CN115685096A - 一种基于逻辑回归的二次雷达副瓣抑制方法 - Google Patents

一种基于逻辑回归的二次雷达副瓣抑制方法 Download PDF

Info

Publication number
CN115685096A
CN115685096A CN202211713384.2A CN202211713384A CN115685096A CN 115685096 A CN115685096 A CN 115685096A CN 202211713384 A CN202211713384 A CN 202211713384A CN 115685096 A CN115685096 A CN 115685096A
Authority
CN
China
Prior art keywords
target
logistic regression
side lobe
radar
secondary radar
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
Application number
CN202211713384.2A
Other languages
English (en)
Other versions
CN115685096B (zh
Inventor
张欣
谢星星
陶龙
顾良松
王强
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.)
Chengdu Realtime Technology Co ltd
Original Assignee
Chengdu Realtime Technology Co ltd
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 Chengdu Realtime Technology Co ltd filed Critical Chengdu Realtime Technology Co ltd
Priority to CN202211713384.2A priority Critical patent/CN115685096B/zh
Publication of CN115685096A publication Critical patent/CN115685096A/zh
Application granted granted Critical
Publication of CN115685096B publication Critical patent/CN115685096B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

本发明公开了一种基于逻辑回归的二次雷达副瓣抑制方法，利用二次雷达接收的应答信号特征参数，在信息层面建立了一种应答信号特征描述方法，并提出了基于该特征进行主瓣、副瓣应答信号判决模型训练方法，通过该模型即可直接完成二次雷达副瓣应答信号的判决并进行抑制，通过上述方式解决了当前传统旁瓣抑制方法中和差、和控制波束副瓣抑制参数难以调整、难以实现各种环境情况下副瓣穿刺抑制，需和差抑制、和控制抑制、灵敏度时间控制、与一次雷达目标匹配等多级处理步骤繁琐、处理效能较低等问题。

Description

一种基于逻辑回归的二次雷达副瓣抑制方法
技术领域
本发明涉及二次雷达领域，具体涉及一种基于逻辑回归的二次雷达副瓣抑制方法。
背景技术
二次雷达系统，主要由询问设备与应答设备组成，主要应用于民航交通管制（AirTraffic Control）。通常询问设备通过天线发射工作频率为1030Mhz的电磁脉冲，民航飞机上的应答设备接收到该辐射信号后将发射工作频率为1090Mhz的应答电磁脉冲；询问机接收到应答脉冲信号后完成信息解析、从而达到目标的探测、辨认目的。然后在二次雷达实际工作中，由于安装环境、以及天线性能等诸多因素影响，经常受到电磁信号副瓣干扰信号影响，导致二次雷达探测、辨别的准确度大受影响。
目前进行二次雷达副瓣抑制的传统的方法包括和差通道信号幅度抑制、和控制通道信号幅度抑制、灵敏度时间控制（STC）抑制等，主要依靠硬件特性、固定的门限参数调整实现抑制，往往实际工程应用中，由于天线和设备硬件条件限制以及环境影响，难以实现差波束方向图、控制波束方向图能够完全覆盖和波束副瓣位置，和差、和控制的参数调整无法满足所有情况的副瓣穿刺抑制；灵敏度时间控制抑制的方法通过理论计算应答信号对应距离信号强度仅能抑制小于该信号的虚假副瓣穿刺；一次雷达探测目标的匹配滤波等。
发明内容
针对现有技术中的上述不足，本发明提供了一种基于逻辑回归的二次雷达副瓣抑制方法。
为了达到上述发明目的，本发明采用的技术方案为：
一种基于逻辑回归的二次雷达副瓣抑制方法，包括如下步骤：
S1、根据采集探测的目标信号并解析，根据解析得到的信号表征构建探测目标信号的多维特征向量；
S2、使用二次雷达设备于微波暗室环境中进行俯仰角、波束指向角的应答信号采集，利用所采集信号作为训练样本构建逻辑回归模型并进行训练；
S3、设备正常工作中，利用训练完成的逻辑回归模型解析二次雷达应答信号并进行副瓣信号目标判决抑制，得到经过副瓣抑制后的二次雷达信号；
S4、采用步骤S3中经过副瓣抑制后的二次雷达信号对步骤S2中的模型进行训练样本扩充，对步骤S2构建的逻辑回归模型进行持续迭代优化训练，进一步提升模型性能。
进一步的，所述S1具体包括如下步骤：
S11、根据二次雷达询问机接收到的应答信号进行信息解析，提取信号所表征的物理信息，将所提取的信号所表征的物理信息组成一维特征向量；
S12、对步骤S11得到的一维特征向量进行特征变换，得到归一化后的特征向量；
S13、对一组询问应答处理流程中解析的目标进行处理，采用kmean算法进行目标凝聚，并按照步骤S11-S12流程处理得到最终的二次雷达单周期工作下的目标特征向量描述。
进一步的，所述S11中所提取的信号表征的物理信息包括：目标的距离、机体系方位、波束指向角、俯仰角、和波束幅度、差波束幅度、控制波束幅度、和差幅度差值、和控制幅度差值、工作频率、一次雷达探测目标距离、一次雷达探测目标机体系方位。
进一步的，所述S2具体包括如下步骤：
S21、利用标准二次雷达在暗室中进行雷达波束扫描，得到雷达波束俯仰角、波束指向角的应答信号；
S22、根据步骤S21得到的雷达波束俯仰角、波束指向角的应答信号，采用随机值方式扩充模拟各情况下的训练样本，得到方向图样集；
S23、在步骤S22得到的方向图样集上标定主瓣和副瓣区间，并按照步骤S1的方式构建主瓣特征向量训练数据样本集和副瓣特征向量训练样本数据集，并合并为逻辑回归模型的训练样本集；
S24、利用S23训练样本集进行逻辑回归模型训练，计算逻辑回归模型的参数。
进一步的，所述S22中采用随机值方式扩充模拟各情况下的训练样本的具体方式为：
Figure 66482DEST_PATH_IMAGE001
其中，
Figure 913084DEST_PATH_IMAGE002
为电磁波空间衰减；
Figure 606234DEST_PATH_IMAGE003
为二次雷达的工作频率，单位为Mhz；
Figure 933310DEST_PATH_IMAGE004
为距离段，单位为km；
Figure 141962DEST_PATH_IMAGE005
为随机影响因子。
进一步的，所述S24中利用极大似然函数计算回归模型的参数，具体方式为：
S241、计算主瓣和副瓣的估计概率，计算方式为：
Figure 23330DEST_PATH_IMAGE006
其中，
Figure 520170DEST_PATH_IMAGE007
表示在输入目标特征向量
Figure 967332DEST_PATH_IMAGE008
的情况观测结果Y=1为副瓣的概率估计，
Figure 625847DEST_PATH_IMAGE009
为在输入目标特征向量
Figure 243779DEST_PATH_IMAGE008
的情况观测结果Y=0为主瓣的概率估计，
Figure 481993DEST_PATH_IMAGE010
为输入目标特征向量
Figure 49241DEST_PATH_IMAGE008
的概率密度函数；
S242、对训练样本集构建似然函数，表示为：
Figure 878657DEST_PATH_IMAGE011
其中，
Figure 983885DEST_PATH_IMAGE012
为第i个目标特征向量，
Figure 822528DEST_PATH_IMAGE013
为
Figure 181965DEST_PATH_IMAGE012
的概率密度函数，
Figure 447861DEST_PATH_IMAGE014
为第i个输出结果，
Figure 774806DEST_PATH_IMAGE015
为目标特征向量总数；
S243、对S242中构建的似然函数求对数，得到对数似然函数，表示为：
Figure 417140DEST_PATH_IMAGE016
Figure 896663DEST_PATH_IMAGE017
Figure 333460DEST_PATH_IMAGE018
其中，
Figure 162350DEST_PATH_IMAGE019
为逻辑回归模型的参数的对数似然函数，
Figure 546058DEST_PATH_IMAGE020
为逻辑回归模型的参数；
S244、对逻辑回归模型的参数的对数似然函数
Figure 676825DEST_PATH_IMAGE021
求极大值，得到逻辑回归模型的参数估计值。
进一步的，所述S4具体包括如下步骤：
S41、在二次雷达设备正常工作过程中，计算本次接收目标解系信息的特征参数表达；
S42、利用计算得到的逻辑回归模型的参数计算本次接收目标为副瓣目标的概率，若是，则判定本次接收目标为虚假目标并抑制该虚假目标，若不是则正常输出结果。
进一步的，所述S32中计算本次目标为副瓣目标概率的方式为：
Figure 284524DEST_PATH_IMAGE022
其中，
Figure 586061DEST_PATH_IMAGE023
为逻辑回归模型的参数，
Figure 304618DEST_PATH_IMAGE024
为主瓣特征向量数据样本集；
当计算结果为1时，则判定为副瓣目标并抑制该虚假目标，若为0则输出结果。
本发明具有以下有益效果：
1、运用机器学习方法，通过逻辑回归模型代替传统二次雷达副瓣抑制分级处理流程且信号参数信息未关联运用。本方法将二次雷达信号的距离、方位、俯仰、波束指向、和波束幅度、差波束幅度、控制波束幅度等诸多信息纳入到逻辑回归模型中，使用最优化的方法得到参数估计，信息之间关联性在该模型中得以运用，具有更好的判决效果。
2、提出了一种二次雷达信号参数特征描述方法，采用了
Figure 758733DEST_PATH_IMAGE025
算法进行目标点迹凝聚、剔除虚假干扰点，相比传统均方根误差剔虚假干扰点效率更高、精度更优。
3、本发明提出基于逻辑回归的副瓣抑制方法，可通过人为干预的方式，持续补充训练样本集完成逻辑回归模型优化迭代达到更高的精度，相比传统副瓣抑制参数调整方法更加有效可靠。
附图说明
图1为本发明基于逻辑回归的二次雷达副瓣抑制方法流程示意图。
图2为本发明实施例二次雷达单周期工作下的目标特征向量描述处理流程示意图。
图3为本发明实施例训练样本原始方向图示意图。
图4为本发明实施例副瓣抑制实测方向图示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
一种基于逻辑回归的二次雷达副瓣抑制方法，如图1所示，包括如下步骤：
S1、根据采集探测的目标信号并解析，根据解析得到的信号表征构建探测目标信号的多维特征向量；
具体而言，S1具体包括如下步骤：
S11、根据二次雷达询问机接收到的应答信号进行信息解析，提取信号所表征的物理信息，将所提取的信号所表征的物理信息组成一维特征向量；
根据二次雷达询问机接收到应答信号，完成信息解析工作，提取信号所表征目标的距离、机体系方位、波束指向角、俯仰角、和波束幅度、差波束幅度、控制波束幅度、和差幅度差值、和控制幅度差值、工作频率、一次雷达探测目标距离、一次雷达探测目标机体系方位，组成一维向量
Figure 537334DEST_PATH_IMAGE026
；其中
Figure 326167DEST_PATH_IMAGE027
即为上述每一项信号参数具体数值。
S12、对步骤S11得到的一维特征向量进行特征变换，得到归一化后的特征向量；
对构建的特征向量
Figure 848415DEST_PATH_IMAGE026
进行特征变换，使用归一化向量
Figure 157037DEST_PATH_IMAGE028
，完成该向量每一维度归一化操作，得到归一化后的特征向量
Figure 106538DEST_PATH_IMAGE029
，其中归一化向量
Figure 117088DEST_PATH_IMAGE028
具体参数选择见表1。
表1归一化向量选择方法
Figure 443027DEST_PATH_IMAGE030
S13、对一组询问应答处理流程中解析的目标进行处理，采用kmean算法进行目标凝聚，并按照步骤S11-S12流程处理得到最终的二次雷达单周期工作下的目标特征向量描述。
对一组询问应答处理流程中解析的目标进行处理，设一组询问应答的次数为
Figure 606156DEST_PATH_IMAGE031
，可获得
Figure 726558DEST_PATH_IMAGE032
个目标的参数信息（
Figure 492914DEST_PATH_IMAGE033
，
Figure 356964DEST_PATH_IMAGE034
为系统单次波束辐射处理目标个数极限能力）。采用
Figure 374599DEST_PATH_IMAGE035
算法，使用获取目标的距离和方位完成本组系统接收到的目标凝聚，最后按照步骤S11、步骤S12处理最终得到二次雷达单周期工作下的目标特征向量描述
Figure 931482DEST_PATH_IMAGE036
，处理流程如图2所示。
S2、使用二次雷达设备于微波暗室环境中进行俯仰角、波束指向角的应答信号采集，利用所采集信号作为训练样本构建逻辑回归模型并进行训练；
在本实施例里，S2具体包括如下步骤：
S21、利用标准二次雷达在暗室中进行雷达波束扫描，得到雷达波束俯仰角、波束指向角的应答信号；
使用标准二次雷达设备于微波暗室环境中进行测试，完成各个俯仰角、波束指向角的和波束、差波束、控制波束的方向图扫描，方向图示意如图3所示
S22、根据步骤S21得到的雷达波束俯仰角、波束指向角的应答信号，采用随机值方式扩充模拟各情况下的训练样本，得到方向图样集；
使用步骤S21采集的数据，依据电磁波空间衰减公式
Figure 916625DEST_PATH_IMAGE037
完成所有距离段方向图样本数据的扩充，考虑大气折射、天线极化、目标姿态、射频前端增益抖动等诸多影响因素，引入补充影响因子
Figure 584366DEST_PATH_IMAGE038
随机值，影响因子
Figure 456507DEST_PATH_IMAGE005
是基于工程经验的一个随机抖动范围值，信号真实的抖动区间在
Figure 184292DEST_PATH_IMAGE039
dB之间，采用随机值的方法以扩充模拟各种情况下的训练样本。
Figure 391151DEST_PATH_IMAGE037
，因二次雷达系统以1090Mhz为接收频率，
Figure 597005DEST_PATH_IMAGE040
表示以兆赫兹为单位的工作频率、
Figure 589231DEST_PATH_IMAGE041
；
Figure 487917DEST_PATH_IMAGE042
距离段选择以公里为单位按照2倍关系，从1公里至系统最大作用距离
Figure 182073DEST_PATH_IMAGE043
，每个距离段取24个随机值，依据上述方式，得到雷达波束的方向图样本集。
S23、在步骤S22得到的方向图样集上标定主瓣和副瓣区间，并按照步骤S1的方式构建主瓣特征向量训练数据样本集和副瓣特征向量训练样本数据集，并合并为逻辑回归模型的训练样本集；
依据步骤S22形成的方向图样本集，标定主瓣和副瓣区间，使用步骤1描述方法，此时一次距离和方位参数直接写0处理，完成主瓣特征向量训练数据样本集
Figure 191617DEST_PATH_IMAGE044
、以及副瓣特征向量训练样本数据集
Figure 303930DEST_PATH_IMAGE045
，整合得到逻辑回归模型的训练样本集
Figure 107937DEST_PATH_IMAGE046
。
S24、利用S23训练样本集进行逻辑回归模型训练，计算逻辑回归模型的参数。
在本实施例里，具体包括如下步骤：
S241、计算主瓣和副瓣的估计概率，计算方式为：
Figure 557898DEST_PATH_IMAGE006
其中,P(*)指对输入特征向量结果为主瓣或副瓣的概率估计，
Figure 105554DEST_PATH_IMAGE047
表示在输入目标特征向量
Figure 72373DEST_PATH_IMAGE008
的情况观测结果Y=1为副瓣的概率估计，
Figure 47282DEST_PATH_IMAGE048
为在输入目标特征向量
Figure 981609DEST_PATH_IMAGE008
的情况观测结果Y=0为主瓣的概率估计；
S242、对训练样本集构建似然函数，表示为：
Figure 129694DEST_PATH_IMAGE011
其中，
Figure 951019DEST_PATH_IMAGE012
为第i个目标特征向量，
Figure 362409DEST_PATH_IMAGE013
为
Figure 269185DEST_PATH_IMAGE012
的概率密度函数，
Figure 407911DEST_PATH_IMAGE014
为第i个输出结果，
Figure 349322DEST_PATH_IMAGE015
为目标特征向量总数；
S243、对S242中构建的似然函数求对数，得到对数似然函数，表示为：
Figure 666034DEST_PATH_IMAGE016
Figure 60106DEST_PATH_IMAGE017
Figure 2523DEST_PATH_IMAGE018
其中，
Figure 798441DEST_PATH_IMAGE019
为逻辑回归模型的参数的对数似然函数；
S244、对
Figure 551633DEST_PATH_IMAGE021
求极大值，得到逻辑回归模型的参数估计值。
S3、设备正常工作中，利用训练完成的逻辑回归模型解析二次雷达应答信号并进行副瓣信号目标判决抑制，得到经过副瓣抑制后的二次雷达信号；
在本实施例里，具体包括如下：
S31、在二次雷达设备正常工作过程中，计算本次接收目标解系信息的特征参数表达；
二次雷达设备在正常工作过程中，通过步骤S1的方式可计算出本次接收目标解析信息特征参数表达。
S32、利用计算得到的逻辑回归模型的参数计算本次接收目标为副瓣目标的概率，若是，则判定本次接收目标为虚假目标并抑制该虚假目标，若不是则正常输出结果。
本实施例里，使用步骤S24得到的逻辑回归模型参数
Figure 433002DEST_PATH_IMAGE023
，通过逻辑回归模型
Figure 916460DEST_PATH_IMAGE049
计算得到该目标为副瓣目标概率，若为1则抑制该虚假目标，若为0则正常输出结果，经过副瓣抑制的方向图效果如图4所示。
S4、采用步骤S3中经过副瓣抑制后的二次雷达信号对步骤S2中的模型进行训练样本扩充，对步骤S2构建的逻辑回归模型进行持续迭代优化训练，进一步提升模型性能。
在实际工作中具备与一次雷达配合的情况下，可使用步骤S1采集到的特征向量作为补充样本集迭代更新逻辑回归模型训练，同时，由于实际工作中有极小概率出现预测错误的样本，当出现预测错误的样本时，可通过人工纠正后再使用步骤S1采集到得特征向量作为补充样本集迭代更新逻辑回归模型训练.
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (8)

1.一种基于逻辑回归的二次雷达副瓣抑制方法，其特征在于，包括如下步骤：
S1、根据采集探测的目标信号并解析，根据解析得到的信号表征构建探测目标信号的多维特征向量；
S2、使用二次雷达设备于微波暗室环境中进行俯仰角、波束指向角的应答信号采集，利用所采集信号作为训练样本构建逻辑回归模型并进行训练；
S3、设备正常工作中，利用训练完成的逻辑回归模型解析二次雷达应答信号并进行副瓣信号目标判决抑制，得到经过副瓣抑制后的二次雷达信号；
S4、采用步骤S3中经过副瓣抑制后的二次雷达信号对步骤S2中的模型进行训练样本扩充，对步骤S2构建的逻辑回归模型进行持续迭代优化训练，进一步提升模型性能。
2.根据权利要求1所述的基于逻辑回归的二次雷达副瓣抑制方法，其特征在于，所述S1具体包括如下步骤：
S11、根据二次雷达询问机接收到的应答信号进行信息解析，提取信号所表征的物理信息，将所提取的信号所表征的物理信息组成一维特征向量；
S12、对步骤S11得到的一维特征向量进行特征变换，得到归一化后的特征向量；
S13、对一组询问应答处理流程中解析的目标进行处理，采用kmean算法进行目标凝聚，并按照步骤S11-S12流程处理得到最终的二次雷达单周期工作下的目标特征向量描述。
3.根据权利要求2所述的基于逻辑回归的二次雷达副瓣抑制方法，其特征在于，所述S11中所提取的信号表征的物理信息包括：目标的距离、机体系方位、波束指向角、俯仰角、和波束幅度、差波束幅度、控制波束幅度、和差幅度差值、和控制幅度差值、工作频率、一次雷达探测目标距离、一次雷达探测目标机体系方位。
4.根据权利要求1所述的基于逻辑回归的二次雷达副瓣抑制方法，其特征在于，所述S2具体包括如下步骤：
S21、利用标准二次雷达在暗室中进行雷达波束扫描，得到雷达波束俯仰角、波束指向角的应答信号；
S22、根据步骤S21得到的雷达波束俯仰角、波束指向角的应答信号，采用随机值方式扩充模拟各情况下的训练样本，得到方向图样集；
S23、在步骤S22得到的方向图样集上标定主瓣和副瓣区间，并按照步骤S1的方式构建主瓣特征向量训练数据样本集和副瓣特征向量训练样本数据集，并合并为逻辑回归模型的训练样本集；
S24、利用S23训练样本集进行逻辑回归模型训练，计算逻辑回归模型的参数。
5.根据权利要求4所述的基于逻辑回归的二次雷达副瓣抑制方法，其特征在于，所述S22中采用随机值方式扩充模拟各情况下的训练样本的具体方式为：
Figure 817303DEST_PATH_IMAGE001
其中，
Figure 468864DEST_PATH_IMAGE002
为电磁波空间衰减；
Figure 717443DEST_PATH_IMAGE003
为二次雷达的工作频率，单位为Mhz；
Figure 830761DEST_PATH_IMAGE004
为距离段，单位为km；
Figure 113975DEST_PATH_IMAGE005
为随机影响因子。
6.根据权利要求4所述的基于逻辑回归的二次雷达副瓣抑制方法，其特征在于，所述S24中具体包括：
S241、计算主瓣和副瓣的估计概率，计算方式为：
Figure 608541DEST_PATH_IMAGE006
其中，
Figure 593684DEST_PATH_IMAGE007
表示在输入目标特征向量
Figure 261425DEST_PATH_IMAGE008
的情况观测结果Y=1为副瓣的概率估计，
Figure 399146DEST_PATH_IMAGE009
为在输入目标特征向量
Figure 861351DEST_PATH_IMAGE008
的情况观测结果Y=0为主瓣的概率估计，
Figure 336719DEST_PATH_IMAGE010
为输入目标特征向量
Figure 542573DEST_PATH_IMAGE008
的概率密度函数，
Figure 534800DEST_PATH_IMAGE010
为输入目标特征向量
Figure 433485DEST_PATH_IMAGE008
的概率密度函数；
S242、对训练样本集构建似然函数，表示为：
Figure 393220DEST_PATH_IMAGE011
其中，
Figure 137185DEST_PATH_IMAGE012
为第i个目标特征向量，
Figure 249498DEST_PATH_IMAGE013
为
Figure 53506DEST_PATH_IMAGE012
的概率密度函数，
Figure 500536DEST_PATH_IMAGE014
为第i个输出结果，
Figure 48192DEST_PATH_IMAGE015
为目标特征向量总数；
S243、对S242中构建的似然函数求对数，得到对数似然函数，表示为：
Figure 811749DEST_PATH_IMAGE016
Figure 255500DEST_PATH_IMAGE017
Figure 924247DEST_PATH_IMAGE018
其中，
Figure 72332DEST_PATH_IMAGE019
为逻辑回归模型的参数的对数似然函数，
Figure 893657DEST_PATH_IMAGE020
为逻辑回归模型的参数；
S244、对逻辑回归模型的参数的对数似然函数
Figure 901452DEST_PATH_IMAGE021
求极大值，得到逻辑回归模型的参数估计值。
7.根据权利要求1所述的基于逻辑回归的二次雷达副瓣抑制方法，其特征在于，所述S3具体包括如下步骤：
S31、在二次雷达设备正常工作过程中，计算本次接收目标解系信息的特征参数表达；
S32、利用计算得到的逻辑回归模型的参数计算本次接收目标为副瓣目标的概率，若是，则判定本次接收目标为虚假目标并抑制该虚假目标，若不是则正常输出结果。
8.根据权利要求7所述的基于逻辑回归的二次雷达副瓣抑制方法，其特征在于，所述S32中计算本次目标为副瓣目标概率的方式为：
Figure 57496DEST_PATH_IMAGE022
其中，
Figure 946954DEST_PATH_IMAGE023
为逻辑回归模型的参数，
Figure 888366DEST_PATH_IMAGE024
为主瓣特征向量数据样本集；
当计算结果为1时，则判定为副瓣目标并抑制该虚假目标，若为0则输出结果。
CN202211713384.2A 2022-12-30 2022-12-30 一种基于逻辑回归的二次雷达副瓣抑制方法 Active CN115685096B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211713384.2A CN115685096B (zh) 2022-12-30 2022-12-30 一种基于逻辑回归的二次雷达副瓣抑制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211713384.2A CN115685096B (zh) 2022-12-30 2022-12-30 一种基于逻辑回归的二次雷达副瓣抑制方法

Publications (2)

Publication Number Publication Date
CN115685096A true CN115685096A (zh) 2023-02-03
CN115685096B CN115685096B (zh) 2023-03-21

Family

ID=85056163

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211713384.2A Active CN115685096B (zh) 2022-12-30 2022-12-30 一种基于逻辑回归的二次雷达副瓣抑制方法

Country Status (1)

Country Link
CN (1) CN115685096B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116299220A (zh) * 2023-05-25 2023-06-23 南京纳特通信电子有限公司 一种雷达信号副瓣干扰剔除的方法、装置、介质及设备
CN116400302A (zh) * 2023-06-05 2023-07-07 成都实时技术股份有限公司 一种雷达信号接收处理方法

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1316562A (en) * 1971-03-01 1973-05-09 Cossor Ltd A C Secondary radar systems
WO2003029922A2 (en) * 2001-10-01 2003-04-10 Kline & Walker, Llc Pfn/trac system faa upgrades for accountable remote and robotics control
CN103558594A (zh) * 2013-10-28 2014-02-05 四川九洲空管科技有限责任公司 基于机载设备的相控阵波束合成方法
US20160202346A1 (en) * 2013-06-15 2016-07-14 Howard University Using An MM-Principle to Enforce a Sparsity Constraint on Fast Image Data Estimation From Large Image Data Sets
CN108957406A (zh) * 2018-05-18 2018-12-07 电子科技大学 一种基于神经网络的雷达主瓣干扰抑制方法
CN109143198A (zh) * 2018-09-29 2019-01-04 北京无线电测量研究所 副瓣抑制方法及系统
KR20190104478A (ko) * 2019-08-20 2019-09-10 엘지전자 주식회사 라이다 시스템과 이를 이용한 자율 주행 시스템
CN110333489A (zh) * 2019-07-24 2019-10-15 北京航空航天大学 采用cnn与rsva组合对sar回波数据旁瓣抑制的处理方法
CN110471036A (zh) * 2019-08-23 2019-11-19 电子科技大学 一种用于大阵列近场聚焦中的假目标清扫方法
CN110531337A (zh) * 2019-09-29 2019-12-03 北京润科通用技术有限公司 基于隶属度分析的目标可信度计算方法及装置
CN110632572A (zh) * 2019-09-30 2019-12-31 中国人民解放军战略支援部队信息工程大学 基于无意调相特性的雷达辐射源个体识别方法及装置
CN111657889A (zh) * 2020-06-03 2020-09-15 大连理工大学 一种基于毫米波雷达的非接触式驾驶员疲劳检测方法
CN111693957A (zh) * 2020-06-09 2020-09-22 周口师范学院 一种圆周与简谐复合扫描被动雷达测向方法
CN112396130A (zh) * 2020-12-09 2021-02-23 中国能源建设集团江苏省电力设计院有限公司 静力触探试验岩层智能识别方法、系统、计算机设备及介质
CN112406960A (zh) * 2020-11-08 2021-02-26 青岛融创信为技术有限公司 一种地铁用多传感器融合的主动防撞系统和方法
CN112710987A (zh) * 2020-12-28 2021-04-27 哈尔滨理工大学 一种针对违法鸣笛车辆进行识别定位的麦克风阵列系统
CN112949100A (zh) * 2020-11-06 2021-06-11 中国人民解放军空军工程大学 一种机载雷达抗主瓣干扰的方法
CN113050045A (zh) * 2021-02-09 2021-06-29 中国人民解放军空军研究院战略预警研究所 一种智能化综合抗主副瓣干扰系统及方法
CN113466801A (zh) * 2021-05-13 2021-10-01 西安电子科技大学 一种基于圆阵的二次雷达空时抗主瓣干扰方法
CN114330695A (zh) * 2021-12-31 2022-04-12 西安电子科技大学 一种基于多层感知神经网络的相控阵驱动方法
US20220196821A1 (en) * 2020-12-21 2022-06-23 Intel Corporation High end imaging radar
CN114935738A (zh) * 2022-05-06 2022-08-23 中国人民解放军空军预警学院 时域离散类主瓣干扰下基于样本识别的雷达和差测角方法

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1316562A (en) * 1971-03-01 1973-05-09 Cossor Ltd A C Secondary radar systems
WO2003029922A2 (en) * 2001-10-01 2003-04-10 Kline & Walker, Llc Pfn/trac system faa upgrades for accountable remote and robotics control
US20160202346A1 (en) * 2013-06-15 2016-07-14 Howard University Using An MM-Principle to Enforce a Sparsity Constraint on Fast Image Data Estimation From Large Image Data Sets
CN103558594A (zh) * 2013-10-28 2014-02-05 四川九洲空管科技有限责任公司 基于机载设备的相控阵波束合成方法
CN108957406A (zh) * 2018-05-18 2018-12-07 电子科技大学 一种基于神经网络的雷达主瓣干扰抑制方法
CN109143198A (zh) * 2018-09-29 2019-01-04 北京无线电测量研究所 副瓣抑制方法及系统
CN110333489A (zh) * 2019-07-24 2019-10-15 北京航空航天大学 采用cnn与rsva组合对sar回波数据旁瓣抑制的处理方法
KR20190104478A (ko) * 2019-08-20 2019-09-10 엘지전자 주식회사 라이다 시스템과 이를 이용한 자율 주행 시스템
CN110471036A (zh) * 2019-08-23 2019-11-19 电子科技大学 一种用于大阵列近场聚焦中的假目标清扫方法
CN110531337A (zh) * 2019-09-29 2019-12-03 北京润科通用技术有限公司 基于隶属度分析的目标可信度计算方法及装置
CN110632572A (zh) * 2019-09-30 2019-12-31 中国人民解放军战略支援部队信息工程大学 基于无意调相特性的雷达辐射源个体识别方法及装置
CN111657889A (zh) * 2020-06-03 2020-09-15 大连理工大学 一种基于毫米波雷达的非接触式驾驶员疲劳检测方法
CN111693957A (zh) * 2020-06-09 2020-09-22 周口师范学院 一种圆周与简谐复合扫描被动雷达测向方法
CN112949100A (zh) * 2020-11-06 2021-06-11 中国人民解放军空军工程大学 一种机载雷达抗主瓣干扰的方法
CN112406960A (zh) * 2020-11-08 2021-02-26 青岛融创信为技术有限公司 一种地铁用多传感器融合的主动防撞系统和方法
CN112396130A (zh) * 2020-12-09 2021-02-23 中国能源建设集团江苏省电力设计院有限公司 静力触探试验岩层智能识别方法、系统、计算机设备及介质
US20220196821A1 (en) * 2020-12-21 2022-06-23 Intel Corporation High end imaging radar
CN112710987A (zh) * 2020-12-28 2021-04-27 哈尔滨理工大学 一种针对违法鸣笛车辆进行识别定位的麦克风阵列系统
CN113050045A (zh) * 2021-02-09 2021-06-29 中国人民解放军空军研究院战略预警研究所 一种智能化综合抗主副瓣干扰系统及方法
CN113466801A (zh) * 2021-05-13 2021-10-01 西安电子科技大学 一种基于圆阵的二次雷达空时抗主瓣干扰方法
CN114330695A (zh) * 2021-12-31 2022-04-12 西安电子科技大学 一种基于多层感知神经网络的相控阵驱动方法
CN114935738A (zh) * 2022-05-06 2022-08-23 中国人民解放军空军预警学院 时域离散类主瓣干扰下基于样本识别的雷达和差测角方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A. A. KHOMENKO等: "Improvement of Secondary Surveillance Radar Resilience to Active Interferences" *
ZHANG, X等: "Knowledge-Based Generalized Side-Lobe Canceller for Ionospheric Clutter Suppression in HFSWR" *
张清平: "模块化二次雷达系统设计与实现" *
徐晓敏: "大型非均匀相控阵天线方向图快速计算与栅瓣抑制研究" *
徐森宝: "二次雷达中的询问旁瓣抑制技术分析" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116299220A (zh) * 2023-05-25 2023-06-23 南京纳特通信电子有限公司 一种雷达信号副瓣干扰剔除的方法、装置、介质及设备
CN116299220B (zh) * 2023-05-25 2023-08-08 南京纳特通信电子有限公司 一种雷达信号副瓣干扰剔除的方法、装置、介质及设备
CN116400302A (zh) * 2023-06-05 2023-07-07 成都实时技术股份有限公司 一种雷达信号接收处理方法
CN116400302B (zh) * 2023-06-05 2023-08-22 成都实时技术股份有限公司 一种雷达信号接收处理方法

Also Published As

Publication number Publication date
CN115685096B (zh) 2023-03-21

Similar Documents

Publication Publication Date Title
CN115685096B (zh) 一种基于逻辑回归的二次雷达副瓣抑制方法
Yi et al. Particle filtering based track-before-detect method for passive array sonar systems
CN108256436B (zh) 一种基于联合分类的雷达hrrp目标识别方法
Junfei et al. Barrage jamming detection and classification based on convolutional neural network for synthetic aperture radar
CN104035095B (zh) 基于空时最优处理器的低空风切变风速估计方法
CN107861123B (zh) 一种穿墙雷达在复杂环境下对多运动目标实时跟踪的方法
US10275707B2 (en) Systems and methods for training multipath filtering systems
CN109116311A (zh) 基于知识辅助稀疏迭代协方差估计的杂波抑制方法
CN104155650A (zh) 一种基于熵权值法点迹质量评估的目标跟踪方法
CN112612006B (zh) 基于深度学习的机载雷达非均匀杂波抑制方法
CN110427878B (zh) 一种快速射电暴信号识别方法与系统
KR102013205B1 (ko) 레이더 신호 처리 모의 장치 및 방법
CN105137424A (zh) 一种杂波背景下实波束扫描雷达角超分辨方法
CN107843875A (zh) 基于奇异值分解降噪的贝叶斯压缩感知雷达数据融合方法
CN104280566A (zh) 基于空时幅相估计的低空风切变风速估计方法
CN105738887A (zh) 基于多普勒通道划分的机载雷达杂波功率谱的优化方法
JP6979823B2 (ja) 空間フィルタ処理用の確率論的にスパースなツリーグリッドに機能的なグリッドエレメントを付加するためのシステム及び方法
Du et al. NLOS target localization with an L-band UWB radar via grid matching
CN109507654B (zh) 一种基于ls的复杂环境下相位信息计算方法
CN106019250B (zh) 基于角闪烁转发式假目标鉴别方法
CN104914421A (zh) 基于和差波束的低空风切变风速估计方法
CN105652256B (zh) 一种基于极化信息的高频地波雷达tbd方法
CN109581366B (zh) 一种基于目标导向矢量失配的离散旁瓣杂波识别方法
Debes Advances in detection and classification for through-the-wall radar imaging
CN114167359A (zh) 一种弱小目标自适应关联滤波方法、系统及存储介质

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