CN112965038B - 一种基于点迹数据和频谱特征的地面活动目标分类方法 - Google Patents
一种基于点迹数据和频谱特征的地面活动目标分类方法 Download PDFInfo
- Publication number
- CN112965038B CN112965038B CN202110140955.7A CN202110140955A CN112965038B CN 112965038 B CN112965038 B CN 112965038B CN 202110140955 A CN202110140955 A CN 202110140955A CN 112965038 B CN112965038 B CN 112965038B
- Authority
- CN
- China
- Prior art keywords
- target
- trace
- adopting
- frequency
- soft
- 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
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
- G01S7/415—Identification of targets based on measurements of movement associated with the target
-
- 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
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明涉及一种基于点迹数据和频谱特征的地面活动目标分类方法,将采集的窄带雷达探测的车辆和人体回波信号通过傅里叶变换转换为频率谱,将频域最大点作为目标的幅度特征,并利用频域最大点位置、雷达载频和波束驻留时间计算目标的径向速度,采用软阈值迭代法对频谱去噪和锐化处理,并结合盒维数法计算去噪后频谱的分形特征。采用软间隔的支持向量机构造超平面分类器;最后采用核密度估计方法将当前帧的点迹数据与上一帧的点迹数据做相关处理,将相关值作为判决的辅助信息,提高判决结果的可靠性。
Description
技术领域
本发明属于雷达信号处理领域,具体涉及一种基于点迹数据和频谱特征的地面活动目标分类方法,用于窄带雷达战场侦察模式下的地面活动目标分类。
背景技术
随着地面活动目标的类别多样化和战场环境的复杂化,雷达需要提供和获取更多的地面活动目标特征并提高识别目标类型的概率,以满足作战系统对获取非合作目标属性的需求。目前战场侦查雷达仍然以窄带雷达为主,研究基于窄带雷达数据的目标属性识别更具有实际意义。在窄带雷达探测地面活动目标场景下,非合作的单兵与车辆是战场侦察任务中需要重点探测的两种地面活动目标,传统对于单兵和车辆目标分类识别方法普遍根据两种目标的雷达散射横截面积(RCS)和速度差异作为分类的信息,车辆和单兵目标的RCS起伏一般被认为符合Swerling I模型,然而在1966年Swerling本人已指出Swerling模型难以详细描述目标的起伏行为,例如人的手臂和大腿的摆动车辆车轮或者履带的转动均会引起更加复杂的RCS起伏变化,而目标径向的速度会随着雷达观测角度的不同和目标自身的路径变化产生变化,例如当车辆在转弯过程中或者掉头时,径向速度有可能与单兵移动速度相同。所以需要从窄带雷达探测数据中提取新的目标特征作为车辆和人体目标分类的信息。文献【冀振元,李晨雷,唐文彦.支持向量机在车辆目标识别中的应用[J].系统工程与电子技术,2010,32(2):284-286.】提出了一种基于支持向量机车辆目标识别方法,将雷达接收的车辆目标回波转换到频域,从频谱中提取待分类目标信号的特征向量,然后采用支持向量机对目标信号进行训练和识别,采用实测数据验证了方法的有效性。文献[G.Stoveand S.R.Sykes.A Doppler-based automatic target classifier for a battlefieldsurveillance radar[C].RADAR 2002,Edinburgh,UK,2002,pp.419-423]提出采用雷达探测的径向速度将部分人与车辆目标分类,再采用归一化多普勒频谱形成特征向量,并利用层次Fisher线性判别法来分辨不同的类别,通过实测数据成功分类了轮式车辆、履带式车辆和人。但是上述两种方法都采用频谱幅度的特征向量作为的训练数据,提取的目标特征过于单一。其次层次Fisher线性判别法和支持向量机均为在特征空间中寻找最大间隔的监督学习方法,当特征空间的数据离散度较大或者雷达处理的数据出现异常时,此类方法的判决成功概率会降低。
发明内容
要解决的技术问题
为了解决现有目标分类方法中特征向量单一,从而导致其判决概率较低的技术问题。本发明提出了一种基于点迹数据和频谱特征的地面活动目标分类方法,提取车辆回波信号和人体回波信号幅度、径向多普勒和频域维的分形特征,采用软间隔的支持向量机在三维特征空间训练得到超平面分类器,采用核密度方法估计相关当前点迹与上一帧点迹的信息,提高识别和分类的可靠性。
技术方案
一种基于点迹数据和频谱特征的地面活动目标分类方法,其特征在于步骤如下:
步骤1:雷达接收到地面活动目标的时域信号s,根据公式(1)对其做傅里叶变换得到f:
f=Ws (1)
其中W是傅里叶变换的矩阵形式;
根据f计算目标的径向多普勒速度v=λfind(f=max(f))/2CPI,其中find(·)是搜索max(f)的频率,λ为雷达载频的波长,CPI为波束驻留时间;
根据f计算回波的幅度a=max(f);
步骤2:采用稀疏先验重构频率分布f,优化模型可以被表示为L1正则化模型,如公式(2)所示:
其中||·||1为1范数算子,G=WH是傅里叶逆变换的矩阵形式;
采用软阈值迭代算法求解公式(2),设置软阈值函数门限λ,采用软阈值函数迭代式重构频率分布f,直到本次迭代重构的频率分布与上一次迭代重构的频率分布相对误差小于阈值ξ,则输出本次迭代的频谱分布为去除噪声的目标频谱f0;所述的软阈值函数soft(·)如公式(3)所示:
soft(z,λ)=sign(z)max{0,|z|-λ} (3)
步骤3:采用盒维数法将去除噪声的目标频谱f0的幅度划分成M个等级的频谱f1,如公式(4)所示:
采用公式(5)计算分形特征D:其中l是盒子的边长,用边长为l的盒子覆盖空间以后,有些盒子里面是空的,N(l)是盒子不为空的数量,所以只要计算出不同边长对应盒子不为空的数量,并将logl和logN(l)拟合成一条直线,直线的斜率就是分形特征D:
步骤4:选取若干个训练集,利用步骤1~3得到的回波幅度a、径向多普勒速度v和分形特征D,这3个特征的归一化特征可以由一个三维特征空间表示,采用软间隔的支持向量机训练构造超平面作为分类器,将单兵与车辆目标的频谱实测数据输入到分类器中得到判决目标类型结果;
步骤5:采用核密度方法估计前后两帧点迹之间的相关性qj:
其中,d为当前点迹的径向距离,dj为上一帧点迹的径向距离,v为当前点迹的速度,vj为上一帧点迹的速度,σs、σv分别为速度和距离的标准差;
将相关性qj与判据阈值A进行比较:如果满足qj≥A对应的上一帧点迹的判决目标类型包括当前点迹的目标类型,则认为该判决结果为真;如果满足qj≥A对应的上一帧点迹的判决目标类型不包括当前点迹相同的目标类型,则认为该判决结果为假,选择max(qj)对应的目标类型为当前点迹的判决结果。
本发明技术方案更进一步的说:步骤3中的等级数M为256个。
本发明技术方案更进一步的说:步骤4中所述的若干个为50。
本发明技术方案更进一步的说:步骤5中参数A、的选取与两帧扫描的时间间隔有关,时间间隔越长/>越大,A越小。
有益效果
本发明提出的一种基于点迹数据和频谱特征的地面活动目标分类方法,将采集的窄带雷达探测的车辆和人体回波信号通过傅里叶变换转换为频率谱,将频域最大点作为目标的幅度特征,并利用频域最大点位置、雷达载频和波束驻留时间计算目标的径向速度,采用软阈值迭代法对频谱去噪和锐化处理,并结合盒维数法计算去噪后频谱的分形特征。采用软间隔的支持向量机构造超平面分类器;最后采用核密度估计方法将当前帧的点迹数据与上一帧的点迹数据做相关处理,将相关值作为判决的辅助信息,提高判决结果的可靠性。
采用软阈值迭代结合盒维数法计算车辆和人体目标频谱回波的分形特征,为目标分类提供了有效的信息。
采用核密度估计方法将当前帧的点迹数据与上一帧的点迹数据做相关处理,将相关值作为判决的辅助信息,提高判决结果的可靠性。
在窄带雷达探测车辆目标作战场景下,利用车辆目标和人体目标的实测信息作为训练和测试数据。结果表明,通过步骤3和步骤4即采用软阈值迭代法和盒维数法提取的人体和车辆目标的去噪频谱分形特征有明显差异(由图4所示),可以作为人车分类的一种重要特征;其次采用步骤5所述的核密度方法估计两帧点迹信息相关性作为辅助信息可以有效的提高了分类的正确率,相对于不采用辅助信息的原有方法提高了15%的分类正确率。
附图说明
图1是车辆目标频谱图
图2是人体目标频谱图
图3是软阈值迭代算法流程图
图4是车辆和人体目标频谱的分形特征
图5是三维特征空间超平面
图6是超平面分类的结果
图7是结合核密度估计相关的分类结果
具体实施方式
现结合实施例、附图对本发明作进一步描述:
本发明提出的基于点迹数据和频谱特征的地面活动目标分类方法包括下列步骤:
步骤一:雷达接收到的地面活动目标的时域信号s,由公式(1)所示对其做傅里叶变换得到f,其中W是傅里叶变换的矩阵形式,单兵目标频谱由图1所示,车辆目标频谱由图2所示。由此可以得到目标的径向多普勒速度v=λfind(f=max(f))/2CPI,其中find(·)是搜索max(f)的频率,其中λ为雷达载频的波长,CPI为波束驻留时间,回波的幅度为a=max(f)。
f=Ws (1)
步骤二:采用稀疏先验重构频率分布f,优化模型可以被表示为L1正则化模型,由公式(2)所示。其中||·||1为1范数算子,G=WH是傅里叶逆变换的矩阵形式,公式(2)的问题可以被软阈值迭代算法求解,求解流程由图3所示,软阈值函数soft(·)由公式(3)所示,ξ是相对误差阈值,设置软阈值函数门限λ,采用软阈值函数迭代式重构频率分布f,直到本次迭代重构的频率分布与上一次迭代重构的频率分布相对误差小于ξ,则输出本次迭代的频谱分布为去除噪声的目标频谱f0,由图1和图2所示。
soft(z,λ)=sign(z)max{0,|z|-λ} (3)
步骤三:采用盒维数法来提取目标稀疏去除噪声频谱的分形特征,为了便于盒维数的计算,将去除噪声的频谱f0的幅度划分成M=256等级由盒维数法得到,幅度划分成256个等级的频谱f1由公式(4)求得,其中分形特征D可以由公式(5)所示,其中l是盒子的边长,用边长为l的盒子覆盖空间以后,有些盒子里面是空的,N(l)是盒子不为空的数量,所以只要计算出不同边长对应盒子不为空的数量,并将logl和logN(l)拟合成一条直线,直线的斜率就是分形特征D。由图4所示车辆和单兵目标的频谱目标的分形特征,两种目标的分形特征有明显的差异。
步骤四:选取雷达接收到各50个单兵与车辆目标的频谱实测数据作为训练集,利用步骤一到步骤三得到各频谱的回波幅度a、径向多普勒速度v和分形特征D。50个目标的回波幅度、径向多普勒速度和分形特征的归一化三维特征可以由一个三维特征空间表示,由图5所示,其中·号代表车辆的特征,*号代表人体的特征,车辆的特征和人体的特征在特征空间有明显的差异性,将50个目标的三维特征作为训练数据,采用软间隔的支持向量机训练可以构造一个超平面作为分类器。再将另外50个单兵与车辆目标的频谱实测数据输入到分类器中得到判决目标类型结果如图6所示。通过多次验证得到人体和车辆目标分类正确的平均值在86%。
步骤五:利用两帧点迹信息提高识别概率,采用核密度方法估计前后两帧点迹之间的相关性qj,由公式(6)所示d为当前点迹的径向距离,dj为上一帧点迹的径向距离,v为当前点迹的速度,vj为上一帧点迹的速度,判据阈值为A,如果满足qj≥A对应的上一帧点迹的判决目标类型包括当前点迹的目标类型,则认为该判决结果为真,如果满足qj≥A对应的上一帧点迹的判决目标类型不包括当前点迹相同的目标类型,则认为该判决结果为假,选择max(qj)对应的目标类型为当前点迹的判决结果。其中A、参数的选取与两帧扫描的时间间隔有关,时间间隔越长/>越大,A越小,采用了该方法的单兵和车辆目标的分类结果如图7所示,结合该方法将部分速度较小的车辆目标正确的识别,提高了识别的可靠性。通过多次验证得到点迹信息相关的人体和车辆目标分类正确的平均值在91%。
Claims (4)
1.一种基于点迹数据和频谱特征的地面活动目标分类方法,其特征在于步骤如下:
步骤1:雷达接收到地面活动目标的时域信号s,根据公式(1)对其做傅里叶变换得到f:
f=Ws (1)
其中W是傅里叶变换的矩阵形式;
根据f计算目标的径向多普勒速度v=λfind(f=max(f))/2CPI,其中find(·)是搜索max(f)的频率,λ为雷达载频的波长,CPI为波束驻留时间;
根据f计算回波的幅度a=max(f);
步骤2:采用稀疏先验重构频率分布f,优化模型可以被表示为L1正则化模型,如公式(2)所示:
其中||·||1为1范数算子,G=WH是傅里叶逆变换的矩阵形式;
采用软阈值迭代算法求解公式(2),设置软阈值函数门限λ′,采用软阈值函数迭代式重构频率分布f,直到本次迭代重构的频率分布与上一次迭代重构的频率分布相对误差小于阈值ξ,则输出本次迭代的频谱分布为去除噪声的目标频谱f0;所述的软阈值函数soft(·)如公式(3)所示:
soft(z,λ′)=sign(z)max{0,|z|-λ′} (3)
步骤3:采用盒维数法将去除噪声的目标频谱f0的幅度划分成M个等级的频谱f1,如公式(4)所示:
采用公式(5)计算分形特征D:其中l是盒子的边长,用边长为l的盒子覆盖空间以后,有些盒子里面是空的,N(l)是盒子不为空的数量,所以只要计算出不同边长对应盒子不为空的数量,并将logl和logN(l)拟合成一条直线,直线的斜率就是分形特征D:
步骤4:选取若干个训练集,利用步骤1~3得到的回波幅度a、径向多普勒速度v和分形特征D,这3个特征的归一化特征可以由一个三维特征空间表示,采用软间隔的支持向量机训练构造超平面作为分类器,将单兵与车辆目标的频谱实测数据输入到分类器中得到判决目标类型结果;
步骤5:采用核密度方法估计前后两帧点迹之间的相关性qj:
其中,d为当前点迹的径向距离,dj为上一帧点迹的径向距离,vj为上一帧点迹的径向多普勒速度,σs、σv分别为速度和距离的标准差;
将相关性qj与判据阈值A进行比较:如果满足qj≥A对应的上一帧点迹的判决目标类型包括当前点迹的目标类型,则认为该判决结果为真;如果满足qj≥A对应的上一帧点迹的判决目标类型不包括当前点迹相同的目标类型,则认为该判决结果为假,选择max(qj)对应的目标类型为当前点迹的判决结果。
2.根据权利要求1所述的一种基于点迹数据和频谱特征的地面活动目标分类方法,其特征在于步骤3中的等级数M为256个。
3.根据权利要求1所述的一种基于点迹数据和频谱特征的地面活动目标分类方法,其特征在于步骤4中所述的若干个为50。
4.根据权利要求1所述的一种基于点迹数据和频谱特征的地面活动目标分类方法,其特征在于步骤5中参数A、的选取与两帧扫描的时间间隔有关,时间间隔越长越大,A越小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110140955.7A CN112965038B (zh) | 2021-02-02 | 2021-02-02 | 一种基于点迹数据和频谱特征的地面活动目标分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110140955.7A CN112965038B (zh) | 2021-02-02 | 2021-02-02 | 一种基于点迹数据和频谱特征的地面活动目标分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112965038A CN112965038A (zh) | 2021-06-15 |
