CN114415118B - 一种基于二维分形特征的海面目标检测方法 - Google Patents
一种基于二维分形特征的海面目标检测方法 Download PDFInfo
- Publication number
- CN114415118B CN114415118B CN202111659923.4A CN202111659923A CN114415118B CN 114415118 B CN114415118 B CN 114415118B CN 202111659923 A CN202111659923 A CN 202111659923A CN 114415118 B CN114415118 B CN 114415118B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- target detection
- sea clutter
- fractal
- sea
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 67
- 238000001228 spectrum Methods 0.000 claims abstract description 78
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims description 25
- 238000012706 support-vector machine Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000000528 statistical test Methods 0.000 abstract description 2
- 230000007423 decrease Effects 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000002592 echocardiography Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000001629 suppression Effects 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
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- 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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/288—Coherent receivers
-
- 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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于二维分形特征的海面目标检测方法,通过估计海杂波的AR谱,提取海杂波与目标在二维分形特征域的特征差异,以此特征作为统计检验量完成目标检测,从而提高海杂波背景下的目标检测性能。本发明克服了传统目标检测方法因海杂波模型失配引起的检测性能下降,提升目标检测性能。通过利用海杂波的二维分形特征作为目标探测器的输入,提升了在低信杂比条件下的目标检测性能,通过利用训练集数据信息对SVM分类器进行训练学习,最终实现强海杂波背景下目标检测。
Description
技术领域
本发明涉及雷达技术领域,具体涉及在强海杂波背景下的一种基于二维分形特征的目标检测方法。该方法可用于对海预警雷达,通过提取海杂波和目标在AR谱域的分形维度和分形拟合误差的特征差异来完成目标检测,能够提高雷达在低信杂比情况下的检测性能。
背景技术
雷达海杂波的形成机理十分复杂,其特性不仅受到工作频率、入射角、工作带宽等雷达工作参数影响,还将受到风速、风向等海况因素影响,这些因素将导致海杂波背景下的目标检测非常困难。传统的目标检测方法是研究海面与电磁波散射特性的相互作用,掌握不同海况下海杂波的统计特性,建立适合当前海况和雷达特性的杂波模型,进而实现抑制杂波信号和高效提取目标信号。然而,这种传统方法在模型匹配不准确或信杂比较低的情况下,目标检测性能较差。由于自然背景和人工目标在分形特征参数上存在本质差异,这些不同的特征可以用来区分目标和海杂波,但低信噪比条件下,时域分形维数不能很好的区分目标和海杂波。
发明内容
为了克服现有技术的不足,本发明提供一种基于二维分形特征的海面目标检测方法。本发明的目的在于针对上述已有技术的不足,针对目标与海杂波在AR谱分形特征的差异,提出一种基于AR谱二维分形特征的海面目标检测方法,通过估计海杂波的AR谱,提取海杂波与目标在二维分形特征域的特征差异,以此特征作为统计检验量完成目标检测,从而提高海杂波背景下的目标检测性能。
本发明克服了基于统计模型和时域分形特征检测方法的不足,将AR谱估计理论与分形维度特征、分形拟合误差分析方法相结合,提出了一种基于AR谱二维分形特征的新方法用于海面目标检测,提高了海杂波背景下目标检测的性能。
本发明解决其技术问题所采用的技术方案包括如下步骤:
步骤1:海杂波AR谱估计;
利用海杂波的时域回波信号X={xk,k=1,2,3..N},其中N表示回波时间序列的长度,xk代表回波时间序列的幅度,k代表第k个回波时间序列,采用Yule-walker方程法估计海杂波的AR谱SAR(f)={Sk,k=1,2,3..N},Sk代表海杂波AR谱序列的幅度;
步骤2:AR谱序列归一化处理;
针对步骤(1)中求得的AR谱序列SAR(f),用AR谱序列的最大值max(SAR(f))对SAR(f)进行归一化处理:
得到序列
步骤3:二维分形特征提取。
3.1:AR谱盒维数计算;
首先将步骤(2)中求得的海杂波归一化AR谱序列放入一个正方形内,然后选取边长为δ的方格子去覆盖正方形,计算边长为δ的方格子与归一化AR谱交叠的格子数目从而计算出AR谱盒维数,AR谱盒维数的计算公式为:
其中δ代表所选取方格子的边长,表示边长为δ的方格子与归一化AR谱交叠的格子数目,为了更加准确的计算AR谱盒维数,分别取不同尺度参数的方格子,计算不同尺度参数下各自对应的/>利用点集/>绘制出lgNδ(Su)~(-lgδ)曲线图,最后利用最小二乘法估计该曲线的斜率,该曲线的斜率是AR谱的盒维数。
3.2:AR分形拟合误差计算。
设{mk,yk,k=1,2,3,...,N}代表对数-对数坐标系下的离散点点集,其中m=-lgδ,y=lgNδ(Su),采用最小二乘拟合方法拟合出的函数表示为y=s1m+s2,其中s1代表斜率,s2代表截距因此,分形模型拟合误差计算方法如下:
根据步骤3.1和3.2,将计算得到的AR谱盒维数和AR谱分形拟合误差组成二维分形特征{DimAR,EAR},作为目标检测的统计量;
步骤4:目标探测。
4.1分类器训练。
采用支持向量机(SVM)的方法进行目标检测,SVM方法将传统过门限目标检测转化为目标与杂波的二分类问题。具体地,根据步骤(1)-步骤(3)提取实测海杂波数据的特征信息,将提取的海杂波二维分形特征数据集分为训练集和测试集,将训练集海杂波数据的二维特征信息被送入SVM分类器中进行模型训练,得到训练好的SVM分类器;
4.2目标检测;
根据步骤3中得到的海杂波数据测试集的二维分形特征{DimAR,EAR}作为目标检测器的输入,输入到步骤4.1中已经训练好的SVM分类器,最终输出目标与杂波的分类结果。
所述尺度参数分别取δ=1,1/2,1/3,...,1/10。
所将提取的海杂波二维分形特征数据集按照1:1分为训练集和测试集。
本发明的有益效果在于:
1、本发明利用海杂波AR谱盒维数和分形模型拟合误特征进行目标检测,通过估计海杂波的AR谱,从而积累目标能量提高目标信杂比(SCR)和谱分辨率,克服了传统目标检测方法因海杂波模型失配引起的检测性能下降,提升目标检测性能。通过利用海杂波的二维分形特征作为目标探测器的输入,克服了基于单一分形特征参数目标检测方法的不足,提升了在低信杂比条件下的目标检测性能。
2、本发明利用SVM进行目标检测,将目标检测转化为二元分类判决问题。通过利用训练集数据信息对SVM分类器进行训练学习,最终实现强海杂波背景下目标检测。本发明所提方法相较于传统的目标检测方法(如传统恒虚警检测和时域分形特征检测),具有更高的检测性能。
附图说明
图1是本发明的算法实现流程图。
图2是基于S波段雷达实测数据的各种信息以及S波段雷达回波的距离-时间-强度图像。
图3是不同参数δ下的lgNδ(Su)~(-lgδ)曲线图。
图4是基于S波段雷达实测数据回波的AR谱分形性质的结果以及不同探测方法探测效率的比较图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
步骤1:海杂波AR谱估计;
利用海杂波的时域回波信号X={xk,k=1,2,3..N},其中N表示回波时间序列的长度,xk代表回波时间序列的幅度,k代表第k个回波时间序列,采用Yule-walker方程法估计海杂波的AR谱SAR(f)={Sk,k=1,2,3..N},Sk代表海杂波AR谱序列的幅度;
步骤2:AR谱序列归一化处理;
针对步骤(1)中求得的AR谱序列SAR(f),用AR谱序列的最大值max(SAR(f))对SAR(f)进行归一化处理:
得到序列
步骤3:二维分形特征提取。
3.1:AR谱盒维数计算;
首先将步骤(2)中求得的海杂波归一化AR谱序列放入一个正方形内,然后选取边长为δ的方格子去覆盖正方形,计算边长为δ的方格子与归一化AR谱交叠的格子数目从而计算出AR谱盒维数,AR谱盒维数的计算公式为:
其中δ代表所选取方格子的边长,表示边长为δ的方格子与归一化AR谱交叠的格子数目,为了更加准确的计算AR谱盒维数,分别取不同尺度参数为δ的方格子,计算不同尺度参数下各自对应的/>利用点集/>绘制出lgNδ(Su)~(-lgδ)曲线图,最后利用最小二乘法估计该曲线的斜率,该曲线的斜率就是AR谱的盒维数。
3.2AR分形拟合误差计算。
