CN112946598A - 一种天波雷达电离层修正系数提取方法 - Google Patents
一种天波雷达电离层修正系数提取方法 Download PDFInfo
- Publication number
- CN112946598A CN112946598A CN202110099701.5A CN202110099701A CN112946598A CN 112946598 A CN112946598 A CN 112946598A CN 202110099701 A CN202110099701 A CN 202110099701A CN 112946598 A CN112946598 A CN 112946598A
- Authority
- CN
- China
- Prior art keywords
- ground
- sea clutter
- resolution
- data
- sea
- 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
Links
- 238000012937 correction Methods 0.000 title claims abstract description 68
- 239000005433 ionosphere Substances 0.000 title claims abstract description 25
- 238000000605 extraction Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 65
- 230000009466 transformation Effects 0.000 claims abstract description 21
- 238000001228 spectrum Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 83
- 238000012545 processing Methods 0.000 claims description 60
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 12
- 230000005484 gravity Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出一种TB雷达电离层修正系数提取方法,本发明的优点是对地海杂波谱的多尺度现象进行建模,基于多重网格思想,建立不同尺度间卷积核的变换关系,构建了TB雷达多尺度地海杂波分类器。充分考虑了地海杂波识别结果形成的地/海分界线或地形轮廓与先验地理信息的形状信息,分别对目标区域的地海杂波识别结果与先验地理信息聚类,利用形状上下文法计算聚类结果的相似度,地海杂波聚类结果与先验地理信息聚类结果匹配后,进一步计算距离、方位修正系数。本发明为TB雷达电离层修正系数提取提供了一种新思路,对于如何将地海杂波识别结果形成的地/海分界线或地形轮廓与先验地理信息正确匹配,计算距离、方位修正系数具有实际工程意义。
Description
技术领域
本发明属于雷达数据处理领域,特别涉及一种TB雷达电离层修正系数提取方法。
背景技术
由于电离层环境探测子系统与天波主雷达工作方式、探测通道等均有所不同,导致存在电离层探测子系统提供的坐标配准参数不准确、与主雷达目标参数不一致等问题,从而造成了天波雷达的目标定位误差较大。
现有地海杂波识别方法大多采用特征提取与分类分离的方法,即通过人工提取地海杂波特征,然后输入分类器进行识别。但该方法在雷达实际工作环境下,存在特征利用不充分、精度低、鲁棒性差等问题,无法满足实际工程应用的需求。
由于地海杂波回波信号中含有大量雷达接收机噪声,同时高频段用户拥挤,可能存在无线电通讯干扰剩余的问题;另一方面,由于受电离层时变、多层、不均匀、各向异性等影响,地海杂波回波信号可能受到污染,因此地海杂波识别易产生误判(地误判为海/海误判为地),导致地海杂波识别结果形成的地/海分界线或地形轮廓与先验地理信息有部分差异。
深度学习在地海杂波识别领域具有极大的发展潜力,主要表现在以下两个方面:地海杂波数据来源于频谱数据,而频谱数据易于大量获得;地海杂波特征复杂,难以人工提取地海杂波特征。
基于深度学习的地海杂波识别是电离层修正系数提取的关键技术之一,其主要目的是辨识雷达回波每个距离-方位单元背景杂波来源为地或海,利用地海杂波识别结果形成的地/海分界线或地形轮廓,然后将其与先验地理信息匹配可为目标定位提供坐标配准参数。由于地海杂波为主雷达回波,通过地海杂波识别获得的坐标配准参数可克服上述电离层环境探测子系统与天波主雷达目标参数一致、误差大等问题。
为满足不同类型目标检测、波束驻留与扫描要求,天波雷达通常采用不同信号时宽、相干积累点数,使地海杂波谱数据具有多分辨率多尺度特性。虽然通过下采样或插值可形成一致分辨率数据,但是计算量大、可能丢失信息或产生误差;而不同分辨率/尺度下分别设计分类器存在训练数据不均衡、维护成本高等问题。如何将地海杂波识别结果形成的地/海分界线或地形轮廓与先验地理信息正确匹配,计算距离、方位修正系数;如何对地海杂波谱数据的多分辨率多尺度特性进行建模,均具有实际工程意义。
发明内容
本发明解决的技术问题是:为了克服电离层环境探测子系统与天波主雷达目标参数不一致的缺陷,提高目标定位精度,本发明涉及一种天波雷达电离层修正系数提取方法。
本发明的技术方案是:一种天波雷达电离层修正系数提取方法,包括以下步骤:步骤一:构建多尺度地海杂波分类器,包括以下子步骤:
子步骤一:多尺度地海杂波分类器卷积核系数变换
当高分辨率地海杂波数据训练的分类器需要对低分辨率的地海杂波进行分类时,利用代数多网格法对卷积核进行限制,然后对低分辨率的地海杂波数据进行分类。
假设低分辨率的地海杂波数据表示为yH,对低分辨率数据进行处理的模板为sH,高分辨率的地海杂波数据表示为yh,对高分辨率数据进行处理的模板为sh,定义低分辨率数据yH和高分辨率数据yh之间的关系如下:
