CN103197297B - 基于认知框架的雷达动目标检测方法 - Google Patents
基于认知框架的雷达动目标检测方法 Download PDFInfo
- Publication number
- CN103197297B CN103197297B CN201310091565.0A CN201310091565A CN103197297B CN 103197297 B CN103197297 B CN 103197297B CN 201310091565 A CN201310091565 A CN 201310091565A CN 103197297 B CN103197297 B CN 103197297B
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- current frame
- msup
- centerdot
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 64
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 230000001427 coherent effect Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 5
- 238000005259 measurement Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000002592 echocardiography Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002087 whitening effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于认知框架的雷达动目标检测方法,主要解决现有方法在强杂波背景中对低速目标的检测性能差的缺陷。其实现过程是:从回波中分离出地杂波分量;根据地杂波分量得到当前帧的杂波图;根据杂波图感知环境将当前帧划分为噪声区和杂波区;根据地杂波分量计算相关系数,利用它校正天线指向误差,并将校正后的回波数据存入环境动态数据库EDDB中;根据当前帧的划分,利用EDDB中的回波数据估计干扰协方差矩阵;根据估计的干扰协方差矩阵得到自适应滤波器系数,并对输入数据做自适应滤波处理;对滤波器的输出做恒虚警检测。本发明具有对现有装备不做大的改动即可大幅提高其检测性能的优点,可用于强杂波背景中对低速目标的检测。
Description
技术领域
本发明属于雷达技术领域,涉及动目标检测,可用于提高雷达在强杂波背景下对低速目标的检测性能。
技术背景
战场监视雷达作为广泛使用一种战场传感器,与其它战场传感器材相比具有全天候,探测距离远,监视范围广的优点。但是战场监视雷达要在复杂的地物背景和慢动气象背景中检测到运动目标,甚至是低速目标,这给信号处理带来了巨大的挑战。传统的雷达动目标检测技术一般是先让视频输入信号通过一个MTI滤波器,以此来抑制回波数据中的地杂波分量,之后对MTI滤波器的输出信号沿慢时间做FFT变换,在这里FFT变换相当于一组多普勒滤波器组,最后再在多普勒域对每个通道做单元平均恒虚警检测CA-CFAR。但一方面由于这样的处理器要先通过一个MTI滤波器,当目标的多普勒频率落在此滤波器的凹口附近时,尤其是当MTI滤波器的凹口较宽时目标分量可能就被滤除,从而造成目标的漏检;另一方面当处理器在对某一检测单元做恒虚警检测时,要先估计此检测单元处的干扰电平功率,估计时要求所选的估计样本是独立同分布的,但在实际中,由于杂波沿距离维的分布一般是剧烈变化的,因而只能在离检测单元比较近的两侧选取参考单元作来作为干扰电平的估计样本,这样就大大限制了估计样本的数目,而CA-CFAR检测的虚警损失是与参考单元数目相关的,参考单元越多恒虚警损失越少。因而虽然此类处理器具有结构简单,运算速度快的优点,但是其在强杂波区的检测性能并不是十分理想,特别是在强杂波背景中对低速目标的检测性能更是急速下滑。
发明内容
本发明的目的在于克服上述已有技术的不足,提出一种基于认知框架的雷达动目标检测方法,并在对现有装备不做大的改动的情况下,改善雷达在强杂波背景下对低速目标的检测性能。
本发明的技术思路是:将认知雷达的思想运用到战场监视雷达的信号接收端,其核心是充分利用帧间信息,从而提高检测器在强杂波背景下对低速目标的检测性能。认知雷达是近年提出来的一种全新的信号处理***。所谓认知指的是:人们认识周边环境的心理活动,认知行为包括观察,思考,推理,判断,问题解决以及记忆。简而言之,认知雷达能不断地感知周边环境,并将获取的环境信息存入环境动态数据库中,进而自适应地调整雷达的各种参数。
根据上述思路,本发明的雷达检测方法,包括如下步骤:
1)令xmip表示雷达第m帧第i个方位角第p个距离单元的回波数据,其中1≤m≤m0,1≤i≤I,1≤p≤D,m0表示当前帧序号,I表示每一帧雷达方位角的个数,D表示每一个方位角的距离单元数,h0表示零速滤波器,其系数全为1;通过零速滤波器得到回波数据中的地杂波分量ymip为:其中T表示转置;
2)根据地杂波分量ymip,获得当前帧m0第i个方位角第p个距离单元的干扰电平功率的估计值
3)根据步骤2)得到的干扰电平功率的估计值,将当前帧m0划分为杂波区和噪声区这两个区域;
4)计算当前帧m0第i个方位角与先前帧m1第j个方位角的相关系数
其中||·||表示2范数,表示当前帧m0第i个方位角的一段长度为C的地杂波数据,表示第m1帧第j个方位角的一段长度为C的地杂波数据,H表示共轭转置;
5)根据当前帧m0第i个方位角与先前帧m1第j个方位角的相关系数校正天线的指向误差:若则判定当前帧m0与先前帧m1是对准的,并将当前帧m0的第i0个方位角和先前帧m1的第j0个方位角分别作为当前帧m0和先前帧m1的基准,完成指向误差的校正,校正后的回波数据存入环境动态数据库EDDB中;反之,判定当前帧m0与先前帧m1是未对准的,舍去先前帧m1的回波数据;
6)根据步骤3)的划分,利用环境动态数据库中的回波数据,计算当前帧m0第i个方位角第p个距离单元的干扰协方差矩阵的估计值
其中,L表示单侧参考窗的长度,β表示遗忘因子,这两个参数取决于估计单元所处的区域;表示环境动态数据库中当前帧m0第i个方位角第u个距离单元的回波数据;表示环境动态数据库中先前帧m1第i个方位角第v个距离单元的回波数据;
7)利用上述估计值在最大信噪比MSN准则下,计算当前帧m0第i个方位角第p个距离单元的滤波器系数
8)利用步骤7)的滤波器系数得到当前帧m0第i个方位角第p个距离单元的输出信号
9)设定的目标检测虚警概率为Pfa,则与其对应的检测阈值为T=-ln(1-(1-Pfa)1/N),将自适应滤波后输出信号的功率与检测阈值T和背景功率估计值的乘积进行比较,若在输出的N个通道中只要有一个通道满足则表示检测到目标;若在输出的N个通道中所有的通道都满足则表示没有检测到目标。
本发明具有如下优点:
1.由于地基机扫雷达存在天线指向误差,因此本发明先通过回波数据中的地杂波分量校正天线的指向误差,从而保证了干扰协方差矩阵估计样本的有效性;
2.本发明在估计干扰协方差矩阵时,一方面在每一帧沿距离维只取少数几个样本,大大减小杂波的非均匀性对干扰协方差矩阵估计的影响;另一方面考虑到不同距离单元的平稳区间长度以及不同距离单元的回波沿距离维变化快慢不同的特性,通过对外界环境的“感知”将当前帧划分为不同的区域,然后根据估计单元所处区域选择与之相匹配的遗忘因子和参考窗长度获得理想的干扰协方差矩阵估计,改善了杂波白化的效果,使得输出信号具有更高的信干比SIR从而提高了雷达在强杂波区对低速目标的检测性能;
3.由于本发明在恒虚警检测阶段直接通过精确估计的干扰协方差矩阵来估计干扰的背景功率,相较于单元平均恒虚警CA-CFAR,本发明可减少虚警损失,进一步提高雷达在强杂波区对低速目标的检测性能。
以下结合附图对发明的实施例进行详细描述:
附图说明
图1是本发明的实现总流程图;
图2是本发明对当前帧的划分结果图;
图3是人工目标的信干比图;
图4是人工目标的运动轨迹图;
图5是用本发明和传统检测方法处理实测数据的检测结果对比图;
图6是用本发明和传统检测方法处理添加了人工目标实测数据的检测结果图。
具体实施方式
参照图1和图2,本发明的具体实现步骤如下:
步骤1,通过零速滤波器得到回波数据中的地杂波分量。
令xmip表示雷达第m帧第i个方位角第p个距离单元的回波数据,其中1≤m≤m0,1≤i≤I,1≤p≤D,m0表示当前帧序号,I表示每一帧雷达方位角的个数,D表示每一个方位角的距离单元数,h0表示零速滤波器,其系数全为1;
通过零速滤波器得到回波数据中的地杂波分量ymip为:其中T表示转置。
步骤2,生成当前帧m0的杂波图。
根据第m帧第i个方位角第p个距离单元的地杂波分量ymip,获得当前帧m0第i个方位角第p个距离单元的干扰电平功率的估计值
其中βc表示杂波的遗忘因子,||·||表示2范数;
通过上式遍历当前帧m0所有的距离和方位得到当前帧m0的杂波图。
步骤3,雷达“感知”周边环境,将当前帧划分为噪声区和杂波区。
考虑到不同距离单元的平稳区间长度以及不同距离单元的回波沿距离维变化快慢不同的特性,因而在得到杂波图后,根据干扰电平功率的估计值将当前帧划分为杂波区和噪声区,杂波区是指杂波是主要干扰分量的区域,噪声区指的是距离雷达较远处,杂波已经比较弱,接收机热噪声是主要干扰分量的区域。
步骤4,计算相关系数。
由于地基机扫雷达存在天线指向误差,因而在进行进一步处理前应先利用回波数据中的地杂波分量来校正天线的指向误差;
为此先计算当前帧m0第i个方位角与先前帧m1第j个方位角的相关系数
其中表示当前帧m0第i个方位角的一段长度为C的地杂波数据,表示第m1帧第j个方位角的一段长度为C的地杂波数据,H表示共轭转置;
若地杂波数据和地杂波数据来自雷达的同一照射区域,且不考虑杂波的去时间相关效应,则这两个序列的相关系数为1,若这两个序列不是来自同一照射区域,并且重叠部分越少它们之间的相关系数也越小。
步骤5,根据相关系数校正天线的指向误差。
令其中表示当前帧m0来自第i0个方位角的地杂波数据与先前帧m1来自第j0个方位角的地杂波数据的相关性最强;
若则判定当前帧m0与先前帧m1是对准的,并将当前帧m0的第i0个方位角和先前帧m1的第j0个方位角分别作为当前帧m0和先前帧m1的基准,完成指向误差的校正,校正后的回波数据存入环境动态数据库EDDB中;反之,判定当前帧m0与先前帧m1是未对准的,舍去先前帧m1的回波数据。
步骤6,估计干扰协方差矩阵。
根据步骤3)的划分,利用环境动态数据库EDDB中的回波数据,计算干扰协方差矩阵:
其中,是当前帧m0第i个方位角第p个距离单元的干扰协方差矩阵的估计值;L表示单侧参考窗的长度,β表示遗忘因子,且这两个参数应与估计单元所处的区域相匹配;表示环境动态数据库中当前帧m0第i个方位角第u个距离单元的回波数据;表示环境动态数据库中先前帧m1第i个方位角第v个距离单元的回波数据。
步骤7,生成自适应滤波器的系数。
在最大信噪比MSN准则下,计算滤波器系数
其中表示当前帧m0第i个方位角第p个距离单元的滤波器系数,k表示第k个多普勒通道,N是多普勒通道的个数,*表示复共轭,表示第k个多普勒通道所对应的导向矢量,M是雷达一个相干处理时间间隔内的脉冲数;
自适应滤波器可以看成两个滤波器的级联,第一级是一个白化滤波器,第二级是一个匹配滤波器,但是实际应用中不能在检测到目标之前就获知目标的速度,所以用N个多普勒搜索通道来覆盖归一化多普勒频率区间:进行速度搜索。
步骤8,对输入数据做自适应滤波处理。
将步骤7)的滤波器系数运用于输入信号,得到抑制干扰分量后的输出信号为:
其中表示当前帧m0第i个方位角第p个距离单元的输出信号,k表示第k个多普勒通道,表示当前帧m0第i个方位角第p个距离单元的回波数据。
步骤9,对自适应滤波器的输出做恒虚警检测CFAR。
设定的目标检测虚警概率为Pfa,则与其对应的检测阈值为T=-ln(1-(1-Pfa)1/N),将自适应滤波后输出信号的功率与检测阈值T和背景功率估计值的乘积进行比较,若在输出的N个通道中只要有一个通道满足则表示检测到目标;若在输出的N个通道中所有的通道都满足则表示没有检测到目标。
本发明的效果通过以下对实测数据和添加了人工目标实测数据的实验进一步说明:
一.实验条件
条件1,实测数据来自地基机扫雷达,雷达的距离分辨率为75m,天线转速为20sr,一个相干处理时间间隔内的脉冲数为24。
条件2,与条件1采用同一批数据,但在强杂波区内添加了3个人工目标,人工目标的RCS起伏模型为SwerlingI,它们的信干比如图3所示,运动参数如表1所示,运动轨迹如图4所示。
表1人工目标的运动参数
目标 | 距离(距离单元) | 运动速度(m/s) | 运动方向(度) |
目标1 | 650 | 100 | 60 |
目标2 | 550 | 150 | 90 |
目标3 | 680 | 60 | 38 |
二.实验内容:
实验1.在条件1下,设定虚警概率为Pfa=10-6并分别采用传统的雷达动目标检测方法及本发明给出的检测方法对实测数据和添加了人工目标实测数据做目标检测,结果如图5所示,其中图5(a)是传统检测方法的处理结果,图5(b)是本发明给出检测方法的处理结果。
实验2.在条件2下,设定虚警概率为Pfa=10-6并分别采用传统的雷达动目标检测方法及本发明给出的检测方法对实测数据和添加了人工目标实测数据做目标检测,结果如图6所示,其中图6(a)是传统检测方法的处理结果,图6(b)是本发明给出检测方法的处理结果。
三.实验结果分析:
从图5和图6中可以看出,本发明的检测方法明显改善了雷达在强杂波区对低速目标的检测性能,特别是目标1,由于其运动轨迹基本与雷达视线垂直,传统方法已经很难将它检测出来,而本发明的检测方法依然可以很好得将其检测出来。
综上,本发明的检测方法能够充分利用雷达存储的回波数据,一方面大量使用帧间样本降低了杂波非均匀性对干扰协方差矩阵估计的影响,另一方面选择与估计单元所处区域相匹配的遗忘因子和参考窗长度,进一步提高了干扰协方差矩阵的估计精度,然后根据精确估计的干扰协方差矩阵生成自适应滤波器系数及恒虚警检测门限,最终使得本发明的检测方法在强杂波区获得较好的检测效果。
Claims (4)
1.一种基于认知框架的雷达动目标检测方法,包括如下步骤:
1)令xmip表示雷达第m帧第i个方位角第p个距离单元的回波数据,其中1≤m≤m0,1≤i≤I,1≤p≤D,m0表示当前帧序号,I表示每一帧雷达方位角的个数,D表示每一个方位角的距离单元数,h0表示零速滤波器,其系数全为1;通过零速滤波器得到回波数据中的地杂波分量ymip为:其中T表示转置;
2)根据地杂波分量ymip,获得当前帧m0第i个方位角第p个距离单元的干扰电平功率的估计值
3)根据步骤2)得到的干扰电平功率的估计值,将当前帧m0划分为杂波区和噪声区这两个区域;
4)计算当前帧m0第i个方位角与先前帧m1第j个方位角的相关系数:
其中||·||表示2范数,表示当前帧m0第i个方位角的一段长度为C的地杂波数据,表示第m1帧第j个方位角的一段长度为C的地杂波数据,H表示共轭转置;
5)根据当前帧m0第i个方位角与先前帧m1第j个方位角的相关系数校正天线的指向误差:若则判定当前帧m0与先前帧m1是对准的,并将当前帧m0的第i0个方位角和先前帧m1的第j0个方位角分别作为当前帧m0和先前帧m1的基准,完成指向误差的校正,校正后的回波数据存入环境动态数据库EDDB中;反之,判定当前帧m0与先前帧m1是未对准的,舍去先前帧m1的回波数据;
6)根据步骤3)的划分,利用环境动态数据库中的回波数据,计算当前帧m0第i个方位角第p个距离单元的干扰协方差矩阵的估计值:
其中,L表示单侧参考窗的长度,β表示遗忘因子,这两个参数取决于估计单元所处的区域;表示环境动态数据库中当前帧m0第i个方位角第u个距离单元的回波数据;表示环境动态数据库中先前帧m1第i个方位角第v个距离单元的回波数据;
7)利用上述估计值在最大信噪比MSN准则下,计算当前帧m0第i个方位角第p个距离单元的滤波器系数;
8)利用步骤7)的滤波器系数,得到当前帧m0第i个方位角第p个距离单元的输出信号;
9)设定的目标检测虚警概率为Pfa,则与其对应的检测阈值为T=-ln(1-(1-Pfa)1/N),将自适应滤波后输出信号的功率与检测阈值T和背景功率估计值的乘积进行比较,若在输出的N个通道中只要有一个通道满足则表示检测到目标;若在输出的N个通道中所有的通道都满足 则表示没有检测到目标。
2.根据权利要求1所述的基于认知框架的雷达动目标检测方法,其中所述步骤2)中干扰电平功率的估计值通过如下公式计算:
其中表示当前帧m0第i个方位角第p个距离单元的干扰电平功率的估计值,βc表示杂波的遗忘因子,ymip表示第m帧第i个方位角第p个距离单元的地杂波分量。
3.根据权利要求1所述的基于认知框架的雷达动目标检测方法,其中所述步骤7)中的滤波器系数,通过如下公式计算:
其中表示当前帧m0第i个方位角第p个距离单元的滤波器系数,k表示第k个多普勒通道,N是多普勒通道的个数,表示当前帧m0第i个方位角第p个距离单元的干扰协方差矩阵的估计值,*表示复共轭,表示第k个多普勒通道所对应的导向矢量,M是雷达一个相干处理时间间隔内的脉冲数。
4.根据权利要求1所述的基于认知框架的雷达动目标检测方法,其中所述步骤8)中的输出信号,通过如下公式计算:
其中表示当前帧m0第i个方位角第p个距离单元的输出信号,表示当前帧m0第i个方位角第p个距离单元的回波数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310091565.0A CN103197297B (zh) | 2013-03-21 | 2013-03-21 | 基于认知框架的雷达动目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310091565.0A CN103197297B (zh) | 2013-03-21 | 2013-03-21 | 基于认知框架的雷达动目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103197297A CN103197297A (zh) | 2013-07-10 |
CN103197297B true CN103197297B (zh) | 2014-08-06 |
Family
ID=48719974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310091565.0A Active CN103197297B (zh) | 2013-03-21 | 2013-03-21 | 基于认知框架的雷达动目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103197297B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103954951B (zh) * | 2014-05-13 | 2016-09-07 | 西安电子科技大学 | 基于功率中值和归一化协方差估计的海面目标检测方法 |
CN105372636B (zh) * | 2015-12-14 | 2017-06-09 | 四川九洲空管科技有限责任公司 | 一种基于自适应遗忘因子的杂波图更新方法及装置 |
CN105974388B (zh) * | 2016-06-24 | 2021-12-10 | 西安电子科技大学 | 基于距离-方位耦合的双基地mimo雷达信号处理方法 |
CN106767941B (zh) * | 2016-12-23 | 2019-03-22 | 上海师范大学 | 一种天线型定量检测传感器***及检测方法 |
CN106646410B (zh) * | 2017-01-06 | 2019-06-14 | 天津大学 | 宽带认知被动雷达架构下的学习-感知-决策-响应方法 |
CN110442026B (zh) * | 2019-08-16 | 2022-05-31 | 北京工商大学 | 基于误差修正的扩张状态观测器、抗扰控制***及设计方法 |
CN113189573B (zh) * | 2021-04-21 | 2022-06-24 | 中国电子科技集团公司第五十四研究所 | 一种相控阵搜索雷达海面目标检测方法 |
CN115015917B (zh) * | 2022-02-25 | 2024-07-12 | 西安电子科技大学 | 一种基于复数域杂波图先验信息的目标检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006008227A1 (fr) * | 2004-07-13 | 2006-01-26 | Thales | Procede de tfac par segmentation statistique et normalisation |
CN101975940A (zh) * | 2010-09-27 | 2011-02-16 | 北京理工大学 | 基于分割组合的sar图像自适应恒虚警率目标检测方法 |
CN102288950A (zh) * | 2011-05-13 | 2011-12-21 | 中国民航大学 | 基于stap的高速空中机动目标检测方法 |
CN102288949A (zh) * | 2011-05-13 | 2011-12-21 | 中国民航大学 | 基于最优处理器的机动目标检测方法 |
CN102680962A (zh) * | 2012-05-18 | 2012-09-19 | 天津大学 | 宽带认知被动雷达***架构设计方法 |
CN102866392A (zh) * | 2012-09-13 | 2013-01-09 | 清华大学 | 一种波形捷变认知雷达***及实现方法 |
-
2013
- 2013-03-21 CN CN201310091565.0A patent/CN103197297B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006008227A1 (fr) * | 2004-07-13 | 2006-01-26 | Thales | Procede de tfac par segmentation statistique et normalisation |
CN101975940A (zh) * | 2010-09-27 | 2011-02-16 | 北京理工大学 | 基于分割组合的sar图像自适应恒虚警率目标检测方法 |
CN102288950A (zh) * | 2011-05-13 | 2011-12-21 | 中国民航大学 | 基于stap的高速空中机动目标检测方法 |
CN102288949A (zh) * | 2011-05-13 | 2011-12-21 | 中国民航大学 | 基于最优处理器的机动目标检测方法 |
CN102680962A (zh) * | 2012-05-18 | 2012-09-19 | 天津大学 | 宽带认知被动雷达***架构设计方法 |
CN102866392A (zh) * | 2012-09-13 | 2013-01-09 | 清华大学 | 一种波形捷变认知雷达***及实现方法 |
Non-Patent Citations (2)
Title |
---|
一种干扰环境下的机载SAR慢动目标检测方法;史洪印等;《宇航学报》;20090731;第30卷(第4期);1620-1625,1646 * |
史洪印等.一种干扰环境下的机载SAR慢动目标检测方法.《宇航学报》.2009,第30卷(第4期),1620-1625,1646. |
Also Published As
Publication number | Publication date |
---|---|
CN103197297A (zh) | 2013-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103197297B (zh) | 基于认知框架的雷达动目标检测方法 | |
Brodeski et al. | Deep radar detector | |
CN107728115B (zh) | 一种雷达目标成像后基于svm的背景干扰抑制方法 | |
CN109669183B (zh) | 一种基于Keystone和时频变换的地球同步轨道SAR运动目标成像处理装置 | |
CN107861107B (zh) | 一种适用于连续波雷达的双门限cfar与点迹凝聚方法 | |
CN104569948B (zh) | 海杂波背景下子带自适应glrt‑ltd检测方法 | |
CN103744068B (zh) | 双通道调频连续波sar***的动目标检测成像方法 | |
CN101509972B (zh) | 基于高分辨目标距离像修正相关矩阵的宽带雷达检测方法 | |
CN106204629A (zh) | 天基雷达与红外数据融合在轨动目标检测方法 | |
CN109188385B (zh) | 杂波背景下的高速微弱目标检测方法 | |
US10054668B2 (en) | Probabilistic signal, detection, and track processing architecture and system | |
CN104111449B (zh) | 一种改进的基于广义内积的空时二维自适应处理方法 | |
CN107942324B (zh) | 基于多普勒引导的多帧联合小目标双重检测方法 | |
CN106872969B (zh) | 基于mtd脉冲积累及滑动处理的雷达目标角度估计方法 | |
CN103197298B (zh) | 基于环境信息的雷达信号处理方法 | |
CN108776342A (zh) | 一种高速平台sar慢速动目标检测与速度估计方法 | |
CN110007299B (zh) | 一种基于混合坐标伪谱技术的微弱目标检测跟踪方法 | |
CN104597435B (zh) | 基于修正频域补偿和分数阶傅里叶变换的多帧相参tbd方法 | |
CN110376563B (zh) | 基于gps辐射源的雷达运动目标检测方法 | |
CN108693523A (zh) | 基于锯齿波线性调频雷达多目标测距测速的方法及*** | |
CN109298417B (zh) | 一种基于雷达信号处理的建筑物内部结构探测方法及装置 | |
CN108020834B (zh) | 基于改进edpca的运动目标检测方法、装置及电子设备 | |
CN106353743B (zh) | 匹配于等效形状参数的近最优雷达目标检测方法 | |
CN104391288B (zh) | 拟合干涉相位的虚警剔除方法 | |
CN102901966A (zh) | 基于解斜和楔石处理的动目标瞬时距离多普勒成像方法 |
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 |