CN116430349B - 一种基于物理先验知识的空间群目标探测方法及系统 - Google Patents
一种基于物理先验知识的空间群目标探测方法及系统 Download PDFInfo
- Publication number
- CN116430349B CN116430349B CN202310700834.2A CN202310700834A CN116430349B CN 116430349 B CN116430349 B CN 116430349B CN 202310700834 A CN202310700834 A CN 202310700834A CN 116430349 B CN116430349 B CN 116430349B
- Authority
- CN
- China
- Prior art keywords
- cone
- target
- scattering center
- cone target
- time
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000010586 diagram Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000004088 simulation Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 10
- 238000002592 echocardiography Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 57
- 230000014509 gene expression Effects 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 17
- 238000000926 separation method Methods 0.000 claims description 15
- 101100369993 Mus musculus Tnfsf10 gene Proteins 0.000 claims description 13
- 238000006073 displacement reaction Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005530 etching Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G01S7/415—Identification of targets based on measurements of movement associated with the target
-
- 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
- G01S7/417—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 involving the use of neural networks
-
- 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
- G01S7/418—Theoretical aspects
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种基于物理先验知识的空间群目标探测方法及系统,具体为:构建不同尺寸的空间非合作锥体目标物理仿真模型,获得不同运动状态下混叠的空间群目标随时间变化的雷达回波,利用傅里叶变换获得空间群目标随时间变化的一维距离像;提取出所有时刻散射中心的位置信息和幅度信息,将混叠的锥体目标散射中心模型中的位置信息重组,重构单个锥体目标微多普勒时频图和一维距离像;结合双通道卷积神经网络进行训练和测试,得到复杂环境中空间非合作锥体目标的高度、半径、进动频率。本发明在复杂电磁环境下仍能对空间群目标进行有效分离重构,减少目标之间的交叉和遮挡等干扰,具有更高的提取精度和抗干扰能力。
Description
技术领域
本发明属于信号处理技术领域,特别是一种基于物理先验知识的空间群目标探测方法及系统。
背景技术
卷积神经网络作为当下最热门的基于深度学习理论的图像内容学习的最佳算法,已在雷达目标特征提取领域中得到广泛应用,实现了从目标时频图快速获得目标本征参数(Wang S et al.,“Cone-shaped space target inertia characteristicsidentification by deep learning with compressed dataset.”IEEE Transactions on Antennas and Propagation, 2022, 70(7): 5217–5226.),但是卷积神经网络仅作为黑盒子使用,缺乏对目标物理先验知识的利用。
专利CN110411459A公布了一种使用图像序列的空间非合作目标自旋参数的辨识方法,解决了先验信息不足时的姿态估计问题,同时获得目标的自旋参数,但该方法需要提前知道目标尺寸长宽比,并且仅针对单个目标的情况,不能处理目标之间的遮挡交叉等情况,不适用于空间群目标的参数辨识。
针对一个雷达波束内有多个目标的情况,从而导致无法分辨出每一个个体目标,提出了一种基于多假设跟踪算法的航迹关联方法(R. Du, L. Liu, X. Bai, and F.Zhou, “A New Scatterer Trajectory Association Method for ISAR Image SequenceUtilizing Multiple Hypothesis Tracking Algorithm,” IEEE Trans. Geosci. RemoteSensing, 2022, 60: 1–13),但椭圆轨迹运动假设在一定程度上限制了该算法在测量数据中的应用,需要对所提出的算法进行进一步的优化研究。
发明内容
本发明的目的在于提供一种基于物理先验知识的空间群目标探测方法及系统,通过对复杂环境中空间群目标进行分离重构,来实现复杂电磁环境下,对雷达目标本征特征的精确提取。
实现本发明目的的技术解决方案为:一种基于物理先验知识的空间群目标探测方法,包括以下步骤:
步骤1、构建不同尺寸的空间非合作锥体目标物理仿真模型,获得不同运动状态下混叠的空间群目标随时间变化的雷达回波,利用傅里叶变换获得空间群目标随时间变化的一维距离像;
步骤2、基于锥体目标散射中心模型的物理先验知识,根据多个随机时刻的一维距离像估算出空间群目标散射中心的数量,结合最小二乘法,提取出所有时刻散射中心的位置信息和幅度信息;
步骤3、基于卡尔曼滤波算法,将混叠的锥体目标散射中心模型中的位置信息重组,减少目标之间的遮挡和交叉干扰,实现空间群目标的分离,获得单个锥体目标散射中心模型,并重构单个锥体目标微多普勒时频图和一维距离像;
步骤4、利用重构获得的单个锥体目标微多普勒时频图数据集和一维距离像数据集,结合双通道卷积神经网络进行训练和测试,得到复杂环境中空间非合作锥体目标的高度、半径、进动频率。
一种基于物理先验知识的空间群目标探测系统,该系统用于实现所述的基于物理先验知识的空间群目标探测方法,具体包括一维距离像获取模块、散射中心信息提取模块、单个锥体目标重构模块、空间非合作锥体目标特征提取模块,其中:
一维距离像获取模块,用于构建不同尺寸的空间非合作锥体目标物理仿真模型,获得不同运动状态下混叠的空间群目标随时间变化的雷达回波,利用傅里叶变换获得空间群目标随时间变化的一维距离像;
散射中心信息提取模块,基于锥体目标散射中心模型的物理先验知识,根据多个随机时刻的一维距离像估算出空间群目标散射中心的数量,结合最小二乘法,提取出所有时刻散射中心的位置信息和幅度信息;
单个锥体目标重构模块,基于卡尔曼滤波算法,将混叠的锥体目标散射中心模型中的位置信息重组,减少目标之间的遮挡和交叉干扰,实现空间群目标的分离,获得单个锥体目标散射中心模型,并重构单个锥体目标微多普勒时频图和一维距离像;
空间非合作锥体目标特征提取模块,利用重构获得的单个锥体目标微多普勒时频图数据集和一维距离像数据集,结合双通道卷积神经网络进行训练和测试,得到复杂环境中空间非合作锥体目标的高度、半径、进动频率。
一种移动终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的基于物理先验知识的空间群目标探测方法。
本发明与现有技术相比,其显著优点为:(1)通过散射中心模型分离空间群目标,获得单个锥体目标散射中心模型,并重构单个锥体目标微多普勒时频图和一维距离像,能够有效减少噪声的干扰,对于提高目标运动参数和结构参数的估计精度有较大的帮助(2)利用卡尔曼滤波算法,提取空间群目标散射中心的运动轨迹,避免了目标之间的交叉和遮挡,为准确辨识目标运动参数和结构参数提供帮助(3)对多种复杂环境中的空间非合作锥体目标一维距离像均有较好的分离重构能力(4)通过深度学习来学习空间非合作锥体目标一维距离像,网络训练和测试过程简单且快速,模型的泛化能力较强。
附图说明
图1是本发明中典型的空间非合作锥体目标进动示意图。
图2是本发明中典型的三锥体目标空间运动过程示意图。
图3是基于一维距离像的散射中心模型提取分离流程图。
图4是空间群目标散射中心模型与单个锥体目标散射中心模型示意图。
图5是重构的单个锥体目标一维距离像和微多普勒时频图。
图6是双通道卷积神经网络识别目标参数流程图。
图7是参数识别误差变化图。
具体实施方式
本发明提供一种基于物理先验知识的空间群目标探测方法,包括以下步骤:
步骤1、构建不同尺寸的空间非合作锥体目标物理仿真模型,获得不同运动状态下混叠的空间群目标随时间变化的雷达回波,利用傅里叶变换获得空间群目标随时间变化的一维距离像;
步骤2、基于锥体目标散射中心模型的物理先验知识,根据多个随机时刻的一维距离像估算出空间群目标散射中心的数量,结合最小二乘法,提取出所有时刻散射中心的位置信息和幅度信息;
步骤3、基于卡尔曼滤波算法,将混叠的锥体目标散射中心模型中的位置信息重组,减少目标之间的遮挡和交叉干扰,实现空间群目标的分离,获得单个锥体目标散射中心模型,并重构单个锥体目标微多普勒时频图和一维距离像;
步骤4、利用重构获得的单个锥体目标微多普勒时频图数据集和一维距离像数据集,结合双通道卷积神经网络进行训练和测试,得到复杂环境中空间非合作锥体目标的高度、半径、进动频率。
作为一种具体示例,步骤1中所述的构建不同尺寸的空间非合作锥体目标物理仿真模型,获得不同运动状态下混叠的空间群目标随时间变化的雷达回波,利用傅里叶变换获得空间群目标随时间变化的一维距离像,具体如下:
对于旋转对称锥体目标,散射中心分布在两个位置,分别为锥体目标顶端和锥体目标底部边缘;
锥体目标的运动参数和结构参数为:进动频率,速度/>,进动角/>,高度/>,半径,质心高/>;定义进动角频率为/>,/>为当前时间,/>为雷达俯仰角,/>为雷达方位角;
在以目标质心为原点的坐标系下,两个位置处的散射中心径向位移理论表达式为:
锥体目标顶端散射中心A的径向位移表达式为:
(1)
锥体目标底部边缘散射中心B的径向位移表达式为:
(2)
理想散射中心模型表达式为:
(3)
其中为第i个散射中心的幅度信息,/>为第i个散射中心的位置信息,/>为雷达发射波长,/>为雷达回波;
由式(3)进一步推导出混叠的锥体目标雷达回波表达式为:
(4)
其中、/>为第i个锥体目标锥顶和锥底的幅度信息,/>、/>为第i个锥体目标锥顶和锥底的位置信息。
作为一种具体示例,步骤2所述的基于锥体目标散射中心模型的物理先验知识,根据多个随机时刻的一维距离像估算出空间群目标散射中心的数量,结合最小二乘法,提取出所有时刻散射中心的位置信息和幅度信息,具体如下:
由锥体目标的顶端散射中心A和底部边缘散射中心B的径向位移表达式(1)、式(2)获得锥体目标散射中心模型的物理先验知识,即噪声环境下的锥体目标随时间变化的散射中心模型为:
(5)
其中,为t时刻的雷达回波;/>表示t时刻噪声,/>、/>为第i个锥体目标锥顶、锥底t时刻的幅度信息,/>、/>为第i个锥体目标锥顶、锥底t时刻的位置信息,为第i个锥体目标的速度,/>为第i个锥体目标的进动角,/>为第i个锥体目标的高度,/>为第i个锥体目标的半径,/>为第i个锥体目标的质心高,/>为第i个锥体目标的角速度;
对噪声环境下的锥体目标随时间变化的散射中心模型进行变化,得到t时刻一维距离像的噪声:
(6)
其中为t时刻一维距离像的噪声;
通过多个随机时刻一维距离像的时间累积,获得增强散射中心的一维距离像,提高真实散射中心的强度,减小噪声干扰;基于最小二乘法和锥体目标散射中心模型物理先验知识,提取一维距离像的散射中心数量,以及散射中心的位置信息和幅度信息,代入式(6)获得t时刻一维距离像的噪声,将多个随机时刻一维距离像的噪声最大值的均值作为最终的噪声阈值;
根据获得的空间群目标散射中心的数量和噪声阈值,基于最小二乘法和锥体目标散射中心模型物理先验知识,对所有时刻的空间群目标一维距离像提取散射中心的位置信息和幅度信息,获得空间群目标散射中心模型。
作为一种具体示例,空间群目标一维距离像的散射中心提取具体流程如下:
(2.1)随机选取多段连续时刻的一维距离像,将每段连续时刻的一维距离像做时间维度上的累加,获得增强散射中心的一维距离像,提高真实散射中心的强度,减小噪声干扰;
(2.2)将增强散射中心的一维距离像的均值作为起始噪声阈值,幅值大于噪声阈值的视为散射中心,幅值低于噪声阈值的视为噪声,基于最小二乘法和锥体目标散射中心模型物理先验知识,获得步骤(2.1)中多段一维距离像的散射中心数量,以及散射中心的位置信息和幅度信息;
(2.3)将步骤(2.2)中获得的散射中心数量中的众数作为空间群目标散射中心的数量上限M0,并且锥体目标数量为M0/2,将步骤(2.2)中获得的散射中心的位置信息和幅度信息代入式(6),获得t时刻一维距离像的噪声,将各个时刻一维距离像的噪声最大值的均值作为最终的噪声阈值N0;
(2.4)选取t时刻的一维距离像L,设置初始散射中心个数n=0;
(2.5)基于最小二乘法,提取t时刻的一维距离像L中幅度最大的散射中心的位置信息和幅度信息/>,将获得的散射中心的位置信息/>和幅度信息/>代入式(4),重新生成无噪声一维距离像,与原本的一维距离像相减获得提取后的一维距离像L’,且散射中心个数n=n+1;
(2.6)判断t时刻的散射中心个数是否大于等于M0或者一维距离像L’的最大值小于N0:如果判断为是,则表示t时刻一维距离像的散射中心提取完备,令t=t+1,并返回步骤(2.4);如果判断为否,则表示t时刻一维距离像的散射中心未提取完备,令t时刻一维距离像L=L’,并返回步骤(2.5)。
作为一种具体示例,步骤3所述的基于卡尔曼滤波算法,将混叠的锥体目标散射中心模型中的位置信息重组,减少目标之间的遮挡和交叉干扰,实现空间群目标的分离,获得单个锥体目标散射中心模型,并重构单个锥体目标微多普勒时频图和一维距离像,具体如下:
通过步骤2获得的空间群目标散射中心模型,基于已获得的散射中心位置信息,结合卡尔曼滤波算法和锥体目标散射中心运动轨迹为正弦函数的性质,计算锥体目标散射中心运动轨迹相关参数,获得锥体目标散射中心的运动轨迹,将存在交叉遮挡的多个散射中心运动轨迹分离出来,锥体目标散射中心运动轨迹表达式如下所示:
(7)
其中,、/>分别为第i个锥体目标的锥顶和锥底运动轨迹,/>为第i个锥体目标的运动幅值,/>为第i个锥体目标的运动角速度,/>为第i个锥体目标的初始相位,/>、分别为第i个锥体目标的锥顶和锥底初始位置,/>为第i个锥体目标的径向速度。
作为一种具体示例,分离获得单个锥体目标散射中心模型,并重构单个锥体目标微多普勒时频图和一维距离像,具体流程如下:
(3.1)排除步骤2中提取出的散射中心数量小于M0的时刻,即散射中心被遮挡时刻,并计算时刻,所有散射中心位置信息和幅度信息相关系数,选取相关系数最大,即不存在散射中心运动轨迹交叉的时刻/>作为为起始时刻t,/>;
(3.2)根据t时刻的第i个锥体目标散射中心的位置和锥体目标散射中心运动轨迹公式(7),结合卡尔曼滤波算法,预测t+1时刻的第i个锥体目标散射中心的位置;
(3.3)计算t+1时刻的预测值与t+1时刻的第j个散射中心的位置信息的误差/>,判断是否存在/>大于阈值,该阈值为锥体散射中心运动幅值的5%:如果判断为是,则结合最小二乘法,根据已知的0~t时刻的第i个锥体目标散射中心的运动轨迹/>,以及锥体目标散射中心运动轨迹表达式(7),获得第i个锥体目标的运动参数,并重复步骤(3.2)~步骤(3.3);如果判断为否,则将预测值/>作为第i个锥体目标散射中心t+1时刻散射中心的位置/>,并且t=t+1,重复步骤(3.2)~步骤(3.3);当遍历完所有时刻后,进入步骤(3.4);
(3.4)当遍历完所有时刻后,根据最终获得的第i个散射中心的运动轨迹,结合最小二乘法,获得锥体目标散射中心运动轨迹的相关参数/>、/>、/>、/>、/>、/>,通过公式(7)补全步骤(3.1)中排除的被遮挡时刻散射中心的位置,并由插值获得对应时刻的散射中心的幅度,最终获得完整的第i个锥体目标的锥顶散射中心的位置信息/>与幅度信息、锥底散射中心的位置信息/>与幅度信息/>,即获得单个锥体目标的散射中心模型;
(3.5)将获得的单个锥体目标的散射中心模型,代入公式(4)获得单个锥体目标的雷达回波,通过时频分析和傅里叶变换获得单个锥体目标的微多普勒时频图和一维距离像。
本发明还提供一种基于物理先验知识的空间群目标探测系统,该系统用于实现所述的基于物理先验知识的空间群目标探测方法,具体包括一维距离像获取模块、散射中心信息提取模块、单个锥体目标重构模块、空间非合作锥体目标特征提取模块,其中:
一维距离像获取模块,用于构建不同尺寸的空间非合作锥体目标物理仿真模型,获得不同运动状态下混叠的空间群目标随时间变化的雷达回波,利用傅里叶变换获得空间群目标随时间变化的一维距离像;
散射中心信息提取模块,基于锥体目标散射中心模型的物理先验知识,根据多个随机时刻的一维距离像估算出空间群目标散射中心的数量,结合最小二乘法,提取出所有时刻散射中心的位置信息和幅度信息;
单个锥体目标重构模块,基于卡尔曼滤波算法,将混叠的锥体目标散射中心模型中的位置信息重组,减少目标之间的遮挡和交叉干扰,实现空间群目标的分离,获得单个锥体目标散射中心模型,并重构单个锥体目标微多普勒时频图和一维距离像;
空间非合作锥体目标特征提取模块,利用重构获得的单个锥体目标微多普勒时频图数据集和一维距离像数据集,结合双通道卷积神经网络进行训练和测试,得到复杂环境中空间非合作锥体目标的高度、半径、进动频率。
本发明还提供一种移动终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的基于物理先验知识的空间群目标探测方法。
下面结合附图及具体实施例对本发明作进一步详细描述。
实施例
结合图1和图2,本实施例一种基于物理先验知识的空间群目标探测方法,步骤为:
步骤1、构建不同尺寸的空间非合作锥体目标物理仿真模型,获得不同运动状态下,混叠的空间群目标随时间变化的雷达回波,利用傅里叶变换获得空间群目标随时间变化的一维距离像;
本发明以旋转对称锥体目标为例,锥体目标进动示意图如图1所示,三锥体目标空间运动过程示意图如图2所示,对于旋转对称锥体目标,散射中心分布在两个位置,分别为锥体目标顶端和锥体目标底部边缘;
锥体目标的运动参数和结构参数为:进动频率,速度/>,进动角/>,高度/>,半径/>,质心高/>;定义进动角频率为/>,/>为当前时间,/>为雷达俯仰角,/>为雷达方位角;
在以目标质心为原点的坐标系下,两个位置处的散射中心径向位移理论表达式为:
锥体目标顶端散射中心A的径向位移表达式为:
锥体目标底部边缘散射中心B的径向位移表达式为:
理想散射中心模型表达式为:
其中为第i个散射中心的幅度信息,/>为第i个散射中心的位置信息,/>为雷达发射波长,/>为雷达回波;
进一步推导出混叠的锥体目标雷达回波表达式为:
其中、/>为第i个锥体目标锥顶、锥底的幅度信息,/>、/>为第i个锥体目标锥顶和锥底的位置信息。
步骤2、基于锥体目标散射中心模型的物理先验知识,根据多个随机时刻的一维距离像估算出空间群目标散射中心的数量,结合最小二乘法,提取出所有时刻散射中心的位置信息和幅度信息;
本发明是对噪声环境下,空间群目标一维距离像的散射中心进行提取,由锥体目标的顶端散射中心A和底部边缘散射中心B的径向位移表达式获得锥体目标散射中心模型的物理先验知识,即噪声环境下的锥体目标随时间变化的散射中心模型为:
其中表示t时刻噪声,/>、/>为第i个锥体目标锥顶和锥底t时刻的幅度信息,/>、/>为第i个锥体目标锥顶和锥底t时刻的位置信息,/>为第i个锥体目标的速度,/>为第i个锥体目标的进动角,/>为第i个锥体目标的高度,/>为第i个锥体目标的半径,质心高/>为第i个锥体目标的质心高,/>为第i个锥体目标的角速度;
对噪声环境下的锥体目标随时间变化的散射中心模型进行变化,得到t时刻一维距离像的噪声:
其中为t时刻一维距离像的噪声;
通过多个随机时刻一维距离像的时间累积,获得增强散射中心的一维距离像,提高真实散射中心的强度,减小噪声干扰;基于最小二乘法和锥体目标散射中心模型物理先验知识,提取一维距离像的散射中心数量,以及散射中心的位置信息和幅度信息,代入上式获得t时刻一维距离像的噪声,将多个随机时刻一维距离像的噪声最大值的均值作为最终的噪声阈值;
根据获得的空间群目标散射中心的数量和噪声阈值,基于最小二乘法和锥体目标散射中心模型物理先验知识,对所有时刻的空间群目标一维距离像提取散射中心的位置信息和幅度信息,获得空间群目标散射中心模型;
空间群目标一维距离像的散射中心模型提取具体流程如下:
(1) 随机选取多段连续时刻的一维距离像,将每段连续时刻的一维距离像做时间维度上的累加,获得增强散射中心的一维距离像,提高真实散射中心的强度,减小噪声干扰;
(2) 将增强散射中心的一维距离像的均值作为起始噪声阈值,幅值大于噪声阈值的视为散射中心,幅值低于噪声阈值的视为噪声,基于最小二乘法和锥体目标散射中心模型物理先验知识,获得步骤(1)中多段一维距离像的散射中心数量,以及散射中心的位置信息和幅度信息;
(3) 将步骤(2)中获得的散射中心数量中的众数作为空间群目标散射中心的数量上限M0,并且锥体目标数量为M0/2,将步骤(2)中获得的散射中心的位置信息和幅度信息代入上式,获得t时刻一维距离像的噪声,将各个时刻一维距离像的噪声最大值的均值作为最终的噪声阈值N0;
(4) 选取t时刻的一维距离像L,设置初始散射中心个数n=0;
(5) 基于最小二乘法,提取t时刻的一维距离像L中幅度最大的散射中心的位置信息和幅度信息/>,将获得的散射中心的位置信息/>和幅度信息/>代入混叠的锥体目标雷达回波表达式,重新生成无噪声一维距离像,与原本的一维距离像相减获得提取后的一维距离像L’,且散射中心个数n=n+1;
(6) 判断t时刻的散射中心个数是否大于等于M0或者一维距离像L’的最大值小于N0,如果判断为是,则表示t时刻一维距离像的散射中心提取完备,令t=t+1,并返回步骤(4),如果判断为否,则表示t时刻一维距离像的散射中心未提取完备,令t时刻一维距离像L=L’,并返回步骤(5)。
步骤3、基于卡尔曼滤波算法,将混叠的锥体目标散射中心模型中的位置信息重组,减少目标之间的遮挡和交叉干扰,实现空间群目标的分离,获得单个锥体目标散射中心模型,并重构单个锥体目标微多普勒时频图和一维距离像;
本发明是对存在交叉和遮挡的空间群目标进行分离,获得单个锥体目标的散射中心模型,并重构单个锥体目标的微多普勒时频图和一维距离像。通过步骤2获得的空间群目标散射中心模型,基于已获得的散射中心位置信息,结合卡尔曼滤波算法和锥体目标散射中心运动轨迹为正弦函数的性质,计算锥体目标散射中心运动轨迹相关参数,获得锥体目标散射中心的运动轨迹,将存在交叉遮挡的多个散射中心运动轨迹分离出来,锥体目标散射中心运动轨迹表达式如下所示:
(21)
其中、/>分别为第i个锥体目标的锥顶和锥底运动轨迹,/>为第i个锥体目标的运动幅值,/>为第i个锥体目标的运动角速度,/>为第i个锥体目标的初始相位,/>、分别为第i个锥体目标的锥顶和锥底初始位置,/>为第i个锥体目标的径向速度;
结合图3说明,分离获得单个锥体目标散射中心模型,并重构单个锥体目标微多普勒时频图和一维距离像,具体流程如下:
(1) 排除步骤2中提取出的散射中心数量小于M0的时刻,即散射中心被遮挡时刻,并计算时刻,所有散射中心位置信息和幅度信息相关系数,选取相关系数最大,即不存在散射中心运动轨迹交叉的时刻/>作为为起始时刻t,/>;
(2) 根据t时刻的第i个锥体目标散射中心的位置和锥体目标散射中心运动轨迹公式,结合卡尔曼滤波算法,预测t+1时刻的第i个锥体目标散射中心的位置/>;
(3) 计算t+1时刻的预测值与t+1时刻的第j个散射中心的位置信息的误差/>,判断是否存在/>大于阈值,阈值为锥体散射中心运动幅值的5%,如果判断为是,则结合最小二乘法,根据已知的0~t时刻的第i个锥体目标散射中心的运动轨迹/>,以及锥体目标散射中心运动轨迹表达式,获得第i个锥体目标的运动参数,并重复步骤(2)(3),如果判断为否,则将预测值/>作为第i个锥体目标散射中心t+1时刻散射中心的位置/>,并且t=t+1,重复步骤(2)(3);
(4) 当遍历完所有时刻后,根据最终获得的第i个散射中心的运动轨迹,结合最小二乘法,获得锥体目标散射中心运动轨迹的相关参数/>、/>、/>、/>、/>,通过锥体目标散射中心运动轨迹表达式补全步骤(1)中排除的被遮挡时刻散射中心的位置,并由插值获得对应时刻的散射中心的幅度,最终获得完整的第i个锥体目标的锥顶散射中心的位置信息/>与幅度信息/>和锥底散射中心的位置信息/>与幅度信息/>,即获得单个锥体目标的散射中心模型;
(5) 将获得的单个锥体目标的散射中心模型,代入混叠的锥体目标雷达回波表达式获得单个锥体目标的雷达回波,通过时频分析和傅里叶变换获得单个锥体目标的微多普勒时频图和一维距离像。
最终结果如图4和图5所示。
步骤4、利用重构获得的单个锥体目标微多普勒时频图数据集和一维距离像数据集,结合双通道卷积神经网络进行训练和测试,得到复杂环境中空间非合作锥体目标的高度、半径、进动频率;
结合图6说明双通道卷积神经网络识别参数流程。本发明利用单个锥体目标的散射中心模型,重构获得单个锥体目标一维距离像和微多普勒时频图,对双通道卷积神经网络进行训练测试,识别单个锥体目标参数,其中一个卷积通道提取一维距离像的特征,另一个卷积通道提取微多普勒时频图的特征,并通过1*1的卷积核将两种不同的散射属性特征融合,共同识别单个锥体目标参数。
针对复杂环境中的空间群目标进动时,由于目标之间存在的交叉和遮挡等干扰,难以有效获得目标本征参数的问题,传统的目标辨识方法有许多局限性,例如要求目标之间无交叉或者只能针对单个目标进行辨识,不具有广泛的应用性。传统的运动参数提取方法也存在着提取效率慢,提取精度不高且泛化能力不强的问题。
本发明的空间非合作锥体目标的参数设置为进动频率,间隔0.4Hz,进动角/>,锥体高度/>,间隔0.2m, 锥体高度/>,间隔0.02m,锥体数量为3,来自复杂环境的噪声信噪比/>,间隔1dB,以及无噪声,假定目标质量分布均匀,质点位于四分之一高处。根据不同尺寸的空间非合作锥体目标物理仿真模型的回波数据生成一维距离像数据集,并且数据集不重复。
噪声环境下的锥体目标随时间变化的散射中心模型为:
其中表示t时刻噪声,/>、/>为第i个锥体目标锥顶和锥底t时刻的幅度信息,/>、/>为第i个锥体目标锥顶和锥底t时刻的位置信息,/>为第i个锥体目标的速度,/>为第i个锥体目标的进动角,/>为第i个锥体目标的高度,/>为第i个锥体目标的半径,质心高/>为第i个锥体目标的质心高,/>为第i个锥体目标的角速度;
其他仿真参数为:雷达频率,间隔0.1GHz,采样时间1s,雷达视线角36°。总共生成5000张图片。
空间非合作锥体目标的散射中心运动轨迹可以表示为:
其中分别代表空间非合作锥体目标的运动幅值、中心位置、进动频率、初始相位、径向速度。将锥体目标散射中心运动轨迹轨迹与卡尔曼滤波算法相结合,实现散射中心的轨迹提取,进一步将混叠的群目标分离,基于分离获得的单个锥体目标散射中心模型,重构获得单个锥体目标一维距离像和微多普勒时频图各15000张,利用分重构后的单个锥体目标一维距离像和微多普勒时频图,对双通道卷积神经网络进行训练和测试,提取单个锥体目标的进动频率,高度,半径,其中一维距离像和微多普勒时频图各13000张作为训练集,2000张作为测试集。
本发明使用相对均方根误差作为判别微动参数预测准确性的指标。相对均方根误差公式为
其中K=2000,为测试集的数量,与/>第/>个测试值与真实值。最终估计结果如图7所示。
从以上算例仿真和结果分析来看,本发明的基于散射中心模型群目标分离重构方法可以对不同尺寸和运动状态下的空间群目标一维距离像提取散射中心模型,并分离获得单个锥体目标散射中心模型,基于单个锥体目标散射中心模型重构一维距离像和微多普勒时频图,然后利用重构的单个锥体目标一维距离像微多普勒时频图,对双通道卷积神经网络进行训练,提取目标本征参数。在噪声环境下本发明所使用的方法仍具有较高的准确度和可靠性,说明本发明所使用的具有更高的抗干扰能力和泛化能力,相对于传统群目标本征参数提取方法在精度和稳定性上均有一定的提升。
Claims (7)
1.一种基于物理先验知识的空间群目标探测方法,其特征在于,包括以下步骤:
步骤1、构建不同尺寸的空间非合作锥体目标物理仿真模型,获得不同运动状态下混叠的空间群目标随时间变化的雷达回波,利用傅里叶变换获得空间群目标随时间变化的一维距离像;
步骤2、基于锥体目标散射中心模型的物理先验知识,根据多个随机时刻的一维距离像估算出空间群目标散射中心的数量,结合最小二乘法,提取出所有时刻散射中心的位置信息和幅度信息;
步骤3、基于卡尔曼滤波算法,将混叠的锥体目标散射中心模型中的位置信息重组,减少目标之间的遮挡和交叉干扰,实现空间群目标的分离,获得单个锥体目标散射中心模型,并重构单个锥体目标微多普勒时频图和一维距离像;
其中分离获得单个锥体目标散射中心模型,并重构单个锥体目标微多普勒时频图和一维距离像,具体流程如下:
(3.1)排除步骤2中提取出的散射中心数量小于M0的时刻,即散射中心被遮挡时刻,并计算时刻,所有散射中心位置信息和幅度信息相关系数,选取相关系数最大,即不存在散射中心运动轨迹交叉的时刻/>作为起始时刻t,/>;M0表示空间群目标散射中心的数量上限;
(3.2)根据t时刻的第i个锥体目标散射中心的位置和锥体目标散射中心运动轨迹公式,结合卡尔曼滤波算法,预测t+1时刻的第i个锥体目标散射中心的位置/>;
(3.3)计算t+1时刻的预测值与t+1时刻的第j个散射中心的位置信息/>的误差/>,判断是否存在/>大于阈值,该阈值为锥体散射中心运动幅值的5%:如果判断为是,则结合最小二乘法,根据已知的0~t时刻的第i个锥体目标散射中心的运动轨迹/>,以及锥体目标散射中心运动轨迹表达式,获得第i个锥体目标的运动参数,并重复步骤(3.2)~步骤(3.3);如果判断为否,则将预测值/>作为第i个锥体目标散射中心t+1时刻散射中心的位置/>,并且t=t+1,重复步骤(3.2)~步骤(3.3);当遍历完所有时刻后,进入步骤(3.4);
(3.4)当遍历完所有时刻后,根据最终获得的第i个散射中心的运动轨迹,结合最小二乘法,获得锥体目标散射中心运动轨迹的相关参数/>、/>、/>、/>、/>、/>,通过锥体目标散射中心运动轨迹表达式补全步骤(3.1)中排除的被遮挡时刻散射中心的位置,并由插值获得对应时刻的散射中心的幅度,最终获得完整的第i个锥体目标的锥顶散射中心的位置信息/>与幅度信息/>、锥底散射中心的位置信息/>与幅度信息/>,即获得单个锥体目标的散射中心模型;
(3.5)将获得的单个锥体目标的散射中心模型,代入混叠的锥体目标雷达回波表达式获得单个锥体目标的雷达回波,通过时频分析和傅里叶变换获得单个锥体目标的微多普勒时频图和一维距离像;
步骤4、利用重构获得的单个锥体目标微多普勒时频图数据集和一维距离像数据集,结合双通道卷积神经网络进行训练和测试,得到复杂环境中空间非合作锥体目标的高度、半径、进动频率。
2.根据权利要求1所述的基于物理先验知识的空间群目标探测方法,其特征在于,步骤1中构建不同尺寸的空间非合作锥体目标物理仿真模型,获得不同运动状态下混叠的空间群目标随时间变化的雷达回波,利用傅里叶变换获得空间群目标随时间变化的一维距离像,具体如下:
对于旋转对称锥体目标,散射中心分布在两个位置,分别为锥体目标顶端和锥体目标底部边缘;
锥体目标的运动参数和结构参数为:进动频率,速度/>,进动角/>,高度/>,半径/>,质心高/>;定义进动角频率为/>,/>为当前时间,/>为雷达俯仰角,/>为雷达方位角;
在以目标质心为原点的坐标系下,两个位置处的散射中心径向位移理论表达式为:
锥体目标顶端散射中心A的径向位移表达式为:
(1)
锥体目标底部边缘散射中心B的径向位移表达式为:
(2)
理想散射中心模型表达式为:
(3)
其中为第i个散射中心的幅度信息,/>为第i个散射中心的位置信息,/>为雷达发射波长,/>为雷达回波;
由式(3)进一步推导出混叠的锥体目标雷达回波表达式为:
(4)
其中、/>为第i个锥体目标锥顶和锥底的幅度信息,/>、/>为第i个锥体目标锥顶和锥底的位置信息。
3.根据权利要求2所述的基于物理先验知识的空间群目标探测方法,其特征在于,步骤2中基于锥体目标散射中心模型的物理先验知识,根据多个随机时刻的一维距离像估算出空间群目标散射中心的数量,结合最小二乘法,提取出所有时刻散射中心的位置信息和幅度信息,具体如下:
由锥体目标的顶端散射中心A和底部边缘散射中心B的径向位移表达式(1)、式(2)获得锥体目标散射中心模型的物理先验知识,即噪声环境下的锥体目标随时间变化的散射中心模型为:
(5)
其中,为t时刻的雷达回波;/>表示t时刻噪声,/>、/>为第i个锥体目标锥顶、锥底t时刻的幅度信息,/>、/>为第i个锥体目标锥顶、锥底t时刻的位置信息,/>为第i个锥体目标的速度,/>为第i个锥体目标的进动角,/>为第i个锥体目标的高度,/>为第i个锥体目标的半径,/>为第i个锥体目标的质心高,/>为第i个锥体目标的角速度;
对噪声环境下的锥体目标随时间变化的散射中心模型进行变化,得到t时刻一维距离像的噪声:
(6)
其中为t时刻一维距离像的噪声;
通过多个随机时刻一维距离像的时间累积,获得增强散射中心的一维距离像;基于最小二乘法和锥体目标散射中心模型物理先验知识,提取一维距离像的散射中心数量,以及散射中心的位置信息和幅度信息,代入式(6)获得t时刻一维距离像的噪声,将多个随机时刻一维距离像的噪声最大值的均值作为最终的噪声阈值;
根据获得的空间群目标散射中心的数量和噪声阈值,基于最小二乘法和锥体目标散射中心模型物理先验知识,对所有时刻的空间群目标一维距离像提取散射中心的位置信息和幅度信息,获得空间群目标散射中心模型。
4.根据权利要求3所述的基于物理先验知识的空间群目标探测方法,其特征在于,空间群目标一维距离像的散射中心提取具体流程如下:
(2.1)随机选取多段连续时刻的一维距离像,将每段连续时刻的一维距离像做时间维度上的累加,获得增强散射中心的一维距离像;
(2.2)将增强散射中心的一维距离像的均值作为起始噪声阈值,幅值大于噪声阈值的视为散射中心,幅值低于噪声阈值的视为噪声,基于最小二乘法和锥体目标散射中心模型物理先验知识,获得步骤(2.1)中多段一维距离像的散射中心数量,以及散射中心的位置信息和幅度信息;
(2.3)将步骤(2.2)中获得的散射中心数量中的众数作为空间群目标散射中心的数量上限M0,并且锥体目标数量为M0/2,将步骤(2.2)中获得的散射中心的位置信息和幅度信息代入式(6),获得t时刻一维距离像的噪声,将各个时刻一维距离像的噪声最大值的均值作为最终的噪声阈值N0;
(2.4)选取t时刻的一维距离像L,设置初始散射中心个数n=0;
(2.5)基于最小二乘法,提取t时刻的一维距离像L中幅度最大的散射中心的位置信息和幅度信息/>,将获得的散射中心的位置信息/>和幅度信息/>代入式(4),重新生成无噪声一维距离像,与原本的一维距离像相减获得提取后的一维距离像L’,且散射中心个数n=n+1;
(2.6)判断t时刻的散射中心个数是否大于等于M0或者一维距离像L’的最大值小于N0:如果判断为是,则表示t时刻一维距离像的散射中心提取完备,令t=t+1,并返回步骤(2.4);如果判断为否,则表示t时刻一维距离像的散射中心未提取完备,令t时刻一维距离像L=L’,并返回步骤(2.5)。
5.根据权利要求1所述的基于物理先验知识的空间群目标探测方法,其特征在于,步骤3中基于卡尔曼滤波算法,将混叠的锥体目标散射中心模型中的位置信息重组,减少目标之间的遮挡和交叉干扰,实现空间群目标的分离,获得单个锥体目标散射中心模型,并重构单个锥体目标微多普勒时频图和一维距离像,具体如下:
通过步骤2获得的空间群目标散射中心模型,基于已获得的散射中心位置信息,结合卡尔曼滤波算法和锥体目标散射中心运动轨迹为正弦函数的性质,计算锥体目标散射中心运动轨迹相关参数,获得锥体目标散射中心的运动轨迹,将存在交叉遮挡的多个散射中心运动轨迹分离出来,锥体目标散射中心运动轨迹表达式如下所示:
(7)
其中,、/>分别为第i个锥体目标的锥顶和锥底运动轨迹,/>为第i个锥体目标的运动幅值,/>为第i个锥体目标的运动角速度,/>为第i个锥体目标的初始相位,/>、/>分别为第i个锥体目标的锥顶和锥底初始位置,/>为第i个锥体目标的径向速度。
6.一种基于物理先验知识的空间群目标探测系统,其特征在于,该系统用于实现权利要求1~5任一项所述的基于物理先验知识的空间群目标探测方法,具体包括一维距离像获取模块、散射中心信息提取模块、单个锥体目标重构模块、空间非合作锥体目标特征提取模块,其中:
一维距离像获取模块,用于构建不同尺寸的空间非合作锥体目标物理仿真模型,获得不同运动状态下混叠的空间群目标随时间变化的雷达回波,利用傅里叶变换获得空间群目标随时间变化的一维距离像;
散射中心信息提取模块,基于锥体目标散射中心模型的物理先验知识,根据多个随机时刻的一维距离像估算出空间群目标散射中心的数量,结合最小二乘法,提取出所有时刻散射中心的位置信息和幅度信息;
单个锥体目标重构模块,基于卡尔曼滤波算法,将混叠的锥体目标散射中心模型中的位置信息重组,减少目标之间的遮挡和交叉干扰,实现空间群目标的分离,获得单个锥体目标散射中心模型,并重构单个锥体目标微多普勒时频图和一维距离像;
空间非合作锥体目标特征提取模块,利用重构获得的单个锥体目标微多普勒时频图数据集和一维距离像数据集,结合双通道卷积神经网络进行训练和测试,得到复杂环境中空间非合作锥体目标的高度、半径、进动频率。
7.一种移动终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~5任一项所述的基于物理先验知识的空间群目标探测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310700834.2A CN116430349B (zh) | 2023-06-14 | 2023-06-14 | 一种基于物理先验知识的空间群目标探测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310700834.2A CN116430349B (zh) | 2023-06-14 | 2023-06-14 | 一种基于物理先验知识的空间群目标探测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116430349A CN116430349A (zh) | 2023-07-14 |
CN116430349B true CN116430349B (zh) | 2023-08-29 |
Family
ID=87080143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310700834.2A Active CN116430349B (zh) | 2023-06-14 | 2023-06-14 | 一种基于物理先验知识的空间群目标探测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116430349B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110320510A (zh) * | 2019-06-14 | 2019-10-11 | 南京理工大学 | 一种基于质心高度参量消除的弹道导弹结构参数估计方法 |
CN111443334A (zh) * | 2020-03-17 | 2020-07-24 | 中山大学 | 基于ieemd的目标微动参数估计方法、系统、装置及存储介质 |
CN114114192A (zh) * | 2021-12-02 | 2022-03-01 | 电子科技大学 | 集群目标检测方法 |
CN114509736A (zh) * | 2022-01-19 | 2022-05-17 | 电子科技大学 | 一种基于超宽带电磁散射特征的雷达目标识别方法 |
CN114636982A (zh) * | 2022-03-10 | 2022-06-17 | 南京理工大学 | 分析紧邻动态弹头的等效耦合散射中心重构方法 |
CN114859298A (zh) * | 2022-04-26 | 2022-08-05 | 中国人民解放军空军工程大学 | 前视条件下进动锥体目标微多普勒参数提取方法 |
CN115712115A (zh) * | 2022-11-18 | 2023-02-24 | 上海无线电设备研究所 | 一种算、测数据结合的雷达目标属性散射中心提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3546978B1 (en) * | 2018-03-29 | 2021-12-08 | Aptiv Technologies Limited | Method for testing a target object as single point scattering center |
-
2023
- 2023-06-14 CN CN202310700834.2A patent/CN116430349B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110320510A (zh) * | 2019-06-14 | 2019-10-11 | 南京理工大学 | 一种基于质心高度参量消除的弹道导弹结构参数估计方法 |
CN111443334A (zh) * | 2020-03-17 | 2020-07-24 | 中山大学 | 基于ieemd的目标微动参数估计方法、系统、装置及存储介质 |
CN114114192A (zh) * | 2021-12-02 | 2022-03-01 | 电子科技大学 | 集群目标检测方法 |
CN114509736A (zh) * | 2022-01-19 | 2022-05-17 | 电子科技大学 | 一种基于超宽带电磁散射特征的雷达目标识别方法 |
CN114636982A (zh) * | 2022-03-10 | 2022-06-17 | 南京理工大学 | 分析紧邻动态弹头的等效耦合散射中心重构方法 |
CN114859298A (zh) * | 2022-04-26 | 2022-08-05 | 中国人民解放军空军工程大学 | 前视条件下进动锥体目标微多普勒参数提取方法 |
CN115712115A (zh) * | 2022-11-18 | 2023-02-24 | 上海无线电设备研究所 | 一种算、测数据结合的雷达目标属性散射中心提取方法 |
Non-Patent Citations (1)
Title |
---|
基于窄带微动特征的空间锥体目标识别方法研究;韩勋;《中国博士学位论文全文数据库信息科技辑》;第17-84页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116430349A (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108226892B (zh) | 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 | |
CN112184849B (zh) | 一种针对复杂动态多目标微动信号智能处理方法及系统 | |
CN103439697B (zh) | 基于动态规划的目标检测方法 | |
CN106842165B (zh) | 一种基于不同距离角度分辨率雷达集中式异步融合方法 | |
CN103729859B (zh) | 一种基于模糊聚类的概率最近邻域多目标跟踪方法 | |
CN111045008B (zh) | 基于展宽计算的车载毫米波雷达目标识别方法 | |
CN108802722B (zh) | 一种基于虚拟谱的弱目标检测前跟踪方法 | |
CN106226751B (zh) | 基于dp-tbd的机动目标检测与跟踪方法 | |
CN106772352B (zh) | 一种基于Hough和粒子滤波的PD雷达扩展微弱目标检测方法 | |
CN104931934B (zh) | 一种基于pam聚类分析的雷达点迹凝聚方法 | |
CN105301584B (zh) | 同时解距离模糊的ipphdf机动多目标跟踪方法 | |
CN112130142B (zh) | 一种复杂运动目标微多普勒特征提取方法及系统 | |
CN112835009B (zh) | 一种基于fmcw雷达rai的数据集拓展方法 | |
CN107229084A (zh) | 一种自动识别,跟踪并预测对流系统目标的方法 | |
CN109100696A (zh) | 基于点状杂波图的慢速运动目标消除方法 | |
CN114114192A (zh) | 集群目标检测方法 | |
CN108919254A (zh) | 高重频雷达机动弱小多目标检测跟踪的cs-phd方法 | |
CN113189553A (zh) | 一种基于多模态优化的微小机动多目标快速检测方法 | |
Tang et al. | Human activity recognition based on mixed CNN with radar multi-spectrogram | |
CN106772357B (zh) | 信噪比未知条件下的ai-phd滤波器多目标跟踪方法 | |
CN113960587A (zh) | 基于类别信息反馈的毫米波雷达多目标跟踪方法 | |
CN116430349B (zh) | 一种基于物理先验知识的空间群目标探测方法及系统 | |
CN110244289A (zh) | 一种自适应粒子滤波地波雷达目标一体化探测方法 | |
CN114677419A (zh) | 基于三维卷积网络的雷达多普勒信号低慢小目标检测方法 | |
Bae et al. | Adaptive PRF selection technique for multiple targets in track-before-detect |
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 |