CN117949917B - 机坪杂波环境下鸟类目标的识别方法和存储介质 - Google Patents
机坪杂波环境下鸟类目标的识别方法和存储介质 Download PDFInfo
- Publication number
- CN117949917B CN117949917B CN202410345726.2A CN202410345726A CN117949917B CN 117949917 B CN117949917 B CN 117949917B CN 202410345726 A CN202410345726 A CN 202410345726A CN 117949917 B CN117949917 B CN 117949917B
- Authority
- CN
- China
- Prior art keywords
- bird
- echo
- target
- bird target
- aircraft
- 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
- 238000000034 method Methods 0.000 title claims abstract description 123
- 238000001228 spectrum Methods 0.000 claims abstract description 67
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 230000009467 reduction Effects 0.000 claims abstract description 22
- 241000271566 Aves Species 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 27
- 238000000354 decomposition reaction Methods 0.000 claims description 20
- 238000002592 echocardiography Methods 0.000 claims description 17
- 230000003190 augmentative effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000000926 separation method Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 238000004088 simulation Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 101100379079 Emericella variicolor andA gene Proteins 0.000 description 1
- 101100001674 Emericella variicolor andI gene Proteins 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000013519 translation 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
- G01S7/414—Discriminating targets with respect to background clutter
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
-
- 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
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/933—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of aircraft or spacecraft
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/04—Anti-collision systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
- B64D2045/0095—Devices specially adapted to avoid bird strike
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Probability & Statistics with Applications (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及航空技术领域，提供了一种机坪杂波环境下鸟类目标的识别方法和存储介质，机坪杂波环境下鸟类目标的识别方法包括：将获取的机坪杂波环境的目标回波去除飞机回波后分离出鸟类目标回波；对鸟类目标回波进行重构以降噪；获取降噪后的鸟类目标回波的特征谱能量熵；获取降噪后的鸟类目标回波的归一化特征值之和；根据特征谱能量熵和归一化特征值之和，构建特征量并输入DBSCAN算法中，识别出鸟类目标。通过去除飞机回波，并对分离后的鸟类目标回波进行降噪，实现了机坪强杂波环境下非合作鸟类目标的识别，提高了识别精度。
Description
技术领域
本发明涉及航空技术领域，具体涉及一种机坪杂波环境下鸟类目标的识别方法和存储介质。
背景技术
机场及其空域是预防鸟击事故发生的重点区域，机坪飞机回波环境下非合作鸟类目标的识别对于提升鸟类目标监测水平、保障民航飞行安全具有重要意义。
在相关现有技术中，针对鸟类目标的识别主要是围绕鸟类目标的微动特征展开的，大多针对鸟类与无人机目标的特征提取及辨识问题展开研究，且在特征提取中大多没有考虑强杂波等对目标特征提取及辨识的影响，使得在机坪杂波环境下鸟类目标的识别的精确度不高。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中在机坪杂波环境下对鸟类目标的识别精确度不高的技术缺陷，从而提供一种能够提高识别精度的机坪杂波环境下鸟类目标的识别方法，从而提高飞机航行的安全性。
一方面，为了解决上述技术问题，本发明提供的一种机坪杂波环境下鸟类目标的识别方法，包括：将获取的机坪杂波环境的目标回波去除飞机回波后分离出鸟类目标回波；对所述鸟类目标回波进行重构以降噪；获取降噪后的所述鸟类目标回波的特征谱能量熵；获取降噪后的所述鸟类目标回波的归一化特征值之和；根据所述特征谱能量熵和所述归一化特征值之和，构建特征量并输入DBSCAN算法中，识别出鸟类目标。
作为一种优选的实施方式，将获取的机坪杂波环境的目标回波去除飞机回波后分离出鸟类目标回波，具体为，采用鸟类目标和飞机回波的稀疏特性和增广拉格朗日方法对鸟类目标回波与飞机回波进行分离。
作为一种优选的实施方式，采用鸟类目标和飞机回波的稀疏特性和增广拉格朗日方法对所述鸟类目标回波与飞机回波进行分离，具体包括：采用L1范数作为稀疏性的度量，将所述鸟类目标回波与所述飞机回波的分离问题转化为求解如下优化问题：；式中，为稀疏解的最优解，为雷达回波信号，为鸟类目标回波在变换域中的稀疏系数，为飞机回波在变换域中的稀疏系数，为鸟类目标回波的权向量，为飞机回波的权向量，为L1范数，为L2范数；通过增广拉格朗日算法求解，使得所述鸟类目标回波与所述飞机回波相分离，得到剔除飞机回波后的鸟类目标回波。
作为一种优选的实施方式，对所述鸟类目标回波进行重构以降噪，具体包括：剔除飞机回波后的鸟类目标回波信号表示为：；式中，为剔除飞机回波后的鸟类目标回波信号，为目标信号，为噪声；
对进行小波变换：；式中，为的小波系数，为小波函数，、分别为小波变换的分解层数和平移时间，为信号长度，为离散信号中各函数值在序列中出现的序号，为整数集；经离散小波变换后可得：；式中，和分别为目标信号和噪声的小波系数；设置临界阈值对小波系数进行阈值处理，得到的估计值，使得达到最小；将进行小波重构，得到降噪后的鸟类目标回波信号。
作为一种优选的实施方式，获取降噪后的所述鸟类目标回波的特征谱能量熵，具体包括：对所述鸟类目标回波信号做SPWVD处理，得到鸟类目标的时频矩阵；对所述时频矩阵进行SVD分解，通过SVD构造的相关特征量提取鸟类目标的微动特征；针对左奇异矢量求特征谱能量熵，具体如下：；式中，为特征谱能量熵，为样本的数量，，，为第个样本前两个大奇异值对应的左奇异矢量的能量占比，为第个样本前两个左奇异矢量能量和，和分别表示第个样本的第一个和第二个左奇异矢量的能量，为第一个奇异值，为第个奇异值。
作为一种优选的实施方式，获取降噪后的所述鸟类目标回波信号的归一化特征值之和，具体包括：根据鸟类目标振翅回波自相关矩阵的特征值之和的计算公式计算鸟类目标的归一化特征值之和，其中，计算公式如下：；
式中，为鸟类目标的归一化特征值之和，为鸟类目标振翅回波自相关矩阵的特征值的个数，为第个特征值，为最大特征值。
作为一种优选的实施方式，根据所述特征谱能量熵和所述归一化特征值之和，构建特征量并输入DBSCAN算法中，识别出鸟类目标，具体包括：利用提取的特征谱能量熵和归一化特征值之和构建融合后的特征量如下：；其中，为融合后的特征量，为特征谱能量熵，为鸟类目标的归一化特征值之和；将融合后的特征量输入DBSCAN算法中，识别出鸟类目标。
另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现任一项所述的机坪杂波环境下鸟类目标的识别方法。
本发明技术方案，具有如下优点：
1.本发明提供的机坪杂波环境下鸟类目标的识别方法，通过去除飞机回波，并对分离后的鸟类目标回波进行降噪，实现了机坪强杂波环境下非合作鸟类目标的识别，提高了识别精度，能够提升机场驱鸟及无人机反制设备、非合作目标监视设备性能，对于保障飞行安全具有商业价值及实际工程应用价值。
2.本发明提供的计算机可读存储介质，由于可执行上述的机坪杂波环境下鸟类目标的识别方法，因此，具备上述的机坪杂波环境下鸟类目标的识别方法有益效果，在此不再赘述。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些附图获得其他的附图。
图1为本发明的一种实施方式提供的机坪杂波环境下鸟类目标的识别方法的流程图之一；
图2为本发明的一种实施方式提供的机坪杂波环境下鸟类目标的识别方法的流程图之二；
图3为本发明的一种实施方式提供的机坪杂波环境下鸟类目标的识别方法的强飞机回波与鸟类目标回波的分离实现框图；
图4为本发明的一种实施方式提供的机坪杂波环境下鸟类目标的识别方法的剔除强飞机杂波前鸟类目标SPWVD时频图；
图5为本发明的一种实施方式提供的机坪杂波环境下鸟类目标的识别方法的剔除强飞机回波后鸟类目标SPWVD时频图；
图6为本发明的一种实施方式提供的机坪杂波环境下鸟类目标的识别方法的小波阈值降噪实现框图；
图7为本发明的一种实施方式提供的机坪杂波环境下鸟类目标的识别方法的特征谱能量熵提取方法流程图；
图8为本发明的一种实施方式提供的机坪杂波环境下鸟类目标的识别方法的降噪后鸟类目标SPWVD时频图；
图9为本发明的一种实施方式提供的机坪杂波环境下鸟类目标的识别方法的归一化特征值之和提取方法流程图；
图10为本发明的一种实施方式提供的机坪杂波环境下鸟类目标的识别方法的DBSCAN算法流程图；
图11为本发明的一种实施方式提供的机坪杂波环境下鸟类目标的识别方法的特征谱能量熵的鸟类目标仿真数据的识别结果图；
图12为本发明的一种实施方式提供的机坪杂波环境下鸟类目标的识别方法的归一化特征值之和的鸟类目标仿真数据的识别结果图；
图13为本发明的一种实施方式提供的机坪杂波环境下鸟类目标的识别方法的特征谱能量熵和归一化特征值之和融合的DBSCAN算法识别鸟类目标仿真数据的识别结果图；
图14为本发明的一种实施方式提供的机坪杂波环境下鸟类目标的识别方法的特征谱能量熵的鸟类目标实测数据识别结果图；
图15为本发明的一种实施方式提供的机坪杂波环境下鸟类目标的识别方法的归一化特征值之和的鸟类目标实测数据识别结果图；
图16为本发明的一种实施方式提供的机坪杂波环境下鸟类目标的识别方法的特征谱能量熵和归一化特征值之和融合的DBSCAN算法识别鸟类目标实测数据识别结果图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
鸟击事件是指飞鸟与飞行器相撞的事件。人类航空史上众多空难事故与鸟击事件有关，鸟击是威胁航空安全的第一大因素。据估计，全球鸟击飞机事件每年超11000次，每年鸟击飞机导致损失约为20亿美元。鸟击事故主要发生在机场附近。据统计，起飞和降落阶段发生鸟击的比例高达 75%，夜晚、晨昏为高发时段，占比57.78%。低高度和地面区域是鸟击和鸟击事故症候多发阶段。因此，机场及其空域是预防鸟击事故发生的重点区域，需要重点关注。机坪强飞机回波环境下非合作鸟类目标的识别对于提升鸟类目标监测水平、保障民航飞行安全具有重要意义。
雷达系统对鸟类目标的探测和识别已经得到了广泛研究，由于鸟类目标的雷达散射截面（RCS）较低，与传统飞机相比飞行高度较低、速度较慢，利用传统的方法很难将其从复杂地机坪强飞机回波环境中检测出来。
实施例1
如图1和图2所示，一种机坪杂波环境下鸟类目标的识别方法，包括如下步骤：
步骤S101：将获取的机坪杂波环境的目标回波去除飞机回波后分离出鸟类目标回波；
步骤S103：对鸟类目标回波进行重构以降噪；
步骤S105：获取降噪后的鸟类目标回波的特征谱能量熵；
步骤S107：获取降噪后的鸟类目标回波的归一化特征值之和；
步骤S109：根据特征谱能量熵和归一化特征值之和，构建特征量并输入DBSCAN算法中，识别出鸟类目标。
可利用雷达探测，以获取机坪杂波环境的目标回波，目标回波包括鸟类目标回波和飞机回波，通过对鸟类目标回波与飞机回波的分离，就可以剔除机坪杂波的影响。其中，鸟类目标回波为鸟类目标雷达回波。
利用小波阈值降噪算法对鸟类目标的雷达回波信号进行重构，就可以实现对鸟类目标回波信号的降噪，对降噪后的鸟类目标回波采用平滑伪魏格纳-维利分布（简称：SPWVD），就可以得到鸟类目标回波的时频矩阵，利用奇异值分解（简称：SVD）对时频矩阵进行重构，提取鸟类目标的特征谱能量熵，利用获得的特征谱能量熵和归一化特征值之和，构建特征量并输入DBSCAN算法中，就可以实现机坪强杂波环境下非合作鸟类目标的识别，提高了识别精度，能够提升机场驱鸟及无人机反制设备、非合作目标监视设备性能，对于保障飞行安全具有商业价值及实际工程应用价值。
在另外一个实施例中，将获取的机坪杂波环境的目标回波去除飞机回波后分离出鸟类目标回波，具体为，采用鸟类目标和飞机回波的稀疏特性和增广拉格朗日方法对鸟类目标回波与飞机回波进行分离，可以剔除机坪飞机回波对弱散射特性的鸟类目标回波的影响。
其中，利用鸟类振翅回波和鸟身体回波的稀疏特性及增广拉格朗日方法提取目标回波信号的微动部分，即鸟类目标振翅回波信号，将目标回波微动部分的自相关矩阵进行特征值分解，考虑机坪飞机回波对具有弱散射特性鸟类目标识别的影响，具有计算速度快，处理步骤简单等优点。
在另外一个实施例中，采用鸟类目标和飞机回波的稀疏特性和增广拉格朗日方法对鸟类目标回波与飞机回波进行分离，具体包括：
采用L1范数作为稀疏性的度量，将鸟类目标回波与飞机回波的分离问题转化为求解如下优化问题1：
（1）
式中，为稀疏解的最优解，为雷达回波信号，为鸟类目标回波在变换域中的稀疏系数，为飞机回波在变换域中的稀疏系数，为鸟类目标回波的权向量，为飞机回波的权向量，为L1范数，为L2范数；
通过增广拉格朗日算法求解，使得鸟类目标回波与飞机回波相分离，得到剔除飞机回波后的鸟类目标回波。
可以理解为，利用雷达探测获取的鸟类目标回波和飞机回波的稀疏特性及增广拉格朗日方法实现鸟类目标回波与飞机回波的分离，就可以剔除机坪强飞机回波对弱散射特性的鸟类目标回波的影响。
其中，机坪环境下非合作鸟类目标监视雷达中的强杂波主要包括地杂波以及低空起飞或降落阶段的民航飞机。利用中心频率为零的陷波器可抑制地杂波。针对鸟类目标回波与飞机回波的分离问题，鸟类目标翅膀拍打会在由于主体平动产生的雷达回波多普勒频移信号附近引入额外的调制边带，产生微多普勒效应，导致其回波多普勒频谱出现展宽，且其雷达回波频谱随着时间也会发生变化。相对于鸟类目标回波而言，飞机回波对应的多普勒频谱随时间变化不大，频谱展宽范围也要小于鸟类目标振翅回波对应的频谱宽度。
因此，飞机目标回波可近似认为其在频域具有稀疏特性，而鸟类目标回波认为其在时频域具有稀疏特性。通过拉格朗日最优化方法及分裂变量法将非约束的优化问题转化为具有约束的优化问题2，即：
（2）
式中，表示受约束于，表示代价函数取最小值时对应的自变量的值，为的辅助变量，为的辅助变量。
利用增广拉格朗日算法求解，进而实现鸟类目标回波与飞机回波的分离。矩阵求逆引理应用于增广拉格朗日算法中可以避免鸟类回波分离过程中的大型矩阵求逆，在保证运算效率的前提下分离鸟类目标回波。对应实现框图如图3所示。
具体地，剔除强飞机回波前得到的鸟类目标SPWVD时频图如图4所示。剔除强飞机回波后得到的鸟类目标SPWVD时频图如图5所示。由图4和图5可以看出，低空起飞或降落阶段的民航飞机目标对应的雷达散射特性要强于鸟类目标回波，几乎将鸟类目标回波覆盖。在实现飞机回波与鸟类目标回波的分离之后，可以看到鸟类目标回波，但鸟类目标回波的微动特性几乎被噪声淹没。
在另外一个实施例中，对鸟类目标回波进行重构以降噪，具体包括：
剔除飞机回波后的鸟类目标回波信号表示为：
（3）
式中，为剔除飞机回波后的鸟类目标回波信号，为目标信号，为噪声；
对进行小波变换：
（4）
式中，为的小波系数，为小波函数，、分别为小波变换的分解层数和平移时间，为信号长度，为离散信号中各函数值在序列中出现的序号，为整数集；
经离散小波变换后得到：
（7）
式中，和分别为目标信号和噪声的小波系数；
设置临界阈值对小波系数进行阈值处理，得到的估计值，使得达到最小；
将进行小波重构，得到降噪后的鸟类目标回波信号。
可以理解为，小波阈值去噪（Wavelet Threshold Denoising，WTD）是一种有效的去噪方法。当带有噪声信号输入后，经过小波阈值去噪可以分解为低频系数（信号）和高频系数（噪声）两部分。一次分解的低频系数（信号）还可以继续多层分解，直到得到理想精度的小波系数。对所有高频系数进行阈值处理，将得到的结果与最终分解得到的低频系数进行小波重构，输出重构后的信号，即去噪后的信号，对应实现框图如图6所示。
剔除飞机回波后的鸟类目标回波信号表示为：
（3）
式中，为剔除飞机回波后的鸟类目标回波信号，为目标信号，为噪声。
选择合适的小波基和分解层数对进行小波变换：
（4）
式中：为剔除飞机回波后的鸟类目标回波信号的小波系数，为小波函数，、分别为小波变换的分解层数和平移时间，为信号长度，为离散信号中各函数值在序列中出现的序号，为整数集。在一般情况下没有解析表达式。实际应用中，用Mallat算法来实现小波变换：
（5）
（6）
式中，代表尺度系数，则代表小波系数，和分别表示尺度函数和小波函数的低通滤波器系数和高通滤波器系数，当j为0时， 为剔除飞机回波后的鸟类目标回波信号，代表卷积运算。
因为小波变换是线性变换，所以经离散小波变换后可得：
（7）
式中：和分别为目标信号和噪声的小波系数。
设置一个临界阈值对小波系数进行阈值处理，得到的估计值。小波阈值函数在阈值处理中决定了小波系数的处理方式，是影响小波阈值去噪效果中不可忽视的因素。软阈值函数在整个区域内是保持连续的，从而保证了信号的光滑性。软阈值函数表达式为：
（8）
式中：为符号函数，为阈值，为剔除飞机回波后的鸟类目标回波信号的小波系数，为进行小波阈值处理后的小波系数估计值。
将阈值处理过的小波系数估计值进行小波重构，得到的信号即为去噪之后的鸟类目标回波信号。小波重构公式为：
（9）
式中，和分别表示低通滤波器系数和高通滤波器系数的共轭，为重构信号。
在利用小波阈值去噪算法去除鸟类目标回波信号噪声的处理过程中，其去噪效果和精度会受到选取小波基类型、分解层数和去噪阈值等方面影响。经比较，当选择Dmeyer小波作为小波基，分解层数为4，去噪阈值选择启发式阈值（heursure）时，对于鸟类目标回波信号的去噪效果最好。
在另外一个实施例中，获取降噪后的鸟类目标回波的特征谱能量熵，具体包括：
对鸟类目标回波信号做SPWVD处理，得到鸟类目标的时频矩阵；
对时频矩阵进行SVD分解，通过SVD构造的相关特征量提取鸟类目标的微动特征；
针对左奇异矢量求特征谱能量熵，具体如下：
；
式中，为特征谱能量熵，为样本的数量，，，为第个样本前两个最大奇异值对应的左奇异矢量的能量占比，为第个样本前两个左奇异矢量能量和，和分别表示第个样本的第一个和第二个左奇异矢量的能量，为第一个奇异值，为第个奇异值。
采用平滑伪魏格纳-维利分布（SPWVD）得到鸟类目标回波的时频矩阵，对时频矩阵进行奇异值分解（SVD）构造特征谱能量熵作为微动特征；
其中，采用平滑伪魏格纳-维利分布得到鸟类目标回波的时频矩阵，利用奇异值分解对时频矩阵进行重构。在低空环境中，无人机是除鸟类目标外的主要“低慢小”目标，在鸟类目标探测过程中，需要对鸟类目标和无人机目标进行识别。鸟类目标的时频谱有序性较弱，无人机目标时频图呈现较强的有序性和周期性。熵是描述一个系统的混乱程度或无序程度的物理量，从微观层面来看，熵可以被定义为一个系统中分子的无序程度，系统的熵值越大，所处的状态越无序，离散性越强。SVD可以通过分离信号分量来提取目标特征量，为此可以通过SVD提取雷达回波时频谱图对应的熵值，即特征谱能量熵，作为识别鸟类目标的一个微动特征。提取特征谱能量熵的实现框图如图7所示。
SPWVD是在Wigner-Ville分布（WVD）的基础上发展起来的。SPWVD同时在时域和频域施加窗函数并进行平滑处理，有效降低了WVD交叉项的干扰，同时具有良好的能量集中性，适用于鸟类目标回波信号的时频分析。
对鸟类目标回波信号做SPWVD，SPWVD的定义为：
（10）
式中，为雷达回波信号的时频谱，为时间，为频率，为鸟类目标回波信号，为复共轭鸟类目标回波信号，为时域变换窗，为频域变换窗，为指数，为时移因子，为虚数单位，为的微小变化量，为的微小变化量，为傅里叶变换因子，为无穷大。
小波阈值去噪后得到的鸟类目标SPWVD时频图如图8所示。由图8可以看出，在经过小波阈值去噪处理之后，鸟类目标的SPWVD时频图具有明显的微动特性，后续可利用此特征进行非合作鸟类目标的识别。
通过SPWVD得到鸟类目标的时频矩阵，对时频矩阵进行奇异值分解（SVD）：
（11）
式中，S为时频矩阵，为奇异值分解后相应奇异值组成的对角矩阵，，，为奇异值的个数；为转置运算，为第一个奇异值，为第二个奇异值，为第个奇异值；为维的标准正交矩阵，为维的标准正交矩阵，、分别是左奇异矢量组成的左奇异矩阵和右奇异矢量组成的右奇异矩阵，左奇异矢量表示回波信号的频率信息，右奇异矢量表示回波信号的时间信息。因此，目标回波信号频谱分量的特征可通过左奇异矢量来反映。
通过奇异值分解构造的相关特征量实现鸟类目标的微动特征提取。针对左奇异矢量（频率信息）求特征谱能量熵：
（12）
式中，为特征谱能量熵，为样本的数量，，，为第个样本前两个大奇异值对应的左奇异矢量的能量占比，为第个样本前两个左奇异矢量能量和，和分别表示第个样本的第一个和第二个左奇异矢量的能量，为第一个奇异值，为第个奇异值。所求能量熵值越大代表时频图的无序性越强，鸟类目标时频图有序性要低于无人机目标，根据熵的微观物理意义，如果所求得的特征谱能量熵值较大可以认为该目标是鸟类目标，反之，所求得的特征谱能量熵值较小可以认为该目标是无人机目标，因此可以通过熵值的大小对非合作鸟类目标进行识别。
在另外一个实施例中，获取降噪后的鸟类目标回波的归一化特征值之和，具体包括：
根据鸟类目标振翅回波自相关矩阵的特征值之和的计算公式计算鸟类目标的归一化特征值之和，计算公式如下：
式中，为鸟类目标的归一化特征值之和，为鸟类目标振翅回波自相关矩阵的特征值的个数，为第个特征值，为最大特征值。
其中，设定阈值为最大特征值数值的百分之一，大于该阈值的特征值即为大特征值。可以理解为，本实施例中的特征值即为大特征值。
可以获取鸟类目标振翅回波以提取鸟类目标的归一化特征值之和。其中，利用鸟类振翅回波和鸟身体回波的稀疏特性及增广拉格朗日方法提取回波信号的微动部分，即鸟类目标振翅回波信号，将目标回波微动部分的自相关矩阵进行特征值分解，提取鸟类目标的归一化特征值之和；鸟类目标回波对应的频谱由一系列谱线组成。由于鸟类目标振翅频率较低，所以其谱线间的间隔大，谱线数量少；无人机目标的转速较高，其谱线间的间隔小，谱线数量多。鉴于上述无人机目标和鸟类目标的调制谱线差别，可以利用目标回波自相关矩阵的特征值来估计目标的调制谱线数量。提取归一化特征值之和的实现框图如图9所示。
根据上述特点，提取目标归一化特征值之和作为另一微动特征，提取时只考虑非合作鸟类目标回波的微动部分，即鸟类目标的振翅回波。鸟类目标身体回波与飞机目标回波类似，相对于鸟类目标振翅回波而言，其对应的多普勒频谱随时间变化不大，频谱展宽范围也要小于鸟类目标振翅回波对应的频谱宽度，为此鸟身体回波可近似认为其在频域具有稀疏特性，而鸟振翅回波在时频域具有稀疏特性。相对于飞机目标回波而言，鸟身体回波的功率很小（几乎可以忽略），故在剔除飞机目标回波时，不会将鸟身体回波也剔除掉。利用鸟振翅回波和鸟身体回波的稀疏特性及增广拉格朗日方法也可实现鸟类目标振翅回波与鸟身体回波的分离，得到非合作鸟类目标的微动部分。此部分内容的详细方法在步骤S101中已有细致阐述，这里不再赘述。
假设鸟类目标振翅回波为，将鸟类目标振翅回波的时域信号与其延迟时间后的信号进行自相关处理，得到鸟类目标振翅回波的自相关矩阵，计算过程如下：
（13）
式中，是鸟类目标振翅回波信号的自相关矩阵，为鸟类目标振翅回波，为延迟点数，表示复共轭运算，为鸟类目标振翅信号的长度，n为离散信号中各函数值在序列中出现的序号。
对求得的自相关矩阵做特征值分解： （14）
式中，是矩阵的特征向量组成的矩阵，代表特征值分解后相应特征值组成的对角矩阵，，，为矩阵的逆运算，为鸟类目标振翅回波自相关矩阵的特征值的个数。
由于雷达探测获取的目标回波的功率不同，使得鸟类目标回波所得到的特征值的数值可能相差较大，若直接求取目标特征值之和，会影响鸟类目标的识别精度。所以在求取目标的特征值之和时，需要对每个特征值进行归一化，以消除回波功率对识别结果的影响。目标的归一化大特征值之和是根据鸟类目标振翅回波自相关矩阵得到的，它是鸟类目标振翅回波自相关矩阵的特征值之和。具体计算过程如下： （15）
式中，为第个特征值，并且为最大特征值，为鸟类振翅回波自相关矩阵特征值的个数。设定阈值为最大特征值数值的百分之一，大于该阈值的特征值即为大特征值，将所有大特征值进行归一化处理再求和，计算得到的即为提取的第二个微动特征——鸟类目标的归一化特征值之和。鸟类目标的特征谱相较无人机目标的回波特征谱其变化比较剧烈，较大的特征值较少。无人机目标的特征谱图变化比较平稳，较大特征值较多，因此无人机目标的归一化大特征值之和应该大于鸟类目标的归一化大特征值之和。
另外一个实施例中，根据特征谱能量熵和目标的归一化大特征值之和，构建特征量并输入DBSCAN算法中，识别出鸟类目标，具体包括：
利用提取的特征谱能量熵和归一化特征值之和构建融合后的特征量如下：
（16）
其中，为融合后的特征量。
将特征量输入DBSCAN算法中，设定合适的邻域半径和邻域内最小点数阈值；
识别出鸟类目标。
DBSCAN算法是基于密度的聚类算法，通过不同的策略定义出每个数据对象的密度，然后根据密度可达性进行划分类簇，DBSCAN算法实现框如图10所示。
利用提取的特征谱能量熵和归一化大特征值之和构建融合后的特征量，即
（16）
将特征量输入DBSCAN算法中，设定合适的和，为邻域半径，为邻域内最小点数阈值，实现非合作鸟类目标的识别。
本实施例中，仿真数据中雷达参数、鸟类目标参数和DBSCAN算法识别结果如表1、表2和表3所示。实测数据中雷达参数和DBSCAN算法识别结果如表4和表5所示。
表1
表2
表3
表4
表5
图11至图13和表3为鸟类目标仿真数据识别结果，其中图11为特征谱能量熵识别结果，图12为归一化特征值之和识别结果，图13和表3为DBSCAN聚类算法识别结果。仿真数据中信噪比为5dB。对仿真数据提取的特征谱能量熵值和归一化特征值之和两个微动特征进行特征融合，通过DBSCAN算法实现非合作鸟类目标的识别。
由图11至图13和表3可知，利用特征谱能量熵对鸟类目标进行识别，鸟类目标的特征谱能量熵处于12.1~12.3之间，总体上高于无人机目标，但存在一些样本，鸟类目标和无人机目标的特征谱能量熵相近，可能导致误判。利用归一化特征值之和对鸟类目标进行识别，鸟类目标的归一化特征值之和总体都低于无人机目标，但存在个别样本，鸟类目标的归一化特征值之和与无人机目标相近，可能导致识别结果不准确。鸟类目标和无人机目标的样本总数为400个，其中鸟类目标和无人机目标的样本数均为200。将提取的特征谱能量熵和归一化特征值之和进行DBSCAN聚类算法验证，对鸟类目标进行识别。结果显示，鸟类目标的识别率为96.5%，无人机目标的识别率为96%，总识别率为96.25%，可准确实现非合作鸟类目标的识别。
图14至图16和表5为鸟类目标实测数据识别结果，其中图14为特征谱能量熵识别结果，图15为归一化特征值之和识别结果，图16和表5为DBSCAN聚类算法识别结果。对实测数据提取的特征谱能量熵值和归一化特征值之和两个微动特征进行特征融合，通过DBSCAN聚类算法实现非合作鸟类目标的识别。
由图14至图16和表5可知，利用特征谱能量熵对鸟类目标进行识别，鸟类目标的特征谱能量熵处于13.6左右，总体上高于无人机目标，但存在部分样本，鸟类目标和无人机目标的特征谱能量熵相近，可能导致误判。利用归一化特征值之和对鸟类目标进行识别，鸟类目标的归一化特征值之和处于20~70之间，总体上低于无人机目标。但也存在个别样本，鸟类目标和无人机目标的归一化特征值之和相近，可能导致识别不准确。鸟类目标和无人机目标的样本总数为120个，其中鸟类目标和无人机目标的样本数均为60。将提取的特征谱能量熵和归一化特征值之和进行DBSCAN聚类验证，对鸟类目标进行识别。结果显示，鸟类目标的识别率为91.6%，无人机目标的识别率为90%，总识别率为90.8%，表明DBSCAN算法准确率较高且能精确识别非合作鸟类目标。
实施例2
一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现任一项的机坪杂波环境下鸟类目标的识别方法。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）、随机存储记忆体（Random Access Memory，RAM）、快闪存储器（Flash Memory）、硬盘（Hard Disk Drive，缩写：HDD）或固态硬盘（Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (8)
1.一种机坪杂波环境下鸟类目标的识别方法，其特征在于，包括：
将获取的机坪杂波环境的目标回波去除飞机回波后分离出鸟类目标回波；
对所述鸟类目标回波进行重构以降噪；
获取降噪后的所述鸟类目标回波的特征谱能量熵；
获取降噪后的所述鸟类目标回波的归一化特征值之和；
根据所述特征谱能量熵和所述归一化特征值之和，构建特征量并输入DBSCAN算法中，识别出鸟类目标。
2.根据权利要求1所述的机坪杂波环境下鸟类目标的识别方法，其特征在于，将获取的机坪杂波环境的目标回波去除飞机回波后分离出鸟类目标回波，具体为，采用鸟类目标和飞机回波的稀疏特性和增广拉格朗日方法对鸟类目标回波与飞机回波进行分离。
3.根据权利要求2所述的机坪杂波环境下鸟类目标的识别方法，其特征在于，采用鸟类目标和飞机回波的稀疏特性和增广拉格朗日方法对所述鸟类目标回波与飞机回波进行分离，具体包括：
采用L1范数作为稀疏性的度量，将所述鸟类目标回波与所述飞机回波的分离问题转化为求解如下优化问题：
；
式中，为稀疏解的最优解，为雷达回波信号，为鸟类目标回波在变换域中的稀疏系数，为飞机回波在变换域中的稀疏系数，为鸟类目标回波的权向量，为飞机回波的权向量，为L1范数，为L2范数；
通过增广拉格朗日算法求解，使得所述鸟类目标回波与所述飞机回波相分离，得到剔除飞机回波后的鸟类目标回波信号。
4.根据权利要求1至3中任一项所述的机坪杂波环境下鸟类目标的识别方法，其特征在于，对所述鸟类目标回波进行重构以降噪，具体包括：
剔除飞机回波后的鸟类目标回波信号表示为：
；
式中，为剔除飞机回波后的鸟类目标回波信号，为目标信号，为噪声；
对剔除飞机回波后的鸟类目标回波信号进行小波变换：
；
式中，为剔除飞机回波后的鸟类目标回波信号的小波系数，为小波函数，、分别为小波变换的分解层数和平移时间，为信号长度，为离散信号中各函数值在序列中出现的序号，为整数集；
剔除飞机回波后的鸟类目标回波信号经离散小波变换后得到：
；
式中，和分别为目标信号和噪声的小波系数；
设置临界阈值对小波系数进行阈值处理，得到小波系数的估计值，使得达到最小；
将小波系数估计值进行小波重构，得到降噪后的鸟类目标回波信号。
5.根据权利要求4所述的机坪杂波环境下鸟类目标的识别方法，其特征在于，获取降噪后的所述鸟类目标回波信号的特征谱能量熵，具体包括：
对所述鸟类目标回波信号做SPWVD处理，得到鸟类目标的时频矩阵；
对所述时频矩阵进行SVD分解，通过SVD构造的相关特征量提取鸟类目标的微动特征；
针对左奇异矢量求特征谱能量熵，具体如下：
；
式中，为特征谱能量熵，为样本的数量，，，为第个样本前两个大奇异值对应的左奇异矢量的能量占比，为第个样本前两个左奇异矢量能量和，和分别表示第个样本的第一个和第二个左奇异矢量的能量，为第一个奇异值，为第个奇异值。
6.根据权利要求4所述的机坪杂波环境下鸟类目标的识别方法，其特征在于，获取降噪后的所述鸟类目标回波信号的归一化特征值之和，具体包括：
根据鸟类目标振翅回波自相关矩阵的特征值之和的计算公式计算鸟类目标的归一化特征值之和，其中，计算公式如下：
；
式中，为鸟类目标的归一化特征值之和，为鸟类目标振翅回波自相关矩阵的特征值的个数，为第个特征值，为最大特征值。
7.根据权利要求6所述的机坪杂波环境下鸟类目标的识别方法，其特征在于，根据所述特征谱能量熵和所述归一化特征值之和，构建特征量并输入DBSCAN算法中，识别出鸟类目标，具体包括：
利用提取的特征谱能量熵和归一化特征值之和构建融合后的特征量如下：
；
其中，为融合后的特征量，为特征谱能量熵，为鸟类目标的归一化特征值之和；
将融合后的特征量输入DBSCAN算法中，识别出鸟类目标。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的机坪杂波环境下鸟类目标的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410345726.2A CN117949917B (zh) | 2024-03-26 | 2024-03-26 | 机坪杂波环境下鸟类目标的识别方法和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410345726.2A CN117949917B (zh) | 2024-03-26 | 2024-03-26 | 机坪杂波环境下鸟类目标的识别方法和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117949917A CN117949917A (zh) | 2024-04-30 |
| CN117949917B true CN117949917B (zh) | 2024-05-28 |
Family
ID=90798228
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410345726.2A Active CN117949917B (zh) | 2024-03-26 | 2024-03-26 | 机坪杂波环境下鸟类目标的识别方法和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117949917B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110598593A (zh) * | 2019-08-29 | 2019-12-20 | 东南大学 | 基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法 |
| CN116660851A (zh) * | 2023-06-01 | 2023-08-29 | 中国民航大学 | 低信噪比情况下鸟与旋翼无人机目标的辨别方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105302151B (zh) * | 2014-08-01 | 2018-07-13 | 深圳中集天达空港设备有限公司 | 一种飞机入坞引导和机型识别的系统及方法 |
| US11071494B2 (en) * | 2015-05-27 | 2021-07-27 | Georgia Tech Research Corporation | Wearable technologies for joint health assessment |
-
2024
- 2024-03-26 CN CN202410345726.2A patent/CN117949917B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110598593A (zh) * | 2019-08-29 | 2019-12-20 | 东南大学 | 基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法 |
| CN116660851A (zh) * | 2023-06-01 | 2023-08-29 | 中国民航大学 | 低信噪比情况下鸟与旋翼无人机目标的辨别方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| Unknown Radar Signal Recognition Based on Deep Metric Learning;Wu Xiao and DENG zhian;International Conference on Signal Processing and Communication Technology (SPCT 2022);20231231;全文 * |
| 基于多测度的闪络故障行波与干扰杂波辨识;束洪春;田鑫萃;吕蕾;;电力系统自动化;20171231(第19期);全文 * |
| 微动特征和运动特征融合处理的鸟与旋翼无人机目标辨别方法;何炜琨 等;电子测量与仪器学报;20220731;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117949917A (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107728142B (zh) | 基于二维卷积网络的雷达高分辨距离像目标识别方法 | |
| CN105137498B (zh) | 一种基于特征融合的地下目标探测识别系统及方法 | |
| Molchanov et al. | Classification of aircraft using micro-Doppler bicoherence-based features | |
| Oh et al. | A UAV classification system based on FMCW radar micro-Doppler signature analysis | |
| Shui et al. | Range-spread target detection using consecutive HRRPs | |
| CN112882009B (zh) | 基于幅度相位双通道网络的雷达微多普勒目标识别方法 | |
| CN111401168B (zh) | 一种无人机的多层雷达特征提取与选择方法 | |
| Golbon-Haghighi et al. | Detection of ground clutter for dual-polarization weather radar using a novel 3D discriminant function | |
| CN102914773A (zh) | 一种多航过圆周sar三维成像方法 | |
| CN105974412A (zh) | 一种用于合成孔径雷达的目标特征提取方法 | |
| Potapov | Fractal and topological sustainable methods of overcoming expected uncertainty in the radiolocation of low-contrast targets and in the processing of weak multi-dimensional signals on the background of high-intensity noise: A new direction in the statistical decision theory | |
| Potapov | Textures, fractals, scaling effects, and fractional operators as a basis of new methods for data processing and fractal radio system design | |
| CN114779238A (zh) | 一种基于雷达信号的生命探测方法及系统 | |
| Lu et al. | Ionospheric decontamination and sea clutter suppression for HF skywave radars | |
| Mao et al. | Angular superresolution of real aperture radar for target scale measurement using a generalized hybrid regularization approach | |
| Hu et al. | Applications of wavelet analysis in differential propagation phase shift data de-noising | |
| CN112462367B (zh) | 一种基于极化合成孔径雷达的车辆检测方法 | |
| Farshchian et al. | Application of a sparse time-frequency technique for targets with oscillatory fluctuations | |
| CN117949917B (zh) | 机坪杂波环境下鸟类目标的识别方法和存储介质 | |
| Zhu et al. | Radar HRRP group-target recognition based on combined methods in the backgroud of sea clutter | |
| Li et al. | Deep learning for interference mitigation in time-frequency maps of fmcw radars | |
| CN116311067A (zh) | 基于高维特征图谱的目标综合识别方法、装置及设备 | |
| Wang et al. | LFM signal perception based on Wavelet transform and Time-Frequency Technology | |
| Shreyamsha Kumar et al. | Target identification using harmonic wavelet based ISAR imaging | |
| Le et al. | Multivariate Signal Decomposition for Vital Signal Extraction using UWB Impulse Radar |
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 |