Pro是低分辨率地海杂波数据到高分辨率地海杂波数据的延长矩阵,Res是高分辨率地海杂波数据到低分辨率地海杂波数据的限制矩阵,Pro和Res通过代数多网格方法构造;
定义Kh(sh)表示处理高分辨率上卷积的稀疏矩阵,等价于将高分辨率数据yh与卷积核sh进行卷积;在低分辨率数据yH上工作的KH,与在高分辨率数据yh上的Kh的操作一致;由代数多网格方法可以得到如下关系式:
KHyH=ResKhProyH
由此可得低分辨率上的稀疏矩阵可以表示为:
KH=ResKhPro
假设已有高分辨率的地海杂波数据yh,对高分辨率数据进行处理的模板sh,此时高分辨率上卷积的稀疏矩阵Kh唯一确定,根据低分辨率上卷积的稀疏矩阵KH与高分辨率上卷积的稀疏矩阵Kh之间的联系计算得到KH,而低分辨率上卷积的稀疏矩阵KH由处理低分辨地海杂波数据的模板sH唯一确定,至此从已有的高分辨率的地海杂波数据yh和对高分辨率数据进行处理的模板sh计算得到了处理低分辨地海杂波数据的模板sH。反之可由已有的低分辨率的地海杂波数据yH和对低分辨率数据进行处理的模板sH得到处理高分辨率地海杂波数据的模板sh;
子步骤二:多尺度地海杂波识别分类方法,包括以下内容:
(1)对天波雷达地海杂波谱数据进行预处理,形成天波雷达地海杂波谱数据库;
(2)采用深度卷积神经网络作为天波雷达多尺度地海杂波分类器的基本框架结构;
(3)分析天波雷达典型工作模式及工作参数,天波雷达典型工作模式为行业默认,基于代数多网格法,通过高分辨率地海杂波数据与低分辨率地海杂波数据之间的联系构造限制或延长矩阵,利用限制卷积操作,通过已有高分辨率的地海杂波数据yh与对高分辨率数据进行处理的模板sh,计算得到处理低分辨地海杂波数据的模板sH。相反利用延长卷积操作,通过已有低分辨率的地海杂波数据yH和对低分辨率数据进行处理的模板sH,计算得到处理高分辨率地海杂波数据的模板sh。建立卷积核在不同尺度上的变换关系,求取不同尺度下的卷积核的变换系数,构建天波雷达多尺度地海杂波分类器;
步骤二:地海杂波识别结果与先验地形聚类,包括以下子步骤:
子步骤一:地海杂波识别结果聚类,包括以下步骤:
(1)构建地海杂波识别结果二值化矩阵
假设监视区域雷达探测方位子波束共M1个,子波束个数取决于雷达实际工作参数设置,每一子波束距离单元数为,距离单元数取决于雷达实际工作参数设置,监视区域方位距离单元总数为M1*N1个;利用地海杂波分类器对每一方位距离单元Rij识别其地/海属性,其中i∈{1,...,M1},j∈{1,...,N1},若判别为地,则Rij=1,若判别为海,则Rij=0;输出的二值化地海杂波识别结果矩阵R为:
(2)基于广度优先搜索的地海杂波识别结果聚类
扫描整个二值矩阵R,如果某一方位距离单元Rij=1,将其视为种子节点,开始进行广度优先搜索,将Rij加入队列Q1,并令Rij=0,向上、下、左、右寻找临近方位距离单元是否有地,若有则将其加入队列Q1,将每个搜索到的地属性单元都重新标记为0,直到搜索结束;最终的聚类数量就是进行广度优先搜索的次数K1,输出的聚类结果保存在G中;
子步骤二:先验地理信息聚类,包括以下步骤:
(1)构建先验地理信息二值化矩阵
寻找一个比当前雷达探测区域大的区域,使用与雷达相同的分辨率提取先验地理信息,将地标记为1,海标记为0,先验地理信息存入二值矩阵P,P的大小为M2*N2;每一单元Pmn保存有先验地理信息,其中m∈{1,...,M2},n∈{1,...,N2};输出的二值化先验地理信息矩阵P为:
(2)基于广度优先搜索的先验地理信息聚类
扫描整个二值矩阵Pmn,如果某一方位距离单元Pmn=1,将其视为种子节点,开始进行广度优先搜索,将Pmn加入队列Q2,并令Pmn=0,向上、下、左、右寻找临近方位距离单元是否有地,若有则将其加入队列Q2,将每个搜索到的地属性单元都重新标记为0,直到搜索结束;最终的聚类数量就是进行广度优先搜索的次数K2,输出的聚类结果保存在S中;
步骤三:计算方位距离修正系数,包括以下子步骤:
子步骤一:计算聚类结果的形状上下文,包括以下步骤:
形状上下文是基于图像轮廓进行描述,首先提取地海杂波聚类结果的边缘信息,均匀采样,其中k1={1,...,K1},聚类结果形状的点集信息保存在其中C1代表中点的个数;对中的任意一点在以为圆心、r为半径的区域内按对数距离间隔建立N3个同心圆;将此区域沿圆周方向等分为M3份,形成靶状模板;点到其它各点的向量相对位置简化为模板上各扇区内的点数分布;这些点的统计分布直方图称为点的形状上下文,其计算公式为:
其中,k3={1,2,...,K3},K3=M3*N3;
子步骤二:计算形状上下文之间的相似度,包括以下步骤:
子步骤三:计算方位、距离修正系数,包括以下步骤:
假设地海杂波识别聚类结果与先验地理信息聚类结果相似度最高,成功匹配;将中保存的地海形状信息存入矩阵E,其大小为M4*N4;将中保存的地海轮廓信息存入矩阵F,其大小为M5*N5;假设M5≥M4,N5≥N4,将F作为搜索图,E作为模板图,以(i1,j1)为左上角,取M4*N4大小的子图,遍历整个搜索图,在所有能够取到的子图中,找到与模板图最相似的子图作为最终匹配结果,相似性测量公式如下:
绝对误差越小,表明越相似,故只需要找到最小的D(i1,j1)即可确定待匹配的子图位置;
在先验地理信息中寻找到待匹配子图位置后,基于matlab,在大地坐标系下计算匹配子图的重心(Az1,Dis1);相应地计算地海杂波识别聚类结果在大地坐标系下的重心(Az2,Dis2);方位修正系数和距离修正系数为:
方位修正系数和距离修正系数即为所需电离层修正系数,利用计算得到的方位修正系数和距离修正系数提高目标定位精度,克服电离层环境探测子系统与天波主雷达目标参数不一致的问题。
本发明进一步的技术方案是:所述步骤一子步骤二的(2)中,拟采用输入层-卷积层-池化层-卷积层-池化层-……-输出层作为分类器的基本网络结构,多阶段卷积层用于充分提取多层次特征,拟采用ReLU函数作为激活函数,采用最大池化处理,降低特征向量维数,减小计算量、修正过拟合的同时提取高层次特征;采用Sigmoid函数及全连接层用于分类。
