CN105894033B - 一种海杂波背景下的弱目标检测方法及*** - Google Patents
一种海杂波背景下的弱目标检测方法及*** Download PDFInfo
- Publication number
- CN105894033B CN105894033B CN201610202619.XA CN201610202619A CN105894033B CN 105894033 B CN105894033 B CN 105894033B CN 201610202619 A CN201610202619 A CN 201610202619A CN 105894033 B CN105894033 B CN 105894033B
- Authority
- CN
- China
- Prior art keywords
- training
- sequence
- feature vector
- classifier
- parameter
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达检测技术领域,提供了一种海杂波背景下的弱目标检测方法及***。方法包括:用已知状态的海杂波信号作为训练样本的数据,提取训练样本的至少两种特征向量并融合得到第一联合特征向量,通过对检测***进行训练,使检测***对训练样本的检测准确率达到理想值。此时固化训练用检测***的各项参值数,将各项参数传递给测试检测器,用于未知海杂波数据状态的判定,其中的训练过程只需一次。本发明将近似熵作为描述海杂波特性的特征向量,提高了对次目标单元的检测准确度。
Description
技术领域
本发明属于雷达检测技术领域,尤其涉及一种海杂波背景下的弱目标检测方法及***。
背景技术
雷达是利用目标对电磁波的反射现象来发现目标并测定目标位置的。海面目标的雷达检测技术在港***通、海浪监测、海难与空难搜救等场景中应用广泛,但海杂波的存在直接影响了雷达对海面目标的检测能力,特别是不能准确检测出海面弱目标。
现有技术提出了一种基于支持向量机(Support Vector Machine,SVM)的海面目标检测方法。该方法的实现原理是:首先,对输入的海杂波序列进行归一化处理,提取归一化后海杂波序列的去相关时间特征向量、以及分数阶傅里叶变换(Fractional FourierTransform,FRFT)域Hurst指数特征向量,并为提取的特征向量附加类别标签(如:纯海杂波的类别标签为1,目标单元回波的类别标签为-1),作为实验数据集,将实验数据集中的实验数据分为两部分,一部分构成训练样本集,另一部分构成测试样本集;之后,设置惩罚因子,分类函数中的核函数采用径向基核,径向基核的参数为默认值,为输入数据中的属性数,利用训练样本集的特征向量训练SVM,生成SVM分类器;最后,将测试样本集的特征向量输入到SVM分类器,输出检测结果。
上述基于SVM的海面目标检测方法采用了去相关时间特征和FRFT域Hurst指数特征来表征信号特征。去相关时间特征和Hurst指数特征可明显表征出纯海杂波与目标单元回波之间的差异,不明显表征出主目标单元回波与次目标单元回波之间的差异,因此,基于SVM的海面目标检测方法一般用于直接区分纯海杂波和目标单元回波,但不能较好的区分主目标单元回波和次目标单元回波,对次目标单元回波的检测准确度低。
发明内容
本发明的目的在于提供一种海杂波背景下的弱目标检测方法,旨在解决现有的基于SVM的海面目标检测方法对次目标单元回波的检测准确度低的问题,即无法准确剔除次目标回波干扰,准确检测主目标的问题。
本发明是这样实现的,一种海杂波背景下的弱目标检测方法,所述方法包括以下步骤:
S1:将已知状态的海杂波信号作为训练样本的数据,提取所述训练样本的至少两种特征向量并融合得到第一联合特征向量,所述至少两种特征向量包含近似熵特征向量;
S2:对所述第一联合特征向量中的每一特征向量赋予分类标签信息;
S3:利用所述第一联合特征向量对训练用分类器进行训练,使得训练用分类器对训练样本的检测准确率达到理想值,固化此时训练用分类器的各项参数值;
S4:将固化的所述各项参数值传递给测试用分类器;
S5:将未知状态的海杂波信号作为测试样本的数据,提取所述测试样本的至少两种特征向量并融合得到第二联合特征向量,所述第二联合特征向量与所述第一联合特征向量所包含的特征向量的类型相同;
S6:将所述第二联合特征向量输入到使用传递过来的所述各项参数值的所述测试用分类器中;
S7:由所述测试用分类器对所述第二联合特征向量进行分类判决,输出判决结果。
本发明的另一目的在于提供一种海杂波背景下的弱目标检测***,所述***包括:
第一提取单元,用于将已知状态的海杂波信号作为训练样本的数据,提取所述训练样本的至少两种特征向量并融合得到第一联合特征向量,所述至少两种特征向量包含近似熵特征向量;
分类标签赋予单元,用于对所述第一联合特征向量中的每一特征向量赋予分类标签信息;
训练单元,用于利用所述第一联合特征向量对训练用分类器进行训练,使得训练用分类器对训练样本的检测准确率达到理想值,固化此时训练用分类器的各项参数值;
参数传递单元,用于将固化的所述各项参数值传递给测试用分类器;
第二提取单元,用于将未知状态的海杂波信号作为测试样本的数据,提取所述测试样本的至少两种特征向量并融合得到第二联合特征向量,所述第二联合特征向量与所述第一联合特征向量所包含的特征向量的类型相同;
输入单元,用于将所述第二联合特征向量输入到使用传递过来的所述各项参数值的所述测试用分类器中;
分类判决单元,用于由所述测试用分类器对所述第二联合特征向量进行分类判决,输出判决结果。
本发明将近似熵作为描述海杂波特性的特征向量,经数据验证,可更好的实现对海杂波单元、主目标单元和次目标单元的区分,提高了对次目标单元的检测准确度。
附图说明
图1是本发明实施例提供的海杂波背景下的弱目标检测方法的流程图;
图2是本发明实施例中,提取第一联合特征向量的流程图;
图3(a)是对实测海杂波数据的纯海杂波单元进行TFRFT变换后得到的幅值图;
图3(b)是对实测海杂波数据的次目标单元进行TFRFT变换后得到的幅值图;
图3(c)是对实测海杂波数据的主目标单元进行TFRFT变换后得到的幅值图;
图4是在参变量a取不同值时,纯海杂波单元的分形维数变化规律、次目标单元的分形维数变化规律、以及主目标单元的分形维数变化规律的比对图;
图5是纯海杂波单元的多重分形谱、次目标单元的多重分形谱、以及主目标单元的多重分形谱的比对图;
图6是本发明实施例中,当第一联合特征向量采用分形维数变化规律特征向量、多重分形谱特征向量、去相关时间特征向量、近似熵特征向量的联合特征向量,分类器采用DBN-HMM分类器时的一种实例流程图;
图7是本发明实施例提供的海杂波背景下的弱目标检测***的结构图;
图8是本发明实施例中,提取单元的结构图。
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,以下结合附图及实施例,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仅用以解释本发明,并不用于限定本发明。
针对现有基于SVM的海面目标检测方法存在的问题,本发明实施例将近似熵作为描述海杂波特性的特征向量。
图1示出了本发明实施例提供的海杂波背景下的弱目标检测方法的流程,包括以下步骤:
S1:将已知状态的海杂波信号作为训练样本的数据,提取训练样本的至少两种特征向量并融合得到第一联合特征向量,至少两种特征向量应包含近似熵特征向量。
本发明实施例中,为了提高对纯海杂波、次目标单元回波、主目标单元回波的区分程度,采用三参数分数阶傅里叶变换(Three parameters FRFT,TFRFT),将海杂波数据的采样序列从时域变换到分数域,以凝聚信号能量。
具体来说,定义海杂波信号x(t)的扩展TFRFT变换Xa(u)及其核函数Ka(t,u)满足:
其中,t为时间且离散时间表示为t=n/ft,u为变换域变量且离散形式表示为u=k/fu,n为时间索引号,k为变换域变量索引号,ft为时域采样率,fu为分数域采样率,a、b、c为核函数Ka(t,u)的参变量。在实际应用中,需将连续的分数域信号Xa(u)转换为机器可处理的离散信号,该分数域信号Xa(u)的离散形式为:
定义第二序列h(k)、第三序列f(k)、第四序列g(k)满足:
则式(3)可表示为:
本发明实施例中,步骤S11可表示为:
其中,n=1,2,...,K,k=1,2,...,K,N′为时域采样点个数,M为频域采样点个数。优选地,n的取值范围为0-999。
S14:对第二序列h(k)和第四序列g(k)分别进行快速傅里叶变换,并将变换后的第二序列h(k)和第四序列g(k)相乘,之后将相乘得到的序列进行快速傅里叶反变换,将反变换后的序列与第三序列f(k)相乘,得到分数域采样输出序列当然在实际中,快速傅里叶变换可被傅里叶变换替代,相应的快速傅里叶反变换被傅里叶反变换替代。
如图3(a)是对实测海杂波数据的纯海杂波单元进行TFRFT变换后得到的幅值图,图3(b)是对实测海杂波数据的次目标单元进行TFRFT变换后得到的幅值图,图3(c)是对实测海杂波数据的主目标单元进行TFRFT变换后得到的幅值图。本发明实施例中的实测海杂波数据是加拿大McMaster大学采用IPIX雷达采集得到的。IPIX雷达的工作频率为9.39GHz,为X波段厘米波雷达。IPIX雷达有HH、VV、HV、VH四种极化方式。不同的极化方式下,回波表现为相异的信杂比。IPIX雷达架设在海拔高度为30m的固定位置,工作在驻留模式。采样频率为1000Hz,采样时间为131.072s,距离采样间隔为15m(即每个距离门长度为15m),以不大于1°的小擦地角工作。因此,在IPIX雷达***中,海面状态是决定海杂波时间特性的唯一因素。IPIX雷达采用脉冲压缩技术,脉冲的有效持续时间为200ns,因此雷达的径向分辨率为30m,即该雷达***具有高分辨率、低擦地角的特点。
由图3(a)至图3(c)可以看出,在将海杂波数据由时域变换到分数域后,在信杂比较低的情况下,海杂波在分数域的起伏比较剧烈,具有较多的高频分量,其变化较快。而当海面上存在运动目标时,能够在分数域形成峰值,表现为海杂波的分数域峰值被目标峰值遮蔽,分数域信号变化较为平缓,起伏不明显,低频成分比高频成分丰富。主目标与次目标相比,变化更为平缓,杂波峰值更低。目标信号凝聚程度更高。
S15:提取训练样本的全部分数域采样输出序列的至少两种特征向量并融合得到第一联合特征向量。
本发明实施例中,特征向量的类型可以是分形维数变化规律特征向量、多重分形谱特征向量、去相关时间特征向量、近似熵特征向量四种特征向量中的至少两种,且至少两种特征向量应包含近似熵特征向量,其余的特征向量可以是分形维数变化规律特征向量、多重分形谱特征向量、去相关时间特征向量中的任一种或任几种的组合,例如,至少两种特征向量可以包括近似熵特征向量和分形维数变化规律特征向量,此处不穷举。
本发明实施例中,特征向量既可以在转换后的分数域下提取,当然也可以在时域下直接提取。优选地,在分数域下对特征向量进行提取,且至少两种特征向量包括了分形维数变化规律特征向量、多重分形谱特征向量、去相关时间特征向量、近似熵特征向量。此时,步骤S15中,提取至少两种特征向量的步骤又包括提取分形维数变化规律特征向量的子步骤、提取多重分形谱特征向量的子步骤、提取去相关时间特征向量的子步骤、以及提取近似熵特征向量的子步骤,以下将分别对该四个子步骤予以详述:
一、提取分形维数变化规律特征向量
具体地,提取分形维数变化规律特征向量的子步骤可包括以下步骤:
S1502:令并对其两边取对数得其中,F(·)是起伏函数,m为抽取的时间间隔,H为Hurst指数,const为一常数,曲线lbm~lbF(m)是一条斜率为H的曲线,通过对曲线进行最小二乘拟合,得到Hurst指数H。
S1503:计算与参变量a的不同取值分别对应的分形维数D,使得D=2-H,画出分形维数变化曲线a~H。
S1504:从分形维数D最小值两侧等间隔各取n″个分形维数值、连同最小分形维数值组成2n″+1维分形维数变化规律特征向量,共同作为所提取的训练样本的分形维数变化规律特征向量。
例如,按照步骤S1501至步骤S1504对300个海杂波数据进行分形维数计算,其中、纯海杂波单元、次目标单元、主目标单元各100个。如图4是在参变量a取不同值时,纯海杂波单元的分形维数变化规律、次目标单元的分形维数变化规律、以及主目标单元的分形维数变化规律的比对图。纯海杂波单元的分形维数在1.7-1.9之间,次目标单元的分形维数在1.5-1.9之间,主目标单元的分形维数在1.3-1.8之间。可以看出,主目标单元在某个参变量取值时,分形维数会剧烈变化,明显下降;而纯海杂波单元的变化比较平缓;次目标单元的分形维数也有较明显变化,但不十分剧烈。
