CN106125073B - 基于自适应高斯表达的散射机理识别与提取方法 - Google Patents
基于自适应高斯表达的散射机理识别与提取方法 Download PDFInfo
- Publication number
- CN106125073B CN106125073B CN201610407266.7A CN201610407266A CN106125073B CN 106125073 B CN106125073 B CN 106125073B CN 201610407266 A CN201610407266 A CN 201610407266A CN 106125073 B CN106125073 B CN 106125073B
- Authority
- CN
- China
- Prior art keywords
- agr
- scattering
- signal
- scattering mechanism
- calculating
- 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
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
- 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
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
-
- 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
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
- G01S13/9064—Inverse SAR [ISAR]
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于自适应高斯表达的散射机理识别与提取方法,获取目标的宽带‑角度扫描散射数据,在距离方向或方位方向对信号进行AGR计算,根据AGR计算结果来计算信号能量的自适应频谱图,最后分离AGR中高斯基函数宽度大的信号分量和宽度小的信号分量,分别进行ISAR成像,实现散射机理的定位和分离。本发明实现了对复杂目标上局部化和非局部化散射机理产生位置的识别,并可通过提取不同高斯基函数实现对不同散射机理的分离,可用于电磁隐身设计,也可用于SAR/ISAR图像理解和处理,解决了SAR/ISAR图像中非局部化散射带来的图像模糊问题,是一种具有广泛应用前途的基础性分析方法。
Description
技术领域
本发明涉及目标电磁散射特性研究领域,尤其涉及一种基于自适应高斯表达(Adaptive Gaussion Representation,AGR)的散射机理识别与提取方法。
背景技术
人造复杂目标由平面、边缘、二面角、三面角、腔体等散射源组成,每种散射源有不同的后向散射机理,而复杂目标的后向散射机理常常难以预测。如果随着频率变化,散射场有着固定的幅度和线性的相位变化,这样的散射特性称为非色散散射机理,可用点散射模型模拟。现实中的散射现象,其幅度一般都是弱频率相关的,相位也是频率的非线性函数。这种色散现象出现在非理想金属体、波导体等结构中,使得接收回波变形,能量分布扩散,难以从时域回波中得到解释,可统称为非局部化散射机理。对宽带后向散射数据进行高分辨时频分析,识别并提取局部化和非局部化散射机理,可为认识目标散射机理提供一种有效的工具,并为SAR/ISAR图像理解和处理提供重要手段。
在检索到的国内外公开及有限范围发表的文献中,有外文著作专门讨论时频分析算法在电磁散射特性分析中的应用,对比了几种线性及非线性时频分析算法在时频表面的分辨能力;又有文献使用自适应时频分析工具对ISAR图像进行处理,剔除ISAR图像中非局部散射中心信号,提取准确的局部散射中心;有专利(专利号:201110344673)利用时频分析进行InISAR多目标成像和运动轨迹重建。综上所述,国外研究机构已经注意到时频分析在电磁散射特性研究中的作用,但是并没有找到能够自适应分辨局部与非局部散射机理的时频分析算法;而国内研究者只利用时频分析进行雷达成像处理,没有进行目标电磁散射特性分析。
发明内容
本发明提供一种基于自适应高斯表达的散射机理识别与提取方法,实现了对复杂目标上局部化和非局部化散射机理产生位置的识别,并可通过提取不同高斯基函数实现对不同散射机理的分离,可用于电磁隐身设计,也可用于SAR/ISAR图像理解和处理,解决了SAR/ISAR图像中非局部化散射带来的图像模糊问题,是一种具有广泛应用前途的基础性分析方法。
为了达到上述目的,本发明提供一种基于自适应高斯表达的散射机理识别与提取方法,包含以下步骤:
步骤S1、获取目标的宽带-角度扫描散射数据;
步骤S2、在距离方向或方位方向对信号进行AGR计算;
步骤S3、根据AGR计算结果来计算信号能量的自适应频谱图;
步骤S4、分离AGR中高斯基函数宽度大的信号分量和宽度小的信号分量,分别进行ISAR成像,实现散射机理的定位和分离;
高斯基函数宽度ap大的部分代表频率相关散射中心,ap小的部分代表点散射中心。
所述的步骤S2中,对信号进行AGR计算的步骤具体包含以下步骤:
步骤S2.1、确定迭代初始值;
当p=0时,确定迭代起始值k0和a0,并给初始信号赋值s0(t)=s(t);
步骤S2.2、开始寻找基函数的局部最大值:
其中,下标p表示第p个高斯基函数,s(t)是信号,基函数hp(t)是归一化高斯函数,Bp是其系数;
步骤S2.3、计算sp(t)投影到hp(t)后的余量sp+1(t):
sp+1(t)=sp(t)-Bphp(t) (8)
步骤S2.4、计算剩余能量:
||sp+1(t)||2=||sp(t)||2-||Bp||2 (9)
步骤S2.5、计算重构误差SNRq;
经过q次分解之后原信号为:
根据能量守恒:
随着q增加,误差sq+1(t)单调降低,当增加新的基函数hq+1(t)后,没有影响之前选择的参数时,可以认为迭代停止,此时重构误差为:
步骤S2.6、判断重构误差是否满足迭代停止条件若是,则迭代结束,记录此时的ap,tp,fp数值,若否,则令p=p+1,继续进行步骤S2.2;
设置迭代停止条件为重构误差SNRq小于某小值ε,或者为迭代次数达到某极限值;
SNRq+1≤R (13)
如果p→∞,则重构信号能量与原信号相同,即,
在所述的步骤S2.1中,
每一步a的选取以二分的方式进行:
第k步的时间步长为:
如果是在距离方向进行AGR计算,则起始值k0用已知的信号时间步长ΔT来确定:
如果是在方位方向进行AGR计算,则起始值k0用已知的信号的方位向角度采样步长确定。
所述的步骤S2中,对于满足采样密度要求的目标电磁散射数据,在距离方向上使用AGR算法进行处理,可以识别和分离这组散射数据的频率依赖和频率无关散射机理分量,在方位方向上使用AGR算法进行处理,则可以识别和分离方位耦合和方位独立散射机理分量。
所述的步骤S1中,使用测试或精确计算的方法获取目标的宽带-角度扫描散射数据,带宽和角度扫描范围及间隔选取与AGR迭代的初始步长有关。
所述的步骤S1中,根据辐射反射模型,将散射体看作辐射体,传播速度为媒质中真实速度的一半,即目标图像F是散射场E的傅里叶变换,两个对应的傅里叶变换对是与d:
如果在时域进行AGR计算,根据公式(6),第k=0步对应的时间步长应小于等于总的时域采样宽度,即:
k0是方差ap迭代的次数,至少为1,即距离向成像宽度应大于1.6m,进而得到频域采样间隔最大为
同样的,如果在频域进行AGR计算,应有:
即频域采样带宽应大于
所述的步骤S3中,利用下式计算信号能量的自适应频谱图:
本发明实现了对复杂目标上局部化和非局部化散射机理产生位置的识别,并可通过提取不同高斯基函数实现对不同散射机理的分离,可用于电磁隐身设计,也可用于SAR/ISAR图像理解和处理,解决了SAR/ISAR图像中非局部化散射带来的图像模糊问题,是一种具有广泛应用前途的基础性分析方法。
附图说明
图1是本发明提供的一种基于自适应高斯表达的散射机理识别与提取方法的流程图。
图2是本发明中对信号进行AGR计算的流程图。
具体实施方式
以下根据图1和图2,具体说明本发明的较佳实施例。
如图1所示,本发明提供一种基于自适应高斯表达的散射机理识别与提取方法,包含以下步骤:
步骤S1、获取目标的宽带-角度扫描散射数据;
步骤S2、在距离方向或方位方向对信号进行AGR计算;
步骤S3、根据AGR计算结果计算信号能量的自适应频谱图(AdaptiveSpectrogram,ADS);自适应频谱图即信号能量在时频域的分布图;
步骤S4、分离AGR中高斯基函数宽度大的信号分量和宽度小的信号分量,分别进行ISAR成像,实现散射机理的定位和分离;
高斯基函数宽度ap大的部分代表频率相关散射中心,ap小的部分代表点散射中心。
所述的步骤S2中,对于满足采样密度要求的目标电磁散射数据,在距离方向上使用AGR算法进行处理,可以识别和分离这组散射数据的频率依赖和频率无关散射机理分量,在方位方向上使用AGR算法进行处理,则可以识别和分离方位耦合和方位独立散射机理分量。
AGR是一种非线性时频分析工具,其特点是使用灵活的基函数来适应不同的信号分量。AGR算法可以通过基函数扩展,自动区分频率相关和频率不相关散射贡献。AGR算法将信号s(t)用高斯基函数的加权累积来表达:
其中,下标p表示第p个高斯基函数,基函数hp(t)是归一化高斯函数,Bp是其系数。
基函数hp(t)具有可调节的宽度变量ap和时频中心{tp,fp},表达式为:
其中,ap∈R+,tp,fp∈R。
高斯函数gp(t)没有在时间或频率上压缩,它拥有最小的时间带宽积,从而具有最好的时间-频率分辨率。
AGR算法的目的就是选取合适的ap,tp,fp,使得基函数hp(t)在局部最好的逼近信号s(t),即:
AGR算法将目标散射信号分解成一组宽度ap不同的高斯基函数的组合,点散射中心具有很窄的时间长度,可以用ap很小的基函数表示,扩散性散射中心则用宽度ap较大的高斯基函数表示。如果仅用宽度ap小的高斯基函数重构ISAR图像,则得到的是点散射中心的集合,宽度ap大的高斯基函数自然代表了频率谐振及色散结构,其重构得到的ISAR图像可以达到识别谐振和频率相关散射现象的目的。该AGR算法稳定,时频分辨率高。
如图2所示,所述的步骤S2中,对信号在距离方向进行AGR计算的步骤具体包含以下步骤:
步骤S2.1、确定迭代初始值;
当p=0时,确定迭代初始值k0和a0,并给初始信号赋值s0(t)=s(t);
每一步a的选取以二分的方式进行:
第k步的时间步长为:
如果是在距离方向进行AGR计算,则起始值k0用已知的信号时间步长ΔT来确定:
如果是在方位方向进行AGR计算,则起始值k0用已知的信号的方位向角度采样步长确定;
步骤S2.2、开始寻找基函数的局部最大值:
步骤S2.3、计算sp(t)投影到hp(t)后的余量sp+1(t):
sp+1(t)=sp(t)-Bphp(t) (8)
步骤S2.4、计算剩余能量:
||sp+1(t)||2=||sp(t)||2-||Bp||2 (9)
步骤S2.5、计算重构误差SNRq;
经过q次分解之后原信号为:
根据能量守恒:
随着q增加,误差sq+1(t)单调降低,当增加新的基函数hq+1(t)后,没有影响之前选择的参数时,可以认为迭代停止,此时重构误差为:
步骤S2.6、判断重构误差是否满足迭代停止条件若是,则迭代结束,记录此时的ap,tp,fp数值,若否,则令p=p+1,继续进行步骤S2.2;
设置迭代停止条件为重构误差SNRq小于某小值ε,或者为迭代次数达到某极限值;
SNRq+1≤ε (13)
判断SNRq+1的原因是,如果增加新的基函数后,没有影响之前选择的参数时,可以认为迭代停止,所以计算了第q+1次迭代;
如果p→∞,则重构信号能量与原信号相同,即,
AGR算法的实现过程可以看作是高斯基函数在时频域不断适应待表达信号的迭代过程,这是一种具有高时频分辨率、绝对收敛、物理意义明确等优点的自适应非线性时频分析算法。高斯基函数宽度ap按照公式(5)所示的二分规律分级,统计每级高斯基函数的个数,可以分析信号的局部化特性,宽度ap小的基函数占有比例多的话,说明信号具有很好的局部性,否则说明非局部分量较多。提取不同的高斯基函数分量,可以达到不同的信号处理目的,比如剔除ap大的分量,可以达到SAR/ISAR图像降噪的目的,提高成像质量。
所述的步骤S1中,使用测试或精确计算的方法获取目标的宽带-角度扫描散射数据,带宽和角度扫描范围及间隔选取与AGR迭代的初始步长有关。
根据辐射反射模型,将散射体看作辐射体,传播速度为媒质中真实速度的一半,即目标图像F是散射场E的傅里叶变换,两个对应的傅里叶变换对是与d:
如果在时域(空域d)进行AGR计算,根据公式(6),第k=0步对应的时间步长应小于等于总的时域采样宽度,即:
k0是方差ap迭代的次数,至少为1,即距离向成像宽度应大于1.6m,进而得到频域采样间隔最大为
同样的,如果在频域进行AGR计算,应有:
即频域采样带宽应大于
所述的步骤S3中,利用下式计算信号能量的自适应频谱图:
上式具有非负、没有交叉项、分辨率高等优点。
所述的步骤S4中,分离AGR中高斯基函数宽度ap大的信号分量和宽度ap小的信号分量,分别进行ISAR成像,前者代表非局部化散射分量生成的图像,往往不能与实际目标相对应,后者则是局部化散射分量生成的图像,可以与目标实际模型一一对应,可用于目标识别等应用。
本发明提出基于自适应高斯表达的散射机理识别与提取方法,实现了对复杂目标上局部化和非局部化散射机理产生位置的识别,并可通过提取不同高斯基函数实现对不同散射机理的分离,可用于电磁隐身设计,也可用于SAR/ISAR图像理解和处理,解决了SAR/ISAR图像中非局部化散射带来的图像模糊问题,是一种具有广泛应用前途的基础性分析方法。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (5)
1.一种基于自适应高斯表达的散射机理识别与提取方法,其特征在于,包含以下步骤:
步骤S1、获取目标的宽带-角度扫描散射数据;
步骤S2、在距离方向或方位方向对信号进行AGR计算;
步骤S3、根据AGR计算结果来计算信号能量的自适应频谱图;
步骤S4、分离AGR中高斯基函数宽度大的信号分量和宽度小的信号分量,分别进行ISAR成像,实现散射机理的定位和分离;
高斯基函数宽度ap大的部分代表频率相关散射中心,ap小的部分代表点散射中心;
所述的步骤S2中,对信号进行AGR计算的步骤具体包含以下步骤:
步骤S2.1、确定迭代初始值;
当p=0时,确定a0和迭代次数起始值k0,并给初始信号赋值s0(t)=s(t);
步骤S2.2、开始寻找基函数的局部最大值:
其中,下标p表示第p个高斯基函数,s(t)是信号,基函数hp(t)是归一化高斯函数,Bp是其系数;
步骤S2.3、计算sp(t)投影到hp(t)后的余量sp+1(t):
sp+1(t)=sp(t)-Bphp(t) (8)
步骤S2.4、计算剩余能量:
||sp+1(t)||2=||sp(t)||2-||Bp||2 (9)
步骤S2.5、计算重构误差SNRq;
经过q次分解之后原信号为:
根据能量守恒:
随着q增加,误差sq+1(t)单调降低,当增加新的基函数hq+1(t)后,没有影响之前选择的参数时,可以认为迭代停止,此时重构误差为:
步骤S2.6、判断重构误差是否满足迭代停止条件,若是,则迭代结束,记录此时的ap,tp,fp数值,若否,则令p=p+1,继续进行步骤S2.2;
设置迭代停止条件为重构误差SNRq小于ε,或者为迭代次数达到极限值;
SNRq+1≤ε (13)
如果p→∞,则重构信号能量与原信号相同,即,
2.如权利要求1所述的基于自适应高斯表达的散射机理识别与提取方法,其特征在于,在所述的步骤S2.1中,
每一步ak的选取以二分的方式进行:
第k步的时间步长为:
如果是在距离方向进行AGR计算,则迭代次数的起始值k0用已知的信号时间步长ΔT来确定:
如果是在方位方向进行AGR计算,则迭代次数的起始值k0用已知的信号的方位向角度采样步长确定。
3.如权利要求2所述的基于自适应高斯表达的散射机理识别与提取方法,其特征在于,所述的步骤S1中,使用测试或精确计算的方法获取目标的宽带-角度扫描散射数据,带宽和角度扫描范围及间隔选取与AGR迭代的初始步长有关。
4.如权利要求3所述的基于自适应高斯表达的散射机理识别与提取方法,其特征在于,所述的步骤S1中,根据辐射反射模型,将散射体看作辐射体,传播速度为媒质中真实速度的一半,即目标图像F是散射场E的傅里叶变换,两个对应的傅里叶变换对是与d:
如果在时域进行AGR计算,根据公式(6),第k=0步对应的时间步长应小于等于总的时域采样宽度,即:
k0是迭代次数的起始值,至少为1,即距离向成像宽度应大于1.6m,进而得到频域采样间隔δf最大值为188MHz;
同样的,如果在频域进行AGR计算,应有:
即频域采样带宽Δf0应大于0.24GHz。
5.如权利要求4所述的基于自适应高斯表达的散射机理识别与提取方法,其特征在于,所述的步骤S3中,利用下式计算信号能量的自适应频谱图:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610407266.7A CN106125073B (zh) | 2016-06-12 | 2016-06-12 | 基于自适应高斯表达的散射机理识别与提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610407266.7A CN106125073B (zh) | 2016-06-12 | 2016-06-12 | 基于自适应高斯表达的散射机理识别与提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106125073A CN106125073A (zh) | 2016-11-16 |
CN106125073B true CN106125073B (zh) | 2019-10-18 |
Family
ID=57270055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610407266.7A Active CN106125073B (zh) | 2016-06-12 | 2016-06-12 | 基于自适应高斯表达的散射机理识别与提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106125073B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109471084B (zh) * | 2018-11-23 | 2022-10-25 | 西北工业大学 | 一种电磁散射机理分解方法 |
CN110389342B (zh) * | 2019-09-02 | 2021-07-20 | 上海无线电设备研究所 | 一种基于近场竖直向sar成像的目标与环境耦合分析方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021399A (zh) * | 2014-03-26 | 2014-09-03 | 重庆大学 | 基于距离像时频图非负稀疏编码的sar目标识别方法 |
CN104899549A (zh) * | 2015-04-17 | 2015-09-09 | 重庆大学 | 基于距离像时频图鉴别字典学习的sar目标识别方法 |
CN105629233A (zh) * | 2016-01-19 | 2016-06-01 | 北京理工大学 | 一种基于isar图像的多散射点微动提取方法 |
-
2016
- 2016-06-12 CN CN201610407266.7A patent/CN106125073B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021399A (zh) * | 2014-03-26 | 2014-09-03 | 重庆大学 | 基于距离像时频图非负稀疏编码的sar目标识别方法 |
CN104899549A (zh) * | 2015-04-17 | 2015-09-09 | 重庆大学 | 基于距离像时频图鉴别字典学习的sar目标识别方法 |
CN105629233A (zh) * | 2016-01-19 | 2016-06-01 | 北京理工大学 | 一种基于isar图像的多散射点微