本发明进一步的技术方案是:所述步骤一子步骤二的(3)中,基于代数多网格法,通过高分辨率地海杂波数据与低分辨率地海杂波数据之间的联系构造限制或延长矩阵,利用限制卷积操作,通过已有高分辨率的地海杂波数据yh与对高分辨率数据进行处理的模板sh,计算得到处理低分辨地海杂波数据的模板sH。相反利用延长卷积操作,通过已有低分辨率的地海杂波数据yH和对低分辨率数据进行处理的模板sH,计算得到处理高分辨率地海杂波数据的模板sh。基于Python,建立卷积核在不同尺度上的变换关系,求取不同尺度下的卷积核的变换系数,构建天波雷达多尺度地海杂波分类器。
本发明进一步的技术方案是:所述延长矩阵为:
本发明进一步的技术方案是:所述限制矩阵为
发明效果
本发明的技术效果在于:本发明和现有技术相比,存在的优点如下:
(1)本发明步骤1针对天波雷达地海杂波数据多尺度问题,基于多重网格思想,建立不同尺度间卷积核的变换关系,构建天波雷达多尺度地海杂波分类器,可以利用高分辨率地海杂波分类器对低分辨率地海杂波数据进行分类,反之可以利用低分辨率地海杂波分类器对高分辨率地海杂波数据进行分类,克服了现有深度学习方法需要针对不同参数训练多个模型的不足,在保证精度的前提下,大大减少标签标定、模型训练耗时,具有易训练、便迁移的优点。
(2)步骤2与步骤3针对地海杂波识别过程中的修正系数提取问题,利用形状上下文法计算聚类结果的相似度,根据聚类匹配结果,按距离段计算距离、方位修正系数,该方法在天波雷达电离层修正系数提取中为首次提出,在电离层形态稳定时,可准确计算距离、方位修正系数。
本发明为天波雷达电离层修正系数提取提供了一种新思路,对于如何将地海杂波识别结果形成的地/海分界线或地形轮廓与先验地理信息正确匹配,计算距离、方位修正系数具有理论及实际工程意义。
附图说明
图1为大地坐标系下先验地理信息某聚类块结果图
图2为大地坐标系下地海杂波识别某聚类块结果图
图3为修正系数提取流程图
具体实施方式
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
参见图1-图3,本发明提出一种天波雷达电离层修正系数提取方法,本发明的优点是对地海杂波谱的多尺度现象进行建模,基于多重网格思想,建立不同尺度间卷积核的变换关系,构建了深度学习多尺度地海杂波分类器。当高分辨率地海杂波数据训练的分类器需要对低分辨率的地海杂波进行分类时,利用代数多网格法对卷积核进行限制,然后对低分辨率的地海杂波数据进行分类;当低分辨率地海杂波数据训练的分类器需要对高分辨率的地海杂波进行分类时,利用代数多网格法对卷积核进行延伸,然后对高分辨率的地海杂波数据进行分类。
本发明解决电离层子系统修正系数提取问题,基于多重网格思想,建立不同尺度间卷积核的变换关系,构建天波雷达多尺度地海杂波分类器。基于形状上下文法,研究电离层修正系数提取问题。通过广度优先搜索方法,对地海杂波识别结果和先验地理信息聚类;充分考虑聚类结果的轮廓信息,用形状上下文法对地海杂波识别聚类结果和先验地理信息聚类结果进行匹配;最后根据匹配结果计算该距离段的距离、方位修正系数。
本方法充分考虑了地海杂波识别结果形成的地/海分界线或地形轮廓与先验地理信息的形状信息,分别对目标区域的地海杂波识别结果与先验地理信息聚类,利用形状上下文法计算聚类结果的相似度,地海杂波聚类结果与先验地理信息聚类结果匹配后,进一步计算距离、方位修正系数。
本发明的技术方案是:一种天波雷达电离层修正系数提取方法,包括以下步骤步骤一:构建多尺度地海杂波分类器,包括以下步骤:
子步骤一:卷积核系数变换
当高分辨率地海杂波数据训练的分类器需要对低分辨率的地海杂波进行分类时,利用代数多网格法对卷积核进行限制,然后对低分辨率的地海杂波数据进行分类。
假设低分辨率的地海杂波数据表示为yH,对低分辨率数据进行处理的模板为sH;高分辨率的地海杂波数据表示为yh,对高分辨率数据进行处理的模板为sh,假设低分辨率数据yH和高分辨率数据yh之间的联系可以用如下公式表示:
Pro是低分辨率地海杂波数据到高分辨率地海杂波数据的延长矩阵,Res是高分辨率地海杂波数据到低分辨率地海杂波数据的限制矩阵,Pro和Res都可以通过代数多网格方法构造,一种简单的延长矩阵和限制矩阵如下所示:
Kh(sh)表示处理高分辨率上卷积的稀疏矩阵,等价于将高分辨率数据yh与模板sh进行卷积,在低分辨率数据yH上工作的KH,与在高分辨率数据yh上的Kh的操作一致。由代数多网格方法可以得到如下关系式:
KHyH=ResKhProyH
这意味着低分辨率上的稀疏矩阵可以表示为:
KH=ResKhPro
假设已有高分辨率的地海杂波数据yh,对高分辨率数据进行处理的模板sh,此时高分辨率上卷积的稀疏矩阵Kh唯一确定,根据低分辨率上卷积的稀疏矩阵KH与高分辨率上卷积的稀疏矩阵Kh之间的联系计算得到KH,而低分辨率上卷积的稀疏矩阵KH由处理低分辨地海杂波数据的模板sH唯一确定,至此从已有的高分辨率的地海杂波数据yh和对高分辨率数据进行处理的模板sh计算得到了处理低分辨地海杂波数据的模板sH。反之可由已有的低分辨率的地海杂波数据yH和对低分辨率数据进行处理的模板sH得到处理高分辨率地海杂波数据的模板sh。
子步骤二:多尺度地海杂波识别分类方法
对天波雷达地海杂波谱数据进行预处理,形成天波雷达地海杂波谱数据库;采用深度卷积神经网络作为天波雷达多尺度地海杂波分类器的基本框架结构。拟采用输入层-卷积层-池化层-卷积层-池化层-……-输出层作为分类器的基本网络结构,多阶段卷积层用于充分提取多层次特征,拟采用ReLU函数作为激活函数,采用最大池化处理,降低特征向量维数,减小计算量、修正过拟合的同时提取高层次特征;采用Sigmoid函数及全连接层用于分类;
分析天波雷达典型工作模式及工作参数,天波雷达典型工作模式为行业默认,基于代数多网格法,通过高分辨率地海杂波数据与低分辨率地海杂波数据之间的联系构造限制或延长矩阵,利用限制卷积操作,通过已有高分辨率的地海杂波数据yh与对高分辨率数据进行处理的模板sh,计算得到处理低分辨地海杂波数据的模板sH。相反利用延长卷积操作,通过已有低分辨率的地海杂波数据yH和对低分辨率数据进行处理的模板sH,计算得到处理高分辨率地海杂波数据的模板sh。建立卷积核在不同尺度上的变换关系,求取不同尺度下的卷积核的变换系数,构建天波雷达多尺度地海杂波分类器。
