CN114492510B - 一种智能海杂波抑制方法 - Google Patents

一种智能海杂波抑制方法 Download PDF

Info

Publication number
CN114492510B
CN114492510B CN202111654116.3A CN202111654116A CN114492510B CN 114492510 B CN114492510 B CN 114492510B CN 202111654116 A CN202111654116 A CN 202111654116A CN 114492510 B CN114492510 B CN 114492510B
Authority
CN
China
Prior art keywords
clutter
power spectrum
sea clutter
center
spectrum
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
Application number
CN202111654116.3A
Other languages
English (en)
Other versions
CN114492510A (zh
Inventor
范一飞
李晨祥
粟嘉
王伶
陶明亮
李滔
张兆林
谢坚
宫延云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202111654116.3A priority Critical patent/CN114492510B/zh
Publication of CN114492510A publication Critical patent/CN114492510A/zh
Application granted granted Critical
Publication of CN114492510B publication Critical patent/CN114492510B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种智能海杂波抑制方法，首先，对实测海杂波的功率谱中心和谱宽进行标注，并建立神经网络，将待分析的实测海杂波数据输入至网络，得到功率谱中心和谱宽，将海杂波的功率谱中心和谱宽代入杂波的功率谱，进而计算得到杂波的自相关矩阵，将杂波的自相关矩阵进行特征值分解，排列后得到最小特征值对应的特征向量，以特征向量作为系数设计滤波器，将杂波序列通过该滤波器即可实现对杂波的有效抑制。本发明使滤波器凹口与海杂波功率谱中心相适应，实现了对海杂波的有效抑制，使用神经网络对海杂波的功率谱中心和谱宽进行准确估计。该估计方法较传统方法而言，有更高的准确性和泛化能力，无需人工参与。

Description

一种智能海杂波抑制方法
技术领域
本发明涉及雷达技术领域，具体为一种海杂波抑制方法，可用于岸基警戒雷达或对海搜索雷达，通过分析海杂波的功率谱中心和谱宽，结合深度学习的智能化方法实现海杂波的有效抑制。
背景技术
海杂波是雷达发射脉冲照射海面的后向散射回波。由于海杂波功率强且起伏较大，它的存在严重影响海面目标检测与识别性能，海面低速运动的弱小目标很容易淹没在强的海杂波背景中。长期以来，针对海杂波的抑制技术已进行了大量的研究工作，经典的海杂波的抑制方法有，如动目标指示(MTI,Moving target indication)、动目标检测(MTD,Moving Target Detection)、空时自适应处理(STAP,Space Time Adaptive Processing)等。对于静态杂波，可以使用传统的MTI滤波器即时延对消器进行滤波，而对于运动杂波，则需要使用相对复杂的自适应杂波抑制器。由于海杂波是运动的，所以它的多普勒频率不会为零。如果在零频率处形成一个滤波器陷波器来抑制杂波，则无法达到预期的效果。为了抑制这种速度不为零的杂波，需要根据杂波环境自适应调整滤波器的陷波位置。在实际应用中，自适应杂波滤波器首先估计杂波功率谱的中心和宽度，然后根据杂波的多普勒频移来移动功率谱的中心。
特征矢量法是将MTI滤波器的权系数预先存储在一个库中，然后根据功率谱的中心和宽度选择合适的滤波器权系数。然而人工估计的功率谱中心和宽度总是存在一定的误差，环境适应性较差。相比上述方法，神经网络具有回归准确、鲁棒性强、无需人工参与等优点，因此在复杂多变的海杂波环境下，其预测的结果更加准确，杂波抑制性能得到明显提升。
发明内容
为了克服现有技术的不足，本发明提供一种智能海杂波抑制方法。本发明设计了一种鲁棒性强、预测结果准、抑制效果好的智能海杂波抑制方法。本发明能够在较少的数据集训练下快速自适应地估计出海杂波的功率谱中心和谱宽，降低人工参与度。
实现本发明的基本思路是：首先，对实测海杂波的功率谱中心f0和谱宽σf进行标注，并建立神经网络，将待分析的实测海杂波数据输入至网络，得到功率谱中心f0和谱宽σf。之后，将海杂波的功率谱中心f0和谱宽σf代入杂波的功率谱，进而计算得到杂波的自相关矩阵。最后，将杂波的自相关矩阵进行特征值分解，排列后得到最小特征值对应的特征向量。以特征向量作为系数设计滤波器，将杂波序列通过该滤波器即可实现对杂波的有效抑制。
本发明解决其技术问题所采用的技术方案包括如下步骤：
(1)数据预处理与标注；
海杂波回波数据为X＝{xk,k＝1,2,3...N}，其中，xk表示海杂波时域回波序列，N为海杂波时域回波序列的长度，海杂波回波数据X的功率谱中心为f0，功率谱宽度为σf；采用周期图法计算得到海杂波回波数据X的功率谱为C(f)，将海杂波功率谱C(f)与已预设的海杂波功率谱中心f0和谱宽σf建立对应关系，将对应关系用文件记录，即完成对海杂波回波数据X的标注；
然后将标注好的数据集划分为训练集与测试集；
(2)神经网络搭建；
搭建的神经网络结构为三层，通过设置衰减学习率加快网络收敛的速度，当网络模型预测谱中心和谱宽的准确率达到阈值P时，即认为网络收敛，得到训练好的神经网络；
(3)计算功率谱中心和谱宽的估计值；
将测试集数据输入步骤(2)中训练好的神经网络，完成海杂波功率谱中心和谱宽的估计，将功率谱中心的估计值记为功率谱谱宽的估计值记为/>
(4)权值计算；
(4.1)计算自相关矩阵；
杂波功率谱符合高斯分布，功率谱表达式为：
其中f表示频率，f0表示杂波功率谱的中心，σf表示杂波功率谱的谱宽，将功率谱中心的估计值和功率谱谱宽的估计值/>代入杂波功率谱C(f)；
对功率谱函数求傅里叶逆变换，得到杂波的自相关函数rc(i,j)为：
其中，ti和tj代表不同的时刻，τij为ti和tj的时间差值，为功率谱谱宽的估计值，/>为功率谱中心的估计值；
计算得杂波的自相关矩阵为：
(4.2)特征值分解；
对杂波的自相关矩阵进行特征值分解：
RcWi＝λiWi
对杂波自相关矩阵Rc的特征值根据大小进行排序：
λ1＜λ2＜λ3＜…＜λN
