CN113835069A - 一种距离门拖引干扰的智能生成方法 - Google Patents
一种距离门拖引干扰的智能生成方法 Download PDFInfo
- Publication number
- CN113835069A CN113835069A CN202111107236.1A CN202111107236A CN113835069A CN 113835069 A CN113835069 A CN 113835069A CN 202111107236 A CN202111107236 A CN 202111107236A CN 113835069 A CN113835069 A CN 113835069A
- Authority
- CN
- China
- Prior art keywords
- dragging
- interference
- distance
- frame
- towing
- 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
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
- G01S7/38—Jamming means, e.g. producing false echoes
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
本发明公开一种距离门拖引干扰的智能生成方法,应用于电子对抗技术领域,针对传统的距离门拖引干扰方法忽略了多帧之间的信息互连,拖引方法不具灵活性,本发明提出了一种距离门拖引干扰的智能生成方法。本发明首先分析距离门拖引干扰过程建立距离门拖引干扰多帧优化模型;为了衡量距离门拖引干扰的效果,选择平均波门偏移距离作为目标函数;其次针对目标函数中间状态未知、涉及噪声的挑战,利用蒙特卡洛方法拟合目标函数;最后提出了基于改进粒子群算法的距离门拖引干扰优化方法。本发明提出的算法能够动态调整不同帧的拖引距离,最大化距离门拖引干扰的效果,在拖引成功率和拖引距离方面都优于传统方法。
Description
技术领域
本发明属于电子对抗技术领域,特别涉及一种距离门拖引干扰技术。
背景技术
随着信息战的发展,雷达电子对抗技术在现代战争中的地位日益凸显。距离门拖引干扰是针对跟踪雷达自动距离跟踪系统的重要干扰样式,是指干扰机以虚假的距离信息作用于雷达,导致雷达检测到的目标参数信息不准确,从而进一步误导雷达对目标的定位和跟踪。由于具有干扰功率利用率高、被抗风险低等优点,近年来成为研究的热点。
文献“距离波门拖引方案的分析建模与评估[J].系统工程与电子技术,2006,028(008):1158-1163”通过对距离波门拖引过程的分析,建立了拖引方案评估指标和评估模型,然后运用评估模型对匀速和匀加速拖引方案进行评估。文献“Spectrum analysis ofparabolic range gate pull-off(RGPO)signals,2015 23nd Signal Processing andCommunications Applications Conference(SIU),2015,pp.1026-1029”推导了线性和抛物线性距离门拖引干扰信号的时域和频域的表达式,为更好地进行欺骗式干扰提供了依据和必要的参数信息。但以上工作主要集中在单帧中干扰信号的产生以及时域和频域的表达,忽略了多帧之间的信息互连,没有深度挖掘帧与帧之间的联系。不难理解,如果拖引速度过快,特别是在拖引初始阶段,敌方的雷达跟踪系统不能及时响应这个变化,会导致拖引干扰失败;如果拖引速度过慢,也很容易被敌方锁定,同样也会导致拖引干扰失败。所以,帧与帧之间的相互配合、联动会影响拖引干扰的效果。为了提高干扰效率,有必要对距离门拖引干扰方案进行设计和优化。
发明内容
为解决上述技术问题,本发明提出一种距离门拖引干扰的智能生成方法,考虑多帧之间的信息互联的问题,通过合理配置每一帧拖引距离,最大化距离门拖引干扰效果。
本发明采用的技术方案为:一种距离门拖引干扰的智能生成方法,应用场景为:空对空战争中,一台干扰机被火控系统的跟踪雷达所跟踪,所述方法包括以下步骤:
S2、建立兼顾了拖引距离和拖引成功率的优化问题;
S3、基于改进粒子群算法求解步骤S2的优化问题,得到拖引干扰优化方法。
步骤S1所述将第i帧的拖引距离表示为i帧拖引增量之和的表达式为:
其中,Ri表示第i帧的拖引距离,ti为第i帧的延迟时间,c代表光速,△ti为第i帧比第i-1帧增加的延迟时间,△Ri为第i帧的拖引增量。
其中,wi(t)表示接收机内部产生的噪声。
步骤S2所述的优化问题表达式为:
s.t.0≤△Ri≤△Rmax
其中,flag是拖引干扰是否起作用的标志,flag=1表示成功,flag=0表示失败,△RN表示第N帧的拖引距离增量,△Rmax表示单帧拖引最大距离。
步骤S3具体为:
S31、初始化种群;确定种群规模M,初始化每个粒子的位置和速度,并计算各自的适应度,确定在迭代次数为0时的个体最优值和全局最优值。
S32、更新种群;更新种群中每个粒子的位置和速度;
S33、对种群中每个粒子进行B0次重采样对适应度进行更新;
S35、更新种群中粒子的个体最优值和全局最优值;
S36、输出最优解。
本发明的有益效果:本发明通过考虑帧与帧之间的配合,实现更好的干扰效果;本发明首先分析距离门拖引干扰过程建立距离门拖引干扰多帧优化模型;为了衡量距离门拖引干扰的效果,选择平均波门偏移距离作为目标函数;其次针对目标函数中间状态未知、涉及噪声的挑战,利用蒙特卡洛方法拟合目标函数;最后提出了基于改进粒子群算法的距离门拖引干扰优化方法篇;本发明的优点是考虑了雷达信号处理流程,通过帧与帧之间的配合最大化距离门拖引干扰的效果,在拖引成功率和拖引距离方面都优于传统方法;本发明可以应用于电子对抗等领域。
附图说明
图1是本发明具体实施方法采用单干扰机被跟踪雷达所跟踪的场景示意图。
图2是本发明具体实施方法采用的距离门拖引干扰过程图。
图3是本发明具体实施方式采用雷达系统简化框图。
图4是本发明方法与传统的匀速拖引、匀加速拖引的拖引方法拖引增量对比图。
图5是本发明方法与传统的匀速拖引、匀加速拖引的拖引方法拖引距离对比图。
图6是本发明具体实施方式与匀速拖引、匀加速拖引方法CDF对比图。
具体实施方式
本发明主要采用计算机仿真实验的方法进行验证,所有步骤、结论都在Matlab2014上验证正确。
本发明的具体实现过程如下:
步骤1:建立空对空战争中,一台干扰机被火控系统的跟踪雷达所跟踪的场景图,并初始化系统参数,主要包括:雷达和干扰机的初始位置、干扰机的运动方式等;
如图1所示的单干扰机被跟踪雷达所跟踪的场景图,本实施例中,雷达位于直角坐标系原点,干扰机在二维平面内做远离雷达的匀速直线运动。干扰机的状态向量可以表示为初始状态为X(1)=[50km 50m/s 55km 350m/s]'。遵循的运动方程为
X(k+1)=F(k)X(k)+Γ(k)v(k) (1)
其中,xk、yk、分别表示k时刻的x方向的位置、x方向的速度、y方向的位置、y方向的速度,F(k)表示状态转移矩阵,如公式(2)所示;T为重访间隔时间,T=1s;Γ(k)表示过程噪声分布矩阵,如公式(3)所示;v(k)表示过程噪声分量。
步骤2:分析距离门拖引干扰过程,搭建距离门拖引干扰多帧设计模型;
如图2所示,距离门拖引干扰包含三个阶段:捕获、拖引、关闭。0-T1为捕获阶段,T1-T2为拖引阶段,T2-T3为干扰机关闭阶段;如图2所示T1<T2<T3。在拖引时期,干扰机每截获一个雷达照射信号,就逐步增加转发脉冲的延迟时间,使距离波门随干扰信号移动而逐渐离开目标回波,直到距离波门偏离目标回波预定距离为止。因此,拖引过程是一个离散过程。
假设在时间T1-T2内拖引的总帧数为N,第i帧的延迟时间为ti,则第i帧的拖引距离Ri
其中,c=3×108m/s,代表光速,△ti为第i帧比第i-1帧增加的延迟时间。△Ri为第i帧的拖引增量,为△ti所对应的距离。由此可见,第i帧的拖引距离可表示为i帧拖引增量之和。在极坐标系中,记第i帧真目标的位置ri,ri与x正方向夹角为θi,那么就可以得到真目标的横纵坐标xi和yi。同理,可获得RGPO产生的假目标的横纵坐标和
其中,是干扰制造的假目标的距离,等于真目标的距离ri加上拖引距离Ri;wi(t)表示接收机内部产生的噪声,主要是热噪声,是零均值复高斯的白噪声;t表示时间变量。由此可见,拖引阶段的每个△Rk都会影响干扰信号,产生不同的干扰效果。
雷达方在接收到信号以后,主要先通过脉冲压缩、动目标检测、恒虚警检测等步骤实现对目标的检测,得到目标的距离、速度、方位等信息;接着对信号处理后的点迹进行相关处理,对目标下一帧运动参数估计和稳定跟踪。理想情况下,CFAR(Constant False-Alarm Rate,恒虚警率)后可以得到每一帧的真假目标的量测值。不失一般性,雷达方采用基于概率数据互联的卡尔曼滤波器进行目标跟踪。概率数据互联滤波器首先根据波门内的所有量测值计算当前帧不同量测来自目标的概率,然后对目标的状态进行加权估计。
步骤3:选择平均波门偏移距离作为目标函数,结合干扰机拖引距离约束条件,建立距离门拖引干扰方法优化问题;
RGPO拖引阶段的任务就是使得距离波门远离真实目标,波门偏移距离越大,干扰效果越好,才能更好地保护己方。但是,对于干扰机而言,根据步骤2所述的雷达信号处理流程,能否成功引诱雷达跟踪假目标不得而知。所以在此取数学期望,选取平均波门偏移距离为优化目标来建立优化模型。因此,将上述距离门拖引干扰方法优化问题建模为
由于受到雷达对接收信号处理流程中无法准确获知的因素影响,干扰方无法具体得知真实目标位置和波门中心预测位置。由步骤2流程分析可知,第i帧的拖引距离Ri越大,真假目标之间距离越大,波门中心与真目标的距离也就越大。最大化波门偏移距离的问题就可以间接转化为最大化拖引距离的问题,避免了求解真实目标位置和波门中心预测位置的过程。这里考虑了一种结合拖引干扰成功的奖励机制的蒙特卡洛方法来拟合目标函数,在一定程度上兼顾了拖引距离和拖引成功率,从而得到更加优效的距离门拖引干扰方法。
于是,本实施例中,将该优化问题进行转化为如下表达:
其中,flag是拖引干扰是否起作用的标志,flag=1表示成功,flag=0表示失败;△RN表示第N帧的拖引距离增量。
步骤4:求解所述优化问题,得到距离门拖引干扰优化方法。
由于式(10)优化问题是一个多帧联合优化问题,目标函数难以用解析表达式直接表示且整个过程收到噪声的影响。因此本发明方法提出了基于改进粒子群算法求解上述优化问题。
粒子群PSO优化算法是一种受到群理论和社会模型的启发而提出的智能算法,其粒子表示n维优化问题的潜在解决方案。每个粒子的位置都是一个待定的优化方法,也就是一个待定的距离门拖引干扰方法。以第i个粒子为例,它的位置可以表示为