步骤二:地海杂波识别结果与先验地形聚类,包括以下子步骤:
子步骤一:地海杂波识别结果聚类,包括以下步骤:
(1)构建地海杂波识别结果二值化矩阵
假设监视区域雷达探测方位子波束共M1个,子波束个数取决于雷达实际工作参数设置,每一子波束距离单元数为N1,距离单元数取决于雷达实际工作参数设置,监视区域方位距离单元总数为M1*N1个。对输入的地海杂波数据,利用地海杂波分类器对每一方位距离单元Rij识别其地/海属性,其中i∈{1,...,M1},j∈{1,...,N1},若判别为地,则Rij=1,若判别为海,则Rij=0。输出的二值化地海杂波识别结果矩阵R为:
(2)基于广度优先搜索的地海杂波识别结果聚类
输入地海杂波识别结果矩阵R,扫描整个二值矩阵R,如果某一方位距离单元Rij=1,将其视为种子节点,开始进行广度优先搜索,将Rij加入队列Q1,并令Rij=0,向上、下、左、右寻找临近方位距离单元是否有地,若有则将其加入队列Q1,将每个搜索到的地属性单元都重新标记为0,直到搜索结束。最终的聚类数量就是进行广度优先搜索的次数K1,输出的聚类结果保存在G中。
子步骤二:先验地理信息聚类,包括以下步骤:
(1)构建先验地理信息二值化矩阵
寻找一个比当前雷达探测区域大的区域,使用与雷达相同的分辨率提取先验地理信息,将地标记为1,海标记为0,先验地理信息存入二值矩阵P,P的大小为M2*N2。每一单元Pmn保存有先验地理信息,其中m∈{1,...,M2},n∈{1,...,N2}。输出的二值化先验地理信息矩阵P为:
(2)基于广度优先搜索的先验地理信息聚类
输入先验地理信息矩阵P,扫描整个二值矩阵Pmn,如果某一方位距离单元Pmn=1,将其视为种子节点,开始进行广度优先搜索,将Pmn加入队列Q2,并令Pmn=0,向上、下、左、右寻找临近方位距离单元是否有地,若有则将其加入队列Q2,将每个搜索到的地属性单元都重新标记为0,直到搜索结束。最终的聚类数量就是进行广度优先搜索的次数K2,输出的聚类结果保存在S中。
步骤三:计算方位距离修正系数,包括以下子步骤:
子步骤一:计算聚类结果的形状上下文,包括以下步骤:
形状上下文是基于图像轮廓进行描述,首先提取地海杂波聚类结果的边缘信息,均匀采样,其中k1={1,...,K1},聚类结果形状的点集信息保存在其中C1代表中点的个数。对中的任意一点在以为圆心、r为半径的区域内按对数距离间隔建立N3个同心圆。将此区域沿圆周方向等分为M3份,形成靶状模板。点到其它各点的向量相对位置简化为模板上各扇区内的点数分布。这些点的统计分布直方图称为点的形状上下文,其计算公式为:
其中,k3={1,2,...,K3},K3=M3*N3。
子步骤二:计算形状上下文之间的相似度,包括以下步骤:
子步骤三:计算方位、距离修正系数,包括以下步骤:
假设子步骤二中地海杂波识别聚类结果与先验地理信息聚类结果相似度最高,成功匹配。将中保存的地海形状信息存入矩阵E,其大小为M4*N4;将中保存的地海轮廓信息存入矩阵F,其大小为M5*N5。假设M5≥M4,N5≥N4,将F作为搜索图,E作为模板图,以(i1,j1)为左上角,取M4*N4大小的子图,遍历整个搜索图,在所有能够取到的子图中,找到与模板图最相似的子图作为最终匹配结果,相似性测量公式如下:
绝对误差越小,表明越相似,故只需要找到最小的D(i1,j1)即可确定待匹配的子图位置。
在先验地理信息中寻找到待匹配子图位置后,基于matlab,在大地坐标系下计算匹配子图的重心(Az1,Dis1);相应地计算地海杂波识别聚类结果在大地坐标系下的重心(Az2,Dis2)。方位修正系数和距离修正系数为:
Az=Az2/Az1
Dis=Dis2/Dis1
方位修正系数和距离修正系数即为所需电离层修正系数,利用计算得到的方位修正系数和距离修正系数可以提高目标定位精度,克服电离层环境探测子系统与天波主雷达目标参数不一致的问题。
现结合实施例、附图对本发明作进一步描述:
本发明中天波雷达电离层修正系数提取方法步骤如下:
步骤1、构建多尺度地海杂波分类器
步骤a、标定地海杂波训练样本;
步骤b、基于代数多重网格法,计算卷积核变换系数;
步骤c、基于步骤a、b,构建多尺度地海杂波分类器。
步骤2、电离层修正系数提取
步骤a、在线接收频谱数据;
步骤b、利用地海杂波分类器和当前波位信息得到地海杂波识别结果二值化矩阵R;
步骤c、根据地形信息和当前波位信息得到先验地理信息二值化矩阵P;
步骤d、利用广度优先搜索法对地海杂波识别结果R进行聚类,聚类结果保存在G中;利用广度优先搜索法对先验地理信息P进行聚类,聚类结果保存在S中;
步骤e、利用形状上下文法对聚类结果G和聚类结果S进行地理信息匹配;
步骤f、根据聚类结果G和聚类结果S的匹配结果,利用绝对误差和最小法进行地图匹配,计算地图匹配后地海杂波识别结果在雷达坐标系下的重心(Az2,Dis2)和先验地理信息在雷达坐标系下的重心(Az1,Dis1)。
步骤h、根据步骤f得到的重心,按距离段输出距离、方位修正系数。
每一步骤的具体内容如下:
1.构建天波雷达多尺度地海杂波分类器
(1)卷积核系数变换
当高分辨率地海杂波数据训练的分类器需要对低分辨率的地海杂波进行分类时,利用代数多网格法将高分辨率下的卷积核转换成为低分辨率下的卷积核,然后对低分辨率的地海杂波数据进行识别。
假设低分辨率的地海杂波数据表示为yH,其维度为512,对低分辨率数据进行处理的模板为sH;高分辨率的地海杂波数据表示为yh,其维度为1024,对高分辨率数据进行处理的模板为sh,假设低分辨率数据yH和高分辨率数据yh之间的联系可以用如下公式表示:
Pro是低分辨率地海杂波数据到高分辨率地海杂波数据的延长矩阵,Res是高分辨率地海杂波数据到低分辨率地海杂波数据的限制矩阵,Pro和Res都可以通过代数多网格方法构造,一种简单的延长矩阵和限制矩阵如下所示:
Kh(sh)表示处理高分辨率上卷积的稀疏矩阵,等价于将高分辨率数据yh与卷积核sh进行卷积,在低分辨率数据yH上工作的KH,与在高分辨率数据yh上的Kh的操作一致。由代数多网格方法可以得到如下关系式:
KHyH=ResKhProyH
这意味着低分辨率上的稀疏矩阵可以表示为:
KH=ResKhPro
假设已有高分辨率的地海杂波数据yh,对高分辨率数据进行处理的模板sh,此时高分辨率上卷积的稀疏矩阵Kh唯一确定,根据低分辨率上卷积的稀疏矩阵KH与高分辨率上卷积的稀疏矩阵Kh之间的联系计算得到KH,而低分辨率上卷积的稀疏矩阵KH由处理低分辨地海杂波数据的模板sH唯一确定,至此从已有的高分辨率的地海杂波数据yh和对高分辨率数据进行处理的模板sh计算得到了处理低分辨地海杂波数据的模板sH。反之可由已有的低分辨率的地海杂波数据yH和对低分辨率数据进行处理的模板sH得到处理高分辨率地海杂波数据的模板sh。
(2)构建多尺度地海杂波分类器
采用深度卷积神经网络作为天波雷达多尺度地海杂波分类器的基本框架结构。拟采用输入层-卷积层-池化层-卷积层-池化层-……-输出层作为分类器的基本网络结构,多阶段卷积层用于充分提取多层次特征,拟采用ReLU函数作为激活函数,采用最大池化处理,降低特征向量维数,减小计算量、修正过拟合的同时提取高层次特征;采用Sigmoid函数及全连接层用于分类;
分析天波雷达典型工作模式及工作参数,天波雷达典型工作模式为行业默认,基于代数多网格法,通过高分辨率地海杂波数据与低分辨率地海杂波数据之间的联系构造限制或延长矩阵,利用限制卷积操作,通过已有高分辨率的地海杂波数据yh与对高分辨率数据进行处理的模板sh,计算得到处理低分辨地海杂波数据的模板sH。相反利用延长卷积操作,通过已有低分辨率的地海杂波数据yH和对低分辨率数据进行处理的模板sH,计算得到处理高分辨率地海杂波数据的模板sh。建立卷积核在不同尺度上的变换关系,求取不同尺度下的卷积核的变换系数,构建天波雷达多尺度地海杂波分类器。
2.地海杂波识别结果与先验地理信息聚类
假设监视区域雷达探测方位子波束共M1个,每一子波束距离单元数为N1,监视区域方位距离单元总数为M1*N1个,其中M1=15,N1=1000。对输入的地海杂波数据,利用地海杂波分类器对每一方位距离单元Rij识别其地/海属性,其中i∈{1,...,M1},j∈{1,...,N1},若判别为地,则Rij=1,若判别为海,则Rij=0。二值化的地海杂波识别结果矩阵R为:
输入地海杂波识别结果矩阵R,扫描整个二值矩阵Rij,如果某一方位距离单元Rij=1,将其视为种子节点,开始进行广度优先搜索,将Rij加入队列Q1,并令Rij=0,向上、下、左、右寻找临近方位距离单元是否有地,若有则将其加入队列Q1,将每个搜索到的地属性单元都重新标记为0,直到搜索结束。最终的聚类数量就是进行广度优先搜索的次数K1,输出的聚类结果保存在G中,其中K1=20。
寻找一个比当前雷达探测区域大的区域,使用与雷达相同的分辨率提取先验地理信息,将地标记为1,海标记为0,先验地理信息存入二值矩阵P,P的大小为M2*N2,其中M2=20,N2=1500。每一单元Pmn保存有先验地理信息,其中m∈{1,...,M2},n∈{1,...,N2}。输出的二值化先验地理信息矩阵P为:
扫描整个二值矩阵Pmn,如果某一方位距离单元Pmn=1,将其视为种子节点,开始进行广度优先搜索,将Pmn加入队列Q2,并令Pmn=0,向上、下、左、右寻找临近方位距离单元是否有地,若有则将其加入队列Q2,将每个搜索到的地属性单元都重新标记为0,直到搜索结束。最终的聚类数量就是进行广度优先搜索的次数K2,输出的聚类结果保存在S中,其中K2=15。
3.修正系数计算
地海杂波聚类结果G和先验地理信息聚类结果S中包含地属性单元的位置信息,如图2、图1所示。聚类结果中点的个数较多,对每一点计算形状上下文增加了计算复杂度,为提高计算速度,我们只提取地海杂波识别结果和先验地理信息的轮廓信息。
首先提取地海杂波聚类结果的边缘信息,均匀采样,其中k1={1,...,K1},聚类结果形状的点集信息保存在其中C1代表中点的个数。对中的任意一点在以为圆心、r为半径的区域内按对数距离间隔建立N3个同心圆。将此区域沿圆周方向等分为M3份,形成靶状模板。点到其它各点的向量相对位置简化为模板上各扇区内的点数分布。这些点的统计分布直方图称为点的形状上下文,其计算公式为:
其中,k3={1,2,...,K3},K3=M3*N3。
在matlab框架下,假设地海杂波识别聚类结果G1与先验地理信息聚类结果S1相似度最高,为0.11,成功匹配,地海杂波识别聚类结果G1如图2所示,先验地理信息聚类结果S1如图1所示。将G1中保存的地海轮廓信息存入矩阵E,其大小为6*420;将S1中保存的地海轮廓信息存入矩阵F,其大小为9*615。将F作为搜索图,E作为模板图,以(i1,j1)为左上角,取6*420大小的子图,遍历整个搜索图,在所有能够取到的子图中,找到与模板图最相似的子图作为最终匹配结果,在大地坐标系下计算匹配子图的重心,相应地计算地海杂波识别聚类结果G1在大地坐标系下的重心,计算得到方位修正系数为0.986,,距离修正系数为1.012。
方位修正系数和距离修正系数即为所需电离层修正系数,利用计算得到的方位修正系数和距离修正系数可以提高目标定位精度,克服电离层环境探测子系统与天波主雷达目标参数不一致的问题。
实验验证
为了验证本发明的有效性,下面通过实验进行测试。图1为大地坐标系下先验地理信息某聚类块结果,图2为大地坐标系下地海杂波识别某聚类块结果,利用形状上下文法计算其相似度CS为0.11。对图1和图2中的聚类结果,计算其距离、方位修正系数,距离修正系数为1.012,方位修正系数为0.986,可用于减小天波雷达目标定位误差。图3为修正系数提取流程图,当前帧频谱数据输入后,通过在线地海杂波识别得到地海杂波识别结果R,通过当前波位信息选择对应先验地理信息P。对地海杂波识别结果R聚类得到地海杂波聚类结果G,对先验地理信息P聚类得到先验地理信息聚类结果S,通过基于形状上下文法的地图匹配后,提取对应修正距离、方位修正系数。
Claims (5)
1.一种天波雷达电离层修正系数提取方法,其特征在于,包括以下步骤:
步骤一:构建多尺度地海杂波分类器,包括以下子步骤:
子步骤一:多尺度地海杂波分类器卷积核系数变换
当高分辨率地海杂波数据训练的分类器需要对低分辨率的地海杂波进行分类时,利用代数多网格法对卷积核进行限制,然后对低分辨率的地海杂波数据进行分类。
假设低分辨率的地海杂波数据表示为yH,对低分辨率数据进行处理的模板为sH,高分辨率的地海杂波数据表示为yh,对高分辨率数据进行处理的模板为sh,定义低分辨率数据yH和高分辨率数据yh之间的关系如下:
Pro是低分辨率地海杂波数据到高分辨率地海杂波数据的延长矩阵,Res是高分辨率地海杂波数据到低分辨率地海杂波数据的限制矩阵,Pro和Res通过代数多网格方法构造;
定义Kh(sh)表示处理高分辨率上卷积的稀疏矩阵,等价于将高分辨率数据yh与卷积核sh进行卷积;在低分辨率数据yH上工作的KH,与在高分辨率数据yh上的Kh的操作一致;由代数多网格方法可以得到如下关系式:
KHyH=ResKhProyH
由此可得低分辨率上的稀疏矩阵可以表示为:
KH=ResKhPro
假设已有高分辨率的地海杂波数据yh,对高分辨率数据进行处理的模板sh,此时高分辨率上卷积的稀疏矩阵Kh唯一确定,根据低分辨率上卷积的稀疏矩阵KH与高分辨率上卷积的稀疏矩阵Kh之间的联系计算得到KH,而低分辨率上卷积的稀疏矩阵KH由处理低分辨地海杂波数据的模板sH唯一确定,至此从已有的高分辨率的地海杂波数据yh和对高分辨率数据进行处理的模板sh计算得到了处理低分辨地海杂波数据的模板sH。反之可由已有的低分辨率的地海杂波数据yH和对低分辨率数据进行处理的模板sH得到处理高分辨率地海杂波数据的模板sh;
子步骤二:多尺度地海杂波识别分类方法,包括以下内容:
(1)对天波雷达地海杂波谱数据进行预处理,形成天波雷达地海杂波谱数据库;
(2)采用深度卷积神经网络作为天波雷达多尺度地海杂波分类器的基本框架结构;
(3)分析天波雷达典型工作模式及工作参数,天波雷达典型工作模式为行业默认,基于代数多网格法,通过高分辨率地海杂波数据与低分辨率地海杂波数据之间的联系构造限制或延长矩阵,利用限制卷积操作,通过已有高分辨率的地海杂波数据yh与对高分辨率数据进行处理的模板sh,计算得到处理低分辨地海杂波数据的模板sH。相反利用延长卷积操作,通过已有低分辨率的地海杂波数据yH和对低分辨率数据进行处理的模板sH,计算得到处理高分辨率地海杂波数据的模板sh。建立卷积核在不同尺度上的变换关系,求取不同尺度下的卷积核的变换系数,构建天波雷达多尺度地海杂波分类器;
步骤二:地海杂波识别结果与先验地形聚类,包括以下子步骤:
子步骤一:地海杂波识别结果聚类,包括以下步骤:
(1)构建地海杂波识别结果二值化矩阵
假设监视区域雷达探测方位子波束共M1个,子波束个数取决于雷达实际工作参数设置,每一子波束距离单元数为,距离单元数取决于雷达实际工作参数设置,监视区域方位距离单元总数为M1*N1个;利用地海杂波分类器对每一方位距离单元Rij识别其地/海属性,其中i∈{1,...,M1},j∈{1,...,N1},若判别为地,则Rij=1,若判别为海,则Rij=0;输出的二值化地海杂波识别结果矩阵R为:
(2)基于广度优先搜索的地海杂波识别结果聚类
扫描整个二值矩阵R,如果某一方位距离单元Rij=1,将其视为种子节点,开始进行广度优先搜索,将Rij加入队列Q1,并令Rij=0,向上、下、左、右寻找临近方位距离单元是否有地,若有则将其加入队列Q1,将每个搜索到的地属性单元都重新标记为0,直到搜索结束;最终的聚类数量就是进行广度优先搜索的次数K1,输出的聚类结果保存在G中;
子步骤二:先验地理信息聚类,包括以下步骤:
(1)构建先验地理信息二值化矩阵
寻找一个比当前雷达探测区域大的区域,使用与雷达相同的分辨率提取先验地理信息,将地标记为1,海标记为0,先验地理信息存入二值矩阵P,P的大小为M2*N2;每一单元Pmn保存有先验地理信息,其中m∈{1,...,M2},n∈{1,...,N2};输出的二值化先验地理信息矩阵P为:
(2)基于广度优先搜索的先验地理信息聚类
扫描整个二值矩阵Pmn,如果某一方位距离单元Pmn=1,将其视为种子节点,开始进行广度优先搜索,将Pmn加入队列Q2,并令Pmn=0,向上、下、左、右寻找临近方位距离单元是否有地,若有则将其加入队列Q2,将每个搜索到的地属性单元都重新标记为0,直到搜索结束;最终的聚类数量就是进行广度优先搜索的次数K2,输出的聚类结果保存在S中;
步骤三:计算方位距离修正系数,包括以下子步骤:
子步骤一:计算聚类结果的形状上下文,包括以下步骤:
形状上下文是基于图像轮廓进行描述,首先提取地海杂波聚类结果的边缘信息,均匀采样,其中k1={1,...,K1},聚类结果形状的点集信息保存在其中C1代表中点的个数;对中的任意一点在以为圆心、r为半径的区域内按对数距离间隔建立N3个同心圆;将此区域沿圆周方向等分为M3份,形成靶状模板;点到其它各点的向量相对位置简化为模板上各扇区内的点数分布;这些点的统计分布直方图称为点的形状上下文,其计算公式为:
其中,k3={1,2,...,K3},K3=M3*N3;
子步骤二:计算形状上下文之间的相似度,包括以下步骤:
子步骤三:计算方位、距离修正系数,包括以下步骤:
假设地海杂波识别聚类结果与先验地理信息聚类结果相似度最高,成功匹配;将中保存的地海形状信息存入矩阵E,其大小为M4*N4;将中保存的地海轮廓信息存入矩阵F,其大小为M5*N5;假设M5≥M4,N5≥N4,将F作为搜索图,E作为模板图,以(i1,j1)为左上角,取M4*N4大小的子图,遍历整个搜索图,在所有能够取到的子图中,找到与模板图最相似的子图作为最终匹配结果,相似性测量公式如下:
绝对误差越小,表明越相似,故只需要找到最小的D(i1,j1)即可确定待匹配的子图位置;
在先验地理信息中寻找到待匹配子图位置后,基于matlab,在大地坐标系下计算匹配子图的重心(Az1,Dis1);相应地计算地海杂波识别聚类结果在大地坐标系下的重心(Az2,Dis2);方位修正系数和距离修正系数为:
方位修正系数和距离修正系数即为所需电离层修正系数,利用计算得到的方位修正系数和距离修正系数提高目标定位精度,克服电离层环境探测子系统与天波主雷达目标参数不一致的问题。
2.如权利要求1所述的一种天波雷达电离层修正系数提取方法,其特征在于,所述步骤一子步骤二的(2)中,拟采用输入层-卷积层-池化层-卷积层-池化层-……-输出层作为分类器的基本网络结构,多阶段卷积层用于充分提取多层次特征,拟采用ReLU函数作为激活函数,采用最大池化处理,降低特征向量维数,减小计算量、修正过拟合的同时提取高层次特征;采用Sigmoid函数及全连接层用于分类。
3.如权利要求1所述的一种天波雷达电离层修正系数提取方法,其特征在于,所述步骤一子步骤二的(3)中,基于代数多网格法,通过高分辨率地海杂波数据与低分辨率地海杂波数据之间的联系构造限制或延长矩阵,利用限制卷积操作,通过已有高分辨率的地海杂波数据yh与对高分辨率数据进行处理的模板sh,计算得到处理低分辨地海杂波数据的模板sH。相反利用延长卷积操作,通过已有低分辨率的地海杂波数据yH和对低分辨率数据进行处理的模板sH,计算得到处理高分辨率地海杂波数据的模板sh。基于Python,建立卷积核在不同尺度上的变换关系,求取不同尺度下的卷积核的变换系数,构建天波雷达多尺度地海杂波分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110099701.5A CN112946598B (zh) | 2021-01-25 | 2021-01-25 | 一种天波雷达电离层修正系数提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110099701.5A CN112946598B (zh) | 2021-01-25 | 2021-01-25 | 一种天波雷达电离层修正系数提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112946598A true CN112946598A (zh) | 2021-06-11 |
CN112946598B CN112946598B (zh) | 2022-08-16 |
Family
ID=76236645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110099701.5A Expired - Fee Related CN112946598B (zh) | 2021-01-25 | 2021-01-25 | 一种天波雷达电离层修正系数提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112946598B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0506327A2 (en) * | 1991-03-28 | 1992-09-30 | Texas Instruments Incorporated | A system and method for ranking and extracting salient contours for target recognition |
WO1995029412A1 (en) * | 1994-04-22 | 1995-11-02 | Commonwealth Of Australia | Model generation |
JP2014206382A (ja) * | 2013-04-10 | 2014-10-30 | 三菱電機株式会社 | 目標類識別装置 |
CN106443623A (zh) * | 2016-09-14 | 2017-02-22 | 电子科技大学 | 一种天波超视距雷达目标与电离层参数联合估计方法 |
CN107831482A (zh) * | 2017-11-13 | 2018-03-23 | 浙江大学 | 基于改进的自由搜索算法优化rbf神经网络的海杂波最优软测量仪表及方法 |
US20180340788A1 (en) * | 2015-10-19 | 2018-11-29 | Nokia Technologies Oy | A navigation apparatus and associated methods |
CN110826518A (zh) * | 2019-11-14 | 2020-02-21 | 中国地质科学院矿产资源研究所 | 一种遥感影像隐伏地质构造信息提取方法 |
CN112130138A (zh) * | 2020-07-06 | 2020-12-25 | 电子科技大学 | 一种超视距雷达的电离层相位污染校正方法 |
-
2021
- 2021-01-25 CN CN202110099701.5A patent/CN112946598B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0506327A2 (en) * | 1991-03-28 | 1992-09-30 | Texas Instruments Incorporated | A system and method for ranking and extracting salient contours for target recognition |
WO1995029412A1 (en) * | 1994-04-22 | 1995-11-02 | Commonwealth Of Australia | Model generation |
JP2014206382A (ja) * | 2013-04-10 | 2014-10-30 | 三菱電機株式会社 | 目標類識別装置 |
US20180340788A1 (en) * | 2015-10-19 | 2018-11-29 | Nokia Technologies Oy | A navigation apparatus and associated methods |
