CN112946620B - 基于改进os-cfar检测与时频聚类的雷达目标微多普勒提取方法 - Google Patents
基于改进os-cfar检测与时频聚类的雷达目标微多普勒提取方法 Download PDFInfo
- Publication number
- CN112946620B CN112946620B CN202110093333.3A CN202110093333A CN112946620B CN 112946620 B CN112946620 B CN 112946620B CN 202110093333 A CN202110093333 A CN 202110093333A CN 112946620 B CN112946620 B CN 112946620B
- Authority
- CN
- China
- Prior art keywords
- frequency
- time
- micro
- cluster
- doppler
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000000605 extraction Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000002592 echocardiography Methods 0.000 claims abstract description 5
- 238000010586 diagram Methods 0.000 claims description 12
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 230000008707 rearrangement Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000002245 particle Substances 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
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达信号处理领域，涉及一种基于OS‑CFAR与时频聚类的雷达目标微多普勒提取方法，该方法在获取雷达目标回波的时频图后，基于改进OS‑CFAR检测方法提取每个时刻的微多普勒分量，进行一维时频聚类；然后，联合所有时刻的微多普勒分量，进行二维时频聚类；最后，对聚类结果进行统计，根据统计属性去除无效的微多普勒分量，得到最终的目标微多普勒提取结果。有益效果如下：本发明能够实现多分量微多普勒提取，能够处理有噪声的雷达目标回波，能够作为进一步估计微动参数的有效依据，相比原有OS‑CFAR检测算法运行时间节约50％以上。
Description
技术领域
本发明属于雷达信号处理领域，涉及一种基于改进有序统计量恒虚警检测(ordered statistic-constant false alarm rate，OS-CFAR)与时频聚类的雷达目标微多普勒提取方法。
背景技术
雷达目标的运动产生多普勒。不同的运动方式将产生具有不同变化特性的多普勒。特别地，当雷达目标具有微动时，雷达回波将具有微多普勒效应，即受到时变的频率调制。目标的微动包括振动、转动、进动等往复性运动。目标的微多普勒包含了目标的独特运动信息，可用作辨识目标的有效特征。例如，不同类型的飞机具有不同的旋翼半径和旋翼转速，通过获取目标微多普勒能够反向计算飞机的旋翼转速和半径，从而实现飞机类型的判断。
微动目标的雷达回波为典型的多分量非平稳信号，表现为具有多个不同的随时间变化的微多普勒分量。短时傅里叶变换等时频分析工具能够获取雷达回波的联合时间-频率分布，是分析目标微多普勒的主要数学工具之一。获取时频分布图后，可使用图像曲线检测方法提取目标微多普勒。针对雷达目标微多普勒提取，对比文件“陈行勇，刘永祥，黎湘等.雷达目标微多普勒特征提取.信号处理[J]，2007,23(2)：222-226”提出基于峰值检测和一阶条件矩的方法，该方法具有实现简单、计算量小等优势，被广泛使用，然而该方法受噪声影响较大，容易产生错误的估计值。
发明内容
针对噪声条件下的雷达目标微多普勒提取问题，本发明提出一种基于改进OS-CFAR检测与时频聚类的雷达目标微多普勒提取方法，该方法在获取雷达目标回波的时频图后，基于改进OS-CFAR检测方法提取每个时刻的微多普勒分量，进行一维时频聚类；然后，联合所有时刻的微多普勒分量，进行二维时频聚类；最后，对聚类结果进行统计，根据统计属性去除无效的微多普勒分量，得到最终的目标微多普勒提取结果。
为达到上述目的，本发明是通过以下技术方案实现的：
一种基于改进OS-CFAR检测与时频聚类的雷达目标微多普勒提取方法，包括下列步骤：
S1计算微动目标雷达回波的时频图
记微动目标的雷达回波为s(n)，信号的采样时间间隔为ΔT，其中0≤n＜N表示信号的离散时间，N为信号的长度，NΔT即为信号的持续时间。微动目标的雷达回波s(n)可表示为：
其中，
为微动目标回波的第i个分量信号，简称为第i个分量信号，1≤i≤L，L为分量信号数目，ai(n)为第i个分量信号的瞬时幅度，
为第i个分量信号的瞬时相位。第i个分量信号的微多普勒fi(n)定义为
的导数的
即
使用短时傅里叶变换获取微动目标雷达回波的时频图：
其中h(m)为时间窗函数，m表示时间窗函数的时间，0≤m＜Nh，Nh为窗函数长度，Nf为离散傅里叶变换的点数，k＝0,1,…,Nf-1表示离散频率。窗函数长度Nh的取值一般可设置为10到
之间的整数；此处采用长度为65的汉明窗作为时间窗函数，有
S2使用改进OS-CFAR检测方法提取每个时刻的微多普勒，步骤如下：
S2.1定义集合Ft(n)为n时刻提取的微多普勒分量，初始化为空集，即设
S2.2获取n时刻的时频图幅度切片，记为Ts(k)＝|ρ(n,k)|，其中|ρ(n,k)|为n时刻的时频图幅度；对Ts(k)按照从小到大的顺序排列，记重新排列后的时频图幅度切片为
0≤l＜Nf，l为索引；定义重排索引数组I(k)为原时频图幅度切片Ts(k)在
中的顺序；定义k′为离散频率k的循环变量，首先设置k′＝0；
S2.3获取k′处的保护频率单元，使用集合G表示，G由min{0,k′-Ng}到max{Nf-1，k′+Ng}之间的整数组成，其中min和max分别表示最小值和最大值运算，Ng为保护单元宽度；Ng为大于1的整数，通常将其设置为时频图主瓣宽度Nlobe的1/2左右；时频图的主瓣宽度近似为
S2.4获取保护频率单元集合的重排索引，记为IG(p)；IG(p)可通过将G中的每个频率单元代入I(k)获得：IG(p)＝I(k)|k＝p，p∈G；
S2.5按照从小到大的顺序排列IG(p)，记排序后的值为Ig′(q)，1≤q≤|G|，其中|G|为集合G的元素数量；
S2.6获取时频图切片关键点顺序Ikey(q)：Ikey(q)＝Ig′(q)-q，1≤q≤|G|；
S2.7计算检测门限Δt在时频图幅度切片对应的顺序Nt：Nt＝[(N-|G|)×0.9]；其中，检测门限Δt定义为从
去除保护频率单元对应的时频幅度值后，排序为Nt的时频幅度值；
S2.8计算检测门限索引it：将Nt与Ikey(q)中的每个值进行比较，若Nt小于等于Ikey(q)中的所有值，则有it＝Nt；否则，找出Ikey(q)中大于Nt的最后一个值对应的索引，记为iloc，有
S2.9计算检测门限Δt：
S2.10检测k′处有无微多普勒分量，检测公式为Ts(k)|k＝k′＞Δt，若上述公式成立，则将频率k′和时频幅度值Ts(k)|k＝k′更新到微多普勒分量集合Ft(n)；更新规则为Ft(n)＝Ft(n)∪(k′，Ts(k)|k＝k′)；在后续过程中，为了方便起见，使用(kq,Ts(kq))表示Ft(n)中的第q个微多普勒分量，1≤q≤|Ft(n)|，其中|Ft(n)|为Ft(n)的元素数量；
S2.11设置离散频率k的循环变量k′的值加1，重复S2.3-S2.10，直到k′＝Nf-1；经过上述处理步骤，可获得所有时刻的微多普勒分量Ft(n)；
S3对每个时刻提取的微多普勒分量进行一维时频聚类，定义一维时频簇中心集合Fc为一维时频聚类得到的簇中心，初始化为空集：
对0≤n＜N，执行如下步骤：
S3.1以频率差值作为一维时频聚类的距离度量，计算集合Ft(n)所有微多普勒分量之间的距离：
kp-kq
其中，kp和kq分别代表Ft(n)的第p个和q个微多普勒分量的频率；
S3.2将距离小于频率距离阈值Δf，即kp-kq＜Δf的微多普勒分量归为一簇，记第i个簇为ci(n)，1≤i≤Nc(n)，Nc(n)为一维时频簇的数量；Δf通常取为Nlobe附近的整数；
S3.3计算每个簇的元素数量，第i个簇ci(n)的元素数量记为|ci(n)|；
S3.4选取每个簇中时频幅度值最大的微多普勒分量作为簇中心，第i个簇ci(n)的簇中心记为pi(n)＝(n，k′i)，k′i表示该簇中心的频率；将所有的簇中心及其元素数量更新到一维时频簇中心集合Fc；更新规则为
在后续过程中，为了方便起见，使用(nq,vq,lq)表示Fc中的第q个一维时频簇中心，nq,vq,lq分别表示该一维时频簇中心的时间、频率和其所在的簇元素数量，1≤q≤|Fc|，其中|Fc|为Fc的元素数量；
S4对一维时频簇中心集合Fc进行二维时频聚类，具体步骤为：
S4.1计算所有一维时频簇中心之间的距离：
其中，dt为时间距离，df为频率距离，np和nq分别代表Fc的第p个和q个一维时频簇中心的时间；vp和vq分别代表Fc的第p个和q个一维时频簇中心的频率；
S4.2将同时满足dt＜Δt和df＜Δf两个条件的一维时频簇中心归为同一个二维时频簇，其中，Δt为时间距离阈值，Δt通常设置于1到10的整数，考虑到算法提取微多普勒分量的容错性，可设置Δt＝5；记第i个二维时频簇为cci，1≤i≤Ncc，Ncc为二维时频簇的数量。
S5获取每个二维时频簇关联的微多普勒分量数目，定义第i个二维时频簇关联的微多普勒分量数目为Ni：
其中|cci|为该簇的元素数量。
S6根据关联的微多普勒分量数目去除无效二维时频簇，记无效二维时频簇为
1≤i≤Nd，Nd为无效二维时频簇的数量；无效二维时频簇的判断规则为Ni＜r×N，其中r为比例因子，可取为0.2到1之间的小数，例如r＝0.585。
S7根据无效二维时频簇更新一维时频簇中心集合，对第i个二维时频簇
删除一维时频簇中心集合中属于该簇的一维时频簇中心，得到更新后的一维时频簇中心
S8将更新后的一维时频簇中心
作为雷达目标微多普勒提取值。
与现有技术相比，本发明的有益效果如下：
第一，本发明提供的基于改进OS-CFAR检测与时频聚类的雷达目标微多普勒提取方法能够实现多分量微多普勒提取；
第二，本发明提供的基于改进OS-CFAR检测与时频聚类的雷达目标微多普勒提取方法能够处理有噪声的雷达目标回波；
第三，本发明提供的基于改进OS-CFAR检测与时频聚类的雷达目标微多普勒提取方法能够作为进一步估计微动参数的有效依据，如基于提取的微多普勒进一步估计微动幅度、微动周期等具有重要作用的微动参数；
第四，本发明提供的改进OS-CFAR检测算法相比原有OS-CFAR检测算法运行时间节约50％以上。
附图说明
图1雷达目标微多普勒提取流程图；
图2改进OS-CFAR方法流程图；
图3雷达目标微多普勒提取的处理结果：(a)雷达目标回波时频图，(b)改进OS-CFAR检测结果，(c)一维时频聚类得到的簇中心,(d)雷达目标微多普勒提取值。
图4改进OS-CFAR方法和原有OS-CFAR方法的运行时间截图。
具体实施方式
下面结合附图对本发明做进一步说明：
图1为本发明提出的雷达目标微多普勒提取流程图。处理流程包括：(1)计算微动目标雷达回波的时频图；(2)使用改进OS-CFAR检测方法提取每个时刻的微多普勒；(3)对每个时刻提取的微多普勒分量进行一维时频聚类；(4)对一维时频簇中心集合进行二维时频聚类；(5)获取每个二维时频簇关联的微多普勒分量数目；(6)根据关联的微多普勒分量数目去除无效二维时频簇；(7)根据无效二维时频簇更新一维时频簇中心集合；(8)将一维簇中心作为雷达目标微多普勒提取值。
图2为改进OS-CFAR方法流程图。处理流程包括：(1)初始化微多普勒分量集合为空集，设置k′＝0；(2)获取时频图幅度切片，并重新排列；(3)获取k′处的保护频率单元集合；(4)获取保护频率单元集合的重排索引，记为IG(p)；(5)按照从小到大的顺序排IG(p)；(6)获取时频图切片关键点顺序；(7)计算检测门限在时频图幅度切片对应的顺序；(8)计算检测门限索引；(9)获取检测门限；(10)检测k′处有无微多普勒分量，检测结果更新到微多普勒分量集合；(11)设置离散频率k的循环变量k′的值加1，重复(2)-(10)直到k′＝Nf-1；经过上述处理步骤，可获得所有时刻的微多普勒分量Ft(n),0≤n＜N。
图3为雷达目标微多普勒提取的处理结果，从图(a)中可以看到，雷达目标回波时频图包含了噪声和目标分量；从图(b)中可看到，由于噪声的存在，改进OS-CFAR检测得到的微多普勒分量同时混合了部分噪声分量，需要进一步处理；图(c)中为一维时频聚类得到的簇中心，该步骤将每个时刻相邻的微多普勒分量聚集在一起，有利于进一步处理，本发明专利提出的方法也以簇中心作为微多普勒提取的依据；从图(d)可看到经过二维时频聚类及去除无效微多普勒分量后得到的雷达目标微多普勒提取值，该方法成功提取了雷达目标的两个微多普勒分量，且噪声的影响被去除。
图4为改进OS-CFAR方法和OS-CFAR方法的运行时间截图，两个方法各运行1000次，改进OS-CFAR方法的运行时间为1.473833s,OS-CFAR方法的运行时间为3.527983s，通过对比，本发明专利提出的改进OS-CFAR方法相比原有方法运行效率提升2倍以上。
Claims (10)
1.一种基于改进OS-CFAR检测与时频聚类的雷达目标微多普勒提取方法，其特征在于，该方法包括下列步骤：
S1计算微动目标雷达回波的时频图
记微动目标的雷达回波为s(n)，信号的采样时间间隔为ΔT，其中0≤n＜N表示信号的离散时间，N为信号的长度，NΔT即为信号的持续时间；微动目标的雷达回波s(n)可表示为：
其中，
为微动目标回波的第i个分量信号，简称为第i个分量信号，1≤i≤L，L为分量信号数目，ai(n)为第i个分量信号的瞬时幅度，
为第i个分量信号的瞬时相位；第i个分量信号的微多普勒fi(n)定义为
的导数的
即
使用短时傅里叶变换获取微动目标雷达回波的时频图：
其中h(m)为时间窗函数，m表示时间窗函数的时间，0≤m＜Nh，Nh为窗函数长度，Nf为离散傅里叶变换的点数，k＝0,1,…,Nf-1表示离散频率；
S2使用改进OS-CFAR检测方法提取每个时刻的微多普勒，步骤如下：
S2.1定义集合Ft(n)为n时刻提取的微多普勒分量，初始化为空集，即设
S2.2获取n时刻的时频图幅度切片，记为Ts(k)＝|ρ(n,k)|，其中|ρ(n,k)|为n时刻的时频图幅度；对Ts(k)按照从小到大的顺序排列，记重新排列后的时频图幅度切片为
0≤l＜Nf，l为索引；定义重排索引数组I(k)为原时频图幅度切片Ts(k)在
中的顺序；定义k′为离散频率k的循环变量，首先设置k′＝0；
S2.3获取k′处的保护频率单元，使用集合G表示，G由min{0,k′-Ng}到max{Nf-1，k′+Ng}之间的整数组成，其中min和max分别表示最小值和最大值运算，Ng为保护单元宽度；时频图的主瓣宽度近似为
S2.4获取保护频率单元集合的重排索引，记为IG(p)；IG(p)可通过将G中的每个频率单元代入I(k)获得：IG(p)＝I(k)|k＝p，p∈G；
S2.5按照从小到大的顺序排列IG(p)，记排序后的值为Ig′(q)，1≤q≤|G|，其中|G|为集合G的元素数量；
S2.6获取时频图切片关键点顺序Ikey(q)：Ikey(q)＝Ig′(q)-q，1≤q≤|G|；
S2.7计算检测门限Δt在时频图幅度切片对应的顺序Nt：Nt＝[(N-|G|)×0.9]；其中，检测门限Δt定义为从
去除保护频率单元对应的时频幅度值后，排序为Nt的时频幅度值；
S2.8计算检测门限索引it：将Nt与Ikey(q)中的每个值进行比较，若Nt小于等于Ikey(q)中的所有值，则有it＝Nt；否则，找出Ikey(q)中大于Nt的最后一个值对应的索引，记为iloc，有
S2.9计算检测门限Δt：
S2.10检测k′处有无微多普勒分量，检测公式为Ts(k)|k＝k′＞Δt，若上述公式成立，则将频率k′和时频幅度值Ts(k)|k＝k′更新到微多普勒分量集合Ft(n)；更新规则为Ft(n)＝Ft(n)∪(k′，Ts(k)|k＝k′)；在后续过程中，为了方便起见，使用(kq,Ts(kq))表示Ft(n)中的第q个微多普勒分量，1≤q≤|Ft(n)|，其中|Ft(n)|为Ft(n)的元素数量；
S2.11设置离散频率k的循环变量k′的值加1，重复S2.3-S2.10，直到k′＝Nf-1；经过上述处理步骤，可获得所有时刻的微多普勒分量Ft(n)；
S3对每个时刻提取的微多普勒分量进行一维时频聚类，定义一维时频簇中心集合Fc为一维时频聚类得到的簇中心，初始化为空集：
对0≤n＜N，执行如下步骤：
S3.1以频率差值作为一维时频聚类的距离度量，计算集合Ft(n)所有微多普勒分量之间的距离：
kp-kq
其中，kp和kq分别代表Ft(n)的第p个和q个微多普勒分量的频率；
S3.2将距离小于频率距离阈值Δf，即kp-kq＜Δf的微多普勒分量归为一簇，记第i个簇为ci(n)，1≤i≤Nc(n)，Nc(n)为一维时频簇的数量；
S3.3计算每个簇的元素数量，第i个簇ci(n)的元素数量记为|ci(n)|；
S3.4选取每个簇中时频幅度值最大的微多普勒分量作为簇中心，第i个簇ci(n)的簇中心记为pi(n)＝(n，k′i)，k′i表示该簇中心的频率；将所有的簇中心及其元素数量更新到一维时频簇中心集合Fc；更新规则为
在后续过程中，为了方便起见，使用(nq,vq,lq)表示Fc中的第q个一维时频簇中心，nq,vq,lq分别表示该一维时频簇中心的时间、频率和其所在的簇元素数量，1≤q≤|Fc|，其中|Fc|为Fc的元素数量；
S4对一维时频簇中心集合Fc进行二维时频聚类，具体步骤为：
S4.1计算所有一维时频簇中心之间的距离：
其中，dt为时间距离，df为频率距离，np和nq分别代表Fc的第p个和q个一维时频簇中心的时间；vp和vq分别代表Fc的第p个和q个一维时频簇中心的频率；
S4.2将同时满足dt＜Δt和df＜Δf两个条件的一维时频簇中心归为同一个二维时频簇，其中，Δt为时间距离阈值；记第i个二维时频簇为cci，1≤i≤Ncc，Ncc为二维时频簇的数量；
S5获取每个二维时频簇关联的微多普勒分量数目，定义第i个二维时频簇关联的微多普勒分量数目为Ni：
其中|cci|为该簇的元素数量；
S6根据关联的微多普勒分量数目去除无效二维时频簇，记无效二维时频簇为
1≤i≤Nd，Nd为无效二维时频簇的数量；无效二维时频簇的判断规则为Ni＜r×N；
S7根据无效二维时频簇更新一维时频簇中心集合，对第i个二维时频簇
删除一维时频簇中心集合中属于该簇的一维时频簇中心，得到更新后的一维时频簇中心
S8将更新后的一维时频簇中心
作为雷达目标微多普勒提取值。
2.一种根据权利要求1所述基于改进OS-CFAR检测与时频聚类的雷达目标微多普勒提取方法，其特征在于：窗函数长度Nh设置为10到
之间的整数。
3.一种根据权利要求1或2所述基于改进OS-CFAR检测与时频聚类的雷达目标微多普勒提取方法，其特征在于：采用长度为65的汉明窗作为时间窗函数，有
4.一种根据权利要求1所述基于改进OS-CFAR检测与时频聚类的雷达目标微多普勒提取方法，其特征在于：Ng为大于1的整数。
5.一种根据权利要求4所述基于改进OS-CFAR检测与时频聚类的雷达目标微多普勒提取方法，其特征在于：Ng为时频图主瓣宽度Nlobe的1/2。
6.一种根据权利要求1所述基于改进OS-CFAR检测与时频聚类的雷达目标微多普勒提取方法，其特征在于：Δf为Nlobe附近的整数。
7.一种根据权利要求1所述基于改进OS-CFAR检测与时频聚类的雷达目标微多普勒提取方法，其特征在于：时间距离阈值Δt设置为1到10的整数。
8.一种根据权利要求7所述基于改进OS-CFAR检测与时频聚类的雷达目标微多普勒提取方法，其特征在于：时间距离阈值Δt＝5。
9.一种根据权利要求1所述基于改进OS-CFAR检测与时频聚类的雷达目标微多普勒提取方法，其特征在于：比例因子r为0.2到1之间的小数。
10.一种根据权利要求9所述基于改进OS-CFAR检测与时频聚类的雷达目标微多普勒提取方法，其特征在于：比例因子r＝0.585。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110093333.3A CN112946620B (zh) | 2021-01-19 | 2021-01-19 | 基于改进os-cfar检测与时频聚类的雷达目标微多普勒提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110093333.3A CN112946620B (zh) | 2021-01-19 | 2021-01-19 | 基于改进os-cfar检测与时频聚类的雷达目标微多普勒提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112946620A CN112946620A (zh) | 2021-06-11 |
| CN112946620B true CN112946620B (zh) | 2021-09-03 |
Family
ID=76236193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110093333.3A Active CN112946620B (zh) | 2021-01-19 | 2021-01-19 | 基于改进os-cfar检测与时频聚类的雷达目标微多普勒提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112946620B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016008852A (ja) * | 2014-06-23 | 2016-01-18 | 株式会社東芝 | ドップラレーダ装置及びそのレーダ信号処理方法 |
| CN106383349A (zh) * | 2016-08-31 | 2017-02-08 | 贵州省江口县气象局 | 一种基于x波段多普勒雷达降水估测系统及方法 |
| CN106855941A (zh) * | 2016-12-09 | 2017-06-16 | 清华大学 | 基于雷达微多普勒信号稀疏优化的手势识别方法及系统 |
| CN109283507A (zh) * | 2018-12-03 | 2019-01-29 | 北京遥感设备研究所 | 一种基于时频域特征的雷达目标识别方法及系统 |
| CN111337914A (zh) * | 2018-12-18 | 2020-06-26 | 恩智浦美国有限公司 | 经过扩展的多普勒fmcw码分mimo雷达 |
| CN112068120A (zh) * | 2020-08-29 | 2020-12-11 | 西安电子工程研究所 | 基于二维傅里叶变换的微多普勒时频平面单兵小分队识别方法 |
-
2021
- 2021-01-19 CN CN202110093333.3A patent/CN112946620B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016008852A (ja) * | 2014-06-23 | 2016-01-18 | 株式会社東芝 | ドップラレーダ装置及びそのレーダ信号処理方法 |
| CN106383349A (zh) * | 2016-08-31 | 2017-02-08 | 贵州省江口县气象局 | 一种基于x波段多普勒雷达降水估测系统及方法 |
| CN106855941A (zh) * | 2016-12-09 | 2017-06-16 | 清华大学 | 基于雷达微多普勒信号稀疏优化的手势识别方法及系统 |
| CN109283507A (zh) * | 2018-12-03 | 2019-01-29 | 北京遥感设备研究所 | 一种基于时频域特征的雷达目标识别方法及系统 |
| CN111337914A (zh) * | 2018-12-18 | 2020-06-26 | 恩智浦美国有限公司 | 经过扩展的多普勒fmcw码分mimo雷达 |
| CN112068120A (zh) * | 2020-08-29 | 2020-12-11 | 西安电子工程研究所 | 基于二维傅里叶变换的微多普勒时频平面单兵小分队识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112946620A (zh) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109975780B (zh) | 基于脉冲多普勒雷达时域回波的直升机型号识别算法 | |
| CN109707615B (zh) | 基于精细多重分形的往复压缩机故障诊断方法 | |
| US6573861B1 (en) | Target classification method | |
| CN105971901A (zh) | 一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法 | |
| Guo et al. | Recognition of radar emitter signals based on SVD and AF main ridge slice | |
| Zhou et al. | Micro-Doppler curves extraction and parameters estimation for cone-shaped target with occlusion effect | |
| CN108760327A (zh) | 一种航空发动机转子故障的诊断方法 | |
| CN111190157B (zh) | 一种ipix雷达回波数据时频分析方法及系统 | |
| CN110133600A (zh) | 一种直升机旋翼物理参数提取方法 | |
| CN110852201A (zh) | 一种基于多脉冲包络谱匹配的脉冲信号检测方法 | |
| CN113177537B (zh) | 一种旋转机械设备的故障诊断方法及系统 | |
| De Seixas et al. | Preprocessing passive sonar signals for neural classification | |
| CN111722188A (zh) | 基于stft预分选的pri变换雷达信号分选方法 | |
| Huang et al. | A practical fundamental frequency extraction algorithm for motion parameters estimation of moving targets | |
| CN112946620B (zh) | 基于改进os-cfar检测与时频聚类的雷达目标微多普勒提取方法 | |
| Yang et al. | Automatic algorithm for estimating the jet engine blade number from the radar target signature of aircraft targets | |
| Lei et al. | Compressed sensing multiscale sample entropy feature extraction method for underwater target radiation noise | |
| CN110658506A (zh) | 一种基于角度聚类和多普勒分析的微多普勒杂波滤除方法 | |
| CN106156737A (zh) | 基于二维空间的时间序列样本熵的计算方法及系统 | |
| CN113887450B (zh) | 基于调制谱特征的水中目标在线筛选方法 | |
| Nguyen et al. | Improving Human Activity Classification Based on Micro-Doppler Signatures Separation of FMCW Radar | |
| CN113901863A (zh) | 基于加权组稀疏贝叶斯学习的人体活动分类方法 | |
| CN112924944B (zh) | 一种基于时频谱熵估计的车辆目标微动信号抑制方法 | |
| Fu et al. | A systematic method for isolating, tracking and discriminating time-frequency components of bat echolocation calls | |
| Dash et al. | Multistatic radar emitter identification using entropy maximization based independent component analysis |
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 |