CN114994632A - 一种基于对称功率谱密度的雷达目标检测方法与系统 - Google Patents
一种基于对称功率谱密度的雷达目标检测方法与系统 Download PDFInfo
- Publication number
- CN114994632A CN114994632A CN202210924692.3A CN202210924692A CN114994632A CN 114994632 A CN114994632 A CN 114994632A CN 202210924692 A CN202210924692 A CN 202210924692A CN 114994632 A CN114994632 A CN 114994632A
- Authority
- CN
- China
- Prior art keywords
- matrix
- formula
- data
- target
- training sample
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
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
本发明公开了一种基于对称功率谱密度的雷达目标检测方法与系统,利用复数域的待检测数据向量、训练样本、目标导向矢量的变换到实数域,实数域的训练样本矩阵构造采样协方差矩阵并利用采样协方差矩阵、实数域的导向矢量矩阵和实数域的待检测数据矩阵构造目标幅度的实部及虚部的最大似然估计,利用待实数域检测数据矩阵、目标幅度实部和虚部的估计、实数域的采样协方差矩阵和实数域的导向矢量矩阵构造检测统计量,进而利用检测统计量和虚警概率确定检测门限,判决目标是否存在。本检测方法将对训练样本数的需求降低一半,算法结构简便,能有效避免因训练样本数不足导致雷达目标检测性能下降的问题。
Description
技术领域
本发明涉及雷达目标的检测技术领域,尤其涉及一种基于对称功率谱密度的雷达目标检测方法与系统。
背景技术
由地基雷达观测到的地杂波具有以零多普勒频率为中心的对称功率谱密度,这表明了杂波的自相关函数是实偶函数,以及杂波的协方差矩阵是实矩阵。
在多通道雷达目标检测中,待检测数据的协方差矩阵通常未知,协方差矩阵的有效估计极为重要。最常用的估计方法为采样协方差矩阵,即:利用待检测数据附近的训练样本,形成采样协方差矩阵,作为待检测数据中未知协方差矩阵的估计结果。然而,由于现实环境中,由于待检测数据和训练样本的非均匀性,以及训练样本常常受到异常值(异常值指的是,功率远远大于其他数据功率的数据,通常可由设备不稳定、雷达环境存在孤立杂波等因素引起)的污染,极大减少了均匀训练样本的数量,进一步导致了采样协方差矩阵性能下降,甚至失效。极大降低了雷达的检测性能。
由此可见,上述技术中因训练样本数不足导致雷达目标检测性能下降的问题,是亟需解决的。
发明内容
为此,本发明提供一种基于对称功率谱密度的雷达目标检测方法与系统。用以克服现有技术中因训练样本数不足导致雷达目标检测性能下降的问题。
一方面,本发明提供一种基于对称功率谱密度的雷达目标检测方法,其特征在于,包括:
步骤S1,数据提取层分别提取雷达接收数据、训练样本数据以及导向矢量的实部和虚部,构造待检测数据矩阵、训练样本矩阵以及导向矢量矩阵;
步骤S2,计算层根据所述训练样本矩阵构建采样协方差矩阵及概率密度分布函数,计算层根据采样协方差矩阵、概率密度分布函数和所述导向矢量矩阵构建针对样本未知幅度实部和虚部的最大似然估计并构建检测统计量;
步骤S3,输出层根据所述检测统计量和虚警概率确定检测门限并根据检测门限与检测统计量以对目标是否存在进行判定。
进一步地,所述步骤S1中,所述数据提取层将所述雷达接收数据记为并将所述训练样本矩阵记为,设定为维向量,设定训练样本矩阵,雷达接收数据和训练样本矩阵均服从圆对称分布,雷达检测目标是否存在的问题通过式(1)表示:
其中,表示不存在目标时的假设检验,表示存在目标时的假设检验,第,为目标未知幅度,设定,为目标导向矢量,设定,为噪声,包括杂波和热噪声,设定,为第个训练样本,设定,其中,,为训练样本中的噪声分量,设定,为虚数单位,设定,、为训练样本数据,和的协方差矩阵均为,为维正定厄米特矩阵,和独立同分布,且具有相同的协方差矩阵,设定。
进一步地,所述雷达接收数据的实部和虚部包括两个独立且同分布的向量,通过式(2)所示的二元假设检验:
进一步地,使用梯度准则确定所述最大似然估计,设定其中,是全部的未知参数向量,设定,是感兴趣的未知向量,设定,是不感兴趣的未知向量,设定,其中,表示对矩阵进行向量化操作,是在的最大似然估计,设定,是在的最大似然估计,是在的值,其中;
经过梯度处理后,通过式(4)和式(5)得到式(6)、式(7)、式(8)以及式(9):
由式(6),式(7)以及式(8)得到式(10):
由式(10)经过推导,得到式(11)、式(12)以及式(13):
进一步地,将所述式(9)写为式(14):
将式(14)写为式(15):
将式(16)简化为式(17):
其中,
将式(19)简化为式(20):
其中,
进一步地,所述计算层通过式(23)以根据所述检测统计量和虚警概率确定检测门限:
其中,为蒙特卡洛仿真次数,为系统设定的虚警概率值,为取整操作,为序列由大到小排列的第个最大值,为第次实验仅含噪声分量的待检测数据的实部,为第次实验仅含噪声分量的待检测数据的虚部,设定,,其中,为第次实验训练样本矩阵的实部,为第次实验训练样本矩阵的虚部,表示第次蒙特卡洛仿真实验。
另一方面,本发明还提供一种基于对称功率谱密度的雷达目标检测系统,包括:
数据提取层,其包括实值数据构造模块,用以提取雷达接收的待检测数据的实部和虚部并构造待检测数据矩阵、提取训练样本数据的实部和虚部用以构造训练样本矩阵以及提取导向矢量的实部和虚部用以构造导向矢量矩阵;
计算层,其与数据提取层相连,包括采样协方差矩阵构造模块,用以利用所示训练样本矩阵构造采样协方差矩阵;最大似然估计模块,用以利用所述的采样协方差矩阵、导向矢量矩阵和待检测数据矩阵得到目标未知幅度实部和虚部的最大似然估计;检测统计量构造模块,用以利用采样协方差矩阵、待检测数据矩阵、导向矢量矩阵和目标未知幅度实部和虚部的最大似然估计构造检测统计量;检测门限确定模块,用以根据虚警概率和所述检测统计量确定检测门限;
输出层,其与计算层相连,包括目标判决模块,用以比较检测统计量与检测门限之间的大小并做出目标是否存在的判决输出。
与现有技术相比,本发明的有益效果在于,利用构建协方差矩阵的方式,将待测数据、训练样板和导向矢量进行最大似然估计,并依靠最大似然估计判决目标的属性,能够有效避免因训练样本数不足导致雷达目标检测性能下降的问题。
进一步地,利用迭代的方式进行推导,从而获取检测统计量,在样本数据量较少的前提下显著提升了雷达的准确度,从而进一步避免因训练样本数不足导致雷达目标检测性能下降的问题。
进一步地,通过设立数据提取层、计算层以及输出层的方式,将雷达的解析工作分立,在避免了因干扰或噪声造成的误差的同时,有效降低了计算量,从而进一步避免因训练样本数不足导致雷达目标检测性能下降的问题。
附图说明
图1为本发明实施例基于对称功率谱密度的雷达目标检测方法流程图;
图2为本发明实施例方法原理示意图;
图3为利用本发明方法构建的系统流程图;
图4为本发明方法与现有方法的仿真性能对比图;
图5为本发明方法与现有方法的实测性能对比图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方所述式。本领域技术人员应当理解的是,这些实施方所述式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
首先,实施例中用到的专业术语进行解释,
卡尔丹公式(Cardano formula):亦称卡丹公式、卡尔达诺公式,是三次方程的求解公式,它给出三次方程x3+px+q=0的三个解为x1=u+v,x2=uw+vw2,x3=uw2+vw;
蒙特卡洛(Monte Carlo)仿真:是一种器件参数变化分析,使用随机抽样估计来估算数学函数的计算的方法。
请参阅图1所示,其为本发明方法的流程图,包括:
步骤S1,数据提取层分别提取雷达接收数据、训练样本数据以及导向矢量的实部和虚部,构造待检测数据矩阵、训练样本矩阵以及导向矢量矩阵;
步骤S2,计算层根据训练样本矩阵构建采样协方差矩阵及概率密度分布函数,计算层根据采样协方差矩阵、概率密度分布函数和导向矢量矩阵构建针对样本未知幅度实部和虚部的最大似然估计并构建检测统计量;
步骤S3,输出层根据检测统计量和虚警概率确定检测门限并根据检测门限与检测统计量以对目标是否存在进行判定。
利用构建协方差矩阵的方式,将待测数据、训练样板和导向矢量进行最大似然估计,并依靠最大似然估计判决目标的属性,能够有效避免因训练样本数不足导致雷达目标检测性能下降的问题。
请参阅图2所示,其为本发明方法原理示意图。
具体而言,所述步骤S1中,所述数据提取层将所述雷达接收数据记为并将所述训练样本矩阵记为,设定为维向量,设定训练样本矩阵,雷达接收数据和训练样本矩阵均服从圆对称分布,雷达检测目标是否存在的问题通过式(1)表示:
其中,表示不存在目标时的假设检验,表示存在目标时的假设检验,第,为目标未知幅度,设定,为目标导向矢量,设定,为噪声,包括杂波和热噪声,设定,为第个训练样本,设定,其中,,为训练样本中的噪声分量,设定,为虚数单位,设定,、为训练样本数据,和的协方差矩阵均为,为维正定厄米特矩阵,和独立同分布,且具有相同的协方差矩阵,设定。
具体而言,所述雷达接收数据的实部和虚部包括两个独立且同分布的向量,通过式(2)所示的二元假设检验:
具体而言,使用梯度准则确定所述最大似然估计,设定其中,是全部的未知参数向量,设定,是感兴趣的未知向量,设定,是不感兴趣的未知向量,设定,其中,表示对矩阵进行向量化操作,是在的最大似然估计,设定,是在的最大似然估计,是在的值,其中;
经过梯度处理后,通过式(4)和式(5)得到式(6)、式(7)、式(8)以及式(9):
由式(6),式(7)以及式(8)得到式(10):
由式(10)经过推导,得到式(11)、式(12)以及式(13):
具体而言,将所述式(9)写为式(14):
将式(14)写为式(15):
将式(16)简化为式(17):
其中,
将式(19)简化为式(20):
其中,
具体而言,所述计算层通过式(23)以根据所述检测统计量和虚警概率确定检测门限:
其中,为蒙特卡洛仿真次数,为系统设定的虚警概率值,为取整操作,为序列由大到小排列的第个最大值,为第次实验仅含噪声分量的待检测数据的实部,为第次实验仅含噪声分量的待检测数据的虚部,设定,,其中,为第次实验训练样本矩阵的实部,为第次实验训练样本矩阵的虚部,表示第次蒙特卡洛仿真实验。
利用迭代的方式进行推导,从而获取检测统计量,在样本数据量较少的前提下显著提升了雷达的准确度,从而进一步避免因训练样本数不足导致雷达目标检测性能下降的问题。
请参阅图3所示,其为利用本发明方法构建的系统流程图,包括:
数据提取层,其包括实值数据构造模块,用以提取雷达接收的待检测数据的实部和虚部并构造待检测数据矩阵、提取训练样本数据的实部和虚部用以构造训练样本矩阵以及提取导向矢量的实部和虚部用以构造导向矢量矩阵;
计算层,其与数据提取层相连,包括采样协方差矩阵构造模块,用以利用所示训练样本矩阵构造采样协方差矩阵;最大似然估计模块,用以利用的采样协方差矩阵、导向矢量矩阵和待检测数据矩阵得到目标未知幅度实部和虚部的最大似然估计;检测统计量构造模块,用以利用采样协方差矩阵、待检测数据矩阵、导向矢量矩阵和目标未知幅度实部和虚部的最大似然估计构造检测统计量;检测门限确定模块,用以根据虚警概率和检测统计量确定检测门限;
输出层,其与计算层相连,包括目标判决模块,用以比较检测统计量与检测门限之间的大小并做出目标是否存在的判决输出。
通过设立数据提取层、计算层以及输出层的方式,将雷达的解析工作分立,在避免了因干扰或噪声造成的误差的同时,有效降低了计算量,从而进一步避免因训练样本数不足导致雷达目标检测性能下降的问题。
请参阅图4所示,其为本发明方法的与现有方法的仿真性能对比图。
请参阅图4中的(a)图所示,其为本发明方法的与现有方法的仿真性能假定目标幅度为复数情况下的对比图,图中D-SS、I-Wald、2S-GLRT、I-GLRT均为文献中公布的方法,可以明显看出本发明方法的在该参数内的优越性;
请参阅图4中的(b)图所示,其为本发明方法的与现有方法的仿真性能假定目标幅度为实数情况下的对比图,图中D-SS、I-Wald、2S-GLRT、I-GLRT均为文献中公布的方法,可以明显看出本发明方法的在该参数内的优越性;
请参阅图5所示,其为本发明方法的与现有方法的实测性能对比图。
请参阅图5中的(a)图所示,其为本发明方法的与现有方法的雷达实测假定目标幅度为复数且数据为HH通道情况下的对比图,图中D-SS、I-Wald、2S-GLRT、I-GLRT均为文献中公布的方法,可以明显看出本发明方法的在该参数内的优越性;
请参阅图5中的(b)图所示,其为本发明方法的与现有方法的雷达实测假定目标幅度为复数且数据为VV通道情况下的对比图,图中D-SS、I-Wald、2S-GLRT、I-GLRT均为文献中公布的方法,可以明显看出本发明方法的在该参数内的优越性。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上仅为本发明的优选实施例,并不用于限制本发明;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保护范围之内。
Claims (10)
1.一种基于对称功率谱密度的雷达目标检测方法,其特征在于,包括:
步骤S1,数据提取层分别提取雷达接收数据、训练样本数据以及导向矢量的实部和虚部,构造待检测数据矩阵、训练样本矩阵以及导向矢量矩阵;
步骤S2,计算层根据所述训练样本矩阵构建采样协方差矩阵及概率密度分布函数,所述计算层根据采样协方差矩阵、概率密度分布函数和所述导向矢量矩阵构建针对样本未知幅度实部和虚部的最大似然估计并构建检测统计量;
步骤S3,输出层根据所述检测统计量和虚警概率确定检测门限并根据检测门限与检测统计量以对目标是否存在进行判定。
2.根据权利要求1所述的基于对称功率谱密度的雷达目标检测方法,其特征在于,所述步骤S1中,所述数据提取层将所述雷达接收数据记为并将所述训练样本矩阵记为,设定为维向量,设定训练样本矩阵,雷达接收数据和训练样本矩阵均服从圆对称分布,雷达检测目标是否存在的问题通过式(1)表示:
4.根据权利要求3所述的基于对称功率谱密度的雷达目标检测方法,其特征在于,使用梯度准则确定所述最大似然估计,设定其中,是全部的未知参数向量,设定,是感兴趣的未知向量,设定,是不感兴趣的未知向量,设定,其中,表示对矩阵进行向量化操作,是在的最大似然估计,设定,是在的最大似然估计,是在的值,其中;
经过梯度处理后,通过式(4)和式(5)得到式(6)、式(7)、式(8)以及式(9):
由式(6),式(7)以及式(8)得到式(10):
由式(10)经过推导,得到式(11)、式(12)以及式(13):
10.一种使用权利要求1-9任一权利要求所述方法的基于对称功率谱密度的雷达目标检测系统,其特征在于,包括:
数据提取层,其包括实值数据构造模块,用以提取雷达接收的待检测数据的实部和虚部并构造待检测数据矩阵、提取训练样本数据的实部和虚部用以构造训练样本矩阵以及提取导向矢量的实部和虚部用以构造导向矢量矩阵;
计算层,其与数据提取层相连,包括采样协方差矩阵构造模块,用以利用所示训练样本矩阵构造采样协方差矩阵;最大似然估计模块,用以利用所述的采样协方差矩阵、导向矢量矩阵和待检测数据矩阵得到目标未知幅度实部和虚部的最大似然估计;检测统计量构造模块,用以利用采样协方差矩阵、待检测数据矩阵、导向矢量矩阵和目标未知幅度实部和虚部的最大似然估计构造检测统计量;检测门限确定模块,用以根据虚警概率和所述检测统计量确定检测门限;
输出层,其与计算层相连,包括目标判决模块,用以比较检测统计量与检测门限之间的大小并做出目标是否存在的判决输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210924692.3A CN114994632B (zh) | 2022-08-03 | 2022-08-03 | 一种基于对称功率谱密度的雷达目标检测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210924692.3A CN114994632B (zh) | 2022-08-03 | 2022-08-03 | 一种基于对称功率谱密度的雷达目标检测方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114994632A true CN114994632A (zh) | 2022-09-02 |
CN114994632B CN114994632B (zh) | 2022-10-28 |
Family
ID=83022352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210924692.3A Active CN114994632B (zh) | 2022-08-03 | 2022-08-03 | 一种基于对称功率谱密度的雷达目标检测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114994632B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115754970A (zh) * | 2022-12-22 | 2023-03-07 | 中国人民解放军空军预警学院 | 一种分布式无人机载雷达空时自适应目标检测方法与系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010085164A (ja) * | 2008-09-30 | 2010-04-15 | Mitsubishi Electric Corp | 画像レーダ装置 |
US20120062409A1 (en) * | 2010-09-10 | 2012-03-15 | Man-On Pun | Method for detecting targets using space-time adaptive processing and shared knowledge of the environment |
CN106483515A (zh) * | 2016-09-23 | 2017-03-08 | 西安电子科技大学 | 均匀k分布杂波下的最优自适应检测方法 |
CN107942308A (zh) * | 2017-10-19 | 2018-04-20 | 西安电子科技大学 | 复合高斯环境下基于伽玛纹理的自适应Rao检测方法 |
CN109495198A (zh) * | 2019-01-25 | 2019-03-19 | 西安电子科技大学 | 基于残差相关矩阵检测的欠采样频谱感知方法 |
CN111157956A (zh) * | 2019-12-24 | 2020-05-15 | 清华大学 | 一种非高斯背景下的雷达信号失配敏感检测方法及系统 |
CN111860863A (zh) * | 2020-07-17 | 2020-10-30 | 江南大学 | 一种基于协方差矩阵的主动学习方法 |
CN111999715A (zh) * | 2020-09-02 | 2020-11-27 | 中国人民解放军海军航空大学 | 异质杂波下目标知识辅助自适应融合检测方法 |
CN111999717A (zh) * | 2020-09-02 | 2020-11-27 | 中国人民解放军海军航空大学 | 基于协方差矩阵结构统计估计的自适应融合检测方法 |
CN114660567A (zh) * | 2022-05-25 | 2022-06-24 | 中国人民解放军空军预警学院 | 部分均匀环境中存在野值时的雷达目标检测方法与系统 |
-
2022
- 2022-08-03 CN CN202210924692.3A patent/CN114994632B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010085164A (ja) * | 2008-09-30 | 2010-04-15 | Mitsubishi Electric Corp | 画像レーダ装置 |
US20120062409A1 (en) * | 2010-09-10 | 2012-03-15 | Man-On Pun | Method for detecting targets using space-time adaptive processing and shared knowledge of the environment |
CN106483515A (zh) * | 2016-09-23 | 2017-03-08 | 西安电子科技大学 | 均匀k分布杂波下的最优自适应检测方法 |
CN107942308A (zh) * | 2017-10-19 | 2018-04-20 | 西安电子科技大学 | 复合高斯环境下基于伽玛纹理的自适应Rao检测方法 |
CN109495198A (zh) * | 2019-01-25 | 2019-03-19 | 西安电子科技大学 | 基于残差相关矩阵检测的欠采样频谱感知方法 |
CN111157956A (zh) * | 2019-12-24 | 2020-05-15 | 清华大学 | 一种非高斯背景下的雷达信号失配敏感检测方法及系统 |
CN111860863A (zh) * | 2020-07-17 | 2020-10-30 | 江南大学 | 一种基于协方差矩阵的主动学习方法 |
CN111999715A (zh) * | 2020-09-02 | 2020-11-27 | 中国人民解放军海军航空大学 | 异质杂波下目标知识辅助自适应融合检测方法 |
CN111999717A (zh) * | 2020-09-02 | 2020-11-27 | 中国人民解放军海军航空大学 | 基于协方差矩阵结构统计估计的自适应融合检测方法 |
CN114660567A (zh) * | 2022-05-25 | 2022-06-24 | 中国人民解放军空军预警学院 | 部分均匀环境中存在野值时的雷达目标检测方法与系统 |
Non-Patent Citations (4)
Title |
---|
SHUO LI 等: "Maximum Likelihood Phase Estimation Method Based on Split-Spectrum for Multi-Frequency InSAR System", 《IGARSS 2018 - 2018 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
刘维建 等: "干扰背景下机载雷达广义似然比检测方法", 《雷达科学与技术》 * |
巨丹静 等: "基于FDA-MIMO雷达低空多路径目标检测", 《桂林电子科技大学学报》 * |
许琦等: "复合高斯杂波中距离扩展目标的参数化Wald检测", 《信号处理》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115754970A (zh) * | 2022-12-22 | 2023-03-07 | 中国人民解放军空军预警学院 | 一种分布式无人机载雷达空时自适应目标检测方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114994632B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108600135B (zh) | 一种信号调制方式的识别方法 | |
US11909563B2 (en) | Method and apparatus for modulation recognition of signals based on cyclic residual network | |
CN104375976B (zh) | 基于张量正则分解的欠定盲源分离中的混合矩阵识别方法 | |
CN110738138A (zh) | 基于循环神经网络的水声通信信号调制模式识别方法 | |
CN103424735B (zh) | 基于最小描述长度的近场源定位方法、装置及系统 | |
CN103941254A (zh) | 一种基于地质雷达的土壤物性类别识别方法和装置 | |
Shutin et al. | Incremental sparse Bayesian learning for parameter estimation of superimposed signals | |
CN114994632B (zh) | 一种基于对称功率谱密度的雷达目标检测方法与系统 | |
CN112036239B (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
CN113516228B (zh) | 一种基于深度神经网络的网络异常检测方法 | |
CN107124762B (zh) | 一种高效消减非视距误差的无线定位方法 | |
CN110427878A (zh) | 一种快速射电暴信号识别方法与系统 | |
CN109521412B (zh) | 基于局部统计量融合的雷达组网空域目标检测方法 | |
CN104360334A (zh) | 相关噪声背景下基于特征值mimo雷达目标盲检测方法 | |
CN113033457B (zh) | 一种软故障识别模型训练和软故障识别方法、装置 | |
CN114254265A (zh) | 基于统计流形距离的卫星通信干扰几何分析方法 | |
CN113608193A (zh) | 一种基于UNet的雷达多目标距离和速度估计方法 | |
CN106019250B (zh) | 基于角闪烁转发式假目标鉴别方法 | |
CN113191224A (zh) | 一种无人机信号提取和识别方法、系统 | |
CN114362851B (zh) | 一种基于机器学习的无线信道数据去噪方法 | |
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 | |
CN113014361B (zh) | 一种基于图的bpsk信号置信度检验方法 | |
CN110880012B (zh) | 多侦察平台脉间捷变雷达辐射源频率信息关联方法 | |
CN112014821B (zh) | 一种基于雷达宽带特征的未知车辆目标识别方法 | |
Durante et al. | Cluster analysis of time series via Kendall distribution |
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 |