CN113640767B - 一种基于方差的低分辨雷达目标识别方法 - Google Patents
一种基于方差的低分辨雷达目标识别方法 Download PDFInfo
- Publication number
- CN113640767B CN113640767B CN202110930622.4A CN202110930622A CN113640767B CN 113640767 B CN113640767 B CN 113640767B CN 202110930622 A CN202110930622 A CN 202110930622A CN 113640767 B CN113640767 B CN 113640767B
- Authority
- CN
- China
- Prior art keywords
- target
- radar
- echo data
- variance
- type
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000009191 jumping Effects 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000002592 echocardiography Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000528 statistical test Methods 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
- G01S7/415—Identification of targets based on measurements of movement associated with the target
-
- 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
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
本发明涉及一种基于方差的低分辨雷达目标识别方法,属于雷达目标识别技术领域。包括:1建立方差‑概率表;2雷达发射脉冲;3接收雷达回波数据至建航;4计算该组回波数据的方差:M2_AveM和M2_Ave_minN;若M2_Ave_minN小于Gate1,则为目标1,跳至7;否则,找出M2_AveM对应方差‑概率表中的概率值P;5依据P得出临时目标类型;6判断临时目标类型是否为目标1,若是,跳至7;否则,FlagStrong1减1并判断是否大于0,若是,则临时目标类型改为目标1,否则不改变临时目标类型;7取航迹中最新Q个中最多的类型为该组回波数据的目标类型。所述目标识别方法在目标遮挡情况下能有效提高目标识别概率。
Description
技术领域
本发明涉及一种基于方差的低分辨雷达目标识别方法,属于雷达目标识别技术领域。
背景技术
雷达目标识别技术不仅可以对目标进行探测和预警,还可以提供目标类别等信息,协助执行对作战目标的精准打击等重要作战任务。雷达目标识别技术在精确制导、反导反卫、对空情报等诸多涉及国家安全的军事领域,发挥着十分重要的作用。
对地面目标以及低空目标的识别是低分辨雷达系统的重要测量任务之一。雷达监测地面目标与低空目标时,由于遮挡等问题的影响,导致目标识别准确度较差。目标识别的准确度是地面侦查雷达的重要性能指标之一。目标类别信息的准确与否直接影响到对目标威胁度的判断,以及针对目标进行的指挥决策。
在近10年的专利和文献中,有与本专利类似的地方,但本专利中利用单帧回波数据RCS起伏的方差作为识别的特征值,是本专利独有的方法。现有方法中,与本申请所述方法相关的文献有:
1)基于RCS起伏统计特性差异的虚假目标识别方法,该方法利用目标点迹,采用Kalman滤波对目标的位置进行估计,得到目标与雷达的距离估计;然后基于回波信号估计信号幅度和噪声方差,得到信噪比估计值;最后根据雷达方程计算多个观测时刻目标RCS估计值,并基于RCS估计构造检验统计量,通过统计检验和逻辑判别的方法鉴别目标真伪,实现了单雷达对具有航迹特征的虚假目标识别。
2)低分辨雷达的目标分类识别方法,该方法基于3类飞机目标旋转部件对回波的调制作用,在多普勒域是一系列差异明显的线谱,阐述了目标识别处理流程以及目标识别对雷达设计需求。采用幅度调制特征和频域熵特征作为分类特征。以实测数据进行分析验证,以支持向量机(SVM)为分类器实现了对飞机目标进行有效分类识别。
