CN112881993B - 自动识别雷达分布杂波引起虚假航迹的方法 - Google Patents
自动识别雷达分布杂波引起虚假航迹的方法 Download PDFInfo
- Publication number
- CN112881993B CN112881993B CN202110064996.2A CN202110064996A CN112881993B CN 112881993 B CN112881993 B CN 112881993B CN 202110064996 A CN202110064996 A CN 202110064996A CN 112881993 B CN112881993 B CN 112881993B
- Authority
- CN
- China
- Prior art keywords
- track
- false
- radar
- value
- distribution
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000012417 linear regression Methods 0.000 claims abstract description 23
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 230000003247 decreasing effect Effects 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims abstract description 6
- 238000009827 uniform distribution Methods 0.000 claims description 21
- 238000005516 engineering process Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 abstract description 5
- 238000007619 statistical method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009833 condensation Methods 0.000 description 2
- 230000005494 condensation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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
- G01S7/414—Discriminating targets with respect to background clutter
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开的一种自动识别雷达分布杂波引起虚假航迹的方法,旨在提供一种虚警率低,识别率高,可以自动识别虚假航迹的方法。本发明通过下述技术方案实现:针对不同体制不同作用范围的雷达的输入数据;雷达数据处理软件用滤波算法估计出目标真实信息的航迹数据,按照规定的格式把上述目标航迹信息以滑窗的方式送入航迹识别模块,采用机器学习算法中的梯度递减算法完成航迹数据特征变量的自动特征缩放,利用最小二乘函数进行线性回归,求出航迹实时拟合曲线参数;根据分布统计分析结果计算航迹的虚假航迹概率,将概率大于门限阀值视为航迹属于正常航迹,小于门限阀值则视为数据虚假航迹,完成虚假航迹的分类识别。
Description
技术领域
本发明涉及一种雷达处理技术领域基于线性回归的数据分布统计虚假航迹识别技术,特别是涉及一种雷达数据处理方面自动识别雷达分布杂波引起虚假航迹的方法。
背景技术
