CN114065810B - 基于谱峰个数的无人机与武装单兵分类识别方法 - Google Patents
基于谱峰个数的无人机与武装单兵分类识别方法 Download PDFInfo
- Publication number
- CN114065810B CN114065810B CN202111311045.7A CN202111311045A CN114065810B CN 114065810 B CN114065810 B CN 114065810B CN 202111311045 A CN202111311045 A CN 202111311045A CN 114065810 B CN114065810 B CN 114065810B
- Authority
- CN
- China
- Prior art keywords
- target
- domain signal
- noise
- unmanned aerial
- beta
- 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 14
- 230000003595 spectral effect Effects 0.000 title claims abstract description 13
- 238000001228 spectrum Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 17
- 238000012706 support-vector machine Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000012535 impurity Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 3
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于谱峰个数的无人机与武装单兵分类识别方法,该算法用于战场环境侦察雷达快速准确地鉴别无人机与武装单兵。通过CLEAN算法进行杂波抑制,去掉噪声后在频域遍历获取峰包并统计个数,利用峰包个数作为特征,通过SVM分类器进行分类鉴别,充分利用了无人机旋翼转动与武装单兵四肢摆动的在频域的差异来鉴别,解决了目标RCS太小而无法区分的问题。
Description
技术领域
本发明提出了一种新的基于雷达回波谱峰个数的无人机与武装单兵的分类识别方法,该方法用于战场环境下无人机与武装单兵的有效鉴别。
背景技术
在现代作战环境下,无人机作为现代空中军事力量中的一员,具有无人员伤亡、使用限制少、隐蔽性好、效费比高等特点,在现代战争中的地位和作用日益突出。特别的,军用无人机具有结构精巧、隐蔽性强、使用方便、造价低廉和性能机动灵活等特点,主要用于战场侦察,电子干扰,携带集束炸弹、制导导弹等武器执行攻击性任务,以及用作空中通信中继平台、核试验取样机、核爆炸及核辐射侦察机等,武装单兵却承担着不同的作战任务,通常武装单兵基本上用来战场侦察与作战。正由于它们承担任务的不同,导致了它们具有不同的军事威胁度,因此对它们进行分类识别在现代战争中起着十分重要的作用。
对于窄带雷达,目标尺寸小于雷达的分辨率,目标的回波只是一个具有幅度和相位的点,也即单次回波所含的目标信息量较少,因此可以利用多个回波周期的信息,也即多普勒谱,对运动目标进行分类和识别。
目前,对地面目标的识别仅限于频域的微多普勒特征,而地面目标具有速度慢,RCS小等特点,使得该方法受地杂波的影响与限制,同时不同目标在不同姿态下的微多普勒呈现出多样性,这使得对地面目标的识别异常困难。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种基于谱峰个数的无人机与武装单兵分类识别方法,以满足战场侦察雷达对地面无人机与武装单兵的快速准确识别。
技术方案
一种基于谱峰个数的无人机与武装单兵分类识别方法,其特征在于步骤如下:
步骤1:目标信息获取:
在已知的时域距离-多普勒矩阵D和目标所在的距离单元r,提取矩阵D的第r列向量αr作为目标的时域信号,其中αr为m×1向量;得到目标的频域信号βr,其中βr为m×1向量;
βr=FFTSHIFT(FFT(αr,m),m)
上述函数FFT表示做m点快速傅里叶变换,FFTSHIFT表示对向量FFT(αr,m)做m/2点循环移位;
步骤2:杂波预处理:
2a)对目标所在距离单元的时、频域信号αr和βr,给定杂波谱宽度σc,确定最大迭代次数N;杂波谱宽度σc和最大迭代次数N可以利用如下规则确定:
2a1)杂波谱宽度σc
确定杂波谱宽度σc=2σv/λ,其中σv表示频谱标准偏差,λ表示雷达波长;
2a2)最大迭代次数N
由脉冲重复频率fr、动目标检测FFT点数m和杂波谱宽度σc确定最大迭代次数N:
2b)在频域信号βr中,以0频为中心,在杂波谱宽度σc范围内搜索最大值,记最大值的幅度A、相位θ以及多普勒频率fc;
2c)重构最大值对应的杂波时域信号sc:
从原时域信号αr中减去杂波时域信号sc得到新的时域信号αr,即:
αr=αr-sc
2d)重复2b)到2c)步骤直到满足最大迭代次数N;
步骤3:去掉噪声:
根据时域信号αr,计算βr′=FFTSHIFT(FFT(αr,m),m);利用白噪声背景的固定门限检测法处理信号βr′得到信号γ,其中βr′、γ均为m×1向量,根据噪声均值和虚警率Pfa确定门限κ去掉噪声;其中参数确定如下:
3a)根据雷达休止期的频域数据作为噪声,并多次测量求平均得到噪声均值
3b)根据虚警率Pfa确定门限为
步骤4:特征提取:
对去掉噪声的频域信号γ在多普勒维进行滑窗,从信号γ的第一点向最后一点遍历,以幅度比两侧幅度都大的点作为峰值点,记录峰值点个数fr作为特征,其中fr为一个自然数;
步骤5:通过支持向量机SVM对目标进行分类识别:
5a)训练阶段,首先对步骤4)提取的特征进行强度归一化,即其中ξ=[ξ1,ξ2,...,ξk],k为输入特征个数,||·||∞表示向量的∞范数,/>表示归一化后的特征;然后将归一化的特征送入SVM进行训练,获得训练模型;
5b)测试阶段,首先对测试目标的特征进行强度归一化,归一化方法与训练时相同;然后利用SVM的判决函数进行判决,得到判决结果:
其中sgn{·}表示符号函数,输入为正时输出为1,输入为负时输出为-1;假如在训练阶段给定某类目标的标号为1,则符号函数的输出为1可判定为识别正确,否则识别错误;表示核函数,参数/>为模型参数。
优选地:步骤3a)中多次为8-10次。
优选地:步骤5b)核函数选择高斯核函数,即σ2表示高斯核参数。
有益效果
本发明提出的一种基于谱峰个数的无人机与武装单兵分类识别方法,解决了低空无人机RCS较小与地面武装单兵难以区分的问题;通过CLEAN方法进行杂波抑制,去掉噪声后在频域遍历获取峰包并统计个数,利用峰包个数作为特征,通过SVM分类器进行分类鉴别,充分利用了无人机旋翼转动与武装单兵四肢摆动的在频域的差异来鉴别,解决了目标RCS太小而无法区分的问题。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1是本发明的实现流程图;
图2(a)是无人机时频平面,图2(b)是武装单兵时频平面,时频平面为多个拼接成的平面;
图3(a)是无人机单帧归一化频谱;图3(b)是武装单兵单帧归一化频谱;
图4是无人机与武装单兵峰值个数对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
武装单兵的微多普勒信息主要集中在主分量两侧,来源于武装单兵四肢的摆动,故而其微多普勒谱较为混乱且峰值较少;相比于武装单兵,无人机的微多普勒谱就显得规律一点,其微多普勒主要来源于旋翼的转动,并与旋翼的长度和转速有关,并且高速的旋翼转动会产生较多的峰值,在不遮挡微多普勒来源的情况下,可以考虑利用微多普勒谱的峰值信息对武装车辆与无人机进行识别。
在桨叶转动过程中,当雷达入射信号与旋翼桨叶垂直时可观测到叶片雷达截面积的峰值,可以查雷达手册得叶片的雷达截面积(RCS)为其中θ为入射角。考虑式中的sinx/x函数的作用,峰值两侧迅速回落。这就意味着,当旋翼桨叶垂直于雷达时,可探测到极明显的峰值信号,而信号从其他角度照射时可检测到低水平的反射信号,该现象被称为“桨叶反射”现象。无人机的旋翼转动会产生较为明显的“桨叶反射”现象,而武装单兵的四肢摆动很难产生较为规律的“桨叶反射”现象,而这种差异,反映在多普勒谱上面则表现为无人机存在较多的峰值,而武装单兵的峰值较少。本发明正是由于充分利用了“桨叶反射”现象产生的峰包个数差异,来进行无人机与武装单兵的鉴别。
因为目标识别是建立在目标检测结果的基础上,故假设已知雷达回波的时域距离-多普勒矩阵D(D为m×n矩阵,其中m为多普勒通道数,n为距离单元总数)和目标所在的距离单元r(0<r<n)。提取目标多普勒信息,在目标信息中利用相关方法去掉地物杂波和噪声,提取特征并设计相应的支持向量机(SVM)分类器对无人机与武装单兵的分类识别,具体实现步骤包括如下:
1)目标信息获取:
在已知的时域距离-多普勒矩阵D和目标所在的距离单元r,提取矩阵D的第r列向量αr(αr为m×1向量)作为目标的时域信号,得到目标的频域信号βr(βr为m×1向量)。
βr=FFTSHIFT(FFT(αr,m),m)
上述函数FFT表示做m点快速傅里叶变换,FFTSHIFT表示对向量FFT(αr,m)做m/2点循环移位。
2)杂波预处理:
2a)对目标所在距离单元的时、频域信号αr和βr,给定杂波谱宽度σc,确定最大迭代次数N;杂波谱宽度σc和最大迭代次数N可以利用如下规则确定:
2a1)杂波谱宽度σc
由于地面目标所处的杂波环境通常是地杂波。查雷达手册可以得到不同杂波的频谱标准偏差σv值。然后由σc=2σv/λ确定杂波谱宽度,其中λ表示雷达波长。
2a2)最大迭代次数N
由脉冲重复频率fr、动目标检测(FFT)点数m和杂波谱宽度σc确定最大迭代次数N:
2b)在频域信号βr中(因为做过FFTSHIFT,故其0频在向量βr的m/2处),以0频为中心,在杂波谱宽度σc范围内搜索最大值,记最大值的幅度A、相位θ以及多普勒频率fc;
2c)重构最大值对应的杂波时域信号sc:
从原时域信号αr中减去杂波时域信号sc得到新的时域信号αr,即:
αr=αr-sc
2d)重复2b)到2c)步骤直到满足最大迭代次数N。
3)去掉噪声:
根据上述得到的时域信号αr,计算得到βr′=FFTSHIFT(FFT(αr,m),m)。利用白噪声背景的固定门限检测法处理信号βr′得到信号γ(βr′、γ均为m×1向量),根据噪声均值和虚警率Pfa确定门限κ去掉噪声。其中参数确定如下:
3a)根据雷达休止期的频域数据作为噪声,并多次测量求平均得到噪声均值
3b)根据虚警率Pfa确定门限为
4)特征提取:
对上述去掉噪声的频域信号γ在多普勒维进行滑窗,从信号γ的第一点向最后一点遍历,以幅度比两侧幅度都大的点作为峰值点,记录峰值点个数fr(fr为一个自然数)作为特征。
5)通过支持向量机(SVM)对目标进行分类识别:
5a)训练阶段,首先对步骤4)提取的特征进行强度归一化,即其中ξ=[ξ1,ξ2,...,ξk],k为输入特征个数,||·||∞表示向量的∞范数,/>表示归一化后的特征。然后将归一化的特征送入SVM进行训练,获得训练模型;
5b)测试阶段,首先对测试目标的特征进行强度归一化,归一化方法与训练时相同。然后利用SVM的判决函数进行判决,得到判决结果:
其中sgn{·}表示符号函数,输入为正时输出为1,输入为负时输出为-1。假如在训练阶段给定某类目标的标号为1,则符号函数的输出为1可判定为识别正确,否则识别错误。表示核函数,通常选择高斯核函数,即/>σ2表示高斯核参数,在训练阶段给出。参数/>为模型参数,可以由训练阶段得到。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明公开的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于谱峰个数的无人机与武装单兵分类识别方法,其特征在于步骤如下:
步骤1:目标信息获取:
在已知的时域距离-多普勒矩阵D和目标所在的距离单元r,提取矩阵D的第r列向量αr作为目标的时域信号,其中αr为m×1向量;得到目标的频域信号βr,其中βr为m×1向量;
βr=FFTSHIFT(FFT(αr,m),m)
上述函数FFT表示做m点快速傅里叶变换,FFTSHIFT表示对向量FFT(αr,m)做m/2点循环移位;
步骤2:杂波预处理:
2a)对目标所在距离单元的时、频域信号αr和βr,给定杂波谱宽度σc,确定最大迭代次数N;杂波谱宽度σc和最大迭代次数N可以利用如下规则确定:
2a1)杂波谱宽度σc
确定杂波谱宽度σc=2σv/λ,其中σv表示频谱标准偏差,λ表示雷达波长;
2a2)最大迭代次数N
由脉冲重复频率fr、动目标检测FFT点数m和杂波谱宽度σc确定最大迭代次数N:
2b)在频域信号βr中,以0频为中心,在杂波谱宽度σc范围内搜索最大值,记最大值的幅度A、相位θ以及多普勒频率fc;
2c)重构最大值对应的杂波时域信号sc:
从原时域信号αr中减去杂波时域信号sc得到新的时域信号αr,即:
αr=αr-sc
2d)重复2b)到2c)步骤直到满足最大迭代次数N;
步骤3:去掉噪声:
根据时域信号αr,计算βr′=FFTSHIFT(FFT(αr,m),m);利用白噪声背景的固定门限检测法处理信号βr′得到信号γ,其中βr′、γ均为m×1向量,根据噪声均值和虚警率Pfa确定门限κ去掉噪声;其中参数确定如下:
3a)根据雷达休止期的频域数据作为噪声,并多次测量求平均得到噪声均值
3b)根据虚警率Pfa确定门限为
步骤4:特征提取:
对去掉噪声的频域信号γ在多普勒维进行滑窗,从信号γ的第一点向最后一点遍历,以幅度比两侧幅度都大的点作为峰值点,记录峰值点个数fr作为特征,其中fr为一个自然数;
步骤5:通过支持向量机SVM对目标进行分类识别:
5a)训练阶段,首先对步骤4)提取的特征进行强度归一化,即其中ξ=[ξ1,ξ2,...,ξk],k为输入特征个数,||·||∞表示向量的∞范数,/>表示归一化后的特征;然后将归一化的特征送入SVM进行训练,获得训练模型;
5b)测试阶段,首先对测试目标的特征进行强度归一化,归一化方法与训练时相同;然后利用SVM的判决函数进行判决,得到判决结果:
其中sgn{·}表示符号函数,输入为正时输出为1,输入为负时输出为-1;假如在训练阶段给定某类目标的标号为1,则符号函数的输出为1可判定为识别正确,否则识别错误;表示核函数,参数/>为模型参数。
2.根据权利要求1所述的基于谱峰个数的无人机与武装单兵分类识别方法,其特征在于步骤3a)中多次为8-10次。
3.根据权利要求1所述的基于谱峰个数的无人机与武装单兵分类识别方法,其特征在于步骤5b)核函数选择高斯核函数,即σ2表示高斯核参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111311045.7A CN114065810B (zh) | 2021-11-07 | 2021-11-07 | 基于谱峰个数的无人机与武装单兵分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111311045.7A CN114065810B (zh) | 2021-11-07 | 2021-11-07 | 基于谱峰个数的无人机与武装单兵分类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114065810A CN114065810A (zh) | 2022-02-18 |
CN114065810B true CN114065810B (zh) | 2024-05-03 |
Family
ID=80274652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111311045.7A Active CN114065810B (zh) | 2021-11-07 | 2021-11-07 | 基于谱峰个数的无人机与武装单兵分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114065810B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017007663A1 (en) * | 2015-07-07 | 2017-01-12 | Tesla Health, Inc | Field-invariant quantitative magnetic-resonance signatures |
KR20180027543A (ko) * | 2015-07-07 | 2018-03-14 | 큐 바이오, 인코퍼레이티드 | 장-불변 정량적 자기 공명 시그너처 |
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 |
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 |
CN112882011A (zh) * | 2021-01-12 | 2021-06-01 | 西安电子科技大学 | 基于频域相关性特征的雷达载频变化稳健目标识别方法 |
WO2021134449A1 (zh) * | 2019-12-31 | 2021-07-08 | 深圳开阳电子股份有限公司 | 一种强杂波下fmcw阵列雷达运动多目标弱信号检测方法、装置、计算机设备及存储介质 |
-
2021
- 2021-11-07 CN CN202111311045.7A patent/CN114065810B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017007663A1 (en) * | 2015-07-07 | 2017-01-12 | Tesla Health, Inc | Field-invariant quantitative magnetic-resonance signatures |
KR20180027543A (ko) * | 2015-07-07 | 2018-03-14 | 큐 바이오, 인코퍼레이티드 | 장-불변 정량적 자기 공명 시그너처 |
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 |
WO2021134449A1 (zh) * | 2019-12-31 | 2021-07-08 | 深圳开阳电子股份有限公司 | 一种强杂波下fmcw阵列雷达运动多目标弱信号检测方法、装置、计算机设备及存储介质 |
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 |
CN112882011A (zh) * | 2021-01-12 | 2021-06-01 | 西安电子科技大学 | 基于频域相关性特征的雷达载频变化稳健目标识别方法 |
Non-Patent Citations (2)
Title |
---|
低分辨雷达的目标分类识别研究;宋新景;;雷达科学与技术;20160615(03);全文 * |
机载雷达战场目标的微动特性及识别;李心怡;黄银和;尹奎英;乔寅骐;;现代雷达;20170215(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114065810A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Persico et al. | On model, algorithms, and experiment for micro-Doppler-based recognition of ballistic targets | |
Huizing et al. | Deep learning for classification of mini-UAVs using micro-Doppler spectrograms in cognitive radar | |
Molchanov et al. | Classification of small UAVs and birds by micro-Doppler signatures | |
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 | |
US5337053A (en) | Method and apparatus for classifying targets | |
Langley | Specific emitter identification (SEI) and classical parameter fusion technology | |
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 | |
US6573861B1 (en) | Target classification method | |
Molchanov et al. | Classification of aircraft using micro-Doppler bicoherence-based features | |
Du et al. | Robust classification scheme for airplane targets with low resolution radar based on EMD-CLEAN feature extraction method | |
CN112882009B (zh) | 基于幅度相位双通道网络的雷达微多普勒目标识别方法 | |
Regev et al. | Classification of single and multi propelled miniature drones using multilayer perceptron artificial neural network | |
RU2579353C1 (ru) | Способ сопровождения воздушной цели из класса "самолёт с турбореактивным двигателем" при воздействии уводящей по скорости помехи | |
CN113221631B (zh) | 基于卷积神经网络的序列脉冲抗干扰目标检测方法 | |
Dale et al. | SNR‐dependent drone classification using convolutional neural networks | |
RU2617110C1 (ru) | Способ сопровождения в радиолокационной станции групповой воздушной цели из класса "самолёты с турбореактивными двигателями" при воздействии уводящих по скорости помех | |
Molchanov et al. | Aerial target classification by micro-Doppler signatures and bicoherence-based features | |
US9134410B2 (en) | Method and device for detecting a target by masked high energy reflectors | |
Liu et al. | Unsupervised clustering method to discriminate dense deception jamming for surveillance radar | |
Wong | Non-cooperative target recognition in the frequency domain | |
CN114065810B (zh) | 基于谱峰个数的无人机与武装单兵分类识别方法 | |
Hasan et al. | A Hyper-parameters-tuned R-PCA+ SVM Technique for sUAV Targets Classification using the Range-/Micro-Doppler Signatures | |
Zhu et al. | Radar HRRP group-target recognition based on combined methods in the backgroud of sea clutter | |
CN108106500A (zh) | 一种基于多传感器的导弹目标类型识别方法 | |
Rosenberg et al. | Sparse signal separation methods for target detection in sea-clutter |
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 |