3)基于信号特征谱的地面运动目标分类方法,该方法针对低分辨、短驻留时间下地面运动车辆目标分类问题,根据微多普勒效应,使用多散射中心模型描述轮式和履带式车辆的微动部件雷达回波。指出目标回波中的谐波数是区分轮式和履带式车辆的一个稳定特征,由此提出一种基于目标回波信号特征谱的特征提取方法。该方法能够描述目标回波中的谐波信息,同时对于平动速度变化所带来的影响具有稳健性。使用仿真数据的实验结果验证了该方法的有效性,所述方法在分类性能上优于基于主分量分析的分类方法。
4)一种基于特征概率分布曲线的目标分类方法,该方法首先应用快速傅里叶变换计算目标回波频谱,提取目标RCS与频谱熵值,然后滑窗分段计算基本特征的概率分布曲线,从而利用概率分布曲线提取出稳定的目标特征,最后利用支持向量机对目标实现分类。所述方法提取的特征具有较好的稳健性和分类性能,同时也便于工程实现。
5)基于特征谱散布特征的低分辨雷达目标分类方法,针对地面警戒雷达,其脉冲重复频率相对较低,会导致雷达发动机调制(JEM)回波多普勒模糊,对目标的观测时间(扫掠时间)相对较短,多普勒分辨率较低,会导致目标分类性能下降的问题,从模式分类的角度提出了利用JEM特征谱散布程度特征实现喷气式飞机、螺旋桨飞机和直升机目标分类的方法.指出JEM回波在多普勒域近似看作是一系列线谱,采用谐波和的数学模型提取特征谱作为分类特征,分别给出脉间、脉内的特征谱提取方法及特征的降维方法。该特征不补偿机身回波,对机身多谱勒变化不敏感.仿真实验证明了所提方法的有效性。
上述文献并未涉及如何改善遮挡情况下目标的识别率,这也成为了本申请的目标。本申请拟基于低分辨雷达背景,提取雷达目标回波脉内RCS起伏的方差作为特征,在遮挡情况下,提高雷达的目标识别率。
发明内容
本发明的目的是针对地面侦察雷达在对地面及低空目标识别时,由于目标被部分遮挡导致分类错误的技术缺陷,提出了一种基于方差的低分辨雷达目标识别方法。
为了达到上述目的,本发明采用如下技术方案。
所述基于方差的低分辨雷达目标识别方法,包括如下步骤:
步骤1、初始化X=1,并基于雷达实测回波数据建立方差-概率表;
其中,方差-概率表的建立,具体为:通过在试验阶段搜集大量目标回波数据,统计其方差与对应目标类型的概率,建立方差-概率表;
步骤2、雷达发射机发射脉冲;
步骤3、雷达接收机接收雷达目标回波数据,且记当前接收的雷达目标回波数据为第X组雷达目标回波数据;
步骤4、判断接收第X组雷达目标回波数据时是否建航,若未建航,X=X+1,跳至步骤2;若建航,跳至步骤5;
步骤5、选择第X组雷达目标回波数据,计算第X组雷达回波数据的方差;
其中,第X组雷达回波数据的方差,包括M2_AveM和M2_Ave_minN;
步骤5具体包括如下子步骤:
步骤5.1判断当航迹中的回波数据个数m是否大于等于M,若是,则求航迹中最新M组回波数据的方差,并求该M个方差的均值,记为M2_AveM;否则,若m小于M,则求航迹中的m组回波数据的方差,得到m个方差,并记该m个方差的均值为M2_AveM;
步骤5.2在M个方差中取最小的N个方差;
其中,N小于等于M;
步骤5.3求步骤5.2中最小的N个方差的均值,记为M2_Ave_minN;
步骤5.4判断当航迹中的回波数据个数m是否大于等于M,若是,则将输出M2_Ave_minN,否则,m小于M,找出使得m大于(k-1)*M/N且小于等于k*M/N的k值,取航迹中m组回波数据方差的最小k个方差的均值,记为M2_Ave_minN;
其中,k=1,2,…N;
步骤6、判断M2_Ave_minN是否小于门限值Gate1,并根据对数据的判断进行相应的操作,具体为:
6.A若小于Gate1,则将目标1的强标志计数器FlagStrong1设置为最大值,认为第X组雷达回波数据对应的临时目标类型为目标1,跳至步骤10;
6.B若不小于Gate1,继续步骤7;
步骤7、找出M2_AveM处于方差-概率表中区间位置,并依据该位置查出第X组雷达回波数据对应不同目标的概率值P;
步骤8、依据该组雷达回波数据对应不同目标的概率值P,得出临时目标类型;
步骤9、判断临时目标类型是否为目标1,并进行相应操作,具体为:
9.A若临时目标类型是目标1,跳至步骤10;
9.B若临时目标类型不是目标1,将目标1的强标志计数器FlagStrong1的值减1,继续判断目标1的强标志计数器FlagStrong1的值是否大于0,若大于0,则将临时目标类型更改为目标1,否则临时目标类型不改变;
步骤10、判断航迹中的回波数据个数m是否小于Q,若是,则该组雷达回波对应目标类别为以上步骤求得的临时目标类别;否则,继续判断航迹中最新Q组雷达回波数据的目标类型中出现次数最多的目标类型是否唯一,若是,取出现次数最多的目标类型作为该组雷达回波数据的目标类型,否则,取上一组雷达回波数据的目标类型作为该组雷达回波数据的目标类型。
有益效果
本发明一种基于方差的低分辨雷达目标识别方法,与现有的基于RCS的目标识别算法相比,具有如下有益效果:
1.所述基于方差的目标分类方法中,有对目标1的强识别效果,可提高目标1的分类准确度;
2.所述基于方差的目标分类方法中,对目标遮挡的情况具有一定的稳定性。
附图说明
图1为本发明一种基于方差的低分辨雷达目标识别方法的实施流程图;
图2为本发明一种基于方差的低分辨雷达目标识别方法中方差所在区间对应三种目标的识别概率。
实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
实施例1
本实施例阐述了采用本发明所述方法的具体实施,如图1所示,为本发明一种基于方差的低分辨雷达目标识别方法的实施流程图的实施流程。
将本发明所述方法在某外场场地进行实验,实验中采用雷达设备对车辆、人、无人机进行识别测试,三类目标的实际目标类别作为标准类别数据,采用所述目标识别方法对三类目标识别。测量数据包括车辆从距离雷达12km至距离雷达10km的地方径向朝向雷达行驶时所测的数据,图2为该车辆分别利用RCS和方差的方法识别为车辆的概率。连续接收雷达扫描目标回波至建航,取建航后雷达扫描目标的回波数据作为具体实施例的雷达回波数据。
一种基于方差的低分辨雷达目标识别方法,包括如下步骤:
步骤A、雷达发射机发射频率为10GHz的脉冲,脉冲重复间隔为366μs;
步骤B、雷达接收机接收雷达目标回波数据;
其中,回波数据的一个相干处理间隔包含64个脉冲;
步骤C、判断接收第14组雷达目标回波数据时已建航;
步骤D、选择第14组雷达目标回波数据,计算第14组雷达回波数据的方差;
其中,第14组雷达回波数据的方差,包括M2_Ave12和M2_Ave_min4;
判断当航迹中的回波数据个数13大于等于12,求航迹中最新12组回波数据的方差,并求该12个方差的均值,记为M2_Ave12;并在12个方差中取最小的4个方差的均值,记为M2_Ave_min4;
步骤E、判断M2_Ave_min4小于门限值3500,将目标1的强标志计数器FlagStrong1设置为最大值6,认为该组雷达回波数据对应的临时目标类型Tar为车辆;
步骤F、判断当航迹中的回波数据个数13大于5,继续判断航迹中最新5组雷达回波数据的目标类型中出现次数最多的目标类型是否唯一,取出现次数最多的车辆作为该组雷达回波数据的目标类型。
图2展示了在遮挡情况下具体实施时分别利用目前低分辨雷达常用方法RCS与本发明所述方法识别目标为车辆的概率,其中横坐标表示目标从距离雷达12km水平飞至5km过程中每一个时刻,纵坐标表示在利用RCS和方差判断时该目标回波为车辆的概率。
由图2可知,所述基于方差的目标识别方法,在目标被遮挡的情况下,能有效提高目标的识别概率,而RCS在目标被遮挡的情况下对目标的识别概率较低。通过计算,所述的基于方差的目标识别方法,单帧识别概率的均值为79.67%,基于RCS的目标识别方法的单帧识别概率的均值为5.83%。本发明所述的基于方差的目标识别方法,该车辆整包数据的识别率为93.78%,而基于RCS的目标识别方法的整包数据车辆的识别率为67.50%。
因此所述方法能提高在遮挡情况下目标的识别率,对目标遮挡情况下的目标识别效果具有稳定性。
以上所述为本发明的较佳实施例而已,本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改,都落入本发明保护的范围。
Claims (4)
1.一种基于方差的低分辨雷达目标识别方法,其特征在于:包括如下步骤:
步骤1、初始化X=1,并基于雷达实测回波数据建立方差-概率表;
步骤2、雷达发射机发射脉冲;
步骤3、雷达接收机接收雷达目标回波数据,且记当前接收的雷达目标回波数据为第X组雷达目标回波数据;
步骤4、判断接收第X组雷达目标回波数据时是否建航,若未建航,X=X+1,跳至步骤2;若建航,跳至步骤5;
步骤5、选择第X组雷达目标回波数据,计算第X组雷达回波数据的方差;
其中,第X组雷达回波数据的方差,包括M2_AveM和M2_Ave_minN;
步骤5具体包括如下子步骤:
步骤5.1判断当航迹中的回波数据个数m是否大于等于M,若是,则求航迹中最新M组回波数据的方差,并求该M个方差的均值,记为M2_AveM;否则,若m小于M,则求航迹中的m组回波数据的方差,得到m个方差,并记该m个方差的均值为M2_AveM;
步骤5.2在M个方差中取最小的N个方差;
步骤5.3求步骤5.2中最小的N个方差的均值,记为M2_Ave_minN;
步骤5.4判断当航迹中的回波数据个数m是否大于等于M,若是,则将输出M2_Ave_minN,否则,m小于M,找出使得m大于(k-1)*M/N且小于等于k*M/N的k值,取航迹中m组回波数据方差的最小k个方差的均值,记为M2_Ave_minN;