搜索雷达在发现目标的时,在复杂背景环境下会有由云雨、风车、树林、地形等不可抗拒因素引起的大量杂波点迹输出到雷达数据处理端,导致虚假航迹的建立。最终在雷达终端界面显示的目标航迹中包含大量基于杂波点迹建立的虚假航迹。雷达探测空中目标时,大气扰动、闪电、云雨、鸟群和昆虫群会对雷达辐射的电磁波产生反射,导致雷达产生杂波,杂波是不存在明显反射源的回波信号,无法在信号处理层滤除,易导致虚假航迹的产生。另外在海陆交界处,陆地和海水比热不同,两者的升温速度不一,会产生热对流的现象,这些都会导致雷达回波增强,因而产生杂波。杂波与一般真实目标在过门限点数、相邻单元时域相关性、频谱特性方面的没有本质差异,所以很难在信号处理层应用MTI对其进行滤除。对雷达而言,杂波目标一般探测连续,与一般运动目标类似,因此会建立虚假航迹,增加了雷达系统的“虚警率”,引起情报误报。由于天线旁瓣的存在,会使旁瓣方向上形成虚假目标,产生旁瓣型虚假目标。旁瓣型虚假目标反射引起的虚假目标在实际的定位中,雷达很可能收到由障碍物(如山体或建筑物)反射的回波。虚假目标产生的原因多种多样,但对目标跟踪系统而言,虚假航迹产生与存在的根本原因在于:出现了能与目标跟踪系统维护的系统航迹相关的虚假目标。虚假航迹严重影响雷达目标威胁判别以及自动目标引导跟踪的准确性,降低雷达工作性能;同时导致终端界面整洁性降低,提高了操作人员操作复杂度、辨识度。因此虚假目标的判定对雷达目标跟踪具有重要影响。
通过线性回归分析,可以判断某雷达航迹数据中是否存在异常点。我们可以利用某离散时刻j,参数x在j时刻的量测值z和随机噪声w,创建观察模型:z(j)=h(j,x)+w(j)(1)。根据观察模型可以得到如下一元线性回归模型:Y=β0+β1t+e(2)式中,x代表目标在x方向的运动轨迹,y代表目标在y方向的运动轨迹,Y是当前位置,用(x,y)来具体表示;β0,β1是回归系数;t表示时间(一般2s为一个周期),是回归模型中的自变量;e是误差,假设误差e服从e~N(0,σ0、方差为σ一元线性回归模型可以用实验值(样本值)对β0,β1作点估计;对β0,β1作回归系数检验;同时,可以在t=t0处对Y作预测。其中回归系数的求解通常可以采用最小二乘法,即寻找适宜的回归系数,使得因变量观测值Yi与其回归估计值Y^i之间残差平方和最小。由回归模型可以计算其残差,残差是观测值减去拟合值,是误差的估计值,拟合程度ei用公式:ei=Yi-(Tiβ1+β0)式中,Yi是第i个时刻的观测值,Tiβ1+β0是根据回归模型得到的拟合值,ei的大小反映了实际数据和模型的拟合程度。
雷达数据统计分析通常采用大量的含有虚假目标的数据作为分析样本,先对目标数据进行直线拟合,然后再对其进行统计分析,得到观测值与拟合值的误差分布图。原始的雷达数据点中包括了正常目标点和虚假目标点。区分正常目标点和虚假目标点的依据是目标信息中某个时刻的航速与正常航速的偏差(正常航速指飞行目标基本保持不变的速度或者变化不大的速度,不会出现跳跃性的改变)。偏差大的即可视为虚假目标点,正常目标点的数据均匀的位于拟合直线的两侧,且各点与回归估计值的误差较小。虚假目标点基本呈放射型分布,不均匀的分布于拟合直线的两侧,且与回归估计值误差较大。从x方向和y方向对正常目标及虚假目标的残差进行对比分析,可以看出,虚假目标点的残差比正常目标点的残差大很多,根据这一特点,可以判断出某个目标点是否为虚假目标。
在雷达具有多目标搜索和处理功能情况下,数据处理端不可避免的将接收到由于各种复杂背景引起的杂波点迹,从而引起虚假航迹的建立以及输出。
发明内容
为了克服上述问题,本发明针对现有技术存在的不足之处,提供一种适用性好,计算量小,虚警率低,识别率高,可以实时并持续地对航迹进行分类识别,自动识别由于雷达分布杂波引起的虚假航迹,并且降低虚假航迹的输出的方法。
本发明所采用的技术方案是:一种自动识别雷达分布杂波引起虚假航迹的方法,具有如下技术特征:针对不同体制不同作用范围的雷达,以经过雷达信号处理检测、提取、凝聚处理运算后,将包含目标的距离、方位、仰角信息的点迹作为输入数据。将包含目标的距离、方位、仰角信息的点迹作为输入数据,雷达数据处理软件接收到目标以及背景杂波的点迹数据,通过对多圈扫描获得的量测值进行关联获得目标航迹,经过航迹相关、滤波等一系列航迹处理,精确地估计出目标真实的航迹数据,然后按照规定的格式把上述目标航迹信息以滑窗的方式送入航迹识别模块。航迹识别模块首先采用机器学习算法中的梯度递减算法(SPGD)完成航迹数据特征变量的自动特征缩放,将不同量级的特征变量缩放到一个相同的量级,然后在直角坐标或者极坐标下,采用机器学习算法中基于线性回归方程的线性回归技术,利用最小二乘函数对一个或多个自变量和因变量之间关系进行线性回归,对完成特征缩放的航迹数据进行归一化处理,以滑窗的方式实时计算当前航迹的多阶拟合轨迹,求出航迹实时拟合曲线参数,并且在每个雷达周期,计算出滑窗内所有数据在拟合曲线上的均匀分布准确度,然后对均匀分布准确度进行分布统计,根据统计结果计算航迹的虚假航迹概率,将虚假航迹概率大于门限阀值视为航迹属于正常航迹,小于门限阀值则视为数据虚假航迹,完成虚假航迹的分类识别,输出识别标志。
本发明与现有雷达数据处理相比其显著优点是:
1、适用性好。本发明针对不同体制不同作用范围的雷达,以经过雷达信号处理检测、提取、凝聚处理运算后,将包含目标的距离、方位、仰角信息的点迹作为输入数据,对不同体制不同作用范围的雷达,引入机器学习中梯度递减过程中的特征缩放技术,可将不同雷达的多个不同量级的特征变量缩放到一个相同的量级,确保了线性回归拟合的实时性、高效性,使得在多种坐标体系下的线性归一化拟合不会产生畸变,提高了技术的适用性,适用性比现有技术明显提高。该技术可以普遍适用于各种的搜索达。
2、计算量小。本发明通过对多圈扫描获得的量测值进行关联获得目标航迹,经过航迹相关、滤波等一系列航迹处理,精确地估计出目标真实的航迹数据,然后按照规定的格式把上述目标航迹信息送入航迹识别模块。通过滑窗方式引入了,机器学习算法中基于正规方程的线性回归技术,实时计算当前航迹的多阶拟合轨迹,对机动雷达的虚假航迹抑制具有明显优势。本算法对实验样本数量没有要求,不需要样本具备典型的分布规律,相比于基于杂波图的虚假航迹抑制技术,计算量小,大大减小了处理器拟合算法计算量,明显提高航迹轨迹实时性灵活性。
3、虚警率低。本发明采用航迹识别模块,利用机器学习算法中的梯度递减算法(SPGD)完成航迹数据特征变量的自动特征缩放,将不同量级的特征变量缩放到一个相同的量级,然后在直角坐标或者极坐标下,采用机器学习算法中基于线性回归方程的线性回归技术,利用最小二乘函数对一个或多个自变量和因变量之间关系进行线性回归,对完成特征缩放的航迹数据进行归一化处理,基于线性回归的数据分布统计虚假航迹识别技术,通过有限的离散型数据,找到尽可能多的离散点,分布在线附近的区域(理想状态是所有的点都在线上,但是一般是无法满足的),并且大概率符合均匀分布特性。本算法可无差别适用于机动和固定基站搜索雷达,大大提高了雷达目标威胁判断准确率和识别率,降低了雷达系统的“虚警率”和操作人员操作复杂度。
4、识别率高。本发明采用基于均匀分布统计虚假航迹识别技术,将分布统计概念引入虚假航迹分类识别中,实时并且持续地对航迹数据分布特性进行统计,统计航迹数据在拟合曲线上的分布特性,可基本覆盖全部速度范围目标,对识别难度较大的低速目标同样有效。同时采用滑窗方式持续动态的对确认航迹进行长时间持续跟踪识别,对低小慢目标的正常航迹识别同样有效;对不同特征变量采用独立的分布统计计算,获得独立的统计结果,大大增强了统计全面性,提高了虚假航迹识别率。利用正常航迹特征数据的曲线分布特性与虚假航迹的曲线分布特性差异来达到对虚假航迹分类识别的目的。可大幅度减少由于各种杂波点迹数据引起的虚假航迹,虚假航迹识别准确率明显提高;可大幅度降低在复杂背景情况下,由云雨、风车、树林、地形等引起的散射状虚假航迹。
附图说明
图1是本发明自动识别雷达分布杂波引起虚假航迹的处理流程框图。
图2是正常航迹数据投影分布曲线示意图。
图3是虚假航迹数据投影分布曲线示意图。
下面结合附图对本发明做进一步说明。
具体实施方式
参阅图1。根据本发明,针对不同体制不同作用范围的雷达,以经过雷达信号处理检测、提取、凝聚处理等运算后的包含目标的距离、方位、仰角等信息的点迹作为输入数据,雷达数据处理软件接收到目标以及背景杂波的点迹数据,通过对多圈扫描获得的量测值进行关联获得目标航迹,经过航迹相关滤波处理模块进行航迹相关、滤波等处理,精确地估计出目标真实的航迹数据,然后将所得到的目标航迹数据按照相应格式送入航迹识别模块。
航迹数据以滑窗方式进入识别模块,搜索雷达数据处理软件的识别模块应采用机器学习算法中的梯度递减算法(SPGD)步步迭代求解完成航迹自动特征缩放,将不同量级的不同的特征变量缩放到一个相同的量级,在多种坐标体系下,采用机器学习算法中基于正规方程的线性回归技术,利用最小二乘函数对一个或多个自变量和因变量之间关系进行回归分析,对完成特征缩放的航迹数据进行线性归一化处理,求出航迹实时拟合曲线参数。统计在滑窗周期内每个数据在线性回归拟合曲线上的均匀分布情况,对不同特征变量采用独立的分布统计分析,通过滑窗方式实时计算当前航迹数据的高阶拟合轨迹,获得独立的统计结果;根据统计结果计算杂波航迹的虚假航迹概率,将虚假航迹计算概率大于门限阀值视为航迹属于正常航迹,小于门限阀值则视为数据虚假航迹,完成虚假航迹的分类识别;同时采取综合多种变量的统计结果,利用正常航迹特征数据的曲线分布特性与虚假航迹的曲线分布特性差异来达到对虚假航迹分类识别。
搜索雷达数据处理软件,设置单位为雷达数据周期T的滑窗长度M,对完成特征缩放的航迹数据进行基于正规方程的线性归一化处理,求出航迹实时拟合曲线向量参数θ;曲线拟合参数:θ=(A*AT)-1*AT*B
其中,A表示M*N矩阵,M为滑窗长度,N为特征变量的个数,B为M*1矩阵,本实施例M可以设为8,N可以设为2。
航迹识别模块采用机器学习算法中梯度递减算法求解特征缩放,得到进行特征缩放后的距离变量数值Rnew。
航迹识别模块通过如下距离变量特征缩放公式:获得特征缩放后的距离变量数值Rnew
式中,R表示雷达距离测量值,表示M周期内为距离测量值的均值,Rmax和Rmin分别表示本雷达距离测量值的最大值和最小值,Rnew表示距离变量进行特征缩放后的数值。
其它方位、俯仰变量等的特征缩放也使用该距离变量特征缩放公式获得。
航迹信息包含了目标的距离、方位、俯仰、速度等值。雷达数据处理在成功起始目标航迹后,搜索雷达数据处理软件采用机器学习算法中基于正规方程的线性回归技术,实时计算滑窗周期内航迹最佳逼近的拟合曲线轨迹。
搜索雷达数据处理软件计算在滑窗周期内M个数据分别在线性回归拟合曲线上的均匀分布准确度,得到拟合曲线的均值,并计算出滑窗周期内第i个测量值Ri在航迹最佳拟合曲线上的投影值Ri^,i取值范围是1到M。航迹识别模块根据计算得到的投影值与拟合曲线的均值之间的差值,判断是否为虚假航迹,若差值小于某门限阀值,则符合均匀分布,将统计标志置为1,否则为0。按照上述计算方式首先计算测量值Ri的距离变量M维均匀分布统计值SR,然后计算测量值Ri的方位特征变量的M维均匀分布统计值SA,最终得到距离特征变量和方位特征变量的实时均匀分布概率的和为:(SR+SA)/(M*N),当该分布概率值大于0.7时,视为航迹属于正常航迹,否则视为虚假航迹。也可以计算单个特征变量的均匀分布统计概率,比如航迹识别模块使用距离特征变量计算得出的单个均匀分布概率为:SR/M,当该分布概率值大于0.6时,视为航迹属于正常航迹,小于0.6则视为虚假航迹,对于其他方位,俯仰,速度特征变量也可以用同样的方式计算单个均匀分布概率,可根据实测数据设置更改,从而进行虚假航迹的判断,判断是否为虚假航迹的门限阀值,完成虚假航迹的分类识别,送出标识标志。
以上仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种自动识别雷达分布杂波引起虚假航迹的方法,具有如下技术特征:针对不同体制不同作用范围的雷达,经过雷达信号处理检测、提取、凝聚处理运算后,将包含目标的距离、方位、仰角信息的点迹作为输入数据,雷达数据处理软件接收到目标以及背景杂波的点迹数据,通过对多圈扫描获得的量测值进行关联获得目标航迹,经过航迹相关、滤波等一系列航迹处理,精确地估计出目标真实的航迹数据,然后按照规定的格式把上述目标航迹信息以滑窗的方式送入航迹识别模块,航迹识别模块首先采用机器学习算法中的梯度递减算法(SPGD)完成航迹数据特征变量的自动特征缩放,将不同量级的特征变量缩放到一个相同的量级,然后在直角坐标或者极坐标下,采用机器学习算法中基于线性回归方程的线性回归技术,利用最小二乘函数对一个或多个自变量和因变量之间关系进行线性回归,对完成特征缩放的航迹数据进行归一化处理,以滑窗的方式实时计算当前航迹的多阶拟合轨迹,求出航迹实时拟合曲线参数,并且在每个雷达周期,计算出滑窗内所有数据在拟合曲线上的均匀分布准确度,然后对均匀分布准确度进行分布统计,根据统计结果计算航迹的虚假航迹概率,将虚假航迹概率大于门限阀值视为航迹属于正常航迹,小于门限阀值则视为数据虚假航迹,完成虚假航迹的分类识别,输出识别标志。
2.如权利要求1所述的自动识别雷达分布杂波引起虚假航迹的方法,其特征在于:搜索雷达数据处理软件,设置单位为雷达数据周期T的滑窗长度M,对完成特征缩放的航迹数据进行基于正规方程的线性归一化处理,求出航迹实时拟合曲线向量参数θ。
3.如权利要求1所述的自动识别雷达分布杂波引起虚假航迹的方法,其特征在于:拟合曲线参数:θ=(A*AT)-1*AT*B
其中,A表示M*N矩阵,M为滑窗长度,N为特征变量的个数,B为M*1矩阵;
其中,A表示M*N矩阵,M为滑窗长度,N为特征变量的个数,B为M*1矩阵。
4.如权利要求1所述的自动识别雷达分布杂波引起虚假航迹的方法,其特征在于:航迹识别模块采用机器学习算法中梯度递减算法求解特征缩放,得到完成特征缩放后的距离变量数值Rnew。
5.如权利要求1所述的自动识别雷达分布杂波引起虚假航迹的方法,其特征在于:航迹识别模块通过如下距离变量特征缩放公式:获得特征缩放后的距离变量数值Rnew
式中,R表示雷达距离测量值,表示M周期内为距离测量值的均值,Rmax和Rmin分别表示本雷达距离测量值的最大值和最小值,Rnew表示距离变量进行特征缩放后的数值。
6.如权利要求5所述的自动识别雷达分布杂波引起虚假航迹的方法,其特征在于:其它方位、俯仰变量的特征缩放也使用该距离变量特征缩放公式获得。
7.如权利要求1所述的自动识别雷达分布杂波引起虚假航迹的方法,其特征在于:雷达数据处理在成功起始目标航迹后,搜索雷达数据处理软件采用机器学习算法中基于正规方程的线性回归技术,实时计算滑窗周期内航迹最佳逼近的拟合曲线轨迹。
8.如权利要求1所述的自动识别雷达分布杂波引起虚假航迹的方法,其特征在于:搜索雷达数据处理软件计算在滑窗周期内M个数据分别在线性回归拟合曲线上的均匀分布准确度,得到拟合曲线的均值,并计算出滑窗周期内第i个测量值Ri在航迹最佳拟合曲线上的投影值,i取值范围是1到M。
9.如权利要求1所述的自动识别雷达分布杂波引起虚假航迹的方法,其特征在于:航迹识别模块根据计算得到的投影值与拟合曲线的均值之间的差值,判断是否为虚假航迹,若差值小于某门限阀值,则符合均匀分布,将统计标志置为1,否则为0;按照上述计算方式首先计算测量值Ri的距离变量M维均匀分布统计值SR,然后计算测量值Ri的方位特征变量的M维均匀分布统计值SA,最终得到距离特征变量和方位特征变量的实时均匀分布概率的和为:(SR+SA)/(M*N),当该分布概率值大于0.7时,视为航迹属于正常航迹,否则视为虚假航迹。
10.如权利要求9所述的自动识别雷达分布杂波引起虚假航迹的方法,其特征在于:航迹识别模块使用距离特征变量计算得出的单个均匀分布概率为:SR/M,当该分布概率值大于0.6时,视为航迹属于正常航迹,小于0.6则视为虚假航迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110064996.2A CN112881993B (zh) | 2021-01-18 | 2021-01-18 | 自动识别雷达分布杂波引起虚假航迹的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110064996.2A CN112881993B (zh) | 2021-01-18 | 2021-01-18 | 自动识别雷达分布杂波引起虚假航迹的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112881993A CN112881993A (zh) | 2021-06-01 |
CN112881993B true CN112881993B (zh) | 2024-02-20 |
Family
ID=76049204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110064996.2A Active CN112881993B (zh) | 2021-01-18 | 2021-01-18 | 自动识别雷达分布杂波引起虚假航迹的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112881993B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113687327B (zh) * | 2021-09-06 | 2024-04-16 | 西安长远电子工程有限责任公司 | 一种雷达探测弹丸虚假目标处理方法 |
DE102021212980B3 (de) * | 2021-11-18 | 2023-03-02 | Continental Autonomous Mobility Germany GmbH | Verfahren zur Zuordnung von Empfangssignalen einer Sensorik eines Fahrzeugs zu einem Objekt |
CN114417942B (zh) * | 2022-03-28 | 2022-06-07 | 成都数之联科技股份有限公司 | 一种杂波识别方法及系统及装置及介质 |
CN116736256B (zh) * | 2023-08-11 | 2023-10-24 | 南京隼眼电子科技有限公司 | 雷达的识别方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107255803A (zh) * | 2017-07-24 | 2017-10-17 | 中电科技(合肥)博微信息发展有限责任公司 | 一种船舶航迹逻辑起始算法 |
CN111796250A (zh) * | 2020-06-12 | 2020-10-20 | 中国船舶重工集团公司第七二四研究所 | 一种基于风险评估的虚假点迹多维层次化抑制方法 |
CN112098992A (zh) * | 2020-09-14 | 2020-12-18 | 大连海事大学 | 一种基于网格聚类的多假设多目标航迹起始方法 |
-
2021
- 2021-01-18 CN CN202110064996.2A patent/CN112881993B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107255803A (zh) * | 2017-07-24 | 2017-10-17 | 中电科技(合肥)博微信息发展有限责任公司 | 一种船舶航迹逻辑起始算法 |
CN111796250A (zh) * | 2020-06-12 | 2020-10-20 | 中国船舶重工集团公司第七二四研究所 | 一种基于风险评估的虚假点迹多维层次化抑制方法 |
CN112098992A (zh) * | 2020-09-14 | 2020-12-18 | 大连海事大学 | 一种基于网格聚类的多假设多目标航迹起始方法 |
Non-Patent Citations (1)
Title |
---|
基于ReliefF与SVM的杂波区虚假航迹抑制方法;刘文;李宏刚;苗锋;白俊奇;;指挥信息系统与技术;20200428(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112881993A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112881993B (zh) | 自动识别雷达分布杂波引起虚假航迹的方法 | |
CN111239766B (zh) | 基于激光雷达的水面多目标快速识别跟踪方法 | |
CN114859339B (zh) | 一种基于毫米波雷达的多目标跟踪方法 | |
CN111007495A (zh) | 一种基于双重融合最大熵模糊聚类jpda的目标航迹优化方法 | |
CN107300698B (zh) | 一种基于支持向量机的雷达目标航迹起始方法 | |
CN112926218B (zh) | 净空距离的获取方法、装置、设备和存储介质 | |
CN103809173B (zh) | 帧恒虚警目标检测跟踪一体化方法 | |
CN113777600B (zh) | 一种多毫米波雷达协同定位跟踪方法 | |
CN111239704B (zh) | 大气探测雷达信号识别方法、装置、设备及介质 | |
CN108181620B (zh) | 一种三坐标雷达点迹质量评估方法 | |
CN115061113B (zh) | 用于雷达的目标检测模型训练方法、装置及存储介质 | |
CN108490409A (zh) | 基于航迹风险评估的三坐标雷达自动起始方法 | |
CN110673130A (zh) | 一种基于航迹关联的运动目标航迹跟踪方法 | |
CN113516037A (zh) | 海上船只航迹片段关联方法、系统、存储介质及设备 | |
CN113933790A (zh) | 一种相控阵雷达工作模式的反演识别方法、装置及介质 | |
CN110889862A (zh) | 一种网络传输攻击环境中多目标跟踪的组合测量方法 | |
CN114966589A (zh) | 一种基于毫米波雷达的多目标检测方法 | |
CN113866754B (zh) | 基于高斯分布波门的运动目标航迹关联方法 | |
CN113625266A (zh) | 应用雷达检测低速目标的方法、装置、存储介质和设备 | |
CN113093174A (zh) | 基于phd滤波雷达起伏微弱多目标的检测前跟踪方法 | |
CN116879863B (zh) | 一种连续波4d毫米波雷达多目标测量方法及系统 | |
CN114002708B (zh) | 一种面向无人艇应用的尾浪滤除方法 | |
CN115015917B (zh) | 一种基于复数域杂波图先验信息的目标检测方法 | |
CN112816973B (zh) | 一种跟踪信息辅助的目标检测方法 | |
CN116224280B (zh) | 雷达目标检测方法、装置、雷达设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |