CN115656998A - 一种低样本数下阵列信号自适应检测方法与系统 - Google Patents
一种低样本数下阵列信号自适应检测方法与系统 Download PDFInfo
- Publication number
- CN115656998A CN115656998A CN202211463361.0A CN202211463361A CN115656998A CN 115656998 A CN115656998 A CN 115656998A CN 202211463361 A CN202211463361 A CN 202211463361A CN 115656998 A CN115656998 A CN 115656998A
- Authority
- CN
- China
- Prior art keywords
- covariance matrix
- array
- detection
- matrix
- value
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 83
- 239000011159 matrix material Substances 0.000 claims abstract description 110
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000013499 data model Methods 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 12
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000017105 transposition Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种低样本数下阵列信号自适应检测方法与系统,属于雷达目标检测领域,首先确定网格数,并根据阵列结构确定阵列信号数据模型;然后利用训练样本构造采样协方差矩阵;接着利用数据模型及采样协方差矩阵构造协方差矩阵初始估计值;再迭代估计协方差矩阵;进而利用协方差矩阵估计值及待检测数据构造检测统计量;然后利用检测统计量及系统设定的虚警概率确定检测门限;最后比较检测统计量与检测门限之间的大小,并判决目标是否存在。本发明充分利用了阵列信号的结构信息,使所提出的方法能用于极低数据样本的情形,流程简便,性能优良,所提方法无需独立滤波过程,既可用于秩一信号也可以用于子空间信号的检测。
Description
技术领域
本发明属于雷达目标检测领域,更具体地,涉及一种低样本数下阵列信号自适应检测方法与系统。
背景技术
随着硬件制造工艺的提升,以及信号处理理论的成熟,多通道雷达自适应处理技术逐渐成为雷达信号处理的主流,其中多通道自适应检测是重要内容。在真实环境中,往往存在大量干扰,严重影响目标检测性能,而为了消除掉干扰的影响,通常需要足够多的训练样本。然而,在实际环境中可用的数据样本往往十分有限,尤其是在非均匀环境以及阵列的阵元数较多的情形下。
因此,如何克服现有技术中数据样本不足时的目标检测难题,是本领域技术人员亟需解决问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种低样本数下阵列信号自适应检测方法与系统,其目的在于解决极低数据样本下的目标检测问题。
为实现上述目的,按照本发明的一个方面,提供了一种低样本数下阵列信号自适应检测方法,包括:
步骤1:确定网格数,并根据阵列结构确定阵列信号数据模型;
步骤4:迭代估计协方差矩阵,直至达到最大迭代次数或满足协方差矩阵收敛条件;
步骤5:利用所述协方差矩阵估计值及待检测数据构造检测统计量;
步骤6:利用所述检测统计量及系统设定的虚警概率确定检测门限;
步骤7:比较所述检测统计量与所述检测门限之间的大小,并判决目标是否存在;
其中,
所述步骤3中,协方差矩阵的初始估计值为:
其中,
所述步骤4中通过迭代方式估计协方差矩阵,当下述条件满足其中一个时,迭代过程终止:
进一步,所述步骤4中,迭代估计协方差矩阵具体为:
进一步,所述步骤5中,检测统计量为:
进一步,所述步骤6中,检测门限为:
式中,,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第个最大值,为仅含干扰和噪声分量的待检测数据的第次实现,为第次蒙特卡洛仿真时的协方差矩阵估计值,所述协方差矩阵估计值的表达式为:
其中,
进一步,所述步骤7中,判决目标是否存在的方式为:
进一步,一种低样本数下阵列信号自适应检测系统,所述系统用于实现低样本数下阵列信号自适应检测方法,
还包括:
网格数及数据模型确定模块,用于确定网格数,并根据阵列结构确定阵列信号数据模型;
采样协方差矩阵确定模块,用于利用阵列接收到的样本构造采样协方差矩阵;
协方差矩阵初始值构造模块,用于利用所述阵列信号数据模型及所述采样协方差矩阵构造协方差矩阵初始估计值;
协方差矩阵迭代估计模块,用于迭代估计协方差矩阵;
检测统计量构造模块,用于利用所述协方差矩阵估计值及待检测数据构造检测统计量;
检测门限确定模块,用于利用所述检测统计量及系统设定的虚警概率确定检测门限;
目标判决模块,用于比较所述检测统计量与所述检测门限之间的大小,并判决目标是否存在。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有如下有益效果:
1)通过确定网格数及构建阵列信号数据模型,充分利用了数据的结构信息,使所提出的方法能用于极低数据样本的情形,即使一个训练样本也适用;
2)通过构造合理的协方差矩阵初始值,能够保证所提方法有效估计协方差矩阵;
3)通过协方差矩阵迭代估计,能够精确估计出未知协方差矩阵,为目标检测打下了良好基础;
4)通过设置协方差矩阵迭代终止方法,保证协方差矩阵的合理估计,避免迭代估计过程难以终止;
5)通过构造有效的检测统计量,同时实现了干扰抑制、信号积累和恒虚警处理,简化了流程,提高了检测概率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明所述一种低样本数下阵列信号自适应检测方法原理示意图;
图2为本发明所述一种低样本数下阵列信号自适应检测系统结构框架图;
图3为本发明所提方法与常规检测方法对秩一信号检测的性能比较示意图;
图4为本发明所提方法与常规检测方法对子空间信号检测的性能比较示意图。
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,以下结合附图及实施例,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,下面所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。
式(1)中的干扰加噪声协方差矩阵可以表示为
式(1)中的数据模型是在待检测数据单元不含目标的前提下得到的,若待检测单元含有目标,则式(1)应该修正为
为目标归一化空域频率;对于子空间信号,可表示为,为维列满秩矩阵,为维列向量。可以看出,子空间信号模型具有更广的适用性,当时子空间模型退化为秩一信号模型。以子空间模型为例,检测问题可用下式所示的二元假设检验表示:
对于式(6)中的检测问题,最优检测器为子空间匹配滤波检测器:
(7)然而,式(7)中的协方差矩阵在实际中是未知的。式(6)对应的一个次优检测器为基于子空间的自适应匹配滤波器(Subspace-based Adaptive Matched Filter,SAMF),其检测统计量为:
本发明的目的在于解决极低样本下的阵列雷达目标检测难题。为了实现上述目的;
请参阅图1所示,本实施例提供了一种低样本数下阵列信号自适应检测方法,包括:
步骤1:确定网格数,并根据阵列结构确定阵列信号数据模型;
步骤4:迭代估计协方差矩阵,直至达到最大迭代次数或满足协方差矩阵收敛条件;
步骤5:利用所述协方差矩阵估计值及待检测数据构造检测统计量;
步骤6:利用所述检测统计量及系统设定的虚警概率确定检测门限;
步骤7:比较所述检测统计量与所述检测门限之间的大小,并判决目标是否存在;
其中,
所述步骤3中,协方差矩阵的初始估计值为:
其中,
所述步骤4中通过迭代方式估计协方差矩阵,当下述条件满足其中一个时,迭代过程终止:
所述步骤4中,迭代估计协方差矩阵具体为:
所述步骤5中,检测统计量为:
所述步骤6中,检测门限为:
式中,,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第个最大值,为仅含干扰和噪声分量的待检测数据的第次实现,为第次蒙特卡洛仿真时的协方差矩阵估计值,所述协方差矩阵估计值的表达式为:
其中,
所述步骤7中,判决目标是否存在的方式为:
请参阅图2所示,本发明提供了一种低样本数下阵列信号自适应检测系统,所述系统用于实现低样本数下阵列信号自适应检测方法,
还包括:
网格数及数据模型确定模块,用于确定网格数,并根据阵列结构确定阵列信号数据模型;
采样协方差矩阵确定模块,用于利用阵列接收到的样本构造采样协方差矩阵;
协方差矩阵初始值构造模块,用于利用所述阵列信号数据模型及所述采样协方差矩阵构造协方差矩阵初始估计值;
协方差矩阵迭代估计模块,用于迭代估计协方差矩阵;
检测统计量构造模块,用于利用所述协方差矩阵估计值及待检测数据构造检测统计量;
检测门限确定模块,用于利用所述检测统计量及系统设定的虚警概率确定检测门限;
目标判决模块,用于比较所述检测统计量与所述检测门限之间的大小,并判决目标是否存在。
下面结合仿真实验对本发明的效果做进一步说明。
假设雷达阵列为均匀线阵,阵元间距为半个波长。假设存在个干扰,信号来向相对阵列法线方向的夹角分别为,-20°、12°和27°,各干扰的干噪比(Jammer-to-NoiseRatio,JNR)分别为10 dB、20 dB和30 dB,第个干扰的JNR被定义为,其中为第个干扰的功率,为噪声功率。网格数设定为,训练样本数为。虚警概率为。
图3给出了本发明所提方法与对角加载自适应匹配滤波器(Diagonally LoadedAdaptive Matched Filter,DL-AMF)在检测秩一信号时的检测性能比较,其中,目标的角度为0°,阵元数为,最大迭代次数为10次。从图中可以明显看出本发明所提方法比DL-AMF具有更高的检测概率。
图4给出了本发明所提方法与对角加载SAMF(Diagonally Loaded SAMF,DL-SAMF)在检测子空间信号时的检测性能比较,其中,子空间的维数为,阵元数为,最大迭代次数为12次。从图中可以明显看出本发明所提方法比DL-SAMF具有更高的检测概率。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种低样本数下阵列信号自适应检测方法,其特征在于,包括:
步骤1:确定网格数,并根据阵列结构确定阵列信号数据模型;
步骤4:迭代估计协方差矩阵,直至达到最大迭代次数或满足协方差矩阵收敛条件;
步骤5:利用所述协方差矩阵估计值及待检测数据构造检测统计量;
步骤6:利用所述检测统计量及系统设定的虚警概率确定检测门限;
步骤7:比较所述检测统计量与所述检测门限之间的大小,并判决目标是否存在;
其中,
所述步骤3中,协方差矩阵的初始估计值为:
其中,
所述步骤4中通过迭代方式估计协方差矩阵,当下述条件满足其中一个时,迭代过程终止:
4.根据权利要求3所述的一种低样本数下阵列信号自适应检测方法,其特征在于,所述步骤6中,检测门限为:
式中,,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第个最大值,为仅含干扰和噪声分量的待检测数据的第次实现,为第次蒙特卡洛仿真时的协方差矩阵估计值,所述协方差矩阵估计值的表达式为:
其中,
6.一种低样本数下阵列信号自适应检测系统,其特征在于,所述系统用于实现如权利要求1至5中任一项所述的低样本数下阵列信号自适应检测方法,
还包括:
网格数及数据模型确定模块,用于确定网格数,并根据阵列结构确定阵列信号数据模型;
采样协方差矩阵确定模块,用于利用阵列接收到的样本构造采样协方差矩阵;
协方差矩阵初始值构造模块,用于利用所述阵列信号数据模型及所述采样协方差矩阵构造协方差矩阵初始估计值;
协方差矩阵迭代估计模块,用于迭代估计协方差矩阵;
检测统计量构造模块,用于利用所述协方差矩阵估计值及待检测数据构造检测统计量;
检测门限确定模块,用于利用所述检测统计量及系统设定的虚警概率确定检测门限;
目标判决模块,用于比较所述检测统计量与所述检测门限之间的大小,并判决目标是否存在。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211463361.0A CN115656998B (zh) | 2022-11-22 | 2022-11-22 | 一种低样本数下阵列信号自适应检测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211463361.0A CN115656998B (zh) | 2022-11-22 | 2022-11-22 | 一种低样本数下阵列信号自适应检测方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115656998A true CN115656998A (zh) | 2023-01-31 |
CN115656998B CN115656998B (zh) | 2023-06-13 |
Family
ID=85024615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211463361.0A Active CN115656998B (zh) | 2022-11-22 | 2022-11-22 | 一种低样本数下阵列信号自适应检测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115656998B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120249361A1 (en) * | 2011-04-04 | 2012-10-04 | Zafer Sahinoglu | Method for Detecting Targets Using Space-Time Adaptive Processing |
US20130300596A1 (en) * | 2012-05-11 | 2013-11-14 | Fujitsu Limited | Detection and ranging apparatus and ranging method |
CN109061554A (zh) * | 2018-06-26 | 2018-12-21 | 哈尔滨工程大学 | 一种基于空间离散网格动态更新的目标到达角度估计方法 |
DE102018001499B3 (de) * | 2018-02-26 | 2019-01-31 | Mbda Deutschland Gmbh | Radargerät mit Gruppenantenne und Verfahren zur Quelllokalisation durch eine zweidimensionale Radargruppenantenne |
CN109407045A (zh) * | 2018-10-10 | 2019-03-01 | 苏州大学 | 一种非均匀传感器阵列宽带信号波达方向估计方法 |
CN110824415A (zh) * | 2019-11-19 | 2020-02-21 | 中国人民解放军国防科技大学 | 一种基于多发多收阵列的稀疏波达方向角度估计方法 |
CN111948634A (zh) * | 2020-07-19 | 2020-11-17 | 中国人民解放军空军预警学院 | 干扰条件下基于协方差矩阵重构的目标检测方法与装置 |
CN112835000A (zh) * | 2020-12-29 | 2021-05-25 | 中国人民解放军空军预警学院 | 一种非均匀杂波及干扰条件下的自适应检测方法 |
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 |
CN113238211A (zh) * | 2021-02-05 | 2021-08-10 | 中国人民解放军空军预警学院 | 一种干扰条件下参数化自适应阵列信号检测方法与系统 |
CN113253251A (zh) * | 2021-06-22 | 2021-08-13 | 中国人民解放军空军预警学院 | 目标速度未知时的fda-mimo雷达检测方法与系统 |
CN113253235A (zh) * | 2021-06-22 | 2021-08-13 | 中国人民解放军空军预警学院 | 一种严重非均匀环境中的自适应信号检测方法与系统 |
CN113267758A (zh) * | 2021-07-16 | 2021-08-17 | 中国人民解放军空军预警学院 | 一种复合高斯环境下存在干扰时的目标检测方法与系统 |
CN113311402A (zh) * | 2021-04-16 | 2021-08-27 | 苏州迈斯维通信技术有限公司 | 考虑发射波形非理想正交的mimo雷达目标测向方法及系统 |
CN113567931A (zh) * | 2021-09-28 | 2021-10-29 | 中国人民解放军空军预警学院 | 一种训练样本不足时的双子空间信号检测方法与系统 |
US20210364616A1 (en) * | 2020-05-21 | 2021-11-25 | Hertzwell Pte. Ltd. | Radar system and computer-implemented method for radar target detection |
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
- 2022-11-22 CN CN202211463361.0A patent/CN115656998B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120249361A1 (en) * | 2011-04-04 | 2012-10-04 | Zafer Sahinoglu | Method for Detecting Targets Using Space-Time Adaptive Processing |
US20130300596A1 (en) * | 2012-05-11 | 2013-11-14 | Fujitsu Limited | Detection and ranging apparatus and ranging method |
DE102018001499B3 (de) * | 2018-02-26 | 2019-01-31 | Mbda Deutschland Gmbh | Radargerät mit Gruppenantenne und Verfahren zur Quelllokalisation durch eine zweidimensionale Radargruppenantenne |
CN109061554A (zh) * | 2018-06-26 | 2018-12-21 | 哈尔滨工程大学 | 一种基于空间离散网格动态更新的目标到达角度估计方法 |
CN109407045A (zh) * | 2018-10-10 | 2019-03-01 | 苏州大学 | 一种非均匀传感器阵列宽带信号波达方向估计方法 |
CN110824415A (zh) * | 2019-11-19 | 2020-02-21 | 中国人民解放军国防科技大学 | 一种基于多发多收阵列的稀疏波达方向角度估计方法 |
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 |
US20210364616A1 (en) * | 2020-05-21 | 2021-11-25 | Hertzwell Pte. Ltd. | Radar system and computer-implemented method for radar target detection |
CN111948634A (zh) * | 2020-07-19 | 2020-11-17 | 中国人民解放军空军预警学院 | 干扰条件下基于协方差矩阵重构的目标检测方法与装置 |
CN112835000A (zh) * | 2020-12-29 | 2021-05-25 | 中国人民解放军空军预警学院 | 一种非均匀杂波及干扰条件下的自适应检测方法 |
CN113238211A (zh) * | 2021-02-05 | 2021-08-10 | 中国人民解放军空军预警学院 | 一种干扰条件下参数化自适应阵列信号检测方法与系统 |
CN113311402A (zh) * | 2021-04-16 | 2021-08-27 | 苏州迈斯维通信技术有限公司 | 考虑发射波形非理想正交的mimo雷达目标测向方法及系统 |
CN113253251A (zh) * | 2021-06-22 | 2021-08-13 | 中国人民解放军空军预警学院 | 目标速度未知时的fda-mimo雷达检测方法与系统 |
CN113253235A (zh) * | 2021-06-22 | 2021-08-13 | 中国人民解放军空军预警学院 | 一种严重非均匀环境中的自适应信号检测方法与系统 |
CN113267758A (zh) * | 2021-07-16 | 2021-08-17 | 中国人民解放军空军预警学院 | 一种复合高斯环境下存在干扰时的目标检测方法与系统 |
CN113567931A (zh) * | 2021-09-28 | 2021-10-29 | 中国人民解放军空军预警学院 | 一种训练样本不足时的双子空间信号检测方法与系统 |
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 (6)
Title |
---|
JUN LIU ET AL.: "A computationally efficient detector: Using both the test and training data for disturbance correlation estimation" * |
O.V.BOLKHOVSKAYA ET AL.: "ComparativeAnalysis oof Different Statistics for Detecting Spatial Signals in the Case of Short Samples", vol. 47, no. 9 * |
周延 等: "空域数据重排的后多普勒自适应处理方法", vol. 36, no. 9 * |
李志汇;张永顺;刘汉伟;王强;刘洋;: "基于先验信息稀疏恢复的非均匀样本检测方法", vol. 39, no. 02 * |
杨星 等: "训练样本不足时的子空间信号检测方法", vol. 57, no. 9 * |
郭佳佳等: "利用广义内积值迭代加权的空时协方差矩阵估计方法", vol. 36, no. 2 * |
Also Published As
Publication number | Publication date |
---|---|
CN115656998B (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Margoosian et al. | An accurate kernelized energy detection in Gaussian and non-Gaussian/impulsive noises | |
WO2018094565A1 (zh) | 脉冲噪声下的波束成形方法及装置 | |
CN110045321B (zh) | 基于稀疏和低秩恢复的稳健doa估计方法 | |
CN110045323B (zh) | 一种基于矩阵填充的互质阵稳健自适应波束形成算法 | |
CN109298383B (zh) | 一种基于变分贝叶斯推断的互质阵波达方向角估计方法 | |
CN112712557B (zh) | 一种基于卷积神经网络的超分辨率cir室内指纹定位方法 | |
CN114660567B (zh) | 部分均匀环境中存在野值时的雷达目标检测方法与系统 | |
CN114089325B (zh) | 一种干扰信息不确定时的扩展目标检测方法与系统 | |
CN112835000B (zh) | 一种非均匀杂波及干扰条件下的自适应检测方法 | |
CN111948634A (zh) | 干扰条件下基于协方差矩阵重构的目标检测方法与装置 | |
CN113253235B (zh) | 一种严重非均匀环境中的自适应信号检测方法与系统 | |
CN112558034A (zh) | 一种子空间信号失配时的扩展目标敏感检测器与系统 | |
CN112558014A (zh) | 一种杂波中扩展目标参数可调子空间检测方法与系统 | |
WO2023165631A1 (zh) | 一种用于智能超表面无线通信的信道参数估计方法 | |
CN115032623B (zh) | 子空间信号失配时双参数加权的扩展目标检测方法与系统 | |
CN113267758B (zh) | 一种复合高斯环境下存在干扰时的目标检测方法与系统 | |
CN111257845A (zh) | 一种基于近似消息传递的不在网格目标角度估计方法 | |
CN112799042B (zh) | 一种干扰下基于斜投影的扩展目标自适应检测方法与系统 | |
CN113805139A (zh) | 基于聚焦变换的宽带信号稀疏表示波达方向估计方法 | |
CN115656998A (zh) | 一种低样本数下阵列信号自适应检测方法与系统 | |
CN112799022B (zh) | 一种非均匀及干扰环境中的扩展目标检测方法与系统 | |
Sarevska et al. | Alternative signal detection for neural network-based smart antenna | |
CN113030928B (zh) | 非均匀环境中极化雷达扩展目标自适应检测方法与系统 | |
Nayir et al. | Hybrid-field channel estimation for massive MIMO systems based on OMP cascaded convolutional autoencoder | |
CN114996653A (zh) | 一种基于原子范数最小化的二维鲁棒自适应波束形成方法 |
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 |