步骤6、判断M2_Ave_minN是否小于门限值Gate1,并根据对数据的判断进行相应的操作,具体为:
6.A若小于Gate1,则将目标1的强标志计数器FlagStrong1设置为最大值,认为第X组雷达回波数据对应的临时目标类型为目标1,跳至步骤10;
6.B若不小于Gate1,继续步骤7;
步骤7、找出M2_AveM处于方差-概率表中区间位置,并依据该位置查出第X组雷达回波数据对应不同目标的概率值P;
步骤8、依据该组雷达回波数据对应不同目标的概率值P,得出临时目标类型;
步骤9、判断临时目标类型是否为目标1,并进行相应操作,具体为:
9.A若临时目标类型是目标1,跳至步骤10;
9.B若临时目标类型不是目标1,将目标1的强标志计数器FlagStrong1的值减1,继续判断目标1的强标志计数器FlagStrong1的值是否大于0,若大于0,则将临时目标类型更改为目标1,否则临时目标类型不改变;
步骤10、判断当航迹中的回波数据个数m是否小于Q,若是,则该组雷达回波对应目标类别为以上步骤求得的临时目标类别;否则,继续判断航迹中最新Q组雷达回波数据的目标类型中出现次数最多的目标类型是否唯一,若是,取出现次数最多的目标类型作为该组雷达回波数据的目标类型,否则,取上一组雷达回波数据的目标类型作为该组雷达回波数据的目标类型。
2.根据权利要求1所述的一种基于方差的低分辨雷达目标识别方法,其特征在于:步骤1中,方差-概率表的建立,具体为:通过在试验阶段搜集大量目标回波数据,统计其方差与对应目标类型的概率,建立方差-概率表。
3.根据权利要求2所述的一种基于方差的低分辨雷达目标识别方法,其特征在于:步骤5.2中,N小于等于M。
4.根据权利要求3所述的一种基于方差的低分辨雷达目标识别方法,其特征在于:步骤5.4中,k=1,2,…N。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110930622.4A CN113640767B (zh) | 2021-08-13 | 2021-08-13 | 一种基于方差的低分辨雷达目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110930622.4A CN113640767B (zh) | 2021-08-13 | 2021-08-13 | 一种基于方差的低分辨雷达目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113640767A CN113640767A (zh) | 2021-11-12 |
CN113640767B true CN113640767B (zh) | 2023-11-14 |
Family
ID=78421498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110930622.4A Active CN113640767B (zh) | 2021-08-13 | 2021-08-13 | 一种基于方差的低分辨雷达目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113640767B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103454623A (zh) * | 2013-09-08 | 2013-12-18 | 西安电子科技大学 | 基于复数agc模型的噪声背景下雷达目标识别方法 |
CN104215935A (zh) * | 2014-08-12 | 2014-12-17 | 电子科技大学 | 一种基于决策加权融合的雷达炮弹目标识别方法 |
CN106772307A (zh) * | 2017-03-02 | 2017-05-31 | 电子科技大学 | 一种基于多雷达信息的真假弹头目标识别方法 |
CN110161480A (zh) * | 2019-06-18 | 2019-08-23 | 西安电子科技大学 | 基于半监督深度概率模型的雷达目标识别方法 |
CN111142085A (zh) * | 2020-01-15 | 2020-05-12 | 武汉大学 | 一种基于航迹特征提取的外辐射源雷达目标分类识别方法 |
-
2021
- 2021-08-13 CN CN202110930622.4A patent/CN113640767B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103454623A (zh) * | 2013-09-08 | 2013-12-18 | 西安电子科技大学 | 基于复数agc模型的噪声背景下雷达目标识别方法 |