由于其简单且收敛快的特性,PSO被广泛应用于解决各种优化维度过高的问题。然而,当优化问题受到噪声影响时,其性能会显着下降,从而导致测量误差等不准确和不确定的信息。在这种情况下,解的真实目标函数值也会受到噪声的干扰。重采样是一种减轻噪声影响的方法。显然,一个解的重新估计越多,对应目标函数的估计值就越准确,同时计算成本也会增加。计算预算由目标函数的总评估次数定义。考虑在计算预算有限的情况下,采用PSO-ERN在解决方案之间分配评估。该方法首先对群中所有解决方案的目标值进行B0次等重采样(ER),然后立即在top-N解决方案之间分配额外的重新评估bi,一般情况B0小于bi。这样考虑到粒子的质量,它会减少不必要的重采样和计算成本。然后,PSO操作照常运行,当满足迭代次数时,输出拖引干扰优化方法gbesttmax。由于中间状态未知,目标函数难以用解析表达式表示,于是可采取蒙特卡洛方法拟合该函数。这里将该改进PSO算法记作MC-PSO-ERN,完整的算法流程如表1所示。
表1 MC-PSO-ERN算法
最终输出的最优解gbesttmax即全局最优值。
下面根据一个Matlab仿真例子对本发明的方案作进一步验证。
雷达、干扰以及粒子群算法相关各参数的对应取值如表2。
表2系统参数
参数 | 符号 | 数值 |
干扰机初始位置 | (50km,55km) | |
干扰机初始速度 | (50m/s,350m/s) | |
干扰帧数 | 30 | |
虚警率 | 10<sup>-6</sup> | |
重访时间间隔 | T | 1s |
距离维量测噪声方差 | 100 | |
方向维量测噪声方差 | 0.1<sup>2</sup> | |
单帧拖引最大距离 | △R<sub>max</sub> | 150m |
惯性权重最大值 | ω<sub>max</sub> | 0.9 |
惯性权重最小值 | ω<sub>min</sub> | 0.5 |
Top N | 4 | |
计算额度 | B<sub>0</sub> | 1000 |
额外的额度 | b<sub>i</sub> | 2000 |
粒子群最大迭代次数 | t<sub>max</sub> | 80 |
粒子群规模 | M | 60 |
学习因子 | c<sub>1</sub>和c<sub>2</sub> | 2,2 |
图4是本发明方法与传统的匀速拖引、匀加速拖引的拖引方法拖引增量对比图。图5是本发明方法与传统的匀速拖引、匀加速拖引的拖引方法拖引距离对比图。从图4、5可以看出,本发明提出的方法可以通过调整不同探测帧数的拖引距离,实现帧与帧之间的相互配合,而匀速拖引、匀加速拖引的灵活性则较低,只能按照给定的参数实现拖引干扰,体现本发明的有效性。
图6是本发明具体实施方式与匀速拖引、匀加速拖引方法的CDF(cumulativedistribution function,累积分布函数)对比图。从图6可以看出,本发明提出的方法无论在拖引距离还是拖引成功率方面都比传统的某种拖引方案更有优势。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (5)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111107236.1A CN113835069B (zh) | 2021-09-22 | 2021-09-22 | 一种距离门拖引干扰的智能生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111107236.1A CN113835069B (zh) | 2021-09-22 | 2021-09-22 | 一种距离门拖引干扰的智能生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113835069A true CN113835069A (zh) | 2021-12-24 |
CN113835069B CN113835069B (zh) | 2023-09-22 |
Family
ID=78960353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111107236.1A Active CN113835069B (zh) | 2021-09-22 | 2021-09-22 | 一种距离门拖引干扰的智能生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113835069B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114722710A (zh) * | 2022-04-11 | 2022-07-08 | 电子科技大学 | 一种基于随机仿真优化的距离门拖引干扰方法 |
CN114859304A (zh) * | 2022-04-27 | 2022-08-05 | 电子科技大学 | 一种抗智能拖引干扰的数据互联方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1993006502A1 (en) * | 1991-09-20 | 1993-04-01 | Försvarets Forskningsanstalt | A fibre optical system for range gate pull-off of radar echoes |
KR101017590B1 (ko) * | 2010-05-12 | 2011-02-28 | 엘아이지넥스원 주식회사 | 거리 기만 재밍 측정 방법 및 장치 |
KR101399119B1 (ko) * | 2013-10-22 | 2014-05-27 | 엘아이지넥스원 주식회사 | 랜덤 거리 기만 재밍 신호 생성 방법 |
US20140354464A1 (en) * | 2013-05-20 | 2014-12-04 | Faran Awais Butt | Radar deception jamming prevention using bi-static and mono-static radars |
CN105022041A (zh) * | 2015-06-08 | 2015-11-04 | 西安电子科技大学 | 基于经验模态分解特征库的拖引干扰子类型识别方法 |
CN105866749A (zh) * | 2016-03-30 | 2016-08-17 | 西安电子科技大学 | 一种距离和速度同步拖引的雷达干扰识别方法 |
CN107607916A (zh) * | 2017-08-18 | 2018-01-19 | 上海无线电设备研究所 | 一种抗自卫式速度距离联合欺骗干扰方法 |
CN107808036A (zh) * | 2017-10-10 | 2018-03-16 | 中国舰船研究设计中心 | 一种距离波门拖引有源干扰的仿真设计方法 |
CN110231615A (zh) * | 2019-05-17 | 2019-09-13 | 北京理工大学 | 基于海面目标空间约束的距离测量异常判别方法 |
CN114722710A (zh) * | 2022-04-11 | 2022-07-08 | 电子科技大学 | 一种基于随机仿真优化的距离门拖引干扰方法 |
CN114755639A (zh) * | 2022-04-27 | 2022-07-15 | 电子科技大学 | 一种面向跟踪对抗的多样式复合欺骗干扰自适应生成方法 |
-
2021
- 2021-09-22 CN CN202111107236.1A patent/CN113835069B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1993006502A1 (en) * | 1991-09-20 | 1993-04-01 | Försvarets Forskningsanstalt | A fibre optical system for range gate pull-off of radar echoes |
KR101017590B1 (ko) * | 2010-05-12 | 2011-02-28 | 엘아이지넥스원 주식회사 | 거리 기만 재밍 측정 방법 및 장치 |
US20140354464A1 (en) * | 2013-05-20 | 2014-12-04 | Faran Awais Butt | Radar deception jamming prevention using bi-static and mono-static radars |
KR101399119B1 (ko) * | 2013-10-22 | 2014-05-27 | 엘아이지넥스원 주식회사 | 랜덤 거리 기만 재밍 신호 생성 방법 |
CN105022041A (zh) * | 2015-06-08 | 2015-11-04 | 西安电子科技大学 | 基于经验模态分解特征库的拖引干扰子类型识别方法 |
CN105866749A (zh) * | 2016-03-30 | 2016-08-17 | 西安电子科技大学 | 一种距离和速度同步拖引的雷达干扰识别方法 |
CN107607916A (zh) * | 2017-08-18 | 2018-01-19 | 上海无线电设备研究所 | 一种抗自卫式速度距离联合欺骗干扰方法 |
CN107808036A (zh) * | 2017-10-10 | 2018-03-16 | 中国舰船研究设计中心 | 一种距离波门拖引有源干扰的仿真设计方法 |
CN110231615A (zh) * | 2019-05-17 | 2019-09-13 | 北京理工大学 | 基于海面目标空间约束的距离测量异常判别方法 |
CN114722710A (zh) * | 2022-04-11 | 2022-07-08 | 电子科技大学 | 一种基于随机仿真优化的距离门拖引干扰方法 |
CN114755639A (zh) * | 2022-04-27 | 2022-07-15 | 电子科技大学 | 一种面向跟踪对抗的多样式复合欺骗干扰自适应生成方法 |
Non-Patent Citations (5)
Title |
---|
R JIA 等: "An intelligent range gate pull=off (RGOP) jamming method", 《2020 INTERNATIONAL CONFERENCE ON UK-CHINA EMERGING TECHNOLOGIES》, pages 1 - 4 * |
WEI Y 等: "A RPGO jamming method based on improved PSO", 《PROCEEDING OF 2021 INTERNATIONAL CONFERENCE ON AUTONOMOUS UNMANNED SYSTEMS》, pages 2094 - 103 * |
解凯;陈永光;汪连栋;沈阳;: "距离波门拖引方案的分析建模与评估", 系统工程与电子技术, no. 08, pages 48 - 50 * |
贾瑞 等: "一种距离门拖引干扰策略的只能生成方法", 《信号处理》, vol. 37, no. 2, pages 276 - 283 * |
魏雅琦: "面向跟踪对抗的雷达有源干扰自适应生成方法", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 1, pages 1136 - 1859 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114722710A (zh) * | 2022-04-11 | 2022-07-08 | 电子科技大学 | 一种基于随机仿真优化的距离门拖引干扰方法 |
CN114722710B (zh) * | 2022-04-11 | 2023-02-24 | 电子科技大学 | 一种基于随机仿真优化的距离门拖引干扰方法 |
CN114859304A (zh) * | 2022-04-27 | 2022-08-05 | 电子科技大学 | 一种抗智能拖引干扰的数据互联方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113835069B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106407677B (zh) | 一种测量数据丢失情况下的多目标跟踪方法 | |
CN101975575B (zh) | 基于粒子滤波的被动传感器多目标跟踪方法 | |
CN109993280A (zh) | 一种基于深度学习的水下声源定位方法 | |
CN113835069A (zh) | 一种距离门拖引干扰的智能生成方法 | |
CN103760556B (zh) | 基于集中式mimo雷达的多目标认知跟踪方法 | |
CN107064865B (zh) | 基于深度聚类的极坐标动态规划无源协同定位方法 | |
CN111711432B (zh) | 一种基于ukf和pf混合滤波的目标跟踪算法 | |
CN108398678A (zh) | 一种集中式mimo雷达快速自适应目标跟踪方法 | |
CN104501812A (zh) | 基于自适应新生目标强度的滤波算法 | |
Wang et al. | Greedy algorithm-based track-before-detect in radar systems | |
CN107797106A (zh) | 一种加速em未知杂波估计的phd多目标跟踪平滑滤波方法 | |
CN114755639B (zh) | 一种面向跟踪对抗的多样式复合欺骗干扰自适应生成方法 | |
CN110376582A (zh) | 自适应gm-phd的机动目标跟踪方法 | |
Guo et al. | Passive tracking in heavy clutter with sensor location uncertainty | |
CN113344970A (zh) | 基于多伯努利的非规则多扩展目标联合跟踪与分类方法 | |
CN114859304B (zh) | 一种抗智能拖引干扰的数据互联方法 | |
Xu et al. | Target tracking algorithm based on generalized regression neural network for passive bistatic radar | |
Wei et al. | A RGPO jamming method based on improved PSO | |
CN110412531B (zh) | 杂波情况下基于幅值信息的接收站路径优化方法 | |
Xingxing et al. | Weighted factor graph aided distributed cooperative position algorithm | |
Huang et al. | Analytically-selected multi-hypothesis incremental MAP estimation | |
Yan et al. | Multi-level Deep Learning Kalman Filter | |
Zhou et al. | Robust Multi-UAV Placement Optimization for AOA-Based Cooperative Localization | |
Ma et al. | Distributive target tracking in wireless sensor networks under measurement origin uncertainty | |
CN116500574B (zh) | 偏态分布条件下的非线性扩展目标跟踪滤波方法和装置 |
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 |