CN106443623A (zh) * | 2016-09-14 | 2017-02-22 | 电子科技大学 | 一种天波超视距雷达目标与电离层参数联合估计方法 |
CN107831482A (zh) * | 2017-11-13 | 2018-03-23 | 浙江大学 | 基于改进的自由搜索算法优化rbf神经网络的海杂波最优软测量仪表及方法 |
CN110826518A (zh) * | 2019-11-14 | 2020-02-21 | 中国地质科学院矿产资源研究所 | 一种遥感影像隐伏地质构造信息提取方法 |
CN112130138A (zh) * | 2020-07-06 | 2020-12-25 | 电子科技大学 | 一种超视距雷达的电离层相位污染校正方法 |
Non-Patent Citations (9)
Title |
---|
CAN LI ET AL.: "Sea/Land Clutter Recognition for Over-The-Horizon Radar via Deep CNN", 《2019 INTERNATIONAL CONFERENCE ON CONTROL, AUTOMATION AND INFORMATION SCIENCES (ICCAIS)》 * |
HUA LAN ET AL.: "Distributed ECM Algorithm for OTHR Multipath", 《IEEE JOURNAL OF SELECTED TOPICS IN SIGNAL PROCESSING》 * |
ZHEN GUO ET AL.: "OTHR multitarget tracking with a GMRF model of ionospheric parameters", 《SIGNAL PROCESSING》 * |
克拉萨文С.Ю等: "基于地海杂波分类的高频雷达监测区识别方法", 《现代雷达》 * |
关泽文等: "天波超视距雷达海杂波模型修正与特性分析", 《电子与信息学报》 * |
冯国彬等: "天波超视距雷达杂波属性判别方法研究", 《现代雷达》 * |
冯肖雪等: "基于前置接收机的天波超视距雷达回波", 《航空学报》 * |
王兆祎: "基于序贯正交波形体制的天波OTH 雷达多跳杂波抑制", 《现代雷达》 * |
靳珍璐等: "基于SVM的地海杂波多特征识别算法", 《第三十一届中国控制会议论文集C卷》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112946598B (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111028277B (zh) | 基于伪孪生卷积神经网络的sar和光学遥感图像配准方法 | |
CN106778605B (zh) | 导航数据辅助下的遥感影像道路网自动提取方法 | |
CN108846832B (zh) | 一种基于多时相遥感影像与gis数据的变化检测方法及系统 | |
Chen et al. | Iterative scale-invariant feature transform for remote sensing image registration | |
Unsalan et al. | Road network detection using probabilistic and graph theoretical methods | |
CN103034863B (zh) | 一种结合核Fisher与多尺度提取的遥感影像道路获取方法 | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN106503727B (zh) | 一种高光谱图像分类的方法及装置 | |
CN108021890B (zh) | 一种基于plsa和bow的高分遥感影像港口检测方法 | |
CN108830870A (zh) | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 | |
Zhang et al. | Road recognition from remote sensing imagery using incremental learning | |
CN104573744A (zh) | 精细粒度类别识别及物体的部分定位和特征提取方法 | |
CN105069811A (zh) | 一种多时相遥感图像变化检测方法 | |
CN110827332A (zh) | 一种基于卷积神经网络的sar图像的配准方法 | |
CN106324581B (zh) | 一种基于体元的机载lidar建筑物检测方法 | |
CN108428220A (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
CN105354841A (zh) | 一种快速遥感影像匹配方法及系统 | |
CN107507202A (zh) | 一种面向高分辨率遥感影像的植被环岛自动化提取方法 | |
CN113936214A (zh) | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 | |
CN103854290A (zh) | 一种结合骨架特征点和分布场描述子的扩展目标跟踪方法 | |
CN114240940B (zh) | 一种基于遥感影像的云及云阴影检测方法和装置 | |
CN108509835B (zh) | 基于DFIC超像素的PolSAR图像地物分类方法 | |
CN107292268A (zh) | 快速脊波反卷积结构学习模型的sar图像语义分割方法 | |
CN112946598B (zh) | 一种天波雷达电离层修正系数提取方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220816 |
|
CF01 | Termination of patent right due to non-payment of annual fee |