取最小特征值λ1所对应的特征向量W1作为MTI滤波器的权系数矢量，即将特征向量W1中的每个元素作为FIR滤波器的抽头系数，记W1中的元素为w1,w2,w3,w4,...,wn，n为特征向量W1的长度，将海杂波序列通过该权系数W1形成的FIR滤波器，即可实现海杂波的抑制。
所述训练集与测试集的数据量的比例为1:1。
所述步骤2中，采用批标准化BN控制过拟合，通过调整训练的轮次数epoch调整网络处理数据的速度和精度；如果每训练三轮，网络的准确率没有提升，说明网络的精度需要增加，此时将学习率在原学习率基础上减半，如果连续3轮训练集的准确率没有提升，说明网络模型已经趋于收敛，训练的轮次数可以提前中止；最终，当网络模型预测谱中心和谱宽的准确率达到阈值P时，即得到最终的网络模型。
所述初始学习率取0.01。
所述准确率的阈值P为97％。
本发明的有益效果在于：
1.本发明利用海杂波功率谱中心不为零和谱宽通常有所不同的特点，应用特征矢量法设计了自适应MTI滤波器，使滤波器凹口与海杂波功率谱中心相适应，实现了对海杂波的有效抑制。
2.本发明使用神经网络对海杂波的功率谱中心和谱宽进行准确估计。该估计方法较传统方法而言，有更高的准确性和泛化能力，无需人工参与。
附图说明
图1是本发明的算法实现流程图。
图2是本发明方法采用的神经网络模型。
图3是某实测海杂波序列的功率谱。
图4是根据传统方法设计的滤波器和根据神经网络设计的滤波器。
图5是使用设计的滤波器对杂波进行抑制。
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。
以下结合附图和具体实施例对本发明作进一步详细说明。这里的具体实施例只是本文方法的其中一种情况，不可能包含所有的实施例，通过具体实施例，本部分的内容将会让该领域的工作人员更加清楚理解本方法的工作原理、具体步骤和实施效果；为了实现上述目的，本发明的技术方案包括如下步骤：
(1)数据预处理与标注；
海杂波回波数据为X＝{xk,k＝1,2,3...N}，其中，xk表示海杂波时域回波序列，N为海杂波时域回波序列的长度，海杂波回波数据X的功率谱中心为f0，功率谱宽度为σf；采用周期图法计算得到海杂波回波数据X的功率谱为C(f)，将海杂波功率谱C(f)与已预设的海杂波功率谱中心f0和谱宽σf建立对应关系，将对应关系用文件记录，即完成对海杂波回波数据X的标注；
然后将标注好的数据集划分为训练集与测试集，训练集与测试集的数据量的比例为1:1；
(2)神经网络搭建；
搭建的神经网络结构为三层，通过设置衰减学习率加快网络收敛的速度，当网络模型预测谱中心和谱宽的准确率达到97％时，即认为网络收敛，学习率控制着神经网络模型的收敛速度，学习率过大，相当于步长很大，可能直接跃过最优解；学习率低，步长小，容易陷入局部最优解。本发明初始学习率设为0.01。网络采用批标准化BN控制过拟合，通过调整训练的轮次数epoch调整网络处理数据的速度和精度。如果每训练三轮，网络的准确率没有提升，说明网络的精度需要增加，此时将学习率在原基础上减半。如果连续3轮训练集的准确率没有提升，说明网络模型已经趋于收敛，训练的轮次数可以提前中止。最终，当网络模型预测谱中心和谱宽的准确率达到97％时，即得到最终的网络模型。
(3)计算功率谱中心和谱宽的估计值；
将测试集数据输入步骤(2)中训练好的神经网络，完成海杂波功率谱中心和谱宽的估计，将功率谱中心的估计值记为功率谱谱宽的估计值记为/>
(4)权值计算；
(4.1)计算自相关矩阵；
杂波功率谱符合高斯分布，功率谱表达式为：
其中f表示频率，f0表示杂波功率谱的中心，σf表示杂波功率谱的谱宽，将功率谱中心的估计值和功率谱谱宽的估计值/>代入杂波功率谱C(f)；
对功率谱函数求傅里叶逆变换，得到杂波的自相关函数rc(i,j)为：
其中，ti和tj代表不同的时刻，τij为ti和tj的时间差值，为功率谱谱宽的估计值，/>为功率谱中心的估计值；
计算得杂波的自相关矩阵为：
(4.2)特征值分解；
对杂波的自相关矩阵进行特征值分解：
RcWi＝λiWi
对杂波自相关矩阵Rc的特征值根据大小进行排序：
λ1＜λ2＜λ3＜…＜λN
