CN113177097B - 一种基于属性聚类与时空约束的航迹起始判别方法 - Google Patents
一种基于属性聚类与时空约束的航迹起始判别方法 Download PDFInfo
- Publication number
- CN113177097B CN113177097B CN202110411336.7A CN202110411336A CN113177097B CN 113177097 B CN113177097 B CN 113177097B CN 202110411336 A CN202110411336 A CN 202110411336A CN 113177097 B CN113177097 B CN 113177097B
- Authority
- CN
- China
- Prior art keywords
- cluster
- electronic information
- target electronic
- similarity
- signal
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于属性聚类与时空约束的航迹起始判别方法,包括:根据目标电子信息的属性信息值相似度,采用K‑Means动态聚类方法对全部所述目标电子信息进行聚类;根据时空约束关系,对每类所述目标电子信息进行航迹关联,得到多条航迹。适用于天基电子信号的航迹起始判断;在进行航迹起始判别时同时使用了电子信息的时空信息与属性信息,先针对属性信息进行层次聚类,然后根据时空约束条件进行类内关联,剔除了虚警点的同时,增加了航迹起始判别的速率和准确度。
Description
技术领域
本发明属于海洋监视方法技术领域,涉及一种基于属性聚类与时空约束的航迹起始判别方法。
背景技术
海上目标监测主要基于电子侦察卫星和成像遥感探测卫星。电子侦察卫星素有“顺风耳”之称,基于搜索、截获辐射源的电磁信号在广袤的海域内发现并识别目标,具有覆盖面积大、全天候监测及不受气候影响的优势,但却受限于定位精度低、噪音多、误差大,且星上电磁信号探测装备为一种无源传感器,其观测数据呈现为随机性与断续性。
卫星电子信息直接给出了目标的经纬度信息,但其观测数据呈现稠密航迹分布,某一时间段内可能对同一目标产生多个观测,并且观测结果中常常夹杂大量的虚警难以消除,因此基于卫星电子信息的舰船目标位置信息提取可转化为一个舰船目标的航迹起始问题,即从包含虚警的连续观测数据中检测出舰船目标航迹。
目前航迹起始大致可以分为顺序处理技术和批处理技术两大类。其中第一类方法是利用目标运动状态的机动限制条件作为“点-点”关联的参考依据,适用于相对较弱杂波背景中的目标航迹起始,在密集多杂波情况下,如果判断不当或算法选择不当,将会引发较高的虚警率或漏检率。具有代表性的有基于启发式规则的方法、基于逻辑规则的方法及其改进方法等。第二类方法是将时间积累后的点迹从空域变换到参数域,而后利用聚类方法提取特定轨道参数的曲线作为航迹起始结果,适用于杂波较多、实时性要求较低的离线场合情况下的航迹起始。具有代表性的有基于Hough变换的方法及其改进方法。且由于上述两种方法均基于有源探测装备周期性扫描获取的连续数据,并不适用于天基电子信息。
发明内容
本发明的目的是提供一种基于属性聚类与时空约束的航迹起始判别方法,解决了现有技术中存在的航迹判断准确率低问题。
本发明所采用的技术方案是,一种基于属性聚类与时空约束的航迹起始判别方法,包括:根据目标电子信息的属性信息值相似度,采用K-Means动态聚类方法对全部所述目标电子信息进行聚类;根据时空约束关系,对每类所述目标电子信息进行航迹关联,得到多条航迹。
本发明的特点还在于:
包括以下步骤:
步骤1、循环计算全部目标电子信息的属性信息值相似度,并设置相似度度量条件,按照是否满足相似度度量条件将目标电子信息聚类为N个簇;
步骤2、根据步骤1得到的任意两个簇的簇点之间的相似度、其中一个簇的簇点与另一个簇的所有目标电子信息的属性信息值之间的相似度,对簇进行聚类得到M个不同的簇;
步骤3、对步骤2得到的每个簇中的目标电子信息按照时间递增顺序进行排序,根据每个簇中目标电子信息之间的速度特性、角度特性进行匹配,得到n条航迹。
在步骤1之前,对每个目标电子信息的属性信息值进行Z-score标准化处理:
上式中,Y表示初始字段值,mean(Y)表示初始字段值的均值,SN(Y)表示初始字段值的标准差。
步骤1具体包括以下步骤:
步骤1.1、随机选取一个目标电子信息作为初始簇点,分别计算当前目标电子信息的属性信息值与其余目标电子信息的相似度;以相似度大于等于相似度度量阈值α作为相似度度量条件,将满足相似度度量条件的目标电子信息作为一簇,其余目标电子信息分别作为一个单独的簇;
步骤1.2、重复步骤1.1,直至循环所有目标电子信息,得到N个簇。
步骤1中相似度通过夹角余弦相似度度量方法计算:
上式中,表示第i个信号的第k个分量,xjk表示第j个信号的第k个分量s为相似度。
步骤2中利用每个簇中目标电子信息的属性信息值的均值作为簇点。
步骤2具体包括以下步骤:
步骤2.1、计算步骤1得到的所有簇的簇点之间的相似度;
步骤2.2、判断任意两个簇N1、N2的簇点之间的相似度满足相似度度量条件;
步骤2.3、若满足,判断簇N1中的所有目标电子信息的属性信息值与簇N2的簇点之间的相似度、簇N2中的所有目标电子信息的属性信息值与簇N1的簇点之间的相似度是否同时满足相似度度量条件;否则重复步骤2.2;
步骤2.4、若满足,将两个簇N1、N2合并为同一个簇,否则不合并;
步骤2.5、判断每次合并簇之后的聚类数量、簇点是否与合并前相同,如果相同,则聚类结束;否则重复步骤2.2-2.5,得到的M个不同的簇。
步骤3具体包括以下步骤:
步骤3.1、对步骤2得到的每个簇中的目标电子信息按照时间递增顺序进行排序;
步骤3.2、根据每个目标电子信息的位置属性,依次计算每个簇中的相邻两个目标电子信息之间的速度特性、角度特性;判断其是否满足速度约束条件,若满足,则确认为点与点之间的轨迹;若不满足,将上述两个目标电子信息分别与簇内其余目标电子信息进行匹配,直至满足速度约束条件,否则判定为孤点或新航迹起始点,得到多条点与点之间的轨迹;
步骤3.3、将速度特性、角度特性相似度最高的轨迹进行连接,并将初始点确认为航迹起始点,得到n条航迹;
速度公式如下;
上式中,v表示第j个信号运动到第i个信号的平均速度,latxi表示第i个信号的纬度,latxj表示第j个信号的纬度,lngxi表示第i个信号的经度,lngxj表示第j个信号的经度,R表示地球半径,txi表示第i个信号的时间,txj表示第j个信号的时间;
角度公式如下:
θ表示从第j个信号到第i个信号的航向角;latxi表示第i个信号的纬度;latxj表示第j个信号的纬度;lngxi表示第i个信号的经度,lngxj表示第j个信号的经度;
速度约束条件如下:
vmin≤v≤vmax (6)。
本发明的有益效果是:
本发明的一种基于属性聚类与时空约束的航迹起始判别方法,适用于天基电子信号的航迹起始判断;在进行航迹起始判别时同时使用了电子信息的时空信息与属性信息,先针对属性信息进行层次聚类,然后根据时空约束条件进行类内关联,剔除了虚警点的同时,增加了航迹起始判别的速率和准确度。
附图说明
图1是本发明一种基于属性聚类与时空约束的航迹起始判别方法的流程图;
图2是本发明一种基于属性聚类与时空约束的航迹起始判别方法的目标态势分布图;
图3是本发明一种基于属性聚类与时空约束的航迹起始判别方法的航迹关联结果图;
图4是基于逻辑规则的航迹关联结果图;
图5是基于Hough变换的航迹关联结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
一种基于属性聚类与时空约束的航迹起始判别方法,如图1所示,包括以下步骤:
步骤1、对每个目标电子信息的属性信息值进行Z-score标准化处理,属性信息值包括载频、脉宽、重频的最大值、最小值、均值:
上式中,Y表示初始字段值,mean(Y)表示初始字段值的均值,SN(Y)表示初始字段值的标准差。
步骤2、利用K-means动态聚类方法,循环计算全部目标电子信息的相似度,并设置相似度度量条件,按照是否满足相似度度量条件将目标电子信息聚类为N个簇;
步骤2.1、随机选取一个目标电子信息作为初始簇点,分别计算当前目标电子信息的属性信息值与其余目标电子信息的相似度S={s1,K,si,K,sn},以相似度大于等于相似度度量阈值α作为相似度度量条件,将满足相似度度量条件的目标电子信息作为一簇,si≥α(si∈S),得到相似度的最大值所表示的簇S′,其余目标电子信息分别作为一个单独的簇;
相似度使用夹角余弦相似度度量方法:
上式中,表示第i个信号的第k个分量,xjk表示第j个信号的第k个分量s为相似度。
步骤2.2、重复步骤2.1,直至循环所有目标电子信息,得到N个簇。
步骤3、利用每个簇中目标电子信息的属性信息值的均值作为簇点,根据任意两个簇的簇点之间的相似度、其中一个簇的簇点与另一个簇的所有目标电子信息的属性信息值之间的相似度,对簇进行合并,得到M个不同的簇;
步骤3.1、计算所有簇的簇点之间的相似度;
步骤3.2、判断任意两个簇N1、N2的簇点之间的相似度满足相似度度量条件;
步骤3.3、若满足,判断簇N1中的所有目标电子信息的属性信息值与簇N2的簇点之间的相似度、簇N2中的所有目标电子信息的属性信息值与簇N1的簇点之间的相似度是否同时满足相似度度量条件;否则重复步骤2.2;
步骤3.4、若满足,将两个簇N1、N2合并为同一个簇,否则不合并;
步骤3.5、判断每次合并簇之后的聚类数量、簇点是否与合并前相同,如果相同,则聚类结束;否则重复步骤3.2-3.4,得到的M个不同的簇。
步骤4、对每个簇中的目标电子信息按照时间递增顺序进行排序,根据每个簇中目标电子信息之间的速度特性、角度特性进行匹配,得到n条航迹。
步骤4.1、对每个簇中的目标电子信息按照时间递增顺序进行排序;
步骤4.2、根据每个目标电子信息的位置属性,依次计算每个簇中的相邻两个目标电子信息(Pn,Pn+1)之间的速度特性、角度特性;判断其是否满足速度约束条件,若满足,则确认为点与点之间的轨迹;若不满足,则将该两个目标电子信息分别与簇内的其余目标电子信息依次进行匹配,比如将Pn+1与Pn-1进行匹配,或将Pn+1与Pn-2进行匹配,或将Pn与Pn+2进行匹配,直至满足速度约束条件,否则判定为孤点或新航迹起始点,得到多条由两个目标电子信息连成的轨迹;
步骤4.3、将速度特性、角度特性相似度最高(即最接近)的轨迹进行连接,并将初始点确认为航迹起始点,得到n条航迹。最后根据关联结果剔除虚警。
速度公式如下;
上式中,v表示第j个信号运动到第i个信号的平均速度,latxi表示第i个信号的纬度,latxj表示第j个信号的纬度,lngxi表示第i个信号的经度,lngxj表示第j个信号的经度,R表示地球半径,txi表示第i个信号的时间,txj表示第j个信号的时间;
角度公式如下:
θ表示从第j个信号到第i个信号的航向角;latxi表示第i个信号的纬度;latxj表示第j个信号的纬度;lngxi表示第i个信号的经度,lngxj表示第j个信号的经度;
速度约束条件如下:
vmin≤v≤vmax (6)。
本实施例中采用的目标态势分布图如图2所示,利用本发明的基于属性聚类与时空约束的航迹起始判别方法关联后的结果见图3,相比于现有技术比如,基于逻辑规则的关联方法关联后的结果见图4,基于Hough变换的方法关联后的结果见图5,能实现电子信号航迹起始的判断,剔除虚警点,提高目标位置信息的准确度。
通过以上方式,本发明的一种基于属性聚类与时空约束的航迹起始判别方法,适用于天基电子信号的航迹起始判断;在进行航迹起始判别时同时使用了电子信息的时空信息与属性信息,先针对属性信息进行层次聚类,然后根据时空约束条件进行类内关联,剔除了虚警点的同时,增加了航迹起始判别的速率和准确度。
Claims (5)
1.一种基于属性聚类与时空约束的航迹起始判别方法,其特征在于,包括:
步骤1、循环计算全部目标电子信息的属性信息值相似度,并设置相似度度量条件,按照是否满足相似度度量条件将目标电子信息聚类为N个簇;
步骤2、根据步骤1得到的任意两个簇的簇点之间的相似度、其中一个簇的簇点与另一个簇的所有目标电子信息的属性信息值之间的相似度,对簇进行聚类得到M个不同的簇;
步骤3、对步骤2得到的每个簇中的目标电子信息按照时间递增顺序进行排序,根据每个簇中目标电子信息之间的速度特性、角度特性进行匹配,得到n条航迹;
步骤2具体包括以下步骤:
步骤2.1、计算步骤1得到的所有所述簇的簇点之间的相似度;
步骤2.2、判断任意两个簇N1、N2的簇点之间的相似度满足相似度度量条件;
步骤2.3、若满足,判断簇N1中的所有目标电子信息的属性信息值与簇N2的簇点之间的相似度、簇N2中的所有目标电子信息的属性信息值与簇N1的簇点之间的相似度是否同时满足相似度度量条件;否则重复步骤2.2;
步骤2.4、若满足,将两个簇N1、N2合并为同一个簇,否则不合并;
步骤2.5、判断每次合并簇之后的聚类数量、簇点是否与合并前相同,如果相同,则聚类结束;否则重复步骤2.2-2.5,得到的M个不同的簇;
步骤3具体包括以下步骤:
步骤3.1、对步骤2得到的每个簇中的目标电子信息按照时间递增顺序进行排序;
步骤3.2、根据每个目标电子信息的位置属性,依次计算每个簇中的相邻两个目标电子信息之间的速度特性、角度特性;判断其是否满足速度约束条件,若满足,则确认为点与点之间的轨迹;若不满足,将上述两个目标电子信息分别与簇内其余目标电子信息进行匹配,直至满足速度约束条件,否则判定为孤点或新航迹起始点,得到多条点与点之间的轨迹;
步骤3.3、将速度特性、角度特性相似度最高的所述轨迹进行连接,并将初始点确认为航迹起始点,得到n条航迹;
速度公式如下;
上式中,v表示第j个信号运动到第i个信号的平均速度,latxi表示第i个信号的纬度,latxj表示第j个信号的纬度,lngxi表示第i个信号的经度,lngxj表示第j个信号的经度,R表示地球半径,txi表示第i个信号的时间,txj表示第j个信号的时间;
角度公式如下:
θ表示从第j个信号到第i个信号的航向角;latxi表示第i个信号的纬度;latxj表示第j个信号的纬度;lngxi表示第i个信号的经度,lngxj表示第j个信号的经度;
速度约束条件如下:
vmin≤v≤vmax (6)。
2.根据权利要求1所述的一种基于属性聚类与时空约束的航迹起始判别方法,其特征在于,在步骤1之前,对每个目标电子信息的属性信息值进行Z-score标准化处理:
上式中,Y表示初始字段值,mean(Y)表示初始字段值的均值,SN(Y)表示初始字段值的标准差。
3.根据权利要求1所述的一种基于属性聚类与时空约束的航迹起始判别方法,其特征在于,步骤1具体包括以下步骤:
步骤1.1、随机选取一个目标电子信息作为初始簇点,分别计算当前所述目标电子信息的属性信息值与其余目标电子信息的相似度;以相似度大于等于相似度度量阈值α作为相似度度量条件,将满足相似度度量条件的目标电子信息作为一簇,其余目标电子信息分别作为一个单独的簇;
步骤1.2、重复步骤1.1,直至循环所有目标电子信息,得到N个簇。
4.根据权利要求1所述的一种基于属性聚类与时空约束的航迹起始判别方法,其特征在于,步骤1中所述相似度通过夹角余弦相似度度量方法计算:
上式中,表示第i个信号的第k个分量,/>表示第j个信号的第k个分量,s为相似度。
5.根据权利要求1所述的一种基于属性聚类与时空约束的航迹起始判别方法,其特征在于,步骤2中利用每个簇中目标电子信息的属性信息值的均值作为簇点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110411336.7A CN113177097B (zh) | 2021-04-16 | 2021-04-16 | 一种基于属性聚类与时空约束的航迹起始判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110411336.7A CN113177097B (zh) | 2021-04-16 | 2021-04-16 | 一种基于属性聚类与时空约束的航迹起始判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113177097A CN113177097A (zh) | 2021-07-27 |
CN113177097B true CN113177097B (zh) | 2023-07-25 |
Family
ID=76923976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110411336.7A Active CN113177097B (zh) | 2021-04-16 | 2021-04-16 | 一种基于属性聚类与时空约束的航迹起始判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177097B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11995154B2 (en) | 2021-09-03 | 2024-05-28 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method of determining state of target object, electronic device, and storage medium |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113407797B (zh) * | 2021-08-18 | 2021-10-29 | 成都千嘉科技有限公司 | 利用分形计算针对偷盗燃气行为的数据挖掘方法 |
CN113704643B (zh) * | 2021-09-03 | 2022-10-18 | 北京百度网讯科技有限公司 | 确定目标物体状态的方法、装置、电子设备以及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680187A (zh) * | 2015-03-19 | 2015-06-03 | 南京大学 | 基于缓冲区相似性度量的舰船轨迹层次聚类分析方法 |
CN106485282A (zh) * | 2016-10-19 | 2017-03-08 | 中国人民解放军海军航空工程学院 | 时空约束匹配的异类航迹相似性度量方法 |
CN107808552A (zh) * | 2017-10-27 | 2018-03-16 | 中航信移动科技有限公司 | 航班行为检测方法和装置 |
CN109000645A (zh) * | 2018-04-26 | 2018-12-14 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 复杂环境目标经典航迹提取方法 |
CN110135451A (zh) * | 2019-03-27 | 2019-08-16 | 中电莱斯信息系统有限公司 | 一种基于点到线段集距离的航迹聚类方法 |
CN110348495A (zh) * | 2019-06-27 | 2019-10-18 | 杭州电子科技大学 | 一种改进K-means聚类的航迹关联方法 |
CN110672092A (zh) * | 2019-09-24 | 2020-01-10 | 北京理工大学 | 一种降低固定翼无人机平台磁干扰的航迹生成方法 |
CN111209457A (zh) * | 2019-12-24 | 2020-05-29 | 中国科学院电子学研究所苏州研究院 | 一种目标典型活动模式偏离告警方法 |
CN111768442A (zh) * | 2020-07-10 | 2020-10-13 | 北京航空航天大学 | 一种基于层次聚类和逻辑法的航迹起始方法及系统 |
US10860115B1 (en) * | 2019-09-19 | 2020-12-08 | Bao Tran | Air transportation systems and methods |
CN112183605A (zh) * | 2020-09-23 | 2021-01-05 | 南京航空航天大学 | 一种基于运行特征的民航管制扇区分类方法 |
CN112346096A (zh) * | 2020-11-10 | 2021-02-09 | 中国人民解放军海军航空大学 | 一种高低轨遥感卫星舰船目标航迹与点迹关联方法及系统 |
-
2021
- 2021-04-16 CN CN202110411336.7A patent/CN113177097B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680187A (zh) * | 2015-03-19 | 2015-06-03 | 南京大学 | 基于缓冲区相似性度量的舰船轨迹层次聚类分析方法 |
CN106485282A (zh) * | 2016-10-19 | 2017-03-08 | 中国人民解放军海军航空工程学院 | 时空约束匹配的异类航迹相似性度量方法 |
CN107808552A (zh) * | 2017-10-27 | 2018-03-16 | 中航信移动科技有限公司 | 航班行为检测方法和装置 |
CN109000645A (zh) * | 2018-04-26 | 2018-12-14 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 复杂环境目标经典航迹提取方法 |
CN110135451A (zh) * | 2019-03-27 | 2019-08-16 | 中电莱斯信息系统有限公司 | 一种基于点到线段集距离的航迹聚类方法 |
CN110348495A (zh) * | 2019-06-27 | 2019-10-18 | 杭州电子科技大学 | 一种改进K-means聚类的航迹关联方法 |
US10860115B1 (en) * | 2019-09-19 | 2020-12-08 | Bao Tran | Air transportation systems and methods |
CN110672092A (zh) * | 2019-09-24 | 2020-01-10 | 北京理工大学 | 一种降低固定翼无人机平台磁干扰的航迹生成方法 |
CN111209457A (zh) * | 2019-12-24 | 2020-05-29 | 中国科学院电子学研究所苏州研究院 | 一种目标典型活动模式偏离告警方法 |
CN111768442A (zh) * | 2020-07-10 | 2020-10-13 | 北京航空航天大学 | 一种基于层次聚类和逻辑法的航迹起始方法及系统 |
CN112183605A (zh) * | 2020-09-23 | 2021-01-05 | 南京航空航天大学 | 一种基于运行特征的民航管制扇区分类方法 |
CN112346096A (zh) * | 2020-11-10 | 2021-02-09 | 中国人民解放军海军航空大学 | 一种高低轨遥感卫星舰船目标航迹与点迹关联方法及系统 |
Non-Patent Citations (2)
Title |
---|
层次聚类的航迹起始算法;卢春燕 等;《信号处理》;20130725;第29卷(第7期);905-913 * |
自适应选取聚类中心K-means航迹起始算法;宫峰勋 等;《哈尔滨工业大学学报》;20140530;第46卷(第05期);113-119 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11995154B2 (en) | 2021-09-03 | 2024-05-28 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method of determining state of target object, electronic device, and storage medium |
Also Published As
Publication number | Publication date |
---|---|
CN113177097A (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113177097B (zh) | 一种基于属性聚类与时空约束的航迹起始判别方法 | |
CN112699315B (zh) | 基于ais数据的船舶异常行为探测方法 | |
CN112115822B (zh) | 一种水下移动目标智能融合感知方法 | |
Hou et al. | End-to-end automatic ship detection and recognition in high-resolution Gaofen-3 spaceborne SAR images | |
CN111323756B (zh) | 一种基于深度学习的航海雷达目标检测方法及装置 | |
CN113640768B (zh) | 一种基于小波变换的低分辨雷达目标识别方法 | |
CN113608193A (zh) | 一种基于UNet的雷达多目标距离和速度估计方法 | |
CN112101250B (zh) | 一种基于上下文语义感知的近岸舰船目标检测方法 | |
Argüello et al. | Radar classification for traffic intersection surveillance based on micro-Doppler signatures | |
CN111368653B (zh) | 一种基于r-d图与深度神经网络的低空小目标检测方法 | |
CN113050054A (zh) | 基于径向速度和平均速度的虚假航迹剔除方法 | |
Wang et al. | Automatic jamming modulation classification exploiting convolutional neural network for cognitive radar | |
Meiyan et al. | M-FCN based sea-surface weak target detection | |
Sun et al. | A wave texture difference method for rainfall detection using X-band marine radar | |
Zhou et al. | Underwater multitarget tracking with sonar images using thresholded sequential Monte Carlo probability hypothesis density algorithm | |
Chen et al. | Marine targets detection for scanning radar images based on radar-yolonet | |
Wang et al. | Passive tracking of underwater acoustic targets based on multi-beam LOFAR and deep learning | |
Yip et al. | Efficient and effective tropical cyclone eye fix using genetic algorithms | |
CN113361639A (zh) | 一种基于深度学习的辐射源信号多模型综合分类方法 | |
Rodger et al. | SAR and AIS Data Fusion for Dense Shipping Environments | |
Yan et al. | An efficient plot fusion method for high resolution radar based on contour tracking algorithm | |
Zhang et al. | Small target detection in sea-clutter based on time-doppler spectrum | |
CN113792774B (zh) | 一种水中目标智能融合感知方法 | |
Vo et al. | A Real-Time Processing Algorithm for Multi-Plot Marine Targets based on Radar Image Decomposition | |
CN112986991B (zh) | 一种杂波分布无关的极化合成孔径雷达船只检测方法 |
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 |