RU2776989C1 - Method for classifying objects by inter-frequency correlation feature - Google Patents

Method for classifying objects by inter-frequency correlation feature Download PDF

Info

Publication number
RU2776989C1
RU2776989C1 RU2021121330A RU2021121330A RU2776989C1 RU 2776989 C1 RU2776989 C1 RU 2776989C1 RU 2021121330 A RU2021121330 A RU 2021121330A RU 2021121330 A RU2021121330 A RU 2021121330A RU 2776989 C1 RU2776989 C1 RU 2776989C1
Authority
RU
Russia
Prior art keywords
correlation coefficient
estimate
inter
threshold
samples
Prior art date
Application number
RU2021121330A
Other languages
Russian (ru)
Inventor
Владимир Григорьевич Бартенев
Original Assignee
Владимир Григорьевич Бартенев
Filing date
Publication date
Application filed by Владимир Григорьевич Бартенев filed Critical Владимир Григорьевич Бартенев
Application granted granted Critical
Publication of RU2776989C1 publication Critical patent/RU2776989C1/en

Links

Images

Abstract

FIELD: radio engineering.
SUBSTANCE: invention relates to radio engineering, in particular to digital processing of radar signals. The claimed method for classifying detected objects by inter-frequency correlation feature includes the formation of an estimate of the module of the inter-frequency correlation coefficient with normalization based on two samples of observations taken over several surveys at two radar carrier frequencies, and comparing this estimate with a threshold in the range element with the detected object with assignment, if this threshold is not exceeded, of the sign of an object with a large longitudinal size. The estimation of the module of the inter-frequency correlation coefficient is formed using, for normalization, samples of observations from an auxiliary independent range element taken for several reviews at two carrier frequencies of the radar and corresponding to the preceding neighboring range element in relation to the analyzed one.
EFFECT: increase in the efficiency of classification of detected objects by their longitudinal size.
1 cl, 3 dwg

Description

Предлагаемый способ относится к радиотехнике, в частности к цифровой обработке радиолокационных сигналов. Задача классификации коррелированных сигналов по дискретным выборкам конечного объема возникает во многих технических приложениях. Весьма актуальна, например, задача распознавания типов целей [1] или защита РЛС от дискретных коррелированных мешающих отражений [2]. В работе [2] показано, что для классификации отраженных сигналов обнаруженных объектов по их продольному размеру можно использовать характер флюктуаций отраженных сигналов на разных несущих частотах, оценивая межчастотный коэффициент корреляции.The proposed method relates to radio engineering, in particular to the digital processing of radar signals. The problem of classifying correlated signals by discrete samples of a finite size arises in many technical applications. Very relevant, for example, is the problem of recognizing types of targets [1] or protecting radar from discrete correlated interfering reflections [2]. It was shown in [2] that to classify the reflected signals of detected objects according to their longitudinal size, one can use the nature of the fluctuations of the reflected signals at different carrier frequencies, estimating the interfrequency correlation coefficient.

Figure 00000001
Figure 00000001

где

Figure 00000002
- оценка модуля межчастотного коэффициента корреляции, N - число накоплений по независимым выборкам (обзорам РЛС). Z1j = x1j + iy1j, Z2j = x2j + iy2j комплексные выборки классифицируемых эхо сигналов обнаруженного объекта на входе, принятых в двух частотных каналах на разных несущих частотах. В частности, в основе этого сигнального признака классификации лежит взаимосвязь значения межчастотного коэффициента корреляции с линейными размерами объекта. Чем больше размер объекта, тем меньше межчастотный коэффициент корреляции. Однако способ по формуле (1) обладает недостатком, который проявляется в том, что формируемый межчастотный корреляционный признак чувствителен к мощности принимаемых сигналов. Этого недостатка лишен другой способ классификации обнаруженных объектов по их продольному размеру [2], который рассматривается, как способ – прототип и в котором две выборки наблюдения принятых на двух разнесенных несущих частотах перемножаются и их произведение накапливается от обзора к обзору для каждого элемента дальности с обнаруженным объектом и теперь уже нормированный модуль накопленного произведения
Figure 00000003
сравнивается с порогом (2).where
Figure 00000002
- estimation of the modulus of the interfrequency correlation coefficient, N - number of accumulations based on independent samples (radar surveys). Z1 j = x1 j + iy1 j , Z2 j = x2 j + iy2 j are complex samples of classified echo signals of the detected object at the input received in two frequency channels at different carrier frequencies. In particular, this classification signal feature is based on the relationship between the value of the interfrequency correlation coefficient and the linear dimensions of the object. The larger the size of the object, the smaller the interfrequency correlation coefficient. However, the method according to formula (1) has a disadvantage, which manifests itself in the fact that the generated interfrequency correlation feature is sensitive to the power of the received signals. This shortcoming is devoid of another way of classifying detected objects by their longitudinal size [2], which is considered as a prototype method and in which two observation samples received at two spaced carrier frequencies are multiplied and their product is accumulated from survey to survey for each range element with detected object and now the normalized modulus of the accumulated product
Figure 00000003
compared with the threshold (2).