为了很好的表征不同信号单元的分形维数在不同参变量情况下的变化规律,同时降低数据运算量,在得到最小分形维数后在其两侧等间隔的各计算4个不同核函数取值的分形维数,共得到九个分形维数组成的分形维数变化规律特征向量,则训练样本的分形维数变化规律特征向量共包括9个分形维数,如此便能较好的运用于弱目标检测。
二、提取多重分形谱特征向量
具体地,提取多重分形谱特征向量的子步骤可包括以下步骤:
其中的ni为第i个尺度为m′的网格内的数据点数,K为总网格数。其中的最佳变换参数是指在分数域信号峰值最大时所对应的参变量取值。
S1506:按照尺度m′,将数据集分为K=floor(n/m′)个子集,子集个数即为总网格数K。
S1509:将尺度m′自增1,重复步骤S1505至步骤S1508,直至尺度m′达到设定的最大尺度len。
S1510:计算质量指数τq,使得质量指数τq满足:
其中,δ=m′,m′+1,m′+2,...,len。
S1511:设定一系列q值,并依次计算相应的τq。
S1513:计算多重分形谱f(α)=qα+τq。
S1514:在得到的多重分形谱上,按照区域分形维数α的取值范围,等间隔选取若干点(α,f(α)),共同作为提取的训练样本的多重分形谱特征向量,选取的点包括多重分形谱的峰值点、以及区域分形维数α取最大值和最小值时分别对应的f(α)值。优选地,在得到的多重分形谱上,选取19个点,构成训练样本的多重分形谱特征向量。
例如,按照步骤S1501至步骤S1504对海杂波数据进行多重分形谱计算。如图5是纯海杂波单元的多重分形谱、次目标单元的多重分形谱、以及主目标单元的多重分形谱的比对图。可以看出,纯海杂波单元的α值在[0.25,0.75]之间,f(α)的最大值出现在α为0.35左右,图形近似对称;主目标单元的α值在[0.2,0.9]之间,f(α)的最大值出现在α为0.35左右,图形左侧变化较为陡峭;次目标单元的α值在[0.25,0.9]之间,f(α)的最大值出现在α为0.35左右,图形左侧值变化也较为迅速,但陡峭程度小于主目标单元。说明主目标单元的奇异性变化最小,次目标单元次之,纯海杂波单元的奇异性变化最大。
三、提取去相关时间特征向量
具体地,提取去相关时间特征向量的子步骤可包括以下步骤:
S1515:在核函数Ka(t,u)的参变量取最佳变换参数时,计算海杂波数据的相关函数为:
其中,m″为位移量。其中的最佳变换参数是指在分数域信号峰值最大时所对应的参变量取值。
S1516:对r(m″)归一化,分别计算归一化后的r(m″)取1和e-1时所对应的m″值,并将得到的两值相减,即可得到训练样本的去相关时间特征向量。
经实验验证,与纯海杂波相比,目标单元(包括主目标单元和次目标单元)回波的去相关时间较长。引起该现象的可能因素是:1、实验中的检测目标是一个规则的球体,因此与纯海杂波相比,目标单元回波为较平稳的信号,具有较高的相关程度,目标单元的回波成分可看作纯海杂波与目标回波的迭加,相关程度较纯海杂波有所增大;2、由于雷达采样过程中,目标物体随海面波动产生位移,造成能量的泄露,因此在主目标单元附近会有几个次目标单元。由于回波成分的差异,造成次目标单元回波的相关程度比主目标单元略低、比纯海杂波单元高。在分数域中,主目标单元的去相关时间显著增加,次目标单元和海杂波单元无明显变化,主目标单元和次目标单元的差距明显提高,这为提高检测准确率打下了良好的基础。
四、提取近似熵特征向量
具体地,提取近似熵特征向量的子步骤可包括以下步骤:
S1517:在核函数Ka(t,u)的参变量取最佳变换参数时,设置窗口容量m″′=2,设置常量r=0.1~0.2STD,其中,STD是训练样本中分数域采样输出序列的标准差。其中的最佳变换参数是指在分数域信号峰值最大时所对应的参变量取值。
S1518:对N点序列,计算N×N的距离矩阵D′,距离矩阵D′的第i行和第j列元素记为dij,dij定义为节点i、j之间的距离,且dij=βx(i)-x(j),β<r,i=1,2,...,N,j=1,2,...,N,β为小于r的常数值。
S1519:利用距离矩阵D′中的元素,计算:
S1520:计算训练样本的近似熵ApEn(2,r)=φ2(r)-φ3(r)。
例如,经过对高海清,低海情数据分别选取主目标单元,次目标单元,纯海杂波单元各100段数据来进行计算近似熵。计算得到主目标单元的近似熵在0-1.5之间,主要集中在0-1.2之间,次目标单元的近似熵在0.4-1.6之间,主要集中在0.4-1.3之间,纯海杂波单元的近似熵在1.0-2.0之间,主要集中在1.0-1.6之间。
S2:对第一联合特征向量赋予分类标签信息。例如,1表示主目标、0表示次目标、-1表示纯海杂波。
S3:利用第一联合特征向量对训练用分类器进行训练,使得训练用分类器对训练样本的检测准确率达到理想值,固化此时训练用分类器的各项参数值。训练过程只需进行一次,后续使用测试用分类器检测时不需要再次训练。
为了提高低信噪比下,弱目标检测的准确率,本发明实施例中,分类器采用深度信念网络(Deep Belief Network,DBN)分类器。此时,步骤S3可包括以下步骤:
S31:设置训练用DBN分类器的***参数,该***参数例如可包括训练用DBN分类器的输入节点数、隐藏层的层数及各层节点数、输出层节点数、迭代次数、学习速率等。
S32:采用对比散度算法,充分训练第一个受限玻尔兹曼机(RestrictedBoltzmann Machine,RBM),得到权重矩阵、可见层偏置向量和隐藏层偏置向量。
进一步地,步骤S32又可包括以下步骤:
S321:初始化第一个RBM中可见层的状态v1,使得v1=x(i),其中,x(i)为第一联合特征向量中的第i个特征向量,同时设置第一个RBM中隐藏单元的个数为m1,最大训练周期为T,同时设置第一个RBM的权重矩阵w、可见层偏置向量a和隐藏层偏置向量b的初值为随机数值。
S325:更新第一个RBM的权重矩阵w、使得w=w+alpha*(P(h1=1|v1)-P(h2=1|v2)*v2),更新第一个RBM的可见层偏置向量a,使得a=a+alpha*(v1-v2),更新第一个RBM的隐藏层偏置向量b,使得b=b+alpha*(P(h1=1|v1)-P(h2=1|v2)),其中,alpha为学习速率。
S33:固定第一个RBM的权重矩阵、可见层偏置向量和隐藏层偏置向量,并使得第一个RBM的隐藏单元的状态作为第二个RBM的输入向量,充分训练第二个RBM,之后将第二个RBM堆叠在第一个RBM的上方。
