CN116953652A - 基于GS-IRadon算法旋翼目标微动特征提取方法 - Google Patents
基于GS-IRadon算法旋翼目标微动特征提取方法 Download PDFInfo
- Publication number
- CN116953652A CN116953652A CN202310975597.0A CN202310975597A CN116953652A CN 116953652 A CN116953652 A CN 116953652A CN 202310975597 A CN202310975597 A CN 202310975597A CN 116953652 A CN116953652 A CN 116953652A
- Authority
- CN
- China
- Prior art keywords
- frequency
- rotor
- time
- iradon
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 41
- 238000000605 extraction Methods 0.000 title claims abstract description 27
- 230000009466 transformation Effects 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 47
- 230000007246 mechanism Effects 0.000 claims abstract description 5
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000002474 experimental method Methods 0.000 abstract description 2
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供基于GS‑IRadon算法旋翼目标微动特征提取方法,包括建立旋翼目标模型与时频特性分析、基于黄金分割法的IRadon变换算法微动特征提取算法;分析回波闪烁机理并通过实验发现,闪烁存在的条件下,零频附近的直流分量是影响目标进行特征提取的主要因素。因此对回波数据进行预处理,利用MTI算法去除直流分量后,再将信号利用短时傅里叶变换变换到时频域,最后利用基于黄金分割法的IRadon变换算法进行特征提取。此方法鲁棒性强,算法复杂度低,算法精度高,能够有效在闪烁条件下,提取旋翼目标微动特征。
Description
技术领域
本发明涉及目标探测的领域,尤其涉及基于GS-IRadon算法旋翼目标微动特征提取方法。
背景技术
旋翼目标,即包含可旋转叶片部件的目标,主要包括直升机、多旋翼无人机、风力发电机等.这类目标可通过叶片转动产生微多普勒效应,对这类目标存在的微多普勒效应进行研究,能反映目标或目标部件独特的微动特征和结构特性,而对这类目标的叶的微动特征的研究是探测和识别该类目标的主要研究方向。
对于目标探测、分类和识别等领域,有效提取微多普勒特征能够估计到目标的相关参数,具有很高的应用价值。目前针对旋翼目标微动特征提取的方法主要分为以下几类。
一是时域特征提取,这类方法主要利用旋翼目标信号的周期特征,通过对时域信号进行相关处理,提取目标旋转频率等特征。二是频域特征提取,这类方法通过基于信号层的分离方法对多分量信号进行分离,在再频域上实现目标不同运动状态或目标的分离,信号分离方法主要包括希尔伯特-黄变换(Hilbert-Huang Transform, HHT)、经验模态分解(Empirical Mode Decomposition, EMD)及其改进型,如CEMD、复数局部模态分解(complexlocal mean decomposition, CLMD)等;三是变换域特征提取,这类方法是旋翼目标特征提取最主要的方法,主要是将信号变换到时频域,从时频图像出发,利用时频图像中目标微多普勒调制特征通过参数变换方法提取目标微动特征,主要的方法有Hough变换以及IRadon变换;
然而实际中旋翼目标回波时频结果中存在时频闪烁,直接使用参数变换方法提取微动特征难以实现;现阶段方法的鲁棒性较差,提取特征存在局限,有时难以有效提取特征。
发明内容
本发明的目的在于针对上述现有技术的不足,提供了基于GS-IRadon算法旋翼目标微动特征提取方法,该方法鲁棒性强,算法复杂度低,算法精度高,能够有效在闪烁条件下,提取旋翼目标微动特征。
为实现上述目的,本发明采用了如下技术方案:
本发明提供了基于GS-IRadon算法旋翼目标微动特征提取方法,包括以下步骤:
S1、建立旋翼目标模型,并基于所述旋翼目标模型对闪烁机理进行分析,得出零频附近直流分量是影响目标特征提取的主要因素;
S2、根据所述旋翼目标模型,提出基于黄金分割法的IRadon变换算法进行微动特征提取;
S201、旋翼目标回波数据的预处理:利用MTI算法去除回波中存在的直流分量,并利用短时傅里叶变换将信号转换至时频域,得到信号时频结果;
S202、利用IRadon变换得到信号时频结果变换后的IRadon变换结果:设定转速搜索范围,利用基于黄金分割法对IRadon变换结果进行峰值搜索,提取特征。
进一步,所述S1具体为:
当雷达发射波长为的单载频连续波,散射点/>的基带回波为:
(1)
其中,为后向散射系数;/>为雷达与旋翼中心/>的距离;/>为方位角;/>为俯仰角;/>为旋翼旋转频率,/>(/>,/>为叶片长度);/>分别为散射点/>与旋翼中心的距离和初始旋转角;/>为复数中的虚部符号;
假设单叶片有个强散射中心,则单叶片回波为:
(2)
令不同叶片具有相同位置和散射系数的散射点,则旋翼叶片总回波的散射点模型表示为:
(3)。
进一步,当所述旋翼叶片均匀散射,即,相邻散射点间隔,则散射点/>与旋翼中心距离/>,式(3)变为:
(4)
当散射点间隔趋于0时,式(4)变为:
(5)。
进一步,所述S1还包括时频结果,所述视频结果由正弦分量、时频闪烁以及直流分量组成;
所述正弦分量看作是对最外侧散射点回波信号中相位部分求导/>;
(6)
所述时频闪烁是由于回波中存在辛格函数部分时频变换产生的强幅度频率带;
所述直流分量是回波中辛格函数部分与其余部分在频域卷积时产生,其强度与正弦包络部分强度相同。
进一步,所述S201中,旋翼目标回波数据的预处理为:
当闪烁不存在时,对于旋翼目标,叶片的长度以及转速都是相同的具有相同的幅度,仅相位不同;在时频结果表现为三条幅度相同初始相位不同的正弦曲线,在已知转速的情况下,利用IRadon变换后,将出现三个强聚焦点,说明该旋翼目标为三叶片旋翼;
当闪烁存在时,时频结果中存在时频闪烁和直流分量,因此使用一阶MTI去除直流分量,时频结果中直流分量被消除,使用IRadon变换后,此时IRadon变换结果中,也会出现了三个强散射点,能够有效的进行特征提取。
进一步,所述S202具体为:
将旋翼目标回波进行STFT后,所述时频结果中正弦包络信号为
(7)
式(7)在所述时频结果中为正弦调制信号,将所述正弦调制信号变换到参数空间,则正弦调制信号表示为:
(8)
为时频像横轴;/>为是时频像纵轴;/>;
由中心切片定理,得IRadon变换后的矩阵为:
(9)
此时,利用IRadon变换,能够实现叶片初相/>和最高频率/>为:
(10);
由于旋翼目标各个叶片的转速与长度相同,因此各叶片的最高频率相同,最高频率为:
(11)。
进一步,所述S202还包括,基于黄金分割法的变步长搜索转速的步骤:
S2021、给定转速的范围,根据掌握的旋翼目标参数,设定一个转速区间、并给定估计误差/>以及黄金分割比;
S2022、求取黄金区间内的黄金分割点值/>、/>,并分别计算/>、/>下/>中的/>的最大值,记为/>、/>;
如果,则将进行区间更新,令/>、/>、/>,同时更新并用IRadon变换计算更新后/>对应的/>;
如果,则将/>、/>、/>,同时更新/>并用IRadon变换计算更新后/>对应的/>;
S2023、计算并比较与/>的大小,如果/>,则重复所述S2022;
如果,比较/>、/>大小,
当时,有/>;
当时,有/>;
基于黄金分割法进行峰值,迭代次数为,则迭代次数与搜索范围以及误差的关系为:
(12)。
本发明的有益效果为:分析回波闪烁机理并通过实验发现,闪烁存在的条件下,零频附近的直流分量是影响目标进行特征提取的主要因素。因此对回波数据进行预处理,利用MTI算法去除直流分量后,再将信号利用短时傅里叶变换STFT变换到时频域,最后利用于黄金分割法的IRadon变换算法(GSIRadon)进行特征提取。此方法鲁棒性强,算法复杂度低,算法精度高,能够有效在闪烁条件下,提取旋翼目标微动特征。
附图说明
图1 为本发明雷达与旋翼散射点的几何关系;
图2为单叶片时频结果;
图3为算法流程图;
图4(a)为无闪烁条件下时频结果;
图4(b)为无闪烁条件下IRadon变换结果;
图5(a)为闪烁条件下时频结果;
图5(b)为闪烁条件下IRadon变换结果;
图6(a)为闪烁条件下数据预处理后时频结果;
图6(b)为闪烁条件下数据预处理后IRadon变换结果;
图7为搜索结果比较。
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,下面结合附图,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。
一种旋翼目标微动特征的提取方法,包括以下步骤:
基于GS-IRadon算法旋翼目标微动特征提取方法,包括以下步骤:
S1、建立旋翼目标模型,并基于所述旋翼目标模型对闪烁机理进行分析,得出零频附近直流分量是影响目标特征提取的主要因素;
S2、根据所述旋翼目标模型,提出基于黄金分割法的IRadon变换算法进行微动特征提取;
S201、旋翼目标回波数据的预处理:利用MTI算法去除回波中存在的直流分量,并利用短时傅里叶变换将信号转换至时频域,得到信号时频结果;
S202、利用IRadon变换得到信号时频结果变换后的IRadon变换结果:设定转速搜索范围,利用基于黄金分割法对IRadon变换结果进行峰值搜索,提取特征。
所述S1具体为:
当雷达发射波长为的单载频连续波,散射点/>的基带回波为:
(1)
其中,为后向散射系数;/>为雷达与旋翼中心/>的距离;/>为方位角;/>为俯仰角;/>为旋翼旋转频率,/>(/>,/>为叶片长度);/>分别为散射点/>与旋翼中心的距离和初始旋转角;/>为复数中的虚部符号;
假设单叶片有个强散射中心,则单叶片回波为:
(2)
同理,对于具有个叶片的旋翼,叶片转速以及叶片长度是相同的,叶片之间的差异在于/>个叶片有/>个不同的初始旋转角,即式(2)。
令不同叶片具有相同位置和散射系数的散射点,则旋翼叶片总回波的散射点模型表示为:
(3)。
当所述旋翼叶片均匀散射,即散射系数大小一致且散射点等间隔分布的情况,如图1所示,即,相邻散射点间隔/>,则散射点/>与旋翼中心距离,式(3)变为:
(4)
当散射点间隔趋于0时,式(4)变为:
(5)。
在一种具体的实施方式中,利用短时傅里叶变换(STFT)研究回波中旋翼叶片精细的频率调制的时频域特性,相比与其他时频变换方法,短时傅里叶变换具有无交叉项,速度较快的优点,使用这种方法进行时频变换特征提取优势明显。进行时频变换后,微多普勒特征将出现时频域“闪烁”现象,图2为单叶片回波进行STFT变换后的时频结果。
所述S1还包括时频结果,所述视频结果由正弦分量、时频闪烁以及直流分量组成;
所述正弦分量看作是对最外侧散射点回波信号中相位部分求导/>;
(6)
所述时频闪烁是由于回波中存在辛格函数部分时频变换产生的强幅度频率带;
所述直流分量是回波中辛格函数部分与其余部分在频域卷积时产生,其强度与正弦包络部分强度相同。
在一种具体的实施方式中,使用黄金分割法进行搜索,提取微动特征。
所述S201中,旋翼目标回波数据的预处理为:
当闪烁不存在时,如图4(a)所示,对于旋翼目标,叶片的长度以及转速都是相同的具有相同的幅度,仅相位不同;在时频结果表现为三条幅度相同初始相位不同的正弦曲线,在已知转速的情况下,利用IRadon变换;变换后的IRadon变换结果中,如图4(b)所示,出现了三个强聚焦点,说明该旋翼目标三叶片旋翼。
当闪烁存在时,如图5(a)所示,时频结果中存在时频闪烁和直流分量,使用一阶MTI去除直流分量,若直接进行IRadon变换,IRadon变换结果如图5(b)所示,此时由于直流分量的存在,使得IRadon变换结果内的最强散射点位于IRadon变换结果的中心,此时IRadon变换后无法有效提取旋翼特征。因此考虑去除直流分量,去除时频分量后的时频结果如图6(a)所示,时频结果中直流分量被消除,使用IRadon变换后。
所述S202具体为:
将旋翼目标回波进行STFT后,所述时频结果中正弦包络信号为
(7)
式(7)在所述时频结果中为正弦调制信号,将所述正弦调制信号变换到参数空间,则正弦调制信号表示为:
(8)
为时频像横轴;/>为是时频像纵轴;/>;
由中心切片定理,得IRadon变换后的矩阵为:
(9)
此时,利用IRadon变换,能够实现叶片初相/>和最高频率/>为:
(10);
当值未知时,需要设定转速/>的变化范围,此时/>值发生变化,在不同的转速下,变换到IRadon变换结果的聚焦程度不同,当/>值越接近估计的真实值,参数的聚焦度越高,即IRadon变换结果的最大值越大。
利用IRadon变换的这个特点,比较在不同下,IRadon变换结果的最大值,其中,每次变换后最大值中的最大值所对应的转速即为提取的转速/>;
此时利用提取转速,进行初相和最高频率的估计。
由于旋翼目标各个叶片的转速与长度相同,因此各叶片的最高频率相同,最高频率为:
(11)。
由于叶片之间存在相位差,初相不同,因此可以通过IRadon变换结果中出现几个强聚集点,判断旋翼目标的叶片数,同时利用公式(11)中最大频率与转速和叶片长度的关系,可提取出叶片长度的特征。
在搜索中,搜索范围和搜索精度的确定会决定IRadon变换的次数,这极大的影响搜索的时间,对于旋翼目标,IRadon变换后,在搜索范围内有且只有一个最大值,采用黄金分割法进行峰值搜索,减少变换次数已达到减少搜索时间,降低算法复杂度的目的。
所述S202还包括,基于黄金分割法的变步长搜索转速的步骤:如图3,
S2021、给定转速的范围,根据掌握的旋翼目标参数,设定一个转速区间、并给定估计误差/>以及黄金分割比;
S2022、求取黄金区间内的黄金分割点值/>、/>,并分别计算/>、/>下/>中的/>的最大值,记为/>、/>;
如果,则将进行区间更新,令/>、/>、/>,同时更新并用IRadon变换计算更新后/>对应的/>;
如果,则将/>、/>、/>,同时更新/>并用IRadon变换计算更新后/>对应的/>;
S2023、计算并比较与/>的大小,如果/>,则重复所述S2022;
如果,比较/>、/>大小,
当时,有/>;
当时,有/>;
基于黄金分割法进行峰值,迭代次数为,则迭代次数与搜索范围以及误差的关系为:
(12)。
IRadon变换结果如图6(b)所示,去除直流分量后,此时IRadon变换结果中,重新出现了三个强散射点,实验参数估计结果如表1所示。从实验结果看,在闪烁情况下,去除旋翼目标回波中的直流分量后,能够有效的进行特征提取。
表1仿真与特征提取结果
实施例一
分析算法复杂度,给定IRadon算法搜索范围为 ,在给定的范围下,使用黄金分割法迭代次数为16次,使用常规搜索,在精度为时,迭代次数为401次,某次搜索结果如图7所示,图7中,曲线为遍历搜索方式,散点为使用黄金分割法搜索方式,由此看出,使用黄金分割法搜索节省了大量计算资源。
为进一步验证黄金分割法搜索的可靠性,进行仿真实验,随机生成30组数据,目标的转速设置为,叶片长度/>,叶片数量为3,脉冲重复频率为/>,回波采集时间为/>。
无论是遍历搜索还是黄金分割法搜索,最后提取到的旋翼目标的转速、叶片长度叶片数等特征,其估计精度都在90%以上,能够有效的提取旋翼目标特征。相比遍历搜索的方法,黄金分割法进行搜索,极大的减少了时间消耗,在提取精度相当的情况下,降低了算法复杂度,有效提高了特征提取的速度。
对算法的估计精度进行分析,将GSIRadon算法与Hough变换算法进行比较,与IRadon变换相比,受限于算法原理,Hough变换是无法提取旋翼目标叶片数特征的。进行蒙特卡洛实验仿真,根据旋翼目标特点,目前旋翼目标主要存在的叶片数范围为2~5叶片,因此分别仿真2~5叶片50组旋翼目标回波,目标的转速设置为,叶片长度,重复频率为/>,回波采集时间为/>、/>、/>,给定算法搜索范围为。
从算法估计结果中可知,对于不同叶片数,基于黄金分割法的IRadon变换特征提取算法,都具有较好的估计精度,其精度随着时间的积累,算法鲁棒性变得更强,当回波采集时间时,算法估计精度是最稳定的,而采集时间为/>时,估计精度的变化明显高于采集时间为/>。
通过基于黄金分割法的IRadon变换特征提取算法提取出目标转速后,可根据目标转速,构造IRadon变换结果,在IRadon变换结果中对目标叶片数进行估计,由结果可知2叶片回波的IRadon变换结果形成了一对平行线,存在两个强聚焦点,分别位于两条平行线的中点;3叶片回波的IRadon变换结果形成了一个等边三角形,存在三个强聚焦点,分别位于三条边的中点;4叶片回波的IRadon变换结果形成了正方形,存在四个强聚焦点,分别位于四条边的中点;5叶片回波的IRadon变换结果形成了一个等边五边形,存在五个强聚焦点,分别位于五条边的中点。由此可得出结论,可以通过IRadon变换提取出旋翼目标的叶片数特征。
以上所述实施例仅表达了本发明的实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求。
Claims (7)
1.基于GS-IRadon算法旋翼目标微动特征提取方法,包括以下步骤:
S1、建立旋翼目标模型,并基于所述旋翼目标模型对闪烁机理进行分析,得出零频附近直流分量是影响目标特征提取的主要因素;
S2、根据所述旋翼目标模型,提出基于黄金分割法的IRadon变换算法进行微动特征提取;
S201、旋翼目标回波数据的预处理:利用MTI算法去除回波中存在的直流分量,并利用短时傅里叶变换将信号转换至时频域,得到信号时频结果;
S202、利用IRadon变换得到信号时频结果变换后的IRadon变换结果:设定转速搜索范围,利用基于黄金分割法对IRadon变换结果进行峰值搜索,提取特征。
2.根据权利要求1所述的一种旋翼目标微动特征的提取方法,其特征在于,所述S1具体为:
当雷达发射波长为的单载频连续波,散射点/>的基带回波为:
(1)
其中,为后向散射系数;/>为雷达与旋翼中心/>的距离;/>为方位角;/>为俯仰角;为旋翼旋转频率,/> (/>,/>为叶片长度);/>分别为散射点/>与旋翼中心的距离和初始旋转角;/>为复数中的虚部符号;
假设单叶片有个强散射中心,则单叶片回波为:
(2)
令不同叶片具有相同位置和散射系数的散射点,则旋翼叶片总回波的散射点模型表示为:
(3)。
3.根据权利要求2所述的一种旋翼目标微动特征的提取方法,其特征在于,
当所述旋翼叶片均匀散射,即,相邻散射点间隔/>,则散射点与旋翼中心距离/>,式(3)变为:
(4)
当散射点间隔趋于0时,式(4)变为:
(5)。
4.根据权利要求3所述的一种旋翼目标微动特征的提取方法,其特征在于,所述S1还包括时频结果,所述视频结果由正弦分量、时频闪烁以及直流分量组成;
所述正弦分量看作是对最外侧散射点回波信号中相位部分求导/>;
(6)
所述时频闪烁是由于回波中存在辛格函数部分时频变换产生的强幅度频率带;
所述直流分量是回波中辛格函数部分与其余部分在频域卷积时产生,其强度与正弦包络部分强度相同。
5.根据权利要求4所述的一种旋翼目标微动特征的提取方法,其特征在于:所述S201中,旋翼目标回波数据的预处理为:
当闪烁不存在时,对于旋翼目标,叶片的长度以及转速都是相同的具有相同的幅度,仅相位不同;在时频结果表现为三条幅度相同初始相位不同的正弦曲线,在已知转速的情况下,利用IRadon变换后,将出现三个强聚焦点,说明该旋翼目标为三叶片旋翼;
当闪烁存在时,时频结果中存在时频闪烁和直流分量,因此使用一阶MTI去除直流分量,时频结果中直流分量被消除,使用IRadon变换后,此时IRadon变换结果中,也会出现了三个强散射点,能够有效的进行特征提取。
6.根据权利要求5所述的一种旋翼目标微动特征的提取方法,其特征在于,所述S202具体为:
将旋翼目标回波进行STFT后,所述时频结果中正弦包络信号为
(7)
式(7)在所述时频结果中为正弦调制信号,将所述正弦调制信号变换到参数空间,则正弦调制信号表示为:
(8)
为时频像横轴;/>为是时频像纵轴;/>;
由中心切片定理,得IRadon变换后的矩阵为:
(9)
此时,利用IRadon变换,能够实现叶片初相/>和最高频率/>为:
(10);
由于旋翼目标各个叶片的转速与长度相同,因此各叶片的最高频率相同,最高频率为:
(11)。
7.根据权利要求6所述的一种旋翼目标微动特征的提取方法,其特征在于,所述S202还包括,基于黄金分割法的变步长搜索转速的步骤:
S2021、给定转速的范围,根据掌握的旋翼目标参数,设定一个转速区间/>、并给定估计误差/>以及黄金分割比;
S2022、求取黄金区间内的黄金分割点值/>、/>,并分别计算/>、/>下/>中的/>的最大值,记为/>、/>;
如果,则将进行区间更新,令/>、/>、/>,同时更新并用IRadon变换计算更新后/>对应的/>;
如果,则将/>、/>、/>,同时更新/>并用IRadon变换计算更新后/>对应的/>;
S2023、计算并比较与/>的大小,如果/>,则重复所述S2022;
如果,比较/>、/>大小,
当时,有/>;
当时,有/>;
基于黄金分割法进行峰值,迭代次数为,则迭代次数与搜索范围以及误差的关系为:
(12)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310975597.0A CN116953652A (zh) | 2023-08-04 | 2023-08-04 | 基于GS-IRadon算法旋翼目标微动特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310975597.0A CN116953652A (zh) | 2023-08-04 | 2023-08-04 | 基于GS-IRadon算法旋翼目标微动特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116953652A true CN116953652A (zh) | 2023-10-27 |
Family
ID=88458248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310975597.0A Pending CN116953652A (zh) | 2023-08-04 | 2023-08-04 | 基于GS-IRadon算法旋翼目标微动特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116953652A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106950554A (zh) * | 2017-03-21 | 2017-07-14 | 中国人民解放军国防科学技术大学 | 实现振动干扰条件下旋转目标参数估计的方法 |
US20180299536A1 (en) * | 2017-04-18 | 2018-10-18 | Raytheon Company | Ladar range rate estimation using pulse frequency shift |
US20180364360A1 (en) * | 2017-04-18 | 2018-12-20 | Raytheon Company | Ladar range estimate with range rate compensation |
CN109901130A (zh) * | 2019-03-15 | 2019-06-18 | 桂林电子科技大学 | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 |
CN110146872A (zh) * | 2019-05-17 | 2019-08-20 | 西安电子科技大学 | 基于逆Radon变换的人体微多普勒分量提取方法 |
-
2023
- 2023-08-04 CN CN202310975597.0A patent/CN116953652A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106950554A (zh) * | 2017-03-21 | 2017-07-14 | 中国人民解放军国防科学技术大学 | 实现振动干扰条件下旋转目标参数估计的方法 |
US20180299536A1 (en) * | 2017-04-18 | 2018-10-18 | Raytheon Company | Ladar range rate estimation using pulse frequency shift |
US20180364360A1 (en) * | 2017-04-18 | 2018-12-20 | Raytheon Company | Ladar range estimate with range rate compensation |
CN109901130A (zh) * | 2019-03-15 | 2019-06-18 | 桂林电子科技大学 | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 |
CN110146872A (zh) * | 2019-05-17 | 2019-08-20 | 西安电子科技大学 | 基于逆Radon变换的人体微多普勒分量提取方法 |
Non-Patent Citations (3)
Title |
---|
SAIQIANG XIA ET AL.: "Research on Micro-Motion Modeling and Feature Extraction Method of Helicopter", 2021 IEEE 4TH INTERNATIONAL CONFERENCE ON ELECTRONICS TECHNOLOGY (ICET), 16 June 2021 (2021-06-16), pages 898 - 904 * |
周毅恒 等: "闪烁现象下旋翼目标微动参数估计方法", 系统工程与电子技术, vol. 44, no. 1, 31 January 2022 (2022-01-31), pages 54 - 63 * |
陈永彬 等: "旋翼叶片回波建模与闪烁现象机理分析", 物理学报, vol. 65, no. 13, 30 May 2016 (2016-05-30), pages 138401 - 1 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102156282B (zh) | 一种基于微多普勒效应的雷达目标检测方法 | |
Naqvi et al. | Investigation of Doppler features from wind turbine scattering | |
CN111352102B (zh) | 一种基于调频连续波雷达的多目标个数检测方法及装置 | |
Li et al. | Application of adaptive chirplet representation for ISAR feature extraction from targets with rotating parts | |
CN109975780B (zh) | 基于脉冲多普勒雷达时域回波的直升机型号识别算法 | |
CN102788969B (zh) | 基于短时分数阶傅里叶变换的海面微动目标检测和特征提取方法 | |
CN108594195B (zh) | 基于分割混频的低重频调频连续波雷达飞机目标分类方法 | |
Liu et al. | Estimation of micro-motion parameters based on micro-Doppler | |
Park et al. | Modified Hilbert-Huang transform and its application to measured micro Doppler signatures from realistic jet engine models | |
CN103245937A (zh) | 基于微多普勒效应的微动目标特征提取方法 | |
CN108594198A (zh) | 基于轨道角动量的复合运动目标探测方法 | |
CN107861109A (zh) | 一种基于高阶粒子滤波的目标微多普勒曲线提取方法 | |
CN111665489A (zh) | 一种基于目标特性的线谱提取方法 | |
CN107132518B (zh) | 一种基于稀疏表示和时频特征的距离扩展目标检测方法 | |
CN112198487A (zh) | 一种风电场杂波背景下的目标检测方法 | |
Molchanov et al. | On micro-Doppler period estimation | |
CN116953652A (zh) | 基于GS-IRadon算法旋翼目标微动特征提取方法 | |
Yang et al. | Automatic algorithm for estimating the jet engine blade number from the radar target signature of aircraft targets | |
CN112904302A (zh) | 网格化frft域雷达目标检测与多级联合虚警剔除方法 | |
CN108896971B (zh) | 一种海面漂浮小目标回波的仿真方法 | |
Park et al. | Extended high resolution range profile-jet engine modulation analysis with signal eccentricity | |
CN113820703B (zh) | 一种基于散射变换的无人机目标旋翼参数估计方法 | |
Park et al. | Effective reconstruction of the rotation-induced micro-Doppler from a noise-corrupted signature | |
Long et al. | A method for extracting micro-motion features of rotor targets based on GS-IRadon algorithm | |
CN110764079A (zh) | 一种低信噪比条件下人体运动状态分析方法及系统 |
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 |