步骤3.1:中计算AR谱盒维数,获得AR谱盒维数是通过估计对数-对数曲线的斜率,但是AR谱盒维数的实际值和拟合结果之间必然存在拟合误差,对数-对数曲线的拟合误差越小,AR谱盒维数估计越准确,匹配度越高。由于纯海杂波具有分形特性,但分形模型拟合误差相对较小。然而,待检测的目标通常是人造目标,具有相对规则的结构,目标的存在会影响海杂波的原始分形特征,从而导致AR谱分形维数的变化。所以,当海杂波距离单元中出现目标时,AR谱分形模型拟合误差就会变大。因此,AR分形模型拟合误差可以作为目标检测的一个特征。
设{mk,yk,k=1,2,3,...,N}代表对数-对数坐标系下的离散点点集,其中m=-lgδ,y=lgNδ(Su),采用最小二乘拟合方法拟合出的函数表示为y=s1m+s2,其中s1代表斜率,s2代表截距因此,分形模型拟合误差计算方法如下:
根据步骤3.1和3.2,将计算得到的AR谱盒维数和AR谱分形拟合误差组成二维分形特征{DimAR,EAR},作为目标检测的统计量。
步骤4:目标探测。
4.1分类器训练。
采用支持向量机(SVM)的方法进行目标检测,SVM方法将传统过门限目标检测转化为目标与杂波的二分类问题。具体地,根据步骤(1)-步骤(3)提取实测海杂波数据的特征信息,将提取的海杂波二维分形特征数据集按照1:1分为训练集和测试集,将训练集海杂波数据的二维特征信息被送入SVM分类器中进行模型训练,得到训练好的SVM分类器;
4.2目标检测;
根据步骤3中得到的海杂波数据测试集的二维分形特征{DimAR,EAR}作为目标检测器的输入,输入到步骤4.1中已经训练好的SVM分类器,最终输出目标与杂波的分类结果。
参照图1,本发明的具体实现过程如下:
步骤1,将雷达回波的时间序列分成若干小段序列,计算每段海杂波序列的AR谱。
设海杂波回波时间序列为X={xi,i=1,2,3,...n},计算海杂波的AR谱SAR(f):
其中ap,k是AR系数,是噪声功率,可以通过“AR-based Growler detection insea clutter,IEEE trans.on Signal Processing,Vol.41,No.3,1993”中的Yule-walker方程法求解得出。
步骤2,计算海杂波AR谱分形维度和AR谱分形拟合误差。
a)针对步骤1中求得的AR谱序列SAR(f),用序列和对AR谱序列SAR(f)进行归一化处理,得到序列:
b)针对a)中求得的归一化AR谱序列SAR(f),用最小二乘法拟合对数-对数曲线计算AR谱计盒维数DimAR。
可以画出不同尺度参数δ下的lgNδ(Su)~(-lgδ)曲线图,利用最小二乘法估计该曲线的斜率,该曲线的斜率就是AR谱分形模型的维数特征。
c)针对b)中拟合出的曲线,设{mk,yk,k=1,2,3,...,N}代表对数-对数坐标系下的离散点点集,其中m=-lgδ,y=lgNδ(Su)。拟合线可表示为yi=s1mi+s2,因此分形模型拟合误差EAR为:
如果对数-对数曲线的拟合误差相对较小,AR计盒维数估计得更准确,这意味着更好的匹配度。当目标出现时,分形模型的拟合误差就会变大。
步骤3:目标探测。
本发明采用支持向量机(SVM)的方法进行目标检测,SVM方法将传统过门限目标检测转化为目标与杂波的二分类问题。具体地,根据步骤二提取实测海杂波数据的特征信息,将提取的海杂波二维分形特征数据集按照1:1分为训练集和测试集,训练集海杂波数据的二维特征信息被送入SVM分类器中进行模型训练,从而确定SVM的最优参数。将海杂波数据测试集的二维分形特征作为目标检测器的输入,输入到已经训练好的SVM分类器,最终输出目标与杂波的分类结果,实现强海杂波背景下目标检测。
本发明的效果可以通过以下实测数据试验进一步说明:
试验条件:本试验采用S波段雷达实测海杂波数据进行AR谱域分形维度和分形拟合误差的分析,S波段雷达高度为500m,雷达以一固定角度凝视海平面,SCR约为0~6dB。该S波段雷达的主要参数指标如表1所示,图2显示了S波段雷达回波的距离-时间-强度的图像。
表1测试S波段雷达参数指标表
参数指标 | 参数值 |
雷达高度 | 500m |
带宽 | 2MHz |
波束宽度 | 1.4° |
脉冲宽度 | 100us |
SCR | 0~6dB |
海况 | 3级 |
试验内容与结果:
本发明结合AR谱估计理论与分形分析方法,重点关注纯海杂波的分形维度特征和分型模型拟合误差与目标出现后海杂波的分形维数和分形模型拟合误差的变化,从而实现目标探测。
图3是在不同的参数δ下的lgNδ(Su)~(-lgδ)曲线图,该曲线图的斜率可以用最小二乘算法来估计,该曲线斜率就是AR谱的分形维度特征DimAR。根据图中拟合出的曲线,设{xk,yk,k=1,2,3,...,N}代表对数-对数坐标系下的点集,拟合线可以表示为y=s1x+s2,因此分形模型拟合误差EAR为:
图4显示了分形特征结果的散点图,其中星号代表海杂波距离单元的AR谱分形维数和分形拟合误差,圆圈代表目标距离单元的海杂波分形维数和分形拟合误差。从图中可以发现,纯海杂波距离单元的DimAR大于目标距离单元的DimAR。此外,还可以发现纯海杂波距离单元的EAR比目标距离单元的EAR小。