CN104215935A (zh) * | 2014-08-12 | 2014-12-17 | 电子科技大学 | 一种基于决策加权融合的雷达炮弹目标识别方法 |
CN106772307A (zh) * | 2017-03-02 | 2017-05-31 | 电子科技大学 | 一种基于多雷达信息的真假弹头目标识别方法 |
CN110161480A (zh) * | 2019-06-18 | 2019-08-23 | 西安电子科技大学 | 基于半监督深度概率模型的雷达目标识别方法 |
CN111142085A (zh) * | 2020-01-15 | 2020-05-12 | 武汉大学 | 一种基于航迹特征提取的外辐射源雷达目标分类识别方法 |
Non-Patent Citations (1)
Title |
---|
雷达目标识别技术研究进展及发展趋势分析;李明;;现代雷达(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113640767A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7567203B2 (en) | Classification system for radar and sonar applications | |
CA2503581C (en) | Weather and airborne clutter suppression using a cluster shape classifier | |
CN105487060B (zh) | 一种双通道四斜率调制的多目标提取方法 | |
CN107576959B (zh) | 一种基于区域映射解模糊的高重频雷达目标检测前跟踪方法 | |
CN108344982A (zh) | 基于长时间相参积累的小型无人机目标雷达检测方法 | |
CN109100696B (zh) | 基于点状杂波图的慢速运动目标消除方法 | |
CN107607916B (zh) | 一种抗自卫式速度距离联合欺骗干扰方法 | |
CN103439697A (zh) | 基于动态规划的目标检测方法 | |
CN111398909B (zh) | 一种基于倒谱分析的杂波环境无人机检测方法 | |
CN111142085B (zh) | 一种基于航迹特征提取的外辐射源雷达目标分类识别方法 | |
Ahmadi et al. | Deinterleaving of interfering radars signals in identification friend or foe systems | |
CN104199007A (zh) | 基于最近邻一类分类器的雷达分布式地面目标鉴别方法 | |
CN102540163A (zh) | 一种基于常规相参雷达的直升机分类识别方法 | |
CN110531332B (zh) | 一种基于分段门限的低空慢速小目标检测方法 | |
CN106772299A (zh) | 一种基于距离匹配的pd雷达微弱目标动态规划检测方法 | |
CN104199002B (zh) | 抑制风力发电旋叶虚警目标的雷达信息处理方法 | |
CN113960587B (zh) | 基于类别信息反馈的毫米波雷达多目标跟踪方法 | |
CN113608193A (zh) | 一种基于UNet的雷达多目标距离和速度估计方法 | |
CN113640767B (zh) | 一种基于方差的低分辨雷达目标识别方法 | |
CN109031221A (zh) | 数据层基于多维度特征提取的雷达抗密集假目标干扰方法 | |
CN110658506B (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 | |
Argüello et al. | Radar classification for traffic intersection surveillance based on micro-Doppler signatures | |
CN108549076B (zh) | 一种基于速度节奏图的多种类无人机场景识别方法 | |
Xiao et al. | Multi-target ISAR imaging based on image segmentation and short-time Fourier transform | |
CN113552563B (zh) | 垂测信息和高频地波雷达杂波信息的对应性分析方法 |
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 |