Figure 00000004
Figure 00000004

Полученная таким образом оценка модуля межчастотного коэффициента корреляции сравнивается с порогом, на основании чего принимается решение о наличии обнаруженного объекта с большим продольным размером (порог не превышен) или малого продольного размера (порог превышен). Хотя данный способ позволяет осуществлять классификацию объектов по межчастотному корреляционному признаку, однако использование одних и тех выборок наблюдения наблюдения как для формирования накопленного произведения т.е. числитель (2), так и для нормировки к мощности принимаемых сигналов - знаменатель (2) снижает его эффективность. Если же для нормировки оценки модуля межчастотного коэффициента корреляции использовать независимые выборки наблюдений, например из соседнего элемента дальности то, как это будет показано ниже, это приводит к существенному повышению вероятности правильной классификации объектов.The estimate of the module of the interfrequency correlation coefficient obtained in this way is compared with the threshold, on the basis of which a decision is made about the presence of a detected object with a large longitudinal size (the threshold is not exceeded) or a small longitudinal size (the threshold is exceeded). Although this method allows the classification of objects according to the interfrequency correlation feature, however, the use of the same observation observation samples both for the formation of the accumulated product, i.e. numerator (2), and for normalization to the power of the received signals - the denominator (2) reduces its effectiveness. If, however, independent samples of observations are used to normalize the estimate of the module of the interfrequency correlation coefficient, for example, from a neighboring range element, as will be shown below, this leads to a significant increase in the probability of correct classification of objects.

Таким образом, с целью повышения эффективности классификации обнаруженных объектов по их продольному размеру предлагается способ классификации, который включает в себя формирование оценки модуля межчастотного коэффициента корреляции с нормировкой на основе двух выборок наблюдений, принятых за несколько обзоров на двух несущих частотах РЛС и сравнение этой оценки с порогом в элементе дальности с обнаруженным объектом и присвоением при не превышении этого порога в анализируемом элементе дальности признака объекта с большим продольным размером, отличающийся тем, что с целью повышения эффективности правильной классификации формирование оценки модуля межчастотного коэффициента корреляции производится используя для нормировки выборки наблюдений не из анализируемого, а из вспомогательного независимого элемента дальности также принятые за несколько обзоров на двух несущих частотах РЛС.Thus, in order to increase the efficiency of classifying detected objects by their longitudinal size, a classification method is proposed that includes the formation of an estimate of the modulus of the interfrequency correlation coefficient with normalization based on two samples of observations taken for several surveys at two radar carrier frequencies and comparison of this estimate with threshold in the range element with the detected object and assignment, if this threshold is not exceeded, in the analyzed range element of the sign of the object with a large longitudinal size, characterized in that, in order to increase the efficiency of correct classification, the formation of an estimate of the module of the interfrequency correlation coefficient is performed using for normalization a sample of observations not from the analyzed , and from the auxiliary independent range element also taken for several surveys on two radar carrier frequencies.

При этом выборки наблюдений из вспомогательного элемента дальности, принятые за несколько обзоров на двух несущих частотах РЛС соответствуют предшествующему соседнему элементу дальности по отношению к анализируемому, и сохраняются на время равное длительности элемента дальности.In this case, the observation samples from the auxiliary range element, taken as several surveys at two radar carrier frequencies, correspond to the previous neighboring range element with respect to the analyzed one, and are stored for a time equal to the duration of the range element.

Таким образом, предлагаемый способ раскрывает новые функциональные возможности классификации по межчастотному корреляционному признаку за счет изменения способа нормировки оценки модуля межчастотного коэффициента корреляции. Это позволяет сделать вывод о соответствии заявляемого способа критерию "существенные отличия". Для того чтобы сформировать межчастотный коэффициент корреляции, в известном способе прототипе используют операции в соответствии с формулой (2). Этот способ не чувствителен к изменению мощности принимаемых сигналов, благодаря нормировке - делению числителя - оценки модуля межчастотного коэффициента корреляции, см. (2) на знаменатель - оценку мощности принятых сигналов в двух частотных каналах. Важно подчеркнуть что оценка мощности производится на основе той же выборки наблюдений, которая используется для расчета числителя. Решение о том, что объект протяженный принимается, еслиThus, the proposed method reveals new functionality of classification by interfrequency correlation feature by changing the normalization method for estimating the modulus of the interfrequency correlation coefficient. This allows us to conclude that the proposed method meets the criterion of "significant differences". In order to form an inter-frequency correlation coefficient, in a known prototype method, operations are used in accordance with formula (2). This method is not sensitive to changes in the power of received signals, due to the normalization - division of the numerator - estimates of the modulus of the interfrequency correlation coefficient, see (2) to the denominator - the estimate of the power of the received signals in two frequency channels. It is important to emphasize that the power estimate is based on the same sample of observations that is used to calculate the numerator. The decision that the object is extended is made if

Figure 00000005
Figure 00000005

Проиллюстрируем работу предлагаемого способа прототипа на конкретном примере, прибегнув как к аналитическому расчету; так и моделированию с помощью системы MATLAB [5].Let us illustrate the work of the proposed method of the prototype on a specific example, resorting to both analytical calculation; and modeling using the MATLAB system [5].

Осуществим классификацию протяженного объекта, используя две выборки наблюдений с межчастотным коэффициентом корреляции равным R=0. Корреляционный порог RПОР в расчетах будем менять от 0,1 до 0,9. Число независимых накоплений (обзоров) возьмем N = 4, 8 и 16.Let's classify an extended object using two samples of observations with an interfrequency correlation coefficient equal to R=0. The correlation threshold R POR in the calculations will be changed from 0.1 to 0.9. Let us take the number of independent accumulations (surveys) N = 4, 8 and 16.

Для нахождения вероятности правильной классификации протяженного объекта по не превышению оценкой порога Rпор можно воспользоваться распределением Уишарта. В работе [3] получено распределение оценки модуля межчастотного коэффициента корреляции из распределения УишартаTo find the probability of correctly classifying an extended object by not exceeding the Rth threshold, one can use the Wishart distribution. In [3], the distribution of the estimate of the modulus of the interfrequency correlation coefficient from the Wishart distribution was obtained

Figure 00000006
Figure 00000006

где Г(.) - гамма функция.where G(.) is the gamma function.

Для протяженных объектов R = 0 и распределение (3) можно представить в более простом видеFor extended objects, R = 0 and distribution (3) can be represented in a simpler form

Figure 00000007
Figure 00000007

Используя (4), можно получить формулу для вероятности правильной классификации протяженных объектов, как вероятность не превышения порогаUsing (4), one can obtain a formula for the probability of correctly classifying extended objects as the probability of not exceeding the threshold

Figure 00000008
Figure 00000008

Для верификации данной формулы было проведено моделирование с помощью системы MATLAB [5] классификатора прототипа с расчетом для разных значений порога Rпор и числа обзоров N = 4, 8 и 16 (см. Фиг. 1, 2 и 3, соответственно, где приведена зависимость вероятности правильной классификации протяженных объектов от порога для оценки модуля межчастотного коэффициента корреляции с нормировкой как это делается в прототипе, звездочки - аналитика, ромбики - моделирование) крестики - аналитика, квадраты - моделирование). Результаты моделирования хорошо совпадают с аналитическими расчетами, что позволяет сделать вывод о достоверности применяемых формул при анализе эффективности способа, используемого в прототипе.To verify this formula, modeling was carried out using the MATLAB system [5] of the prototype classifier with the calculation for different values of the threshold Rthr and the number of reviews N = 4, 8 and 16 (see Fig. 1, 2 and 3, respectively, where the dependence of the probability correct classification of extended objects from the threshold for estimating the modulus of the interfrequency correlation coefficient with normalization as it is done in the prototype, asterisks - analytics, rhombuses - modeling) crosses - analytics, squares - modeling). The simulation results are in good agreement with the analytical calculations, which allows us to conclude that the formulas used in the analysis of the effectiveness of the method used in the prototype.

Перейдем к анализу эффективности предложенного способа классификации. Принципиальное отличие предложенного способа от известного состоит в том, что в формуле (2) для того, чтобы алгоритм был не чувствителен к изменению мощности принимаемых сигналов, нормировка т.е. деление на знаменатель - оценку мощности сигналов принятых в двух частотных каналов производят на основе другой выборки наблюдений, а не той, которая используется для расчета выражения в числителе (2). Именно поэтому в этом случае нормировка производится независимой выборкой наблюдений. Для этого предлагается производить дополнительные оценки мощности принимаемых сигналов в соседнем элементе дальности на двух несущих частотахLet us proceed to the analysis of the effectiveness of the proposed method of classification. The fundamental difference between the proposed method and the known one is that in formula (2), in order for the algorithm to be insensitive to changes in the power of received signals, normalization i.e. dividing by the denominator - the power of the signals received in two frequency channels is estimated based on a different sample of observations, and not the one used to calculate the expression in the numerator (2). That is why in this case the normalization is performed by an independent sample of observations. To do this, it is proposed to make additional estimates of the power of the received signals in the neighboring range element at two carrier frequencies

Figure 00000009
Figure 00000009

Figure 00000010
Figure 00000010

Суммирование оценок мощности Zs=(z1+z2) и умножение на RПОР дает величину адаптивного порога, не превышение которого и есть вероятность правильной классификации протяженного объектаThe summation of the estimates of the power Z s =(z1+z2) and multiplication by R ERP gives the value of the adaptive threshold, not exceeding which is the probability of correct classification of an extended object

Figure 00000011
Figure 00000011

Считая, независимыми оценки модуля межчастотного коэффициента корреляции, т.е. числителя в (2) и оценки мощности принимаемых сигналов в соседнем элементе дальности можно получить выражение для вероятности правильной классификации предложенного способа.Considering independent estimates of the modulus of the interfrequency correlation coefficient, i.e. numerator in (2) and estimates of the power of the received signals in the neighboring range element, we can obtain an expression for the probability of correct classification of the proposed method.

Figure 00000012
Figure 00000012

Считая, что оценка мощности принимаемых сигналов Zs имеет распределение χ2, а выражение в числителе (2) имеет распределение [4]Assuming that the estimated power of the received signals Z s has the distribution χ 2 , and the expression in the numerator (2) has the distribution [4]

Figure 00000013
Figure 00000013

где Г(.) гамма функция, KN-1(.) модифицированная функция Бесселя порядка N-1, в результате искомая вероятность правильной классификации P(RПОР) примет видwhere Г(.) is a gamma function, K N-1 (.) is a modified Bessel function of order N-1, as a result, the desired probability of correct classification P(R POR ) takes the form

Figure 00000014
Figure 00000014

После взятия интеграла получаемAfter taking the integral, we get

Figure 00000015
Figure 00000015

где 2F1(.) гипергеометрическая функция. Дальнейший анализ производился не только аналитическим расчетом по полученной формуле (8), но и для верификации моделированием предложенного способа в МАТЛАБ. Результаты аналитических расчетов и моделирования показали их хорошее совпадение для N = 4,8 и 16 (см. Фиг. 1, 2 и 3, соответственно, где приведена зависимость вероятности правильной классификации протяженных объектов от порога для оценки модуля межчастотного коэффициента корреляции с нормировкой, как это делается в предложенном способе, крестики - аналитика, квадраты - моделирование).where 2 F 1 (.) is a hypergeometric function. Further analysis was carried out not only by analytical calculation according to the obtained formula (8), but also for verification by modeling the proposed method in MATLAB. The results of analytical calculations and modeling showed their good agreement for N = 4.8 and 16 (see Fig. 1, 2 and 3, respectively, where the dependence of the probability of correct classification of extended objects on the threshold for estimating the modulus of the interfrequency correlation coefficient with normalization is shown as this is done in the proposed method, crosses - analytics, squares - modeling).

Результаты исследования полностью подтверждают, что применение независимых выборок наблюдения для нормировки оценки модуля межчастотного коэффициента корреляции заметно повышает эффективность классификации. Так уже за 4 обзора при формировании модуля межчастотного коэффициента корреляции с нормировкой независимыми выборками удается получить вероятность правильной классификации протяженного объекта практически такую же, как при использовании нормировки зависимыми выборками наблюдений за 16 обзоров.The results of the study fully confirm that the use of independent observation samples for normalizing the estimate of the modulus of the interfrequency correlation coefficient significantly increases the classification efficiency. So already after 4 surveys, when forming the modulus of the interfrequency correlation coefficient with normalization by independent samples, it is possible to obtain the probability of correct classification of an extended object that is almost the same as when using normalization by dependent samples of observations for 16 surveys.

Перечень источников использованных при оформлении заявкиList of sources used in the application process

1. Bartenev V. Radar objects classification using inter frequency correlation coefficient. Report on the International conference RADAR 2016. China, Oct. 2016.1. Bartenev V. Radar objects classification using inter frequency correlation coefficient. Report on the International conference RADAR 2016. China, Oct. 2016.

2. Бартенев В.Г. Патент «Способ классификации и бланкирования дискретных помех» №2710894, Опубликован: 14.01.2020, Бюл. №2.2. Bartenev V.G. Patent "Method for classifying and blanking discrete interference" No. 2710894, Published: 01/14/2020, Bull. No. 2.

3. Бартенев В.Г. О распределении оценки модуля коэффициента корреляции// Современная электроника, 2020. №8.3. Bartenev V.G. On the distribution of the estimate of the module of the correlation coefficient// Modern electronics, 2020. No. 8.

4. Бартенев В.Г., Бартенев М.В. Способ нахождения вероятностных характеристик на выходе нелинейных систем//Цифровая обработка сигналов, 2014. №4.4. Bartenev V.G., Bartenev M.V. Method for finding probabilistic characteristics at the output of non-linear systems//Digital Signal Processing, 2014. No. 4.

5. Потемкин В.Г. "Справочник по MATLAB" Анализ и обработка данных, http://matlab.exponenta.ru/ml/book2/chapter8/5. Potemkin V.G. "MATLAB Handbook" Data Analysis and Processing, http://matlab.exponenta.ru/ml/book2/chapter8/

Краткое описание чертежей заявкиBrief Description of Application Drawings

Фиг. 1 Зависимость вероятности правильной классификации протяженных объектов от порога для N = 4 в классификаторе с нормировкой независимыми выборками наблюдений (крестики - аналитика, квадраты - моделирование) и с нормировкой зависимыми выборками наблюдений (звездочки - аналитика, ромбики - моделирование).Fig. 1 Dependence of the probability of correct classification of extended objects on the threshold for N = 4 in the classifier with normalization by independent observation samples (crosses - analytics, squares - modeling) and with normalization by dependent observation samples (asterisks - analytics, rhombuses - modeling).

Фиг. 2 Зависимость вероятности правильной классификации протяженных объектов от порога для N = 8 в классификаторе с нормировкой независимыми выборками наблюдений (крестики - аналитика, квадраты - моделирование) и с нормировкой зависимыми выборками наблюдений (звездочки - аналитика, ромбики - моделирование).Fig. Fig. 2 Dependence of the probability of correct classification of extended objects on the threshold for N = 8 in the classifier with normalization by independent samples of observations (crosses - analytics, squares - modeling) and with normalization by dependent samples of observations (asterisks - analytics, diamonds - modeling).

Фиг. 3 Зависимость вероятности правильной классификации протяженных объектов от порога для N = 16 в классификаторе с нормировкой независимыми выборками наблюдений (крестики - аналитика, квадраты - моделирование) и с нормировкой зависимыми выборками наблюдений (звездочки - аналитика, ромбики - моделирование).Fig. 3 Dependence of the probability of correct classification of extended objects on the threshold for N = 16 in the classifier with normalization by independent samples of observations (crosses - analytics, squares - modeling) and with normalization by dependent samples of observations (asterisks - analytics, diamonds - modeling).

Claims (2)

1. Радиолокационный способ классификации обнаруженных объектов по межчастотному корреляционному признаку, который включает в себя формирование оценки модуля межчастотного коэффициента корреляции на основе двух выборок наблюдений, принятых за несколько обзоров на двух несущих частотах РЛС, и сравнение этой оценки с порогом в элементе дальности с обнаруженным объектом с присвоением при непревышении этого порога признака объекта с большим продольным размером, отличающийся тем, что формирование оценки модуля межчастотного коэффициента корреляции производится, используя для нормировки выборки наблюдений из вспомогательного независимого элемента дальности, также принятые за несколько обзоров на двух несущих частотах РЛС и соответствующие предшествующему соседнему элементу дальности по отношению к анализируемому.1. A radar method for classifying detected objects by an inter-frequency correlation attribute, which includes generating an estimate of the module of the inter-frequency correlation coefficient based on two samples of observations taken for several surveys at two radar carrier frequencies, and comparing this estimate with a threshold in the range element with the detected object with the assignment, if this threshold is not exceeded, of a sign of an object with a large longitudinal size, characterized in that the formation of an estimate of the module of the interfrequency correlation coefficient is performed using for normalization a sample of observations from an auxiliary independent range element, also taken as several surveys at two radar carrier frequencies and corresponding to the previous neighboring element of range in relation to the analyzed one. 2. Способ по п.1, отличающийся тем, что для нормировки оценки модуля межчастотного коэффициента корреляции обнаруженного объекта выборки наблюдений из соседнего элемента дальности задерживаются на время, равное длительности элемента дальности.2. The method according to claim 1, characterized in that to normalize the estimate of the modulus of the interfrequency correlation coefficient of the detected object, the observation samples from the neighboring range element are delayed by a time equal to the duration of the range element.
RU2021121330A 2021-07-19 Method for classifying objects by inter-frequency correlation feature RU2776989C1 (en)

Publications (1)

Publication Number Publication Date
RU2776989C1 true RU2776989C1 (en) 2022-07-29

Family

ID=

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1341002A2 (en) * 2002-02-22 2003-09-03 EADS Deutschland GmbH Method for reducing the false alarm rate in radar images
KR101241101B1 (en) * 2011-11-18 2013-03-11 국방과학연구소 A radar scan pattern recognizing method using feature factors
RU2626018C1 (en) * 2016-08-15 2017-07-21 Акционерное общество "Научно-исследовательский институт Приборостроения имени В.В. Тихомирова" Method of effective area identification of air objects scattering by on-board radar location station
RU2634787C1 (en) * 2016-10-28 2017-11-03 Акционерное Общество "Концерн "Океанприбор" Method of detecting local object against background of distributed interference
RU2665032C2 (en) * 2016-10-31 2018-08-27 Акционерное общество "Федеральный научно-производственный центр "Нижегородский научно-исследовательский институт радиотехники" Device for recognition of aerospace objects in two-radio radar complexes with active phased antenna arrays (apaa)
RU2667516C1 (en) * 2017-10-23 2018-09-21 Акционерное общество "НИИ измерительных приборов - Новосибирский завод имени Коминтерна" (АО "НПО НИИИП-НЗиК") Method of detecting radar objects
CN110109095A (en) * 2019-04-30 2019-08-09 西南电子技术研究所（中国电子科技集团公司第十研究所） The correlating method of target signature auxiliary multi-source data
RU2710894C1 (en) * 2018-10-02 2020-01-14 Владимир Григорьевич Бартенев Method of classification and blanking of discrete interference
RU2743027C1 (en) * 2019-12-13 2021-02-12 Владимир Григорьевич Бартенев Adaptive correlation-based detection method
RU2751532C1 (en) * 2021-04-06 2021-07-14 Акционерное общество "Всероссийский научно-исследовательский институт радиотехники" (АО "ВНИИРТ") Inter-review device for mapping asynchronous impulse interference for pulse-doppler radar stations and method for its implementation

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1341002A2 (en) * 2002-02-22 2003-09-03 EADS Deutschland GmbH Method for reducing the false alarm rate in radar images
KR101241101B1 (en) * 2011-11-18 2013-03-11 국방과학연구소 A radar scan pattern recognizing method using feature factors
RU2626018C1 (en) * 2016-08-15 2017-07-21 Акционерное общество "Научно-исследовательский институт Приборостроения имени В.В. Тихомирова" Method of effective area identification of air objects scattering by on-board radar location station
RU2634787C1 (en) * 2016-10-28 2017-11-03 Акционерное Общество "Концерн "Океанприбор" Method of detecting local object against background of distributed interference
RU2665032C2 (en) * 2016-10-31 2018-08-27 Акционерное общество "Федеральный научно-производственный центр "Нижегородский научно-исследовательский институт радиотехники" Device for recognition of aerospace objects in two-radio radar complexes with active phased antenna arrays (apaa)
RU2667516C1 (en) * 2017-10-23 2018-09-21 Акционерное общество "НИИ измерительных приборов - Новосибирский завод имени Коминтерна" (АО "НПО НИИИП-НЗиК") Method of detecting radar objects
RU2710894C1 (en) * 2018-10-02 2020-01-14 Владимир Григорьевич Бартенев Method of classification and blanking of discrete interference
CN110109095A (en) * 2019-04-30 2019-08-09 西南电子技术研究所（中国电子科技集团公司第十研究所） The correlating method of target signature auxiliary multi-source data
RU2743027C1 (en) * 2019-12-13 2021-02-12 Владимир Григорьевич Бартенев Adaptive correlation-based detection method
RU2751532C1 (en) * 2021-04-06 2021-07-14 Акционерное общество "Всероссийский научно-исследовательский институт радиотехники" (АО "ВНИИРТ") Inter-review device for mapping asynchronous impulse interference for pulse-doppler radar stations and method for its implementation

Similar Documents

Publication Publication Date Title
Papi et al. A particle multi-target tracker for superpositional measurements using labeled random finite sets
Soni et al. Performance evaluation of 2-D adaptive prediction filters for detection of small objects in image data
US5668778A (en) Method for detecting acoustic signals from an underwater source
Mahler et al. CPHD and PHD filters for unknown backgrounds, part III: tractable multitarget filtering in dynamic clutter
Pastor et al. Robust estimation of noise standard deviation in presence of signals with unknown distributions and occurrences
JP6415288B2 (en) Radar equipment
CN111398910A (en) Radar signal detection method and device, electronic equipment and storage medium
Sor et al. OS-CFAR based on thresholding approaches for target detection
KR102169873B1 (en) Mehtod for estimating number of signals for vehicle radar using relative pomparison of eigenvalues
RU2776989C1 (en) Method for classifying objects by inter-frequency correlation feature
Oberst et al. Determining periodic orbits via nonlinear filtering and recurrence spectra in the presence of noise
US10705182B2 (en) Wideband ranging system
RU2743027C1 (en) Adaptive correlation-based detection method
JP4509823B2 (en) Signal classification device
RU2771968C1 (en) Method for classifying objects by inter-frequency correlation feature using binary accumulation
Kumar et al. φ FrMF: fractional Fourier matched filter
Marcillo et al. Infrasound signal detection: re-examining the component parts that makeup detection algorithms
Ranney et al. An efficient pulse detector and pulse width estimator for waveform characterization
RU2769217C1 (en) Method for radar classification of objects based on inter-frequency correlation feature
Ranney et al. Magnitude-based pulse width estimation via efficient edge detection
RU2809532C1 (en) Method for classification of objects by inter-frequency correlation feature in single-channel radars
Erdogan et al. Digital chirp rate adaptation for increased FMCW interception performance in Hough based transforms
Kovarskiy et al. Comparison of RF spectrum prediction methods for dynamic spectrum access
Lei Robust detection of radiation threat
Yun et al. Distance estimation scheme exploiting IR-UWB radar with clutter suppressing algorithm in indoor environments