因此可以得到结论:海杂波AR谱的分形维度特征和AR谱分形模型拟合误差的差异在海上目标探测中可以用来区分海杂波与目标。
目标检测性能分析:在这一部分,分析了该方法的检测性能。表2显示出不同检测方法的检测概率对比。
表2不同方法的检测性能对比
从表2可以直观看出,本发明的检测性能优于已有的分形检测算法和传统的恒虚警检测算法,提高了在低信杂比条件下海面目标检测的性能。
Claims (3)
1.一种基于二维分形特征的海面目标检测方法,其特征在于包括下述步骤:
步骤1:海杂波AR谱估计;
利用海杂波的时域回波信号X={xk,k=1,2,3..N},其中N表示回波时间序列的长度,xk代表回波时间序列的幅度,k代表第k个回波时间序列,采用Yule-walker方程法估计海杂波的AR谱SAR(f)={Sk,k=1,2,3..N},Sk代表海杂波AR谱序列的幅度;
步骤2:AR谱序列归一化处理;
针对步骤(1)中求得的AR谱序列SAR(f),用AR谱序列的最大值max(SAR(f))对SAR(f)进行归一化处理:
得到序列
步骤3:二维分形特征提取;
3.1:AR谱盒维数计算;
首先将步骤(2)中求得的海杂波归一化AR谱序列放入一个正方形内,然后选取边长为δ的方格子去覆盖正方形,计算边长为δ的方格子与归一化AR谱交叠的格子数目从而计算出AR谱盒维数,AR谱盒维数的计算公式为:
其中δ代表所选取方格子的边长,表示边长为δ的方格子与归一化AR谱交叠的格子数目,分别取不同尺度参数的方格子,计算不同尺度参数下各自对应的/>利用点集绘制出lgNδ(Su)~(-lgδ)曲线图,最后利用最小二乘法估计该曲线的斜率,该曲线的斜率是AR谱的盒维数;
3.2:AR分形拟合误差计算;
设{mk,yk,k=1,2,3,...,N}代表对数-对数坐标系下的离散点点集,其中m=-lgδ,y=lgNδ(Su),采用最小二乘拟合方法拟合出的函数表示为y=s1m+s2,其中s1代表斜率,s2代表截距因此,分形模型拟合误差计算方法如下:
根据步骤3.1和3.2,将计算得到的AR谱盒维数和AR谱分形拟合误差组成二维分形特征{DimAR,EAR},作为目标检测的统计量;
步骤4:目标探测;
4.1分类器训练;
采用支持向量机的方法进行目标检测,根据步骤(1)-步骤(3)提取实测海杂波数据的特征信息,将提取的海杂波二维分形特征数据集分为训练集和测试集,将训练集海杂波数据的二维特征信息被送入SVM分类器中进行模型训练,得到训练好的SVM分类器;
4.2目标检测;
根据步骤3中得到的海杂波数据测试集的二维分形特征{DimAR,EAR}作为目标检测器的输入,输入到步骤4.1中已经训练好的SVM分类器,最终输出目标与杂波的分类结果。
2.根据权利要求1所述的基于二维分形特征的海面目标检测方法,其特征在于:
所述尺度参数分别取δ=1,1/2,1/3,...,1/10。
3.根据权利要求1所述的基于二维分形特征的海面目标检测方法,其特征在于:
所将提取的海杂波二维分形特征数据集按照1:1分为训练集和测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111659923.4A CN114415118B (zh) | 2021-12-30 | 2021-12-30 | 一种基于二维分形特征的海面目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111659923.4A CN114415118B (zh) | 2021-12-30 | 2021-12-30 | 一种基于二维分形特征的海面目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114415118A CN114415118A (zh) | 2022-04-29 |
CN114415118B true CN114415118B (zh) | 2024-04-30 |
Family
ID=81270541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111659923.4A Active CN114415118B (zh) | 2021-12-30 | 2021-12-30 | 一种基于二维分形特征的海面目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114415118B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103207390A (zh) * | 2013-04-02 | 2013-07-17 | 中国人民解放军海军航空工程学院 | Frft域海杂波中目标的近似分形检测方法 |
CN111580091A (zh) * | 2020-05-17 | 2020-08-25 | 西北工业大学 | 一种基于ar谱奇异强度函数的海面微弱目标检测方法 |
CN112327293A (zh) * | 2020-10-20 | 2021-02-05 | 西北工业大学 | 一种基于分形特征智能学习的海面目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018000252A1 (zh) * | 2016-06-29 | 2018-01-04 | 深圳大学 | 高分辨遥感海洋图像的海背景建模与抑制的方法及系统 |
-
2021
- 2021-12-30 CN CN202111659923.4A patent/CN114415118B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103207390A (zh) * | 2013-04-02 | 2013-07-17 | 中国人民解放军海军航空工程学院 | Frft域海杂波中目标的近似分形检测方法 |
CN111580091A (zh) * | 2020-05-17 | 2020-08-25 | 西北工业大学 | 一种基于ar谱奇异强度函数的海面微弱目标检测方法 |
CN112327293A (zh) * | 2020-10-20 | 2021-02-05 | 西北工业大学 | 一种基于分形特征智能学习的海面目标检测方法 |
Non-Patent Citations (1)
Title |
---|
海杂波FRFT域分形特征在动目标检测中的应用;陈小龙;关键;刘宁波;何友;;海军航空工程学院学报;20101120(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114415118A (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107861107B (zh) | 一种适用于连续波雷达的双门限cfar与点迹凝聚方法 | |
CN108490410B (zh) | 一种两坐标雷达对海目标联合检测跟踪方法 | |
CN112462355B (zh) | 一种基于时频三特征提取的对海目标智能检测方法 | |
SE509733C2 (sv) | Sätt att detektera och klassificera objekt med hjälp av radar | |
CN111580091B (zh) | 一种基于ar谱奇异强度函数的海面微弱目标检测方法 | |
CN109212503B (zh) | 一种基于ar谱分形相关特征的海上目标检测方法及装置 | |
CN110749871B (zh) | 双偏振天气雷达的参量估算方法 | |
CN107942324B (zh) | 基于多普勒引导的多帧联合小目标双重检测方法 | |
CN106569193A (zh) | 基于前‑后向收益参考粒子滤波的海面小目标检测方法 | |
CN111751797B (zh) | 一种基于方位角的高频地波雷达一阶和二阶回波谱分界线确定方法 | |
CN112327265A (zh) | 一种基于语义分割网络的分治检测方法 | |
CN113093119A (zh) | 一种时频恒虚警高频雷达目标检测方法及系统 | |
CN116359851A (zh) | 一种基于融合网络的雷达有源干扰检测识别方法及装置 | |
CN114415118B (zh) | 一种基于二维分形特征的海面目标检测方法 | |
CN112213697A (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 | |
CN112799028A (zh) | 一种基于rcs起伏统计特性差异的虚假目标识别方法 | |
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 | |
CN114739669A (zh) | 基于太赫兹雷达的滚动轴承状态监测方法及装置 | |
CN110046676B (zh) | 一种基于声暴露级的海洋工程信号自动提取方法 | |
CN113030892B (zh) | 一种基于高维特征域梯度提升树的海面小目标检测方法 | |
Wang et al. | An Improved RBF Neural Network based on Clustering Algorithm for Estimating Wind Speed from X-band Marine Radar Images | |
CN110412536B (zh) | 基于变尺度中值比率的目标检测方法 | |
CN113723207B (zh) | 一种基于直方图距离的声发射信号突变检测方法 | |
Prokopenko et al. | Detection of Markovian signals on the background of Markovian interferences: prior uncertainty case | |
Zhao et al. | Identification and Removal of Ground Clutter Using the Fuzzy Logic Algorithm |
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 |