S34:判断当前的步骤S32至步骤S33的重复执行次数是否达到迭代次数,若未达到,则返回步骤S32。
S35:当步骤S32至步骤S33的重复执行次数达到迭代次数时,调整训练用DBN分类器的***参数,重复执行步骤S32至步骤S33,直至训练用DBN分类器的分类结果与分类标签信息相对应,便得到固化后的训练用DBN分类器,固化此时训练用DBN分类器的各项参数值。此时,经过步骤S31至步骤S35的训练,训练用DBN分类器的***参数值固定,该参数值在传递给测试用DBN分类器后,不再需要训练,测试用DBN分类器可直接对测试样本进行弱目标检测。
本发明实施例中,为了对训练用DBN分类器进行优化,可将DBN技术与隐马尔可夫模型(Hidden Markov Model,HMM)技术相结合,此时,经步骤S35得到的训练用DBN分类器并非最终固化结果,相应的,训练用DBN分类器的各项参数值并非固化值,也不能将此时的各项参数值传递给测试用DBN分类器。此时,在步骤S35之后,还可包括以下步骤:
S36:将步骤S35得到的训练用DBN分类器的输出值作为HMM的输入值,采用Softmax回归模型计算HMM状态的后验概率。若后验概率满足预设值,则得到优化后的训练用DBN分类器,否则调整训练用DBN分类器的***参数,重复执行步骤S32至步骤S36,直至后验概率满足预设值,固化此时训练用分类器的各项参数值。即是说,经过步骤S31至步骤S36的训练,训练用DBN分类器的***参数值固定,该参数值在传递给测试用DBN分类器后,不再需要训练,可直接对测试样本进行弱目标检测。
S4:将固化的各项参数值传递给测试用分类器。
S5:将未知状态的海杂波信号作为测试样本的数据,提取测试样本的至少两种特征向量并融合得到第二联合特征向量,第二联合特征向量与第一联合特征向量所包含的特征向量的类型相同;
其中,提取测试样本的至少两种特征向量并融合得到第二联合特征向量的步骤与前述步骤S11至步骤S15的执行过程类似,不赘述。
其中,对第二联合特征向量中的向量类型,以及对每一类型的特征向量进行提取的步骤与前述步骤S1501至步骤S1520类似,不赘述。
S6:将第二联合特征向量输入到使用传递过来的各项参数值的测试用分类器中。
S7:由测试用分类器对第二联合特征向量直接进行分类判决,输出判决结果。
以上即为本发明实施例提供的海杂波背景下的弱目标检测方法的原理描述。如图6示出了当第一联合特征向量和第二联合特征向量均采用分形维数变化规律特征向量、多重分形谱特征向量、去相关时间特征向量、近似熵特征向量的联合特征向量,分类器采用DBN-HMM分类器时的一种实例流程。
此时,如下表一示出了采用本发明实施例提供的如上海杂波背景下的弱目标检测方法在仿真情况下,对目标检测的准确率:
表一
信噪比 | 主目标 | 次目标 | 纯海杂波 |
-5dB | 95% | 92% | 96% |
-8dB | 94% | 91% | 94% |
-10dB | 93% | 87% | 93% |
-12dB | 90% | 84% | 92% |
如下表二示出了本发明实施例提供的如上海杂波背景下的弱目标检测方法与基于多重分形谱和BP神经网络的检测方法、以及基于最小二乘支持向量机(Least SquaresSupport Vector Machines,LS-SVM)的检测方法分别对实测海杂波检测的准确率对比:
表二
如下表三示出了本发明实施例提供的如上海杂波背景下的弱目标检测方法与基于多重分形谱和BP神经网络的检测方法、以及基于LS-SVM的检测方法分别对实测海杂波在次目标干扰情况下检测的准确率对比:
表三
图7示出了本发明实施例提供的海杂波背景下的弱目标检测***的结构。
本发明实施例提供的海杂波背景下的弱目标检测***包括:第一提取单元1,用于将已知状态的海杂波信号作为训练样本的数据,提取训练样本的至少两种特征向量并融合得到第一联合特征向量,至少两种特征向量包含近似熵特征向量;分类标签赋予单元2,用于对第一联合特征向量赋予分类标签信息;训练单元3,用于利用第一联合特征向量对训练用分类器进行训练,使得训练用分类器对训练样本的检测准确率达到理想值,固化此时训练用分类器的各项参数值;参数传递单元4,用于将固化的各项参数值传递给测试用分类器;第二提取单元5,用于将未知状态的海杂波信号作为测试样本的数据,提取测试样本的至少两种特征向量并融合得到第二联合特征向量,第二联合特征向量与第一联合特征向量所包含的特征向量的类型相同;输入单元6,用于将第二联合特征向量输入到使用传递过来的各项参数值的测试用分类器中;分类判决单元7,用于由测试用分类器对第二联合特征向量直接进行分类判决,输出判决结果。
进一步地,如图8所示,第一提取单元1可包括:信号处理模块11,用于分别对训练样本的每个海杂波数据的时域采样序列进行处理,得到分数域(即u域)采样输入序列其具体过程如前所述,不赘述;第一计算模块12,用于计算第一序列第二序列和第三序列第二计算模块13,用于由分数域采样输入序列和第一序列得到第四序列g(k),第四序列第三计算模块14,用于对第二序列h(k)和第四序列g(k)分别进行快速傅里叶变换,并将变换后的第二序列h(k)和第四序列g(k)相乘,之后将相乘得到的序列进行快速傅里叶反变换,将反变换后的序列与第三序列f(k)相乘,得到分数域采样输出序列提取模块15,用于提取训练样本的全部分数域采样输出序列的至少两种特征向量并融合得到第一联合特征向量。
优选地,本发明实施例是在分数域下对特征向量进行提取,且至少两种特征向量包括了分形维数变化规律特征向量、多重分形谱特征向量、去相关时间特征向量、近似熵特征向量。
此时,提取模块15又可进一步包括:第一计算子模块1501,用于在核函数Ka(t,u)的参变量a的不同取值下,分别计算训练样本的全部分数域采样输出序列之和y(n′),使得其中,n′为训练样本中分数域采样输出序列的个数;Hurst指数计算子模块1502,用于令并对其两边取对数得其中,F(·)是起伏函数,m为抽取的时间间隔,H为Hurst指数,const为一常数,通过最小二乘拟合得到Hurst指数H;第二计算子模块1503,用于计算与参变量a的不同取值分别对应的分形维数D,使得D=2-H;分形维数变化规律特征向量获取子模块1504,用于将分形维数D最小时所对应的参变量作为最佳变换参数,取最佳变换参数中参变量a两侧各n′个变化步长分别对应的分形维数、以及最佳变换参数所对应的分形维数,共同作为所提取的训练样本的分形维数变化规律特征向量。
