CN116165619A - 一种高机动目标运动参数估计和相参积累检测方法 - Google Patents
一种高机动目标运动参数估计和相参积累检测方法 Download PDFInfo
- Publication number
- CN116165619A CN116165619A CN202211167996.6A CN202211167996A CN116165619A CN 116165619 A CN116165619 A CN 116165619A CN 202211167996 A CN202211167996 A CN 202211167996A CN 116165619 A CN116165619 A CN 116165619A
- Authority
- CN
- China
- Prior art keywords
- target
- phase
- parameters
- coherent accumulation
- maneuvering target
- 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
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
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了雷达信号处理技术领域的一种高机动目标运动参数估计和相参积累检测方法。该高机动目标运动参数估计和相参积累检测方法包括以下步骤:对高机动目标的雷达回波进行脉冲压缩、邻域互相关处理并提取自相关项;设计感知矩阵,利用贝叶斯压缩感知算法重构稀疏信号提取目标高阶运动参数;进行高阶相位补偿,校正线性相位,获取相参积累并进行CFAR检测;对目标高阶运动参数数目进行判断,完成相参积累检测并输出检测结果。该高机动目标运动参数估计和相参积累检测方法估计精度高,计算复杂度低,且能够有效适用于单目标和多目标场景。
Description
技术领域
本发明涉及雷达信号处理技术领域,具体地,涉及一种高机动目标运动参数估计和相参积累检测方法。
背景技术
近年来,随着航空技术的快速发展,对高威胁性的高机动目标的探测已逐渐成为雷达探测领域的重要挑战,目前,已知的具有高威胁性的高机动目标包括先进喷气式战斗机、超音速滑翔弹和临近空间高超音速飞行器以及各种战术巡航导弹等,通常来说,相参积累可以提高高机动目标的回波信噪比,是实现更好的检测跟踪性能的最有效方式,然而,对于高机动目标(这里定义为具有速度、加速度和加加速度的运动目标),其具体有以下方面的特点:一方面其运动轨迹是一个复杂高阶函数,距离包络难以有效提取;另一方面,高机动目标的回波包含高阶运动相位,需要对其加速度和加加速度等运动参数进行有效估计以实现相位补偿和相参积累。
目前,现有的高机动目标运动参数估计和相参积累检测方法主要分为两类:一类是以广义Radon傅里叶变换(Generalized Radon Fourier Transform,GRFT)为代表的检测方法,该类检测方法通过多维遍历搜索实现对高机动目标运动参数的准确补偿,然而该类检测方法存在的主要问题是计算复杂度高、计算耗时过长,且存在模糊旁瓣的干扰,在多目标场景难以进行有效工作;另一类检测方法是基于吕分布(Lv’s distribution,LVD)或分数阶傅里叶变换的时频分析类方法,该类检测方法的估计精度由于受时频分辨率的限制,难以有效提高参数估计精度,此外,该类检测方法在多目标场景下容易受到交叉项的影响,难以准确提取多目标的运动参数;两类运动参数估计和相参积累检测方法均存在不足和弊端等技术问题,上述技术问题使得高机动目标运动参数估计和相参积累检测方法仍然存在较大的改进空间,因此,亟需设计一种高机动目标运动参数估计和相参积累检测方法。
发明内容
为了解决上述问题,本发明的目的在于提供一种高机动目标运动参数估计和相参积累检测方法,解决现有技术中Radon傅里叶变换检查方法和吕分布或分数阶傅里叶变换的时频分析类检测方法存在的计算复杂度高、估计精度低、不适用于多目标场景等技术问题,估计精度高,计算复杂度低,且能够有效适用于单目标和多目标场景。
为了实现上述目的,本发明的技术方案如下:
作为本发明的一个方面,提供了一种高机动目标运动参数估计和相参积累检测方法,包括以下步骤:
S1.对高机动目标的雷达回波进行脉冲压缩、邻域互相关处理并提取自相关项;
S2.设计感知矩阵,利用贝叶斯压缩感知算法重构稀疏信号提取目标高阶运动参数;
S3.进行高阶相位补偿,校正线性相位,获取相参积累并进行CFAR检测;
S4.对目标高阶运动参数数目进行判断,完成相参积累检测并输出检测结果。
作为本发明上述方面的一种高机动目标运动参数估计和相参积累检测方法,其中S1包括以下步骤:
S11.对高机动目标的雷达回波Sr(τ′,tm)进行脉冲压缩,得到脉压后回波Src(τ′,tm);
S12.对相参处理时间内的回波数据做邻域互相关处理,得到二维数据χ(τ′,tm);
S13.通过非相参积累,从χ(τ′,tm)中提取自相关项作为稀疏重构过程的观测信号。
作为本发明上述方面的一种高机动目标运动参数估计和相参积累检测方法,其中S11中的高机动目标的雷达回波Sr(τ′,tm)具体如下:
其中ξ0,l表示第l个目标的传播系数,λ0=c/fc表示波长,c表示光速;
所述S11中的脉压后回波Src(τ′,tm)的表达式如下:
其中,B表示发射波形的带宽,ξ1,l表示第l个目标脉冲压缩后的复系数。
作为本发明上述方面的一种高机动目标运动参数估计和相参积累检测方法,其中S12中的二维数据χ(τ′,tm)的表达式如下:
其中χself(τ′,tm)表示自相关项,χcross(τ′,tm)表示互相关项;
自相关项的表达式如下:
自相关项的各阶系数的表达式如下:
A3,l=3a3,lTr;
互相关项χcross(τ′,tm)的表达式如下:
互相关项的各阶系数表达式如下:
作为本发明上述方面的一种高机动目标运动参数估计和相参积累检测方法,其中S13包括以下步骤:
S131.将χ(τ′,tm)取绝对值并沿慢时间做非相参积累,其表达式如下:
S132.选择u(τ′)中绝对值最大的坐标值τ′0,即为自相关项χself(τ′,tm)的距离包络的峰值位置坐标;
S133.从χself(τ′,tm)中提取τ′0坐标所对应的慢时间数据y(tm)=χself(τ′=τ0,tm),作为稀疏重构过程中的观测信号。
作为本发明上述方面的一种高机动目标运动参数估计和相参积累检测方法,其中S2包括以下步骤:
S21.设计构造稀疏重构的感知矩阵Φ;
S22.基于感知矩阵Φ和观测信号y(tm),代入压缩感知信号模型y=Φx,利用贝叶斯压缩感知算法重构得到一维稀疏信号矢量x∈£PQ×1;
S23.将一维稀疏信号矢量x∈£PQ×1转换至二维矩阵X∈£P×Q,其中矩阵X中的元素满足
[X]p′,q′=xq′+p′Q;
作为本发明上述方面的一种高机动目标运动参数估计和相参积累检测方法,其中S21包括以下步骤:
S211.定义代表加速度参数范围的集合和加加速度参数范围的集合;
其中,P、Q分别表示加速度和加加速度参数集合中的元素个数,Δa2和Δa3分别表示加速度和加加速度参数的搜索步长;
S212.根据参数搜索集合Ξ2,Ξ3来设计稀疏重构的感知矩阵Φ∈£M×PQ;
S213.构造感知矩阵Φ=(UT e WT)T,其中的元素[Φ]m,q′+p′Q可以表示为
其中,定义两个矩阵U∈£M×P和矩阵W∈£M×Q,其元素分别表示如下:
作为本发明上述方面的一种高机动目标运动参数估计和相参积累检测方法,其中S3包括以下步骤:
S31.根据估计出的加速度和加加速度构造频域补偿相位,在脉冲-距离频域对雷达回波src(f,tm)做相位补偿;
S32.对相位补偿后频域回波信号利用Keystone算法校正剩余的线性运动相位,并通过方位向傅里叶变换在“距离时域-方位频域”得到相参积累结果,并做CFAR检测。
作为本发明上述方面的一种高机动目标运动参数估计和相参积累检测方法,其中S31中高机动目标脉压回波的脉冲-距离频域的表达式如下:
补偿后的信号表达式为s′rc(f,tm)=src(f,im)·hl(f,tm)。
作为本发明上述方面的一种高机动目标运动参数估计和相参积累检测方法,其中S4包括以下步骤:
S41.若满足l<L,则令l=l+1,对下一个目标继续重复S3步骤;
S42.若不满足l<L,直接输出对所有目标的检测结果。
采用上述技术方案,本发明具有以下优点:
本发明提供了一种高机动目标运动参数估计和相参积累检测方法,利用邻域互相关处理实现了对高机动目标包络距离徙动的校正,不需要高维参数搜索,计算复杂度低、计算效率高;此外,本发明利用贝叶斯压缩感知方法通过稀疏时频表示有效提高了对高机动目标运动参数估计的精度,同时稀疏重构方法不受交叉项影响,在多目标场景下仍可以保持良好的估计性能;综上所述,本发明显著改进了现有高机动目标相参积累检测与运动参数估计技术,可以广泛应用于对空搜索、空间监视等雷达应用中,能够有效适用于高机动目标的运动参数估计和相参积累,可以有效适应单目标和多目标场景,在雷达空间监视和雷达目标检测等实用领域中具有重大应用前景。
附图说明
图1为本发明高机动目标运动参数估计和相参积累检测方法的流程图;
图2为本发明单个高机动目标的回波和邻域互相关处理的示意图;
图3为本发明与现有技术在单目标场景下的运动参数估计性能对比图;
图4是本发明与现有技术在单目标场景下的相参积累检测概率对比图;
图5是本发明与现有技术在多目标场景下的运动参数估计性能对比图;
图6是本发明在多目标场景下实现超分辨的效果图。
具体实施方式
以下结合说明书附图对本发明的技术方案进行具体描述,需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
假设一个单发单收雷达,其发射信号为线性调频(LFM)波形,其发射信号表达式如下:
其中:fc表示载频,τ表示快时间,tm=mTr,m=1,2,...,M表示慢时间,即方位时间,
假设观测域内共有L个高机动目标,其随慢时间变化的运动轨迹建模为
其中r0,l表示雷达平台与目标之间的初始距离,a1,l,a2,l,a3,l分别表示目标的径向速度、加速度和加加速度。
L个高机动目标的回波经下采样后可表示为
其中,ξ0,l表示第l个目标的传播系数,λ0=c/fc表示波长,c表示光速。
脉压后的接收信号可表示为
其中,B表示发射波形的带宽,ξ1,l表示第l个目标脉压后的复系数。
如上式所示,高机动目标的距离包络和慢时间相位都是沿慢时间变化的三阶多项式函数,这为从二维雷达回波中提取高机动目标的距离包络和相位以实现相参积累和参数估计增加了难度。
声明在下文中使用的数学符号的特殊含义:加粗的小写字母,例如x,表示矢量,加粗的大写字母,例如X,表示矩阵,xn表示矢量x的第n个元素,[X]m,n表示矩阵X的第m行,n列的元素。
根据上述信号模型,一种高机动目标运动参数估计和相参积累检测方法,具体包括以下步骤如图1所示:
S1.对高机动目标的雷达回波进行脉冲压缩、邻域互相关处理(ACCF)并提取自相关项;
S1具体包括以下步骤:
S11.对高机动目标的雷达回波Sr(τ′tm)进行脉冲压缩,得到脉压后回波Src(τ′,tm);
S11中脉压后的回波Src(τ′,tm)表达式如下:
S12.对相参处理时间内的回波数据做邻域互相关处理,得到二维数据χ(τ′,tm);
为了从二维回波数据中提取高机动目标的距离包络,对相参处理时间内的多脉冲回波数据做邻域互相关处理(adjacent croSS correlation function,ACCF),即对相邻两个脉冲做共轭卷积,其表达式如下:
其中χself(τ′,tm)表示的自相关项,χcross(τ′,tm)表示互相关项。
自相关项的表达式为
自相关项各阶系数的表达式如下:
A3,l=3a3,lTr;
互相关项χcross(τ′,tm)的表达式如下:
互相关项各阶系数的表达式如下:
对相参处理时间内高机动目标的脉压回波做ACCF处理后,自相关项的包络位于同一个距离单元,而互相关项包络仍存在距离徙动。即对于自相关项来说,高阶距离徙动被校正,因此接下来提取自相关项的包络进行相参积累和参数估计。
S13.通过非相参积累,从χ(τ′,tm)中提取自相关项作为稀疏重构过程的观测信号。
其中,S13包括以下步骤:
S131.将χ(τ′,tm)取绝对值并沿慢时间做非相参积累,其表达式如下:
S132.选择u(τ′)中绝对值最大的坐标值τ′0,即为自相关项χself(τ′,tm)的距离包络的峰值位置坐标;
S133.从χself(τ′,tm)中提取τ′0坐标所对应的慢时间数据y(tm)=χself(τ′=τ0,tm),作为稀疏重构过程中的观测信号。
S2.设计感知矩阵,利用贝叶斯压缩感知算法重构稀疏信号提取目标高阶运动参数;
S21.设计构造稀疏重构的感知矩阵Φ;
其中,S21具体包括以下步骤:
其中,P、Q分别表示加速度和加加速度参数集合中的元素个数,Δa2和Δa3分别表示加速度和加加速度参数的搜索步长,即估计精度。
S212.根据参数搜索集合Ξ2,Ξ3来设计稀疏重构的感知矩阵Φ∈£M×PQ,又被称为字典矩阵。
S213.构造感知矩阵Φ=(UTeWT)T,其中的元素[Φ]m,q′+p′Q可以表示为
其中,定义两个矩阵U∈£M×P和矩阵W∈£M×Q,其元素分别表示如下:
S22.基于感知矩阵Φ和步骤S133中的观测信号y(tm),代入压缩感知信号模型y=Φx,利用贝叶斯压缩感知算法(Bayesian compressive sensing,BCS)重构得到一维稀疏信号矢量x∈£PQ×1;
S23.将重构得到的一维稀疏信号矢量x∈£PQ×1转换至二维矩阵X∈£P×Q,其中矩阵X中的元素满足
[X]p′,q′=xq′+p′Q;
S3.进行高阶相位补偿,校正线性相位,获取相参积累并进行CFAR检测;
其中S3包括以下步骤:
S31.根据步骤S24中估计出的加速度和加加速度构造频域补偿相位,在脉冲-距离频域对雷达回波src(f,tm)做相位补偿;
其中S31中高机动目标脉压回波的脉冲-距离频域的表达式如下:
补偿后的信号表达式为s′rc(f,tm)=src(f,tm)·hl(f,tm)。
S32.针对高阶运动相位补偿后频域回波信号s′rc(f,tm),利用Keystone算法进一步校正剩余的线性运动相位,并通过方位向傅里叶变换在“距离时域-方位频域”得到最终的相参积累结果,并做CFAR检测。
S4.对目标高阶运动参数数目进行判断,完成相参积累检测并输出检测结果。
其中S4包括以下步骤:
S41.判断l<L是否满足,若满足则令l=l+1并返回S3步骤对下一个目标进行相参积累检测;
S42.若不满足l<L,直接输出对所有目标的检测结果。
下面通过实验仿真的实施例对本发明作进一步说明,假设在单目标场景下的系统参数和目标参数如下表1所示:
表1本实例仿真系统参数及目标参数
系统参数 | 数值(单位) | 目标参数 | 数值(单位) |
中心频率fc | 10GHz | 初始距离r0 | 100km |
带宽B | 10MHz | 速度a1 | 1000m/s |
脉冲宽度Tp | 20μs | 加速度a2 | 52m/s2 |
脉冲重复间隔Tr | 1.82ms | 加加速度a3 | 18m/s3 |
脉冲重复频率fp | 550Hz | 脉压后信噪比 | 5dB |
相参脉冲数M | 513 |
在单目标场景下设置的系统参数和高机动目标的运动参数具体如表1所示,并利用上述参数进行仿真得到高机动目标的脉压回波具体如图2(a)所示,从图2(a)可以看出目标的距离包络发生了明显的距离徙动;对脉压后的高机动目标回波做ACCF处理,得到了图2(b)所示的处理结果,进一步利用本发明步骤S13中通过非相参积累,从二维数据中提取自相关项作为稀疏重构过程的观测信号得到如图2(c)所示一维非相参积累结果,从图2(c)中可以看出,自相关项包络所在距离单元编号为680。
从该位置提取ACCF自相关项的包络数据,利用现有方法和本发明所提方法对高机动目标的运动参数进行估计,得到如图3所示的估计结果:
图3(a)为利用RFT方法得到的估计结果,从图3(a)中可以看出,对于高机动目标,RFT方法无法有效估计出目标运动参数;图3(b)为利用GRFT方法得到的估计结果,从图3(b)中可以看出该方法虽然可以通过最大峰值的位置估计出高机动目标的运动参数,但是该方法计算复杂度高,耗时长,计算用时达到84.65s,且估计结果中存在明显的模糊旁瓣;图3(c)为利用循环ACCF方法得到的估计结果,从图3(c)中可以看出,该方法在脉压后5dB信噪比条件下无法有效估计目标高阶运动参数;图3(d)为利用ACCF-LVD方法得到的估计结果,从图3(d)中可以看出,该方法可以通过峰值位置估计出高机动目标的运动参数;图3(e)为利用本发明方法估计得到的高机动目标的运动参数;图3(f)为利用本发明方法得到的运动参数估计值对回波数据补偿后得到的相参积累结果,从图3(f)可以定性的看出本发明方法得到的相参积累结果具有比图3(d)中ACCF-LVD方法更窄的主瓣宽度。
在不同信噪比条件下对上述算法进行定量化分析,定量化分析结果具体如图4所示,其中本发明方法用ACCF-BCS表示,从图4可以看出本发明方法相比于循环ACCF、ACCF-LVD和RFT方法具有明显的信噪比优势,在脉压后0dB至5dB的低信噪比环境下,比ACCF-LVD方法具有5dB左右的信噪比提升;相比于GRFT方法,本发明方法具有明显的计算效率优势,在相同硬件条件下,本发明方法用时仅为0.41s,远远小于GRFT方法(用时84.56s)。
下面通过多目标场景实施例对本发明作进一步说明,多目标场景下的目标运动参数具体如下表2所示,信噪比设置为脉压后5dB。
表2多目标场景仿真系统参数及目标参数
图5为多目标场景下的脉压回波和运动参数估计结果,其中图5(a)为多个高机动目标的脉压回波;图5(b)为利用GRFT方法估计得到的目标运动参数,从图5(b)中可以看出,该结果只表现出了一个目标和该目标对应的盲速旁瓣,这是因为受盲速旁瓣的影响,GRFT方法无法在多目标场景下将不同目标与每个目标对应的盲速旁瓣进行有效的区分,因此,无法有效适应多目标场景;图5(c)和图5(d)分别为利用ACCF-LVD方法得到的多目标运动参数估计结果的三维显示和二维显示,从图5(c)和图5(d)可以看出,ACCF-LVD方法受到传统时频变换交叉项的影响,无法有效地估计出多目标的运动参数。
表3本实例仿真系统参数及目标参数
为了验证本发明方法具有更高的估计分辨率,设置如表3所示的高机动目标运动参数。图6(a)和图6(b)分别为利用ACCF-LVD方法得到的多目标运动参数估计结果的三维显示和二维显示,从图中可以看出该方法无法有效区分这两个高机动目标,在估计结果中只有一个峰值。图6(c)和图6(d)分别为本发明高机动目标运动参数估计和相参积累检测方法得到的多目标运动参数估计结果的三维显示和二维显示,从图6(c)和图6(d)可以看出,本发明的检测方法突破了传统时频分辨率的限制,有效估计出了两个不同的高机动目标。
综上所述,本发明所示的高机动目标运动参数估计和相参积累检测方法,相比于传统的GRFT方法,具有更高的计算效率,且能有效适应多目标场景;此外,相比于传统的时频变换方法(ACCF-LVD和循环ACCF)具有更高的估计精度,显著提升了估计性能。
最后,需要指出的是,虽然本发明已参照当前的具体实施例来描述,但是本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,在不脱离本发明构思的前提下还可以作出各种等效的变化或替换,因此,只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本发明的权利要求书范围内。
Claims (10)
1.一种高机动目标运动参数估计和相参积累检测方法,其特征在于,包括以下步骤:
S1.对高机动目标的雷达回波进行脉冲压缩、邻域互相关处理并提取自相关项;
S2.设计感知矩阵,利用贝叶斯压缩感知算法重构稀疏信号提取目标高阶运动参数;
S3.进行高阶相位补偿,校正线性相位,获取相参积累并进行CFAR检测;
S4.对目标高阶运动参数数目进行判断,完成相参积累检测并输出检测结果。
2.根据权利要求1所述的一种高机动目标运动参数估计和相参积累检测方法,其特征在于,所述S1包括以下步骤:
S11.对高机动目标的雷达回波Sr(τ′,tm)进行脉冲压缩,得到脉压后回波Src(τ′,tm);
S12.对相参处理时间内的回波数据做邻域互相关处理,得到二维数据χ(τ′,tm);
S13.通过非相参积累,从χ(τ′,tm)中提取自相关项作为稀疏重构过程的观测信号。
8.根据权利要求7所述的一种高机动目标运动参数估计和相参积累检测方法,其特征在于,所述S3包括以下步骤:
S31.根据估计出的加速度和加加速度构造频域补偿相位,在脉冲-距离频域对雷达回波src(f,tm)做相位补偿;
S32.对相位补偿后频域回波信号利用Keystone算法校正剩余的线性运动相位,并通过方位向傅里叶变换在“距离时域-方位频域”得到相参积累结果,并做CFAR检测。
10.根据权利要求1所述的一种高机动目标运动参数估计和相参积累检测方法,其特征在于,所述S4包括以下步骤:
S41.若满足l<L,则令l=l+1,对下一个目标继续重复S3步骤;
S42.若不满足l<L,直接输出对所有目标的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211167996.6A CN116165619A (zh) | 2022-09-23 | 2022-09-23 | 一种高机动目标运动参数估计和相参积累检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211167996.6A CN116165619A (zh) | 2022-09-23 | 2022-09-23 | 一种高机动目标运动参数估计和相参积累检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116165619A true CN116165619A (zh) | 2023-05-26 |
Family
ID=86413739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211167996.6A Pending CN116165619A (zh) | 2022-09-23 | 2022-09-23 | 一种高机动目标运动参数估计和相参积累检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116165619A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116643250A (zh) * | 2023-07-27 | 2023-08-25 | 西安电子科技大学 | 基于稀疏线性调频信号的宽带雷达高速目标相参积累方法 |
-
2022
- 2022-09-23 CN CN202211167996.6A patent/CN116165619A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116643250A (zh) * | 2023-07-27 | 2023-08-25 | 西安电子科技大学 | 基于稀疏线性调频信号的宽带雷达高速目标相参积累方法 |
CN116643250B (zh) * | 2023-07-27 | 2023-10-20 | 西安电子科技大学 | 基于稀疏线性调频信号的宽带雷达高速目标相参积累方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110275158B (zh) | 基于贝叶斯压缩感知的宽带雷达回波信号参数估计方法 | |
CN111551922B (zh) | 三维空间双/多基地雷达高速目标检测方法 | |
CN113093120B (zh) | 基于capon算法的PRI捷变雷达目标参数估计方法 | |
CN104076360B (zh) | 基于压缩感知的二维sar稀疏目标成像方法 | |
CN110095766B (zh) | 基于非均匀重采样技术的机动目标相干积累检测方法 | |
CN110865344A (zh) | 一种脉冲多普勒雷达体制下副瓣快速抑制方法 | |
CN105699950A (zh) | 基于自适应迭代前后向平滑共轭梯度的雷达杂波抑制方法 | |
CN116165619A (zh) | 一种高机动目标运动参数估计和相参积累检测方法 | |
CN115616518A (zh) | 宽带雷达微弱目标运动参数估计与高分辨距离像重构方法 | |
CN113640790A (zh) | 基于二维自适应谱估计的宽带宽脉冲高速目标检测方法 | |
CN112130138A (zh) | 一种超视距雷达的电离层相位污染校正方法 | |
CN116593982A (zh) | 一种基于music-ap的雷达目标高分辨估计和距离模糊抑制方法 | |
CN113267756B (zh) | 天基雷达空间运动目标检测和参数估计方法及系统 | |
CN115267706A (zh) | 合成孔径雷达的距离空变相位误差估计方法、装置及介质 | |
CN115221768A (zh) | 基于多嵌套阵列的改进无迹粒子滤波直接跟踪方法 | |
CN113885026A (zh) | 运动目标的sar稀疏成像方法、装置、电子设备及存储介质 | |
CN113514798A (zh) | 基于傅里叶梅林变换的宽带非线性调频信号时差/尺度差估计方法 | |
CN109270344B (zh) | 脉冲丢失下的相参脉冲信号频率估计方法 | |
CN108226929B (zh) | 一种正侧视sar慢速目标的检测方法及检测系统 | |
CN112255609A (zh) | 一种恒加速机动目标相参积累检测方法 | |
CN116540203B (zh) | 基于快速稀疏贝叶斯的宽带雷达高速目标的相参积累方法 | |
CN117784056A (zh) | 一种宽带雷达扩展目标的回波信号的目标参数估计方法 | |
Yu et al. | Fast implementation of ground maneuvering target focusing | |
CN117269913A (zh) | 一种基于贝叶斯压缩感知的无人机目标相参积累检测方法 | |
CN110927678B (zh) | 自适应稀疏分数阶模糊函数杂波抑制及动目标检测方法 |
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 |