取最小特征值λ1所对应的特征向量W1作为MTI滤波器的权系数矢量，即将特征向量W1中的每个元素作为FIR滤波器的抽头系数，记W1中的元素为w1,w2,w3,w4,...,wn，n为特征向量W1的长度，将海杂波序列通过该权系数W1形成的FIR滤波器，即可实现海杂波的抑制。
实施例如下：
步骤1，构建海杂波数据集。
本发明使用的IPIX雷达数据为1993年由McMaster大学在加拿大的安大略湖采集得到。IPIX雷达的主要参数指标如表1所示：
表1 IPIX雷达参数指标表
参数指标 参数值
脉冲长度 200ns
距离分辨率 30m
脉冲重复频率 1000Hz
射频 9.39GHz
雷达高度 20m
极化方式 HH VV HV VH
脉冲数 131072
距离单元数 14
工作方式 驻留
对海杂波数据的功率谱中心和谱宽添加标签，将已添加标签的全体数据集划分为训练集和测试集两部分，其比例为1：1。
步骤2，神经网络的搭建。
本发明搭建的神经网络结构为三层的全连接层，包括输入层、一个隐藏层和输出层，神经元个数分别为1024，512，2，如图2所示。网络前两层采用relu激活函数，有效避免了训练模型过程中出现梯度消失和梯度爆炸现象；采用MSE损失函数来确保梯度的快速更新；通过调整batchsize和epoch来调整网络处理的精度和速度。
步骤3，海杂波功率谱中心和谱宽估计。
将步骤1中划分好的测试集输入步骤2中训练好的神经网络，完成实测海波数据功率谱中心f0和谱宽σf的估计。本实例中，某1024点海杂波序列的真实功率谱中心为-70Hz，谱宽为60。传统方法对其估计后，得到的功率谱中心为-40Hz，谱宽为120,而神经网络预测的功率谱中心为-74Hz,谱宽为36。图3为某实测海杂波序列的功率谱。
步骤4，权值计算。
(4.1)计算自相关矩阵。将预测得到的杂波的功率谱中心f0和谱宽σf代入其功率谱函数C(f)。
对功率谱函数求傅里叶逆变换，得到杂波的自相关函数rc(i,j)：
其中，ti和tj代表不同的时刻，τij为ti和tj的差。
根据自相关函数rc(i,j)计算得杂波的自相关矩阵：
(4.2)特征值分解。对杂波的自相关矩阵进行特征值分解。
RcWi＝λiWi
对其特征值根据大小排列：
λ1＜λ2＜λ3＜…＜λN
取最小特征值λ1对应的特征向量W1即为MTI滤波器的权系数矢量。依据传统方法预测功率谱中心和谱宽，求得权系数矢量Wt为
根据神经网络预测功率谱中心和谱宽，求得权系数矢量Wn为
根据传统方法设计的滤波器和根据神经网络设计的滤波器如图4所示。图中根据神经网络设计的滤波器，其凹口更深，且阻带较窄。
使用图4中的滤波器对图3中的功率谱进行滤波处理，其结果如图5所示。可以看到，经过传统方法处理后，海杂波的功率谱仍有一定的残留，并未将其彻底滤除。而使用神经网络设计的滤波器抑制杂波效果明显，在频域可将杂波基本去除。
取400段实测海杂波数据分别使用传统方法和神经网络方法去估计功率谱中心和谱宽，每段海杂波数据的长度为1024。表2给出了3种功率谱中心估计方法的统计结果，表3给出了2种谱宽估计方法的统计结果。
表2 功率谱中心估计标准差
功率谱中心估计方法 功率谱中心估计均方差/Hz
FFT结果取大法 25.981
质心法 17.953
神经网络法 2.273
表3 谱宽估计均方差
谱宽估计方法 谱宽估计均方差
积分法 15.362
神经网络法 2.271
如表2所示，FFT结果取大法和质心法对功率谱中心的估计均存在较大的误差，而神经网络预测功率谱中心的误差非常小。由表3可知，积分法估计谱宽误差比较大，而神经网络估计谱宽的误差很小，说明其预测较为准确。
使用质心法估计功率谱中心，积分法估计谱宽，从而计算出MTI滤波器的权系数矢量，然后可以求得每段杂波的改善因子。计算出上述400段数据的平均改善因子为Itra＝40.030dB。使用神经网络估计功率谱中心和谱宽，计算出上述400段数据的平均改善因子为Inet＝50.758dB。可以看出，神经网络估计功率谱中心和谱宽后，计算出的权系数矢量明显提高了杂波的改善因子。
综上所述，本发明对海杂波谱中心和谱宽的估计能力优于传统方法，根据其设计的滤波器可有效抑制杂波。

Claims (5)

1.一种智能海杂波抑制方法，其特征在于包括下述步骤：
(1)数据预处理与标注；
海杂波回波数据为X＝{xk,k＝1,2,3...N}，其中，xk表示海杂波时域回波序列，N为海杂波时域回波序列的长度，海杂波回波数据X的功率谱中心为f0，功率谱宽度为σf；采用周期图法计算得到海杂波回波数据X的功率谱为C(f)，将海杂波功率谱C(f)与已预设的海杂波功率谱中心f0和谱宽σf建立对应关系，将对应关系用文件记录，即完成对海杂波回波数据X的标注；
然后将标注好的数据集划分为训练集与测试集；
(2)神经网络搭建；
搭建的神经网络结构为三层，通过设置衰减学习率加快网络收敛的速度，当网络模型预测谱中心和谱宽的准确率达到阈值P时，即认为网络收敛，得到训练好的神经网络；
(3)计算功率谱中心和谱宽的估计值；
将测试集数据输入步骤(2)中训练好的神经网络，完成海杂波功率谱中心和谱宽的估计，将功率谱中心的估计值记为功率谱谱宽的估计值记为/>
(4)权值计算；
(4.1)计算自相关矩阵；
杂波功率谱符合高斯分布，功率谱表达式为：
其中f表示频率，f0表示杂波功率谱的中心，σf表示杂波功率谱的谱宽，将功率谱中心的估计值和功率谱谱宽的估计值/>代入杂波功率谱C(f)；
对功率谱函数求傅里叶逆变换，得到杂波的自相关函数rc(i,j)为：
其中，ti和tj代表不同的时刻，τij为ti和tj的时间差值，为功率谱谱宽的估计值，/>为功率谱中心的估计值；
计算得杂波的自相关矩阵为：
(4.2)特征值分解；
对杂波的自相关矩阵进行特征值分解：
RcWi＝λiWi
对杂波自相关矩阵Rc的特征值根据大小进行排序：
λ1＜λ2＜λ3＜…＜λN
取最小特征值λ1所对应的特征向量W1作为MTI滤波器的权系数矢量，即将特征向量W1中的每个元素作为FIR滤波器的抽头系数，记W1中的元素为w1,w2,w3,w4,...,wn，n为特征向量W1的长度，将海杂波序列通过该权系数W1形成的FIR滤波器，即可实现海杂波的抑制。
2.根据权利要求1所述的智能海杂波抑制方法，其特征在于：
所述训练集与测试集的数据量的比例为1:1。
3.根据权利要求1所述的智能海杂波抑制方法，其特征在于：
所述步骤2中，采用批标准化BN控制过拟合，通过调整训练的轮次数epoch调整网络处理数据的速度和精度；如果每训练三轮，网络的准确率没有提升，说明网络的精度需要增加，此时将学习率在原学习率基础上减半，如果连续3轮训练集的准确率没有提升，说明网络模型已经趋于收敛，训练的轮次数可以提前中止；最终，当网络模型预测谱中心和谱宽的准确率达到阈值P时，即得到最终的网络模型。
4.根据权利要求3所述的智能海杂波抑制方法，其特征在于：
所述初始学习率取0.01。
5.根据权利要求3所述的智能海杂波抑制方法，其特征在于：
所述准确率的阈值P为97％。
CN202111654116.3A 2021-12-30 2021-12-30 一种智能海杂波抑制方法 Active CN114492510B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111654116.3A CN114492510B (zh) 2021-12-30 2021-12-30 一种智能海杂波抑制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111654116.3A CN114492510B (zh) 2021-12-30 2021-12-30 一种智能海杂波抑制方法

Publications (2)

Publication Number Publication Date
CN114492510A CN114492510A (zh) 2022-05-13
CN114492510B true CN114492510B (zh) 2024-02-27

Family

ID=81508551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111654116.3A Active CN114492510B (zh) 2021-12-30 2021-12-30 一种智能海杂波抑制方法

Country Status (1)

Country Link
CN (1) CN114492510B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102779336A (zh) * 2012-07-09 2012-11-14 重庆大学 基于混沌的光电图像海杂波抑制方法
JP2014044193A (ja) * 2012-07-31 2014-03-13 Mitsubishi Electric Corp クラッタ抑圧装置
CN110865352A (zh) * 2019-12-05 2020-03-06 中国船舶重工集团公司第七二四研究所 一种基于纹理相关性的块自适应海杂波抑制方法
JP2021015079A (ja) * 2019-07-16 2021-02-12 株式会社東芝 レーダ監視装置及び方法
CN112612006A (zh) * 2020-11-25 2021-04-06 中山大学 基于深度学习的机载雷达非均匀杂波抑制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102779336A (zh) * 2012-07-09 2012-11-14 重庆大学 基于混沌的光电图像海杂波抑制方法
JP2014044193A (ja) * 2012-07-31 2014-03-13 Mitsubishi Electric Corp クラッタ抑圧装置
JP2021015079A (ja) * 2019-07-16 2021-02-12 株式会社東芝 レーダ監視装置及び方法
CN110865352A (zh) * 2019-12-05 2020-03-06 中国船舶重工集团公司第七二四研究所 一种基于纹理相关性的块自适应海杂波抑制方法
CN112612006A (zh) * 2020-11-25 2021-04-06 中山大学 基于深度学习的机载雷达非均匀杂波抑制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于ES-ELM和FRFT的高频地波雷达多目标自适应检测;李庆忠;翟羽佳;牛炯;;电波科学学报;20200415(02);全文 *
杂波谱中心和谱宽估计方法;葛凤翔, 孟华东, 彭应宁, 王秀坛;清华大学学报(自然科学版);20020730(07);全文 *

Also Published As

Publication number Publication date
CN114492510A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN104569948B (zh) 海杂波背景下子带自适应glrt‑ltd检测方法
CN106569193B (zh) 基于前-后向收益参考粒子滤波的海面小目标检测方法
CN106483516A (zh) 基于先验知识的雷达杂波空时自适应处理方法
CN107607938B (zh) 一种频率分集阵列雷达低空目标检测方法
CN104977571B (zh) 基于俯仰频率分集stap的距离模糊杂波抑制方法
CN106772253B (zh) 一种非均匀杂波环境下的雷达杂波抑制方法
CN112612006B (zh) 基于深度学习的机载雷达非均匀杂波抑制方法
CN110456351B (zh) 基于时变幅值lfm信号参数估计的机动目标isar成像方法
CN107180259B (zh) 一种基于系统辨识的stap训练样本选择方法
CN109001687A (zh) 基于广义旁瓣相消结构的机载雷达空时自适应滤波方法
CN104007423A (zh) 基于混沌序列预测的天波雷达海杂波抑制方法
CN109709536A (zh) 一种基于卷积神经网络的sar动目标检测方法
CN106546966B (zh) 基于多项式拟合的杂波背景下雷达噪声功率估计方法
CN110865344A (zh) 一种脉冲多普勒雷达体制下副瓣快速抑制方法
CN110082744A (zh) 多普勒分级复用的mimo机载双基雷达杂波抑制方法
Bocquet et al. Parameter estimation for a compound radar clutter model with trimodal discrete texture
CN104793210B (zh) 基于压缩感知的机载相控阵雷达低空风切变风速估计方法
CN114609594A (zh) 非均匀性杂波中知识辅助宽带雷达目标检测器及设计方法
CN107748364A (zh) 基于降秩多级维纳滤波器的低空风切变风场速度估计方法
CN106199552B (zh) 一种局部均匀海杂波背景下的分组广义似然比检测方法
CN113567944B (zh) 海杂波中frft域奇异值特征的目标检测方法和装置
CN114492510B (zh) 一种智能海杂波抑制方法
CN110764084A (zh) 一种复杂地形下遮蔽目标的雷达探测方法
CN106199539A (zh) 基于白化滤波器的地杂波抑制方法
CN105785453B (zh) 一种穿墙雷达墙后人体目标的自适应指示方法

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