CN102183754B - 一种鲁棒智能雷达海上目标检测***及方法 - Google Patents
一种鲁棒智能雷达海上目标检测***及方法 Download PDFInfo
- Publication number
- CN102183754B CN102183754B CN2011100512006A CN201110051200A CN102183754B CN 102183754 B CN102183754 B CN 102183754B CN 2011100512006 A CN2011100512006 A CN 2011100512006A CN 201110051200 A CN201110051200 A CN 201110051200A CN 102183754 B CN102183754 B CN 102183754B
- Authority
- CN
- China
- Prior art keywords
- radar
- theta
- training sample
- overbar
- extra large
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 36
- 238000001514 detection method Methods 0.000 claims description 31
- 238000005070 sampling Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 24
- 238000006467 substitution reaction Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 6
- 230000003760 hair shine Effects 0.000 claims description 2
- 230000001678 irradiating effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
一种鲁棒智能雷达海上目标检测***,包括雷达、数据库以及上位机;雷达、数据库和上位机依次相连,所述雷达对所检测海域进行照射,并将雷达海杂波数据储存到所述的数据库,所述的上位机包括数据预处理模块、鲁棒预报模型建模模块、改进智能寻优模块、目标检测模块、模型更新模块以及结果显示模块。以及提出了一种鲁棒智能雷达海上目标检测方法。本发明提供一种具有鲁棒性、避免人为因素影响、智能性高的智能雷达海上目标检测***和方法。
Description
技术领域
本发明涉及雷达数据处理领域,特别地,涉及一种鲁棒智能雷达海上目标检测***及方法。
背景技术
海杂波,即来自于海面的雷达后向散射回波。近几十年来,随着对海杂波认识的深入,德国、挪威等国家相继尝试利用雷达观测海杂波获取雷达海浪图像来反演海浪信息,以获得关于海洋状态的实时信息,如海浪的波高、方向和周期等,从而进一步对海上微小目标进行检测,这对海上活动具有十分重要的意义。
海上目标检测技术具有重要的地位,提供准确的目标判决是对海雷达工作的重要任务之一。雷达自动检测***依据判决准则在给定的检测阈值下做出判决,而强海杂波往往成为微弱目标信号的主要干扰。如何处理海杂波将直接影响到雷达在海洋环境下的检测能力:1)识别导航浮标、小片的冰,漂浮在海面的油污,这些可能会对导航带来潜在的危机;2)监测非法捕鱼是环境监测的一项重要的任务。
在传统的目标检测时,海杂波被认为是干扰导航的一种噪声被去掉。然而,在雷达对海观测目标时,微弱的运动目标回波常常湮没在海杂波中,信杂比较低,雷达不易检测到目标,同时海杂波的大量尖峰还会造成严重虚警,对雷达的检测性能产生较大影响。对于各种对海警戒和预警雷达而言,研究的主要目标是提高海杂波背景下目标的检测能力。因此,不仅具有重要的理论意义和实际意义,而且也是国内外海上目标检测的难点和热点。
发明内容
为了克服已有雷达海上目标检测方法鲁棒性不高、易受人为因素影响、智能性不足的缺点,本发明提供一种具有鲁棒性、避免人为因素影响、智能性高的智能雷达海上目标检测***及方法。
本发明解决其技术问题所采用的技术方案是:
一种鲁棒智能雷达海上目标检测***,包括雷达、数据库以及上位机,雷达、数据库和上位机依次相连,所述雷达对所检测海域进行照射,并将雷达海杂波数据储存到所述的数据库,所述的上位机包括:
数据预处理模块,用以进行雷达海杂波数据预处理,采用如下过程完成:
1)从数据库中采集N个雷达海杂波回波信号幅值xi作为训练样本,i=1,...,N;
其中,minx表示训练样本中的最小值,maxx表示训练样本中的最大值;
3)将归一化后的训练样本重构,分别得到输入矩阵X和对应的输出矩阵Y:
其中,D表示重构维数,D为自然数,且D<N,D的取值范围为50-70;
鲁棒预报模型建模模块,用以建立预报模型,采用如下过程完成:
将得到的X、Y代入如下线性方程:
其中
权重因子vi由下式计算:
求解得待估计函数f(x):
其中,M是支持向量的数目,1v=[1,...,1]T,K=exp(-||xi-xj||/θ2),上标T表示矩阵的转置,是拉格朗日乘子,其中,i=1,...,M,j=1,…,M,b*是偏置量,和exp(-||x-xi||/θ2)均为支持向量机的核函数,xj为第j个雷达海杂波回波信号幅值,θ是核参数,x表示输入变量,γ是惩罚系数;
改进智能寻优模块,用以采用进化遗传算法对预报模型的核参数θ和惩罚系数γ进行优化,采用如下过程完成:
5.1)采用实数编码方法对θ和γ进行编码;
5.2)随机产生初始种群;
5.3)计算每个个体的适应度,并判断是否符合算法终止条件,若符合,输出最佳个体及其代表的最优解,并结束计算,否则继续迭代;
5.4)采用正态分布概率选择个体;
5.5)通过单点线***叉产生新个体;
5.6)通过均匀变异方式产生新个体;
5.7)对新个体用单纯性法进行确定性寻优;
5.8)产生的新一代种群,返回5.3)进行迭代;
其中,初始种群大小为50-200,最大代数50-300,最佳个体选择概率为0.05-0.1,交叉概率为0.5-0.9,变异概率为0.001-0.01,个体适应度选择模型的泛化均方根误差,终止条件为达到最大代数或者连续五代适应度不变;
目标检测模块,用以进行目标检测,采用如下过程完成:
1)在采样时刻t采集D个海杂波回波信号幅值得到TX=[xt-D+1,...,xt],xt-D+1表示第t-D+1采样时刻的海杂波回波信号幅值,xt表示第t采样时刻的海杂波回波信号幅值;
2)进行归一化处理;
3)代入预报模型建模模块得到的待估计函数f(x)计算得到采样时刻(t+1)的海杂波预报值;
4)计算海杂波预报值与雷达回波实测值的差值e,计算控制限Qα:
5)进行检测判断:当e2差值大于控制限Qα时,该点存在目标,否则没有目标。
作为优选的一种方案:所述上位机还包括:判别模型更新模块,用以按设定的采样时间间隔采集数据,将得到的实测数据与模型预报值比较,如果相对误差大于10%,则将新数据加入训练样本数据,更新预报模型。
作为优选的另一种方案:所述上位机还包括:结果显示模块,用以将目标检测模块的检测结果在上位机显示。
一种鲁棒智能雷达海上目标检测***所使用的雷达海上目标检测方法,所述的方法包括以下步骤:
(1)从数据库中采集N个雷达海杂波回波信号幅值xi作为训练样本,i=1,...,N;
其中,minx表示训练样本中的最小值,maxx表示训练样本中的最大值;
(3)将归一化后的训练样本重构,分别得到输入矩阵X和对应的输出矩阵Y:
其中,D表示重构维数,D为自然数,且D<N,D的取值范围为50-70;
(4)将得到的X、Y代入如下线性方程:
其中
权重因子vi由下式计算:
其中是误差变量ξi标准差的估计,c1,c2为常量;
求解得待估计函数f(x):
其中,M是支持向量的数目,1v=[1,...,1]T,K=exp(-||xi-xj||/θ2),上标T表示矩阵的转置,是拉格朗日乘子,其中,i=1,...,M,j=1,…,M,b*是偏置量,和exp(-||x-xi||/θ2)均为支持向量机的核函数,xj为第j个雷达海杂波回波信号幅值,θ是核参数,x表示输入变量,γ是惩罚系数;
(5)用进化遗传算法对步骤(4)的核参数θ和惩罚系数γ进行优化,采用如下过程完成:
5.1)采用实数编码方法对θ和γ进行编码;
5.2)随机产生初始种群;
5.3)计算每个个体的适应度,并判断是否符合算法终止条件,若符合,输出最佳个体及其代表的最优解,并结束计算,否则继续迭代;
5.4)采用正态分布概率选择个体;
5.5)通过单点线***叉产生新个体;
5.6)通过均匀变异方式产生新个体;
5.7)对新个体用单纯性法进行确定性寻优;
5.8)产生的新一代种群,返回5.3)进行迭代;
其中,初始种群大小为50-200,最大代数50-300,最佳个体选择概率为0.05-0.1,交叉概率为0.5-0.9,变异概率为0.001-0.01,个体适应度选择模型的泛化均方根误差,终止条件为达到最大代数或者连续五代适应度不变;
(6)在采样时刻t采集D个海杂波回波信号幅值得到TX=[xt-D+1,...,xt],xt-D+1表示第t-D+1采样时刻的海杂波回波信号幅值,xt表示第t采样时刻的海杂波回波信号幅值;
(7)进行归一化处理;
(8)代入步骤(4)得到的待估计函数f(x)计算得到采样时刻(t+1)的海杂波预报值;
(9)计算海杂波预报值与雷达回波实测值的差值e,计算控制限Qα:
(10)进行检测判断:当e2差值大于控制限Qα时,该点存在目标,否则没有目标。
作为优选的一种方案:所述的方法还包括:
(11)、按设定的采样时间间隔采集数据,将得到的实测数据与模型预报值比较,如果相对误差大于10%,则将新数据加入训练样本数据,更新预报模型。
作为优选的另一种方案:在所述的步骤(10)中,将目标检测模块的检测结果在上位机显示。
本发明的技术构思为:本发明针对雷达海杂波的混沌特性,对雷达海杂波数据进行重构,并对重构后的数据进行非线性拟合,建立雷达海杂波的预报模型,计算雷达海杂波的预报值和实测值的差,引入鲁棒智能优化方法,有目标存在时的误差会显著大于没有目标时,引入鲁棒智能优化方法,从而实现海杂波背景下的鲁棒智能目标检测。
本发明的有益效果主要表现在:1、可在线检测海上目标;2、所用的检测方法只需较少样本;3、鲁棒性强、智能性、高避免了人为因素的影响。
附图说明
图1是本发明所提出的***的硬件结构图;
图2是本发明所提出的上位机的功能模块图;
具体实施方式
下面结合附图对本发明作进一步描述。本发明实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
实施例1
参照图1、图2,一种鲁棒智能雷达海上目标检测***,包括雷达1、数据库2及上位机3,雷达1、数据库2和上位机3依次相连,所述雷达1对所检测海域进行照射,并将雷达海杂波数据储存到所述的数据库2,所述的上位机3包括:
数据预处理模块4,用以进行雷达海杂波数据预处理,采用如下过程完成:
1)从数据库中采集N个雷达海杂波回波信号幅值xi作为训练样本,i=1,...,N;
其中,minx表示训练样本中的最小值,maxx表示训练样本中的最大值;
3)将归一化后的训练样本重构,分别得到输入矩阵X和对应的输出矩阵Y:
其中,D表示重构维数,D为自然数,且D<N,D的取值范围为50-70;
鲁棒预报模型建模模块5,用以建立预报模型,采用如下过程完成:
将得到的X、Y代入如下线性方程:
其中
权重因子vi由下式计算:
其中是误差变量ξi标准差的估计,c1,c2为常量;
求解得待估计函数f(x):
其中,M是支持向量的数目,1v=[1,...,1]T,K=exp(-||xi-xj||/θ2),上标T表示矩阵的转置,是拉格朗日乘子,其中,i=1,...,M,j=1,…,M,b*是偏置量,和exp(-||x-xi||/θ2)均为支持向量机的核函数,xj为第j个雷达海杂波回波信号幅值,θ是核参数,x表示输入变量,γ是惩罚系数;
改进智能寻优模块6,用以采用进化遗传算法对预报模型的核参数θ和惩罚系数γ进行优化,采用如下过程完成:
5.1)采用实数编码方法对θ和γ进行编码;
5.2)随机产生初始种群;
5.3)计算每个个体的适应度,并判断是否符合算法终止条件,若符合,输出最佳个体及其代表的最优解,并结束计算,否则继续迭代;
5.4)采用正态分布概率选择个体;
5.5)通过单点线***叉产生新个体;
5.6)通过均匀变异方式产生新个体;
5.7)对新个体用单纯性法进行确定性寻优;
5.8)产生的新一代种群,返回5.3)进行迭代;
其中,初始种群大小为50-200,最大代数50-300,最佳个体选择概率为0.05-0.1,交叉概率为0.5-0.9,变异概率为0.001-0.01,个体适应度选择模型的泛化均方根误差,终止条件为达到最大代数或者连续五代适应度不变;
目标检测模块7,用以进行目标检测,采用如下过程完成:
1)在采样时刻t采集D个海杂波回波信号幅值得到TX=[xt-D+1,...,xt],xt-D+1表示第t-D+1采样时刻的海杂波回波信号幅值,xt表示第t采样时刻的海杂波回波信号幅值;
2)进行归一化处理;
3)代入预报模型建模模块得到的待估计函数f(x)得到采样时刻(t+1)的海杂波预报值;
4)计算海杂波预报值与雷达回波实测值的差值e,计算控制限Qα:
其中,α是置信度,θ1,θ2,θ3,h0是中间变量,表示协方差矩阵的第j个特征值的i次方,k是样本维数,Cα是正态分布置信度为α的统计;
5)进行检测判断:当e2差值大于控制限Qα时,该点存在目标,否则没有目标。
所述的上位机3还包括:模型更新模块8,按设定的时间间隔采集数据,将得到的实测数据与模型预报值比较,如果相对误差大于10%,则将新数据加入训练样本数据,更新预报模型。
所述上位机3还包括:结果显示模块9,将目标检测模块的检测结果在上位机显示。
所述上位机3的硬件部分包括:I/O元件,用于数据的采集和信息的传递;数据存储器,存储运行所需的数据样本和运行参数等;程序存储器,存储实现功能模块的软件程序;运算器,执行程序,实现指定的功能;显示模块,显示设置的参数和检测结果。
实施例2
参照图1、图2,一种鲁棒智能雷达海上目标检测方法,所述的方法包括以下步骤:
(1)从数据库中采集N个雷达海杂波回波信号幅值xi作为训练样本,i=1,...,N;
其中,minx表示训练样本中的最小值,maxx表示训练样本中的最大值;
(3)将归一化后的训练样本重构,分别得到输入矩阵X和对应的输出矩阵Y:
其中,D表示重构维数,D为自然数,且D<N,D的取值范围为50-70;
(4)将得到的X、Y代入如下线性方程:
其中
权重因子vi由下式计算:
求解得待估计函数f(x):
其中,M是支持向量的数目,1v=[1,...,1]T,K=exp(-||xi-xj||/θ2),上标T表示矩阵的转置,是拉格朗日乘子,其中,i=1,...,M,j=1,…,M,b*是偏置量,和exp(-||x-xi||/θ2)均为支持向量机的核函数,xj为第j个雷达海杂波回波信号幅值,θ是核参数,x表示输入变量,γ是惩罚系数;
(5)用进化遗传算法对步骤(4)的核参数θ和惩罚系数γ进行优化,采用如下过程完成:
5.1)采用实数编码方法对θ和γ进行编码;
5.2)随机产生初始种群;
5.3)计算每个个体的适应度,并判断是否符合算法终止条件,若符合,输出最佳个体及其代表的最优解,并结束计算,否则继续迭代;
5.4)采用正态分布概率选择个体;
5.5)通过单点线***叉产生新个体;
5.6)通过均匀变异方式产生新个体;
5.7)对新个体用单纯性法进行确定性寻优;
5.8)产生的新一代种群,返回5.3)进行迭代;
其中,初始种群大小为50-200,最大代数50-300,最佳个体选择概率为0.05-0.1,交叉概率为0.5-0.9,变异概率为0.001-0.01,个体适应度选择模型的泛化均方根误差,终止条件为达到最大代数或者连续五代适应度不变;
(6)在采样时刻t采集D个海杂波回波信号幅值得到TX=[xt-D+1,...,xt],xt-D+1表示第t-D+1采样时刻的海杂波回波信号幅值,xt表示第t采样时刻的海杂波回波信号幅值;
(7)进行归一化处理;
(8)代入步骤(4)得到的待估计函数f(x)计算得到采样时刻(t+1)的海杂波预报值;
(9)计算海杂波预报值与雷达回波实测值的差值e,计算控制限Qα:
(10)进行检测判断:当e2差值大于控制限Qα时,该点存在目标,否则没有目标。
所述的方法还包括:(11)、按设定的时间间隔采集数据,将得到的实测数据与模型预报值比较,如果相对误差大于10%,则将新数据加入训练样本数据,更新预报模型。
所述的方法还包括:在所述的步骤(10)中,将目标检测模块的检测结果在上位机显示。
Claims (6)
1.一种鲁棒智能雷达海上目标检测***,包括雷达、数据库以及上位机,雷达、数据库和上位机依次相连,其特征在于:所述雷达对所检测海域进行照射,并将雷达海杂波数据储存到所述的数据库,所述的上位机包括:
数据预处理模块,用以进行雷达海杂波数据预处理,采用如下过程完成:
1)从数据库中采集N个雷达海杂波回波信号幅值xi作为训练样本,i=1,...,N;
其中,minx表示训练样本中的最小值,maxx表示训练样本中的最大值;
3)将归一化后的训练样本重构,分别得到输入矩阵X和对应的输出矩阵Y:
其中,D表示重构维数,D为自然数,且D<N,D的取值范围为50-70;
鲁棒预报模型建模模块,用以建立预报模型,采用如下过程完成:
将得到的X、Y代入如下线性方程:
其中
权重因子vi由下式计算:
其中是误差变量ξi标准差的估计,c1,c2为常量;
求解得待估计函数f(x):
其中,M是支持向量的数目,1v=[1,...,1]T, 上标T表示矩阵的转置,是拉格朗日乘子,其中,i=1,...,M,j=1,…,M,b*是偏置量,和exp(-||x-xi||/θ2)均为支持向量机的核函数,xj为第j个雷达海杂波回波信号幅值,θ是核参数,x表示输入变量,γ是惩罚系数;
改进智能寻优模块,用以采用进化遗传算法对预报模型的核参数θ和惩罚系数γ进行优化,采用如下过程完成:
5.1)采用实数编码方法对θ和γ进行编码;
5.2)随机产生初始种群;
5.3)计算每个个体的适应度,并判断是否符合算法终止条件,若符合,输出最佳个体及其代表的最优解,并结束计算,否则继续迭代;
5.4)采用正态分布概率选择个体;
5.5)通过单点线***叉产生新个体;
5.6)通过均匀变异方式产生新个体;
5.7)对新个体用单纯性法进行确定性寻优;
5.8)产生的新一代种群,返回5.3)进行迭代;
其中,初始种群大小为50-200,最大代数50-300,最佳个体选择概率为0.05-0.1,交叉概率为0.5-0.9,变异概率为0.001-0.01,个体适应度选择模型的泛化均方根误差,终止条件为达到最大代数或者连续五代适应度不变;
目标检测模块,用以进行目标检测,采用如下过程完成:
1)在采样时刻t采集D个海杂波回波信号幅值得到TX=[xt-D+1,...,xt],xt-D+1表示第t-D+1采样时刻的海杂波回波信号幅值,xt表示第t采样时刻的海杂波回波信号幅值;
2)进行归一化处理;
3)代入预报模型建模模块得到的待估计函数f(x)计算得到采样时刻(t+1)的海杂波预报值;
4)计算海杂波预报值与雷达回波实测值的差值e,计算控制限Qα:
其中,α是置信度,θ1,θ2,θ3,h0是中间变量,λj i表示协方差矩阵的第j个特征值的i次方,k是样本维数,Cα是正态分布置信度为α的统计;
5)进行检测判断:当e2差值大于控制限Qα时,该点存在目标,否则没有目标。
2.如权利要求1所述的鲁棒智能雷达海上目标检测***,其特征在于:所述上位机还包括:判别模型更新模块,用以按设定的采样时间间隔采集数据,将得到的实测数据与模型预报值比较,如果相对误差大于10%,则将新数据加入训练样本数据,更新预报模型。
3.如权利要求1或2所述的鲁棒智能雷达海上目标检测***,其特征在于:所述上位机还包括:结果显示模块,用以将目标检测模块的检测结果在上位机显示。
4.一种如权利要求1所述的鲁棒智能雷达海上目标检测***所使用的雷达海上目标检测方法,其特征在于:所述的方法包括以下步骤:
(1)从数据库中采集N个雷达海杂波回波信号幅值xi作为训练样本,i=1,...,N;
其中,minx表示训练样本中的最小值,maxx表示训练样本中的最大值;
(3)将归一化后的训练样本重构,分别得到输入矩阵X和对应的输出矩阵Y:
其中,D表示重构维数,D为自然数,且D<N,D的取值范围为50-70;
(4)将得到的X、Y代入如下线性方程:
其中
权重因子vi由下式计算:
求解得待估计函数f(x):
其中,M是支持向量的数目,1v=[1,...,1]T, 上标T表示矩阵的转置,是拉格朗日乘子,其中,i=1,...,M,j=1,…,M,b*是偏置量,和exp(-||x-xi||/θ2)均为支持向量机的核函数,xj为第j个雷达海杂波回波信号幅值,θ是核参数,x表示输入变量,γ是惩罚系数;
(5)用进化遗传算法对步骤(4)的核参数θ和惩罚系数γ进行优化,采用如下过程完成:
5.1)采用实数编码方法对θ和γ进行编码;
5.2)随机产生初始种群;
5.3)计算每个个体的适应度,并判断是否符合算法终止条件,若符合,输出最佳个体及其代表的最优解,并结束计算,否则继续迭代;
5.4)采用正态分布概率选择个体;
5.5)通过单点线***叉产生新个体;
5.6)通过均匀变异方式产生新个体;
5.7)对新个体用单纯性法进行确定性寻优;
5.8)产生的新一代种群,返回5.3)进行迭代;
其中,初始种群大小为50-200,最大代数50-300,最佳个体选择概率为0.05-0.1,交叉概率为0.5-0.9,变异概率为0.001-0.01,个体适应度选择模型的泛化均方根误差,终止条件为达到最大代数或者连续五代适应度不变;
(6)在采样时刻t采集D个海杂波回波信号幅值得到TX=[xt-D+1,...,xt],xt-D+1表示第t-D+1采样时刻的海杂波回波信号幅值,xt表示第t采样时刻的海杂波回波信号幅值;
(7)进行归一化处理;
(8)代入步骤(4)得到的待估计函数f(x)计算得到采样时刻(t+1)的海杂波预报值;
(9)计算海杂波预报值与雷达回波实测值的差值e,计算控制限Qα:
其中,α是置信度,θ1,θ2,θ3,h0是中间变量,λj i表示协方差矩阵的第j个特征值的i次方,k是样本维数,Cα是正态分布置信度为α的统计;
(10)进行检测判断:当e2差值大于控制限Qα时,该点存在目标,否则没有目标。
5.如权利要求4所述的雷达海上目标检测方法,其特征在于:所述的方法还包括:
(11)、按设定的采样时间间隔采集数据,将得到的实测数据与模型预报值比较,如果相对误差大于10%,则将新数据加入训练样本数据,更新预报模型。
6.如权利要求4或5所述的雷达海上目标检测方法,其特征在于:在所述的步骤(10)中,将目标检测模块的检测结果在上位机显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100512006A CN102183754B (zh) | 2011-03-03 | 2011-03-03 | 一种鲁棒智能雷达海上目标检测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100512006A CN102183754B (zh) | 2011-03-03 | 2011-03-03 | 一种鲁棒智能雷达海上目标检测***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102183754A CN102183754A (zh) | 2011-09-14 |
CN102183754B true CN102183754B (zh) | 2012-07-25 |
Family
ID=44569954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011100512006A Expired - Fee Related CN102183754B (zh) | 2011-03-03 | 2011-03-03 | 一种鲁棒智能雷达海上目标检测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102183754B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104977585B (zh) * | 2015-06-11 | 2017-07-28 | 中国科学院声学研究所 | 一种鲁棒的运动声纳目标检测方法 |
CN107292014B (zh) * | 2017-06-15 | 2018-03-30 | 北京航空航天大学 | 一种基于蒙特卡洛模拟的定量评估雷达站引导能力的方法 |
CN110940970B (zh) * | 2019-11-06 | 2023-06-16 | 河海大学 | 一种针对浮油海面的mimo雷达目标检测方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101140324A (zh) * | 2007-10-11 | 2008-03-12 | 上海交通大学 | 海域合成孔径雷达图像点目标提取的方法 |
CN101806887A (zh) * | 2010-03-19 | 2010-08-18 | 清华大学 | 基于空间跟踪滤波器的海杂波抑制和目标检测方法 |
CN101881826A (zh) * | 2009-05-06 | 2010-11-10 | 中国人民解放军海军航空工程学院 | 扫描模式海杂波局部多重分形目标检测器 |
CN101887119A (zh) * | 2010-06-18 | 2010-11-17 | 西安电子科技大学 | 基于子带anmf海杂波中动目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7796082B2 (en) * | 2007-02-08 | 2010-09-14 | Raytheon Company | Methods and apparatus for log-FTC radar receivers having enhanced sea clutter model |
-
2011
- 2011-03-03 CN CN2011100512006A patent/CN102183754B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101140324A (zh) * | 2007-10-11 | 2008-03-12 | 上海交通大学 | 海域合成孔径雷达图像点目标提取的方法 |
CN101881826A (zh) * | 2009-05-06 | 2010-11-10 | 中国人民解放军海军航空工程学院 | 扫描模式海杂波局部多重分形目标检测器 |
CN101806887A (zh) * | 2010-03-19 | 2010-08-18 | 清华大学 | 基于空间跟踪滤波器的海杂波抑制和目标检测方法 |
CN101887119A (zh) * | 2010-06-18 | 2010-11-17 | 西安电子科技大学 | 基于子带anmf海杂波中动目标检测方法 |
Non-Patent Citations (1)
Title |
---|
郭锦成.对海雷达目标检测性能测试方法.《舰船电子对抗》.2010,第33卷(第2期),第70-71,75页. * |
Also Published As
Publication number | Publication date |
---|---|
CN102183754A (zh) | 2011-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102147465B (zh) | 一种混沌寻优雷达海上目标检测***及方法 | |
CN102147464B (zh) | 一种鲁棒智能雷达海杂波预报***及方法 | |
CN102147463B (zh) | 一种群智雷达海杂波预报***及方法 | |
CN102183749A (zh) | 一种自适应雷达海上目标检测***及方法 | |
Akbarifard et al. | Predicting sea wave height using Symbiotic Organisms Search (SOS) algorithm | |
CN102183745B (zh) | 一种智能雷达海杂波预报***及方法 | |
CN107942312A (zh) | 一种基于差分进化入侵杂草优化算法的智能雷达海上目标检测***及方法 | |
CN104820993A (zh) | 一种联合粒子滤波和跟踪置前检测的水下弱目标跟踪方法 | |
CN108983179A (zh) | 一种群智能敏捷的雷达海上目标检测*** | |
CN102183751B (zh) | 一种智能雷达海上目标检测***及方法 | |
Piscopo et al. | A new wave spectrum resembling procedure based on ship motion analysis | |
CN107656250A (zh) | 一种基于人工蜂群算法的智能雷达海上目标检测***及方法 | |
CN102183754B (zh) | 一种鲁棒智能雷达海上目标检测***及方法 | |
CN102183746B (zh) | 一种雷达海上目标检测***及方法 | |
Liu et al. | Gauss process based approach for application on landslide displacement analysis and prediction | |
CN102147466B (zh) | 一种敏捷雷达数据处理***及方法 | |
CN102183752B (zh) | 一种自适应雷达海杂波预报***及方法 | |
CN102183753B (zh) | 一种混沌寻优雷达海杂波预报***及方法 | |
CN102183744A (zh) | 一种群智雷达海上目标检测***及方法 | |
CN107942300A (zh) | 一种基于改进人工蜂群算法的智能雷达海上目标检测***及方法 | |
CN102183747B (zh) | 一种敏捷雷达目标检测***及方法 | |
CN107942303A (zh) | 一种基于改进人工蜂群算法的智能雷达海杂波预报***及方法 | |
CN102156278B (zh) | 一种鲁棒雷达海上目标检测***及方法 | |
CN107976662A (zh) | 一种基于入侵杂草优化算法的智能雷达海上目标检测***及方法 | |
CN102183748B (zh) | 一种雷达海杂波预报***及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120725 Termination date: 20140303 |