CN112965038B true CN112965038B (zh) | 2023-07-21 |
Family
ID=76273264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110140955.7A Active CN112965038B (zh) | 2021-02-02 | 2021-02-02 | 一种基于点迹数据和频谱特征的地面活动目标分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112965038B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6573861B1 (en) * | 1987-10-28 | 2003-06-03 | Telefunken Systemtechnik Gmbh | Target classification method |
CN105044701A (zh) * | 2015-08-05 | 2015-11-11 | 西安电子科技大学 | 基于稳健性时频特征的地面目标分类方法 |
CN106597431A (zh) * | 2016-12-12 | 2017-04-26 | 西安电子工程研究所 | 基于Hough变换的地面静目标分类方法 |
CN108256488A (zh) * | 2018-01-19 | 2018-07-06 | 中国人民解放军陆军装甲兵学院 | 一种基于微多普勒特征提取和深度学习的雷达目标识别方法 |
CN108459311A (zh) * | 2018-03-22 | 2018-08-28 | 三明学院 | 基于Hough变换的卷积神经网络下微多普勒目标分类方法 |
CN109190673A (zh) * | 2018-08-03 | 2019-01-11 | 西安电子科技大学 | 基于随机森林和数据拒判的地面目标分类方法 |
CN109975780A (zh) * | 2019-04-17 | 2019-07-05 | 西安电子工程研究所 | 基于脉冲多普勒雷达时域回波的直升机型号识别算法 |
CN110554368A (zh) * | 2019-08-29 | 2019-12-10 | 北京理工大学 | 一种基于四维信息权重的人车识别方法 |
CN110940959A (zh) * | 2019-12-13 | 2020-03-31 | 中国电子科技集团公司第五十四研究所 | 一种用于低分辨雷达地面目标的人车分类识别方法 |
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0017989D0 (en) * | 2000-07-24 | 2001-08-08 | Secr Defence | Target recognition system |
WO2008094172A2 (en) * | 2006-06-01 | 2008-08-07 | University Of Florida Research Foundation, Inc. | Radar microsensor for detection, tracking, and classification |
-
2021
- 2021-02-02 CN CN202110140955.7A patent/CN112965038B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6573861B1 (en) * | 1987-10-28 | 2003-06-03 | Telefunken Systemtechnik Gmbh | Target classification method |
CN105044701A (zh) * | 2015-08-05 | 2015-11-11 | 西安电子科技大学 | 基于稳健性时频特征的地面目标分类方法 |
CN106597431A (zh) * | 2016-12-12 | 2017-04-26 | 西安电子工程研究所 | 基于Hough变换的地面静目标分类方法 |
CN108256488A (zh) * | 2018-01-19 | 2018-07-06 | 中国人民解放军陆军装甲兵学院 | 一种基于微多普勒特征提取和深度学习的雷达目标识别方法 |
CN108459311A (zh) * | 2018-03-22 | 2018-08-28 | 三明学院 | 基于Hough变换的卷积神经网络下微多普勒目标分类方法 |
CN109190673A (zh) * | 2018-08-03 | 2019-01-11 | 西安电子科技大学 | 基于随机森林和数据拒判的地面目标分类方法 |
CN109975780A (zh) * | 2019-04-17 | 2019-07-05 | 西安电子工程研究所 | 基于脉冲多普勒雷达时域回波的直升机型号识别算法 |
CN110554368A (zh) * | 2019-08-29 | 2019-12-10 | 北京理工大学 | 一种基于四维信息权重的人车识别方法 |
CN110940959A (zh) * | 2019-12-13 | 2020-03-31 | 中国电子科技集团公司第五十四研究所 | 一种用于低分辨雷达地面目标的人车分类识别方法 |
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 |
Non-Patent Citations (3)
Title |
---|
基于多普勒频谱的建筑物与植被场景分类技术;柴晓飞 等;火控雷达技术;第48卷(第1期);全文 * |
基于多维特征的雷达信号脉内调制识别技术;徐伟 等;太赫兹科学与电子信息学报;第16卷(第1期);全文 * |
基于预估-反馈联合处理的射频噪声干扰抑制算法;王国宏 等;航空学报;第39卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112965038A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778610B (zh) | 一种基于时频图像特征的脉内调制识别方法 | |
CN107728142B (zh) | 基于二维卷积网络的雷达高分辨距离像目标识别方法 | |
CN109917347B (zh) | 一种基于时频域稀疏重构的雷达行人检测方法 | |
Shao et al. | Deep fusion for radar jamming signal classification based on CNN | |
Liu et al. | Deep learning and recognition of radar jamming based on CNN | |
CN109901130B (zh) | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 | |
Scheiner et al. | Radar-based feature design and multiclass classification for road user recognition | |
CN112560803A (zh) | 基于时频分析与机器学习的雷达信号调制识别方法 | |
Lim et al. | Detection and localization of people inside vehicle using impulse radio ultra-wideband radar sensor | |
CN111401168B (zh) | 一种无人机的多层雷达特征提取与选择方法 | |
CN113640768A (zh) | 一种基于小波变换的低分辨雷达目标识别方法 | |
CN112213697B (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
CN112965038B (zh) | 一种基于点迹数据和频谱特征的地面活动目标分类方法 | |
CN111458688B (zh) | 一种基于三维卷积网络的雷达高分辨距离像目标识别方法 | |
CN108549076B (zh) | 一种基于速度节奏图的多种类无人机场景识别方法 | |
CN115061094A (zh) | 一种基于神经网络与svm的雷达目标识别方法 | |
CN113447901B (zh) | 一种不依赖概率模型的海杂波识别与目标检测方法 | |
Xiao et al. | Multi-target ISAR imaging based on image segmentation and short-time Fourier transform | |
Javed et al. | Automatic target classifier for a Ground Surveillance Radar using linear discriminant analysis and Logistic regression | |
CN113640767B (zh) | 一种基于方差的低分辨雷达目标识别方法 | |
Qiu et al. | Using ship radiated noise spectrum feature for data association in underwater target tracking | |
Sinha et al. | Spectral feature-based classification of wind profiler power spectra | |
Reichman et al. | gprHOG and the popularity of histogram of oriented gradients (HOG) for buried threat detection in ground-penetrating radar | |
Wu et al. | Classification of battlefield ground vehicles based on the acoustic emissions | |
CN113960587B (zh) | 基于类别信息反馈的毫米波雷达多目标跟踪方法 |
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 |