelet Prediction method for GPR clutter elimination Based on LSTM network
Zhang et al. SmartFinger: A finger-sensing system for mobile interaction via MIMO FMCW radar
CN103913724B (zh) 基于先验地形覆盖数据的杂波抑制方法

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