其中,ni为第i个尺度为m′的网格内的数据点数,K为总网格数,最佳变换参数是指在分数域信号峰值最大时所对应的参变量取值;子集划分子模块1506,用于按照尺度m′,将数据集分为K=floor(n/m′)个子集;第三计算子模块1507,用于计算数据集中所有数据之和计算每一子集中所有数据之和之后计算每一子集的概率pj(m′),使得pj(m')=Sj/S;第四计算子模块1508,用于计算概率测度μ的q阶矩N(q,m′),使得自增子模块1509,用于将尺度m′自增1,之后由生成子模块1505、子集划分子模块1506、第三计算子模块1507、第四计算子模块1508重复执行,直至尺度m′达到设定的最大值m′+len;第五计算子模块1510,用于计算质量指数τq,其过程如前公式(9)所述,不赘述;第六计算子模块1511,用于设定一系列q值,并依次计算相应的τq;第七计算子模块1512,用于计算区域分形维数α,区域分形维数满足:第八计算子模块1513,用于计算多重分形谱f(α)=qα+τq;多重分形谱特征向量获取子模块1514,用于在得到的多重分形谱上,按照区域分形维数α的取值范围,等间隔选取若干点(α,f(α)),共同作为提取的训练样本的多重分形谱特征向量,选取的点包括所述多重分形谱的峰值点、以及区域分形维数α取最大值和最小值时分别对应的f(α)值。
同时,提取模块15又可进一步包括:第九计算子模块1515,用于在核函数Ka(t,u)的参变量取最佳变换参数时,计算归一化后海杂波数据的相关函数,计算过程如前式(10)所示,不赘述,其中的最佳变换参数是指在分数域信号峰值最大时所对应的参变量取值;第十计算子模块1516,用于分别计算当r(m″)取1和e-1时所对应的m″值,并将得到的两值相减,即可得到训练样本的去相关时间特征向量。
同时,提取模块15又可进一步包括:设置子模块1517,用于在核函数Ka(t,u)的参变量取最佳变换参数时,设置窗口容量m″′=2,设置常量r=0.1~0.2STD,其中,STD是训练样本中分数域采样输出序列的标准差,最佳变换参数是指在分数域信号峰值最大时所对应的参变量取值;第十一计算子模块1518,用于对n点序列,计算n×n的距离矩阵D′,距离矩阵D′的第i行和第j列元素记为dij,dij定义为节点i、j之间的距离,且dij=βx(i)-x(j),β<r,i=1~n,j=1~n,i≠j,β为小于r的选定值;第十二计算子模块1519,用于利用距离矩阵D′中的元素,计算如前所示式(11)~(14);第十三计算子模块1520,用于计算训练样本的近似熵ApEn(2,r)=φ2(r)-φ3(r)。
优选地,本发明实施例中,分类器采用DBN分类器,此时,训练单元3可进一步包括:设置模块31,用于设置训练用DBN分类器的***参数,该***参数例如可包括训练用DBN分类器的输入节点数、隐藏层的层数及各层节点数、输出层节点数、迭代次数、学习速率等;第一训练模块32,用于采用对比散度算法,充分训练第一个RBM,得到权重矩阵、可见层偏置向量和隐藏层偏置向量;第二训练模块33,用于固定第一个RBM的权重矩阵、可见层偏置向量和隐藏层偏置向量,并使得第一个RBM的隐藏单元的状态作为第二个RBM的输入向量,充分训练第二个RBM,之后将第二个RBM堆叠在第一个RBM的上方;判断模块34,用于判断第一训练模块32和第二训练模块33的重复执行次数是否达到迭代次数,若未达到,则由第一训练模块32继续执行;调整模块35,用于当第一训练模块32和第二训练模块33的重复执行次数达到迭代次数时,调整训练用DBN分类器的***参数,重复执行步骤S32至步骤S33,直至训练用DBN分类器的分类结果与分类标签信息相对应,便得到固化后的训练用DBN分类器,固化此时训练用DBN分类器的各项参数值。
更进一步地,第一训练模块32又可包括:设置子模块321,用于初始化第一个RBM中可见层的状态v1,使得v1=x(i),其中,x(i)为第一联合特征向量中的第i个特征向量,同时设置第一个RBM中隐藏单元的个数为m1,最大训练周期为T,同时设置第一个RBM的权重矩阵w、可见层偏置向量a和隐藏层偏置向量b的初值为随机数值;第十四计算子模块322,用于在最大训练周期为T内,对m1个隐藏单元计算可见层的状态v1使得隐藏单元被开启的概率使得其中,sigmoid()为S形函数;第十五计算子模块323,用于从计算得到的概率中,抽取一个样本h1,利用样本h1重构可见层,计算样本h1使得重构得到的可见单元被开启的概率使得n1为可见单元的个数;第十六计算子模块324,用于从计算得到的中,抽取一个样本v2,利用样本v2计算隐藏单元被开启的概率使得在得到的概率中,抽取样本h2;更新子模块325,用于更新第一个RBM的权重矩阵w、使得w=w+alpha*(P(h1=1|v1)-P(h2=1|v2)*v2),更新第一个RBM的可见层偏置向量a,使得a=a+alpha*(v1-v2),更新第一个RBM的隐藏层偏置向量b,使得b=b+alpha*(P(h1=1|v1)-P(h2=1|v2)),其中,alpha为学习速率。
本发明实施例中,为了对训练用DBN分类器进行优化,可将DBN技术与HMM技术相结合,则训练单元3还可包括:分类器优化模块36,用于将调整模块35得到的训练用DBN分类器的输出值作为HMM的输入值,采用Softmax回归模型计算HMM状态的后验概率。若后验概率满足预设值,则得到优化后的训练用DBN分类器,否则调整训练用DBN分类器的***参数,由第一训练模块32、第二训练模块33、判断模块34、调整模块35和分类器优化模块36重复执行,直至后验概率满足预设值。
综上所述,首先,本发明实施例将近似熵作为描述海杂波特性的特征向量,经数据验证,可更好的实现对海杂波单元、主目标单元和次目标单元的区分,提高了对次目标单元的检测准确度。其次,还可进一步融合分形维数变换规律、多重分形谱、去相关时间、近似熵四组特征向量,通过不同特征的互补提高不同分类海杂波信号的特征区别,进一步提高了对次目标单元的检测准确度。再次,可先将时域下的海杂波数据变换到分数域,再提取特征向量,这样可凝聚信号能量,进一步提高了对纯海杂波单元、主目标单元和次目标单元的区分程度。再次,采用DBN分类器,可提高低信噪比下,弱目标检测的准确度。最后,还可进一步将DBN与HMM相结合,通过HMM对DBN分类器进行优化,进一步提高了***的检测性能。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种海杂波背景下的弱目标检测方法,其特征在于,所述方法包括以下步骤:
S1:将已知状态的海杂波信号作为训练样本的数据,提取所述训练样本的至少两种特征向量并融合得到第一联合特征向量,所述至少两种特征向量包含近似熵特征向量;
S2:对所述第一联合特征向量赋予分类标签信息;
S3:利用所述第一联合特征向量对训练用分类器进行训练,使得训练用分类器对训练样本的检测准确率达到理想值,固化此时训练用分类器的各项参数值;
S4:将固化的所述各项参数值传递给测试用分类器;
S5:将未知状态的海杂波信号作为测试样本的数据,提取所述测试样本的至少两种特征向量并融合得到第二联合特征向量,所述第二联合特征向量与所述第一联合特征向量所包含的特征向量的类型相同;
S6:将所述第二联合特征向量输入到使用传递过来的所述各项参数值的所述测试用分类器中;
S7:由所述测试用分类器对所述第二联合特征向量直接进行分类判决,输出判决结果。
2.如权利要求1所述的海杂波背景下的弱目标检测方法,其特征在于,所述提取所述训练样本的至少两种特征向量并融合得到第一联合特征向量的步骤包括以下步骤:
S14:对第二序列h(k)和第四序列g(k)分别进行快速傅里叶变换,并将变换后的第二序列h(k)和第四序列g(k)相乘,之后将相乘得到的序列进行快速傅里叶反变换,将反变换后的序列与第三序列f(k)相乘,得到分数域采样输出序列
S15:提取所述训练样本的全部分数域采样输出序列的至少两种特征向量并融合得到第一联合特征向量。
3.如权利要求2所述的海杂波背景下的弱目标检测方法,其特征在于,所述至少两种特征向量包括了分形维数变化规律特征向量、多重分形谱特征向量、去相关时间特征向量、近似熵特征向量。
4.如权利要求3所述的海杂波背景下的弱目标检测方法,其特征在于,提取所述分形维数变化规律特征向量的步骤包括以下步骤:
S1502:令并对其两边取对数得其中,F(·)是起伏函数,m为抽取的时间间隔,H为Hurst指数,const为一常数,曲线lbm~lbF(m)是一条斜率为H的曲线,通过对曲线进行最小二乘拟合,得到Hurst指数H;
S1503:计算与参变量a的不同取值分别对应的分形维数D,使得D=2-H,画出分形维数变化曲线a~H;
S1504:从分形维数D最小值两侧等间隔各取n″个分形维数值、连同最小分形维数值组成2n″+1维分形维数变化规律特征向量,共同作为所提取的训练样本的分形维数变化规律特征向量。
5.如权利要求3所述的海杂波背景下的弱目标检测方法,其特征在于,提取所述多重分形谱特征向量的步骤包括以下步骤:
其中,ni为第i个尺度为m′的网格内的数据点数,K为总网格数,所述最佳变换参数是指在分数域信号峰值最大时所对应的参变量取值;
S1506:按照尺度m′,将数据集分为K=floor(N/m′)个子集,所述子集个数与所述总网格数相同;
S1509:将尺度m′自增1,重复步骤S1505至步骤S1508,直至尺度m′达到设定的最大尺度len;
S1510:计算质量指数τq,使得质量指数τq满足:
其中,δ=m′,m′+1,m′+2,...,len;
S1511:设定一系列q值,并依次计算相应的τq;
S1513:计算多重分形谱f(α)=qα+τq;
S1514:在得到的多重分形谱上,按照区域分形维数α的取值范围,等间隔选取若干点(α,f(α)),共同作为提取的训练样本的多重分形谱特征向量,选取的点包括所述多重分形谱的峰值点、以及区域分形维数α取最大值和最小值时分别对应的f(α)值。
7.如权利要求3所述的海杂波背景下的弱目标检测方法,其特征在于,提取所述近似熵特征向量的步骤包括以下步骤:
S1517:在核函数Ka(t,u)的参变量取最佳变换参数时,设置窗口容量m″′=2,设置常量r=0.1~0.2STD,其中,STD是训练样本中分数域采样输出序列的标准差,若分数域采样输出序列的算术平均值为μ′,则所述标准差STD定义为:
所述最佳变换参数是指在分数域信号峰值最大时所对应的参变量取值,其中;
S1518:对N点序列,计算N×N的距离矩阵D′,距离矩阵D′的第i行和第j列元素记为dij,dij定义为节点i、j之间的距离,且dij=βx(i)-x(j),β<r,i=1,2,...,N,j=1,2,...,N,β为小于r的常数值;
S1519:利用距离矩阵D′中的元素,计算:
8.如权利要求1所述的海杂波背景下的弱目标检测方法,其特征在于,所述步骤S3包括以下步骤:
S31:设置训练用DBN分类器的***参数;
S32:采用对比散度算法,充分训练第一个RBM,得到权重矩阵、可见层偏置向量和隐藏层偏置向量;
S33:固定所述第一个RBM的权重矩阵、可见层偏置向量和隐藏层偏置向量,并使得所述第一个RBM的隐藏单元的状态作为第二个RBM的输入向量,充分训练所述第二个RBM,之后将所述第二个RBM堆叠在所述第一个RBM的上方;
S34:判断当前的步骤S32至步骤S33的重复执行次数是否达到迭代次数,若未达到,则返回步骤S32;
S35:当步骤S32至步骤S33的重复执行次数达到迭代次数时,调整训练用DBN分类器的***参数,重复执行步骤S32至步骤S33,直至训练用DBN分类器的分类结果与分类标签信息相对应;
S36:将步骤S35得到的训练用DBN分类器的输出值作为HMM的输入值,采用Softmax回归模型计算HMM状态的后验概率,若后验概率满足预设值,则得到优化后的训练用DBN分类器,否则调整训练用DBN分类器的***参数,重复执行步骤S32至步骤S36,直至所述后验概率满足预设值,固化此时训练用DBN分类器的各项参数值。
9.一种海杂波背景下的弱目标检测***,其特征在于,所述***包括:
第一提取单元,用于将已知状态的海杂波信号作为训练样本的数据,提取所述训练样本的至少两种特征向量并融合得到第一联合特征向量,所述至少两种特征向量包含近似熵特征向量;
分类标签赋予单元,用于对所述第一联合特征向量中的每一特征向量赋予分类标签信息;
训练单元,用于利用所述第一联合特征向量对训练用分类器进行训练,使得训练用分类器对训练样本的检测准确率达到理想值,固化此时训练用分类器的各项参数值;
参数传递单元,用于将固化的所述各项参数值传递给测试用分类器;
第二提取单元,用于将未知状态的海杂波信号作为测试样本的数据,提取所述测试样本的至少两种特征向量并融合得到第二联合特征向量,所述第二联合特征向量与所述第一联合特征向量所包含的特征向量的类型相同;
输入单元,用于将所述第二联合特征向量输入到使用传递过来的所述各项参数值的所述测试用分类器中;
分类判决单元,用于由所述测试用分类器对所述第二联合特征向量直接进行分类判决,输出判决结果。
10.如权利要求9所述海杂波背景下的弱目标检测***,其特征在于,所述至少两种特征向量包括了分形维数变化规律特征向量、多重分形谱特征向量、去相关时间特征向量、近似熵特征向量,所述第一提取单元包括:
第三计算模块,用于对第二序列h(k)和第四序列g(k)分别进行快速傅里叶变换,并将变换后的第二序列h(k)和第四序列g(k)相乘,之后将相乘得到的序列进行快速傅里叶反变换,将反变换后的序列与第三序列f(k)相乘,得到分数域采样输出序列
提取模块,用于提取所述训练样本的全部分数域采样输出序列的至少两种特征向量并融合得到第一联合特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610202619.XA CN105894033B (zh) | 2016-04-01 | 2016-04-01 | 一种海杂波背景下的弱目标检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610202619.XA CN105894033B (zh) | 2016-04-01 | 2016-04-01 | 一种海杂波背景下的弱目标检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105894033A CN105894033A (zh) | 2016-08-24 |
CN105894033B true CN105894033B (zh) | 2020-01-10 |
Family
ID=57012240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610202619.XA Active CN105894033B (zh) | 2016-04-01 | 2016-04-01 | 一种海杂波背景下的弱目标检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105894033B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107238847A (zh) * | 2017-04-21 | 2017-10-10 | 中国科学院光电研究院 | 一种卫星导航干扰信号检测方法及*** |
CN109100710A (zh) * | 2018-06-26 | 2018-12-28 | 东南大学 | 一种基于卷积神经网络的水下目标识别方法 |
CN108919228A (zh) * | 2018-09-25 | 2018-11-30 | 鲁东大学 | 一维雷达数据处理方法及*** |
CN110263646A (zh) * | 2019-05-21 | 2019-09-20 | 华中科技大学 | 一种基于卷积神经网络的海面弱目标探测方法和*** |
CN110221266B (zh) * | 2019-06-11 | 2022-12-13 | 哈尔滨工程大学 | 一种基于支持向量机的航海雷达目标快速检测方法 |
CN110443176B (zh) * | 2019-07-29 | 2022-03-04 | 中国科学院国家空间科学中心 | 一种基于统计特征空间的暗弱小天体关联检测方法及*** |
CN111259942B (zh) * | 2020-01-10 | 2022-04-26 | 西北工业大学 | 一种水中弱目标检测方法 |
CN111580091B (zh) * | 2020-05-17 | 2022-08-05 | 西北工业大学 | 一种基于ar谱奇异强度函数的海面微弱目标检测方法 |
CN111951611A (zh) * | 2020-07-03 | 2020-11-17 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于多特征融合的ads-b微弱信号检测装置及方法 |
CN112068085B (zh) * | 2020-10-16 | 2022-05-06 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于深度学习的雷达海杂波原始数据快速预处理方法 |
CN112327293B (zh) * | 2020-10-20 | 2023-05-23 | 西北工业大学 | 一种基于分形特征智能学习的海面目标检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102540159A (zh) * | 2011-10-13 | 2012-07-04 | 哈尔滨工程大学 | 基于小波降噪的ls-svm海面小目标检测的方法 |
JP2012198243A (ja) * | 2012-06-21 | 2012-10-18 | Furuno Electric Co Ltd | 物標を探知して表示する装置 |
CN102914769A (zh) * | 2012-10-19 | 2013-02-06 | 南京信息工程大学 | 基于联合分形的海杂波背景下小目标检测方法 |
CN102967854A (zh) * | 2012-12-07 | 2013-03-13 | 中国人民解放军海军航空工程学院 | Frft域海杂波中目标的多重分形检测方法 |
US8994586B1 (en) * | 2013-11-27 | 2015-03-31 | Agency For Defense Development | Apparatus and method for detecting target in near field |
CN104614717A (zh) * | 2015-01-28 | 2015-05-13 | 南京信息工程大学 | 一种海杂波背景下的小目标分形检测方法 |
-
2016
- 2016-04-01 CN CN201610202619.XA patent/CN105894033B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102540159A (zh) * | 2011-10-13 | 2012-07-04 | 哈尔滨工程大学 | 基于小波降噪的ls-svm海面小目标检测的方法 |
JP2012198243A (ja) * | 2012-06-21 | 2012-10-18 | Furuno Electric Co Ltd | 物標を探知して表示する装置 |
CN102914769A (zh) * | 2012-10-19 | 2013-02-06 | 南京信息工程大学 | 基于联合分形的海杂波背景下小目标检测方法 |
CN102967854A (zh) * | 2012-12-07 | 2013-03-13 | 中国人民解放军海军航空工程学院 | Frft域海杂波中目标的多重分形检测方法 |
US8994586B1 (en) * | 2013-11-27 | 2015-03-31 | Agency For Defense Development | Apparatus and method for detecting target in near field |
CN104614717A (zh) * | 2015-01-28 | 2015-05-13 | 南京信息工程大学 | 一种海杂波背景下的小目标分形检测方法 |
Non-Patent Citations (4)
Title |
---|
《Coherent Radar Target Detection in Heavy-Tailed Compound-Gaussian Clutter》;Sangston K.J,et al.;《IEEE Trans AES》;20120131;第48卷(第1期);第64-77页 * |
《Fractal-based weak target detection within sea clutter》;LI YANG,et al.;《Acta Oceanol.Sin.》;20141231;第33卷(第9期);第68-72页 * |
《基于SVM的海面弱目标检测》;田玉芳,等;《中国海洋大学学报》;20130731;第43卷(第7期);第104-109页 * |
《海杂波中的雷达目标检测技术综述》;何友,等;《现代雷达》;20141231;第36卷(第12期);第1-9页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105894033A (zh) | 2016-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105894033B (zh) | 一种海杂波背景下的弱目标检测方法及*** | |
CN103901429B (zh) | 基于稀疏孔径的机动目标逆合成孔径雷达成像方法 | |
CN111160176B (zh) | 基于融合特征的一维卷积神经网络地面雷达目标分类方法 | |
CN104076355B (zh) | 基于动态规划的强杂波环境中弱小目标检测前跟踪方法 | |
Teke et al. | A robust compressive sensing based technique for reconstruction of sparse radar scenes | |
CN104375976B (zh) | 基于张量正则分解的欠定盲源分离中的混合矩阵识别方法 | |
CN109752710B (zh) | 一种基于稀疏贝叶斯学习的快速目标角度估计方法 | |
Moore et al. | Novel method for incorporating model uncertainties into gravitational wave parameter estimates | |
Pan et al. | Multi-task hidden Markov modeling of spectrogram feature from radar high-resolution range profiles | |
CN105388476B (zh) | 一种基于联合稀疏模型的层析sar成像方法 | |
CN106970369A (zh) | 基于知识辅助的宽带雷达目标检测方法 | |
Li et al. | Radar signal recognition algorithm based on entropy theory | |
CN110174659A (zh) | 基于迭代近端投影的mimo雷达多测量矢量doa估计方法 | |
Xu et al. | Adaptive range-spread maneuvering target detection in compound-Gaussian clutter | |
CN105699950A (zh) | 基于自适应迭代前后向平滑共轭梯度的雷达杂波抑制方法 | |
CN106483193B (zh) | 一种基于高阶累计量的波达快速估计方法 | |
CN105282067A (zh) | 一种复数域盲源分离方法 | |
CN115019128A (zh) | 图像生成模型训练方法、图像生成方法及相关装置 | |
CN105445705B (zh) | 一种认知mtd雷达波形设计的方法 | |
CN107861115B (zh) | 一种基于瞬时自相关矩阵稀疏分解的othr机动目标参数估计方法 | |
CN116643251A (zh) | 非均匀杂波环境中的宽带雷达运动目标检测方法 | |
Olbrich et al. | New pre-estimation algorithm for FMCW radar systems using the matrix pencil method | |
CN105303009A (zh) | 基于压缩感知与正则mfocuss的超分辨谱估计方法 | |
Xu et al. | A data‐driven Dir‐MUSIC method based on the MLP model | |
CN112859007B (zh) | 一种基于极化分解的海杂波背景下弱小目标检测识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |