CN114966635A - 一种基于长时间相干累加的运动目标线谱增强方法 - Google Patents
一种基于长时间相干累加的运动目标线谱增强方法 Download PDFInfo
- Publication number
- CN114966635A CN114966635A CN202210384934.4A CN202210384934A CN114966635A CN 114966635 A CN114966635 A CN 114966635A CN 202210384934 A CN202210384934 A CN 202210384934A CN 114966635 A CN114966635 A CN 114966635A
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency
- time
- representing
- fourier transform
- 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.)
- Pending
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 71
- 230000001427 coherent effect Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000009825 accumulation Methods 0.000 title claims abstract description 32
- 230000010354 integration Effects 0.000 claims description 25
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
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
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/52001—Auxiliary means for detecting or identifying sonar signals or the like, e.g. sonar jamming signals
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于长时间相干累加的运动目标线谱增强方法。步骤1:获取被动声呐接收数据;步骤2:建立运动目标接收信号模型;步骤3:将步骤1的接收数据输入步骤2的运动目标接收信号模型,得到目标能量集中的功率谱估计结果。本发明针对目标和接收器之间发生相对运动产生的多普勒效应导致水声目标线谱检测性能下降的问题。
Description
技术领域
本发明属于被动声呐信号处理目标探测领域,具体涉及一种基于长时间相干累加的运动目标线谱增强方法。
背景技术
被动声呐系统具有较高的隐蔽性和较远的探测距离,是进行水下目标探测的主要手段之一。通常,被动声呐目标检测是通过处理目标辐射噪声来完成的,而水下目标辐射噪声通常由线谱和连续谱叠加而成,相较于宽带连续谱,窄带线谱在单位带宽上具有更高的能量和更强的稳定性,因此从辐射噪声谱中提取线谱成分有利于在复杂环境下实现对目标的探测。然而世界航运的迅速发展以及人类近岸工业活动愈加频繁导致了低频海洋环境噪声级逐年增加,且减振降噪技术的应用大幅度降低了舰船辐射噪声强度,这使得被动声呐的工作环境更加恶劣,从而对被动声呐检测性能的改善提出了更高的要求。
目前声呐设备大多通过长时间积分处理的手段获取高信噪比增益,比如周期图法功率谱估计,可以对信号进行长时间相干累积,是宽带噪声中窄带分量的最优检测器。但是当目标和接收器之间发生相对运动时,被动声呐接收信号的频谱会产生多普勒展宽,若仍采用基于平稳信号假设的相干累加法进行目标检测,不仅长时间积分的处理增益会受到限制,还会产生由模型失配引起的误差。
发明内容
本发明提供一种基于长时间相干累加的运动目标线谱增强方法,主要针对目标和接收器之间发生相对运动产生的多普勒效应导致水声目标线谱检测性能下降的问题。
本发明通过以下技术方案实现:
一种基于长时间相干累加的运动目标线谱增强方法,所述运动目标线谱增强方法包括以下步骤:
步骤1:获取被动声呐接收数据;
步骤2:建立运动目标接收信号模型;
步骤3:将步骤1的接收数据输入步骤2的运动目标接收信号模型,得到目标能量集中的功率谱估计结果。
一种基于长时间相干累加的运动目标线谱增强方法,所述步骤1获取被动声呐接收数据具体为,对T时间内的信号x(n),n=0,1,...,Nx-1进行分段,每段信号表示如下:
xk(n)=x(n+kD') n=0,1,...,N0-1 (1)
其中Nx=T/TS代表信号离散采样个数,N0=T0/TS代表每段信号点数,D'=D/TS代表滑动点数;TS代表离散采样时间间隔;T0和D分别代表每段信号长度和滑动长度。
一种基于长时间相干累加的运动目标线谱增强方法,所述步骤2建立运动目标接收信号模型具体为,为二阶多项式相位信号。
一种基于长时间相干累加的运动目标线谱增强方法,所述步骤3具体包括以下步骤:
步骤3.1:基于步骤1的分段信号,对每段信号进行离散傅里叶变换,得到每段信号的频谱;
步骤3.2:在时频域中利用多项式Radon-多项式傅里叶变换PRPFT自动匹配信号的频率变化,同时补偿段间信号相位差,之后进行积分可得到参数域的相干积分结果;
步骤3.3:利用最大值投影法获得信号能量长时间相干积分的功率谱Gai。
一种基于长时间相干累加的运动目标线谱增强方法,所述步骤3.1得到每段信号的频谱具体为:
其中Fk=k0+2k1kD-fl,Ψk=k0kD+(N0-1)k1TskD+k1k2D2;
一种基于长时间相干累加的运动目标线谱增强方法,所述步骤3.2在时频域中利用多项式Radon-多项式傅里叶变换PRPFT自动匹配信号的频率变化,同时补偿段间信号相位差,之后进行积分可得到参数域的相干积分结果,具体为,
其中ai、bm、qε、pδ代表变换中的四个搜索参数的离散取值,ai代表时频二维平面搜索直线的截距,对应于信号的初始频率;bm代表时频二维平面搜索直线的斜率,对应于信号的一次调频斜率;pδ代表多项式傅里叶变换的一阶相位系数搜索参数,对应于信号的初始频率;qε代表多项式傅里叶变换的二阶相位系数搜索参数,对应于信号的一次调频斜率;各个参数的搜索范围定义如下:
qε=bm=-bmax+mΔb,m,ε=0,1,...,Nb-1
pδ=δΔp,δ=0,1,...,Np-1
其中amin和amax分别代表接收信号初始频率范围的最小值和最大值,bmax代表接收信号频率随时间变化的最大斜率绝对值;Na、Nb和Np分别代表三个搜索参数的个数,且ΔpNp=D,Δb和Δp分别代表参数bm和pδ的搜索步长。
一种基于长时间相干累加的运动目标线谱增强方法,考虑到式中fl和ai的线性关系,等式两边同时对ai进行傅里叶变换;经过傅里叶变换后,对于每一个频率成分ωi有:
其中H(ωi,bm,pδ)是G(ai,bm,pδ,qε)对ai进行傅里叶变换的结果,R(ωi,kD)exp{jωibmkD}是X(fl,ai+bmkD)对ai进行傅里叶变换的结果;频率ωi的表达式为:
ωi=2πN0Ts(i-1)/Na (8)
对于每一个搜索参数pδ,式可写为矩阵形式:
其中Hi为模型空间,维数为Nb×1;Ri为数据空间,维数为K×1;Li为变换算子,维数为Nb×K;Li的具体元素为:
将求得的H(ωi,bm,pδ)进行反傅里叶变换就得到了X(fl,ai+bmkD)的离散PRPFT变换:
一种基于长时间相干累加的运动目标线谱增强方法,所述步骤3.3利用最大值投影法获得信号能量长时间相干积分的功率谱具体为,在得到的三维参数空间G(ai,bm,pδ)中,搜索峰值对应的参数bm、pδ、qε的取值,将其带入参数域的相干积分结果中得到长时间相干累积功率谱估计:
本发明的有益效果是:
本发明较常规方法能够对更长时间的信号进行相干积分,获得更高的信噪比增益,减弱目标运动带来的影响,有效提高线谱检测能力。
本发明的算法无需目标先验信息,简单易行,可应用于大部分声呐设备上。
本发明能够突破多普勒效应对相干累积的时间限制,克服常规方法检测运动目标的性能下降问题,大幅提高了相干积分算法在低信噪比下的检测性能。
附图说明
图1是本发明的目标运动示意图。
图2是本发明的方法流程图。
图3是本发明的运动目标接收数据LOFAR谱。
图4是本发明的运动目标接收数据功率谱估计结果对比示意图,其中图4-(a)为周期图法功率谱估计示意图,图4-(b)为长时间相干累积功率谱估计示意图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于长时间相干累加的运动目标线谱增强方法,所述运动目标线谱增强方法包括以下步骤:
步骤1:获取被动声呐接收数据;
步骤2:建立运动目标接收信号模型;
步骤3:将步骤1的接收数据输入步骤2的运动目标接收信号模型,得到目标能量集中的功率谱估计结果。
一种基于长时间相干累加的运动目标线谱增强方法,所述步骤1获取被动声呐接收数据具体为,对T时间内的信号x(n),n=0,1,...,Nx-1进行分段,每段信号表示如下:
xk(n)=x(n+kD') n=0,1,...,N0-1 (1)
其中Nx=T/TS代表信号离散采样个数,N0=T0/TS代表每段信号点数,D'=D/TS代表滑动点数;TS代表离散采样时间间隔;T0和D分别代表每段信号长度和滑动长度。
一种基于长时间相干累加的运动目标线谱增强方法,所述步骤2建立运动目标接收信号模型具体为,为二阶多项式相位信号。
一种基于长时间相干累加的运动目标线谱增强方法,所述步骤3具体包括以下步骤:
步骤3.1:基于步骤1的分段信号,对每段信号进行离散傅里叶变换,得到每段信号的频谱;
步骤3.2:在时频域中利用多项式Radon-多项式傅里叶变换PRPFT自动匹配信号的频率变化,同时补偿段间信号相位差,之后进行积分可得到参数域的相干积分结果;
一种基于长时间相干累加的运动目标线谱增强方法,所述步骤3.1得到每段信号的频谱具体为:
其中Fk=k0+2k1kD-fl,Ψk=k0kD+(N0-1)k1TskD+k1k2D2;
一种基于长时间相干累加的运动目标线谱增强方法,所述步骤3.2在时频域中利用多项式Radon-多项式傅里叶变换PRPFT自动匹配信号的频率变化,同时补偿段间信号相位差,之后进行积分可得到参数域的相干积分结果,具体为,
其中ai、bm、qε、pδ代表变换中的四个搜索参数的离散取值,ai代表时频二维平面搜索直线的截距,对应于信号的初始频率;bm代表时频二维平面搜索直线的斜率,对应于信号的一次调频斜率;pδ代表多项式傅里叶变换的一阶相位系数搜索参数,对应于信号的初始频率;qε代表多项式傅里叶变换的二阶相位系数搜索参数,对应于信号的一次调频斜率;各个参数的搜索范围定义如下:
qε=bm=-bmax+mΔb,m,ε=0,1,...,Nb-1 (5)
pδ=δΔp,δ=0,1,...,Np-1 (6)
其中amin和amax分别代表接收信号初始频率范围的最小值和最大值,bmax代表接收信号频率随时间变化的最大斜率绝对值;Na、Nb和Np分别代表三个搜索参数的个数,且ΔpNp=D,Δb和Δp分别代表参数bm和pδ的搜索步长。理论上设置为无限小,但实际中应根据计算量的要求合理选择。
一种基于长时间相干累加的运动目标线谱增强方法,考虑到式中fl和ai的线性关系,等式两边同时对ai进行傅里叶变换;经过傅里叶变换后,对于每一个频率成分ωi有:
其中H(ωi,bm,pδ)是G(ai,bm,pδ,qε)对ai进行傅里叶变换的结果,R(ωi,kD)exp{jωibmkD}是X(fl,ai+bmkD)对ai进行傅里叶变换的结果;频率ωi的表达式为:
ωi=2πN0Ts(i-1)/Na (8)
对于每一个搜索参数pδ,式可写为矩阵形式:
其中Hi为模型空间,维数为Nb×1;Ri为数据空间,维数为K×1;Li为变换算子,维数为Nb×K;Li的具体元素为:
将求得的H(ωi,bm,pδ)进行反傅里叶变换就得到了X(fl,ai+bmkD)的离散PRPFT变换:
一种基于长时间相干累加的运动目标线谱增强方法,所述步骤3.3利用最大值投影法获得信号能量长时间相干积分的功率谱具体为,在得到的三维参数空间G(ai,bm,pδ)中,搜索峰值对应的参数bm、pδ、qε的取值,将其带入参数域的相干积分结果中得到长时间相干累积功率谱估计:
如图1所示,声源沿某一方向以恒定速度v直线运动,在τ=0时刻与接收传感器的初始距离为r0,τ时刻与接收传感器的距离为rτ。θ是声源在τ=0时刻与接收传感器的连线和速度方向的夹角,d是声源在运动过程中距接收传感器的最近距离。假定介质中声速为c,目标在运动过程中,τ时刻声源发出的信号在t时刻被接收传感器接收,则t时刻接收信号x(t)的理论表达式为:
对于图1中接收器采集到的T秒目标噪声数据,具体进行以下处理来获得长时间相干累积功率谱:
步骤一:对接收到的离散信号x(n),n=0,1,...,Nx-1进行分段,每段信号表示如下:
xk(n)=x(n+kD') n=0,1,...,N0-1
其中Nx=T/TS代表信号离散采样个数,N0=T0/TS代表每段信号点数,D'=D/TS代表滑动点数。TS代表离散采样时间间隔,T0和D分别代表每段信号长度和滑动长度。
步骤二:对每段信号进行离散傅里叶变换,得到每段信号的频谱:
步骤三:对各段信号频谱进行PRPFT积分,算法流程如下:
对步骤二中得到的二维频谱复矩阵沿频率维进行FFT,
对于每一个δ,
由式(8)-(10)计算矩阵H;
由式沿H矩阵的列进行IFFT得到每个参数pδ对应的PRPFT变换结果G(ai,bm,pδ)
End
图3是目标匀速直线运动,接收器静止不动时,接收数据的LOFAR谱展示,从图中可以明显看到信号的频率随时间发生漂移,且在100s左右和400s-500s的时间段内有强干扰出现。
图4是对接收信号进行周期图法功率谱估计和本发明提出方法的相干积分结果比较,由于目标线谱频率漂移严重,图4(a)周期图法估计得到的功率谱中无法观察到线谱信号,但是图4(b)中长时间相干累积获得的功率谱中可正确检测到信号,并且该算法将漂移频率点的信号能量相干累积到接收信号的初始频率341.4Hz处,获得高信噪比的谱估计结果。
Claims (8)
1.一种基于长时间相干累加的运动目标线谱增强方法,其特征在于,所述运动目标线谱增强方法包括以下步骤:
步骤1:获取被动声呐接收数据;
步骤2:建立运动目标接收信号模型;
步骤3:将步骤1的接收数据输入步骤2的运动目标接收信号模型,得到目标能量集中的功率谱估计结果。
2.根据权利要求1所述一种基于长时间相干累加的运动目标线谱增强方法,其特征在于,所述步骤1获取被动声呐接收数据具体为,对T时间内的信号x(n),n=0,1,...,Nx-1进行分段,每段信号表示如下:
xk(n)=x(n+kD') n=0,1,...,N0-1 (1)
其中Nx=T/TS代表信号离散采样个数,N0=T0/TS代表每段信号点数,D'=D/TS代表滑动点数;TS代表离散采样时间间隔;T0和D分别代表每段信号长度和滑动长度。
3.根据权利要求1所述一种基于长时间相干累加的运动目标线谱增强方法,其特征在于,所述步骤2建立运动目标接收信号模型具体为,为二阶多项式相位信号。
4.根据权利要求2所述一种基于长时间相干累加的运动目标线谱增强方法,其特征在于,所述步骤3具体包括以下步骤:
步骤3.1:基于步骤1的分段信号,对每段信号进行离散傅里叶变换,得到每段信号的频谱;
步骤3.2:在时频域中利用多项式Radon-多项式傅里叶变换PRPFT自动匹配信号的频率变化,同时补偿段间信号相位差,之后进行积分可得到参数域的相干积分结果;
步骤3.3:利用最大值投影法获得信号能量长时间相干积分的功率谱Gai。
6.根据权利要求4所述一种基于长时间相干累加的运动目标线谱增强方法,其特征在于,所述步骤3.2在时频域中利用多项式Radon-多项式傅里叶变换PRPFT自动匹配信号的频率变化,同时补偿段间信号相位差,之后进行积分可得到参数域的相干积分结果,具体为,
其中ai、bm、qε、pδ代表变换中的四个搜索参数的离散取值,ai代表时频二维平面搜索直线的截距,对应于信号的初始频率;bm代表时频二维平面搜索直线的斜率,对应于信号的一次调频斜率;pδ代表多项式傅里叶变换的一阶相位系数搜索参数,对应于信号的初始频率;qε代表多项式傅里叶变换的二阶相位系数搜索参数,对应于信号的一次调频斜率;各个参数的搜索范围定义如下:
qε=bm=-bmax+mΔb,m,ε=0,1,...,Nb-1 (5)
pδ=δΔp,δ=0,1,...,Np-1 (6)
其中amin和amax分别代表接收信号初始频率范围的最小值和最大值,bmax代表接收信号频率随时间变化的最大斜率绝对值;Na、Nb和Np分别代表三个搜索参数的个数,且ΔpNp=D,Δb和Δp分别代表参数bm和pδ的搜索步长。
7.根据权利要求6所述一种基于长时间相干累加的运动目标线谱增强方法,其特征在于,考虑到式中fl和ai的线性关系,等式两边同时对ai进行傅里叶变换;经过傅里叶变换后,对于每一个频率成分ωi有:
其中H(ωi,bm,pδ)是G(ai,bm,pδ,qε)对ai进行傅里叶变换的结果,R(ωi,kD)exp{jωibmkD}是X(fl,ai+bmkD)对ai进行傅里叶变换的结果;频率ωi的表达式为:
ωi=2πN0Ts(i-1)/Na (8)
对于每一个搜索参数pδ,式可写为矩阵形式:
其中Hi为模型空间,维数为Nb×1;Ri为数据空间,维数为K×1;Li为变换算子,维数为Nb×K;Li的具体元素为:
将求得的H(ωi,bm,pδ)进行反傅里叶变换就得到了X(fl,ai+bmkD)的离散PRPFT变换:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210384934.4A CN114966635A (zh) | 2022-04-13 | 2022-04-13 | 一种基于长时间相干累加的运动目标线谱增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210384934.4A CN114966635A (zh) | 2022-04-13 | 2022-04-13 | 一种基于长时间相干累加的运动目标线谱增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114966635A true CN114966635A (zh) | 2022-08-30 |
Family
ID=82976845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210384934.4A Pending CN114966635A (zh) | 2022-04-13 | 2022-04-13 | 一种基于长时间相干累加的运动目标线谱增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114966635A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115792806A (zh) * | 2022-10-24 | 2023-03-14 | 哈尔滨工程大学 | 非合作线谱分布式水声定位方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103529441A (zh) * | 2012-07-02 | 2014-01-22 | 中国科学院声学研究所 | 一种被动合成孔径目标信号检测和分辨方法及系统 |
-
2022
- 2022-04-13 CN CN202210384934.4A patent/CN114966635A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103529441A (zh) * | 2012-07-02 | 2014-01-22 | 中国科学院声学研究所 | 一种被动合成孔径目标信号检测和分辨方法及系统 |
Non-Patent Citations (5)
Title |
---|
WEI WU ET AL.: "Polynomial Radon-Polynomial Fourier Transform for Near Space Hypersonic Maneuvering Target Detection", IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS, 30 June 2018 (2018-06-30), pages 1306 - 1322 * |
张洪伦;巴晓辉;陈杰;周航;: "基于FFT的微弱GPS信号频率精细估计", 电子与信息学报, no. 09, 15 September 2015 (2015-09-15) * |
张炜;程锦房;许杰;: "基于矢量相干积累的舰船特征线谱增强算法", 探测与控制学报, no. 01, 26 February 2013 (2013-02-26) * |
王南;马世龙;: "水声目标线谱检测技术研究", 声学与电子工程, no. 04, 15 December 2019 (2019-12-15) * |
郭微: "运动目标被动声呐信号频域分析关键技术研究", 《中国知网》, 15 April 2021 (2021-04-15), pages 75 - 79 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115792806A (zh) * | 2022-10-24 | 2023-03-14 | 哈尔滨工程大学 | 非合作线谱分布式水声定位方法 |
CN115792806B (zh) * | 2022-10-24 | 2024-02-20 | 哈尔滨工程大学 | 非合作线谱分布式水声定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549067B (zh) | 一种应用于三阶机动目标的相参积累检测方法 | |
CN107561508B (zh) | 一种用于匀加速运动目标的相参积累检测方法 | |
CN111736128B (zh) | 基于skt-siaf-mscft的相参积累方法 | |
CN107329138B (zh) | 一种pd雷达距离走动校正与相参积累检测方法 | |
AU2013327392B2 (en) | Method for improving performance of a Sodar system | |
JP5251591B2 (ja) | パルス圧縮装置 | |
CN113281727B (zh) | 一种基于水平线列阵的输出增强的波束形成方法及其系统 | |
CN109407070B (zh) | 一种高轨平台地面运动目标检测方法 | |
Wang et al. | A method of velocity estimation using composite hyperbolic frequency-modulated signals in active sonar | |
Wang et al. | Analysis of micro-Doppler signatures of vibration targets using EMD and SPWVD | |
CN107153189B (zh) | 线性调频连续波雷达测距的信号处理方法 | |
Li et al. | WRFRFT-based coherent detection and parameter estimation of radar moving target with unknown entry/departure time | |
JP2009257907A (ja) | 目標検出装置 | |
CN114966635A (zh) | 一种基于长时间相干累加的运动目标线谱增强方法 | |
CN110632596A (zh) | 一种太赫兹sar多频振动误差补偿方法 | |
CN112987003A (zh) | 主动声纳中的hfm信号分离方法及系统 | |
KR20170029899A (ko) | 능동 소나 시스템의 lfm신호 파라미터 추정 장치 및 방법 | |
CN114325695A (zh) | 一种基于旋转天线的雷达目标二维高分辨成像方法 | |
CN110426681B (zh) | 一种基于同步提取s变换的lfm信号参数估计方法 | |
CN111239814B (zh) | 基于同相轴分频追踪平滑的浅剖数据机械干扰压制方法 | |
CN111007473B (zh) | 基于距离频域自相关函数的高速微弱目标检测方法 | |
JP2015049075A (ja) | レーダ及び物体検出方法 | |
JP2001141821A (ja) | レーダ信号処理器 | |
JP7200570B2 (ja) | 信号処理装置、信号処理方法及び制御プログラム | |
CN109001671B (zh) | 一种跳频信号的目标检测和参数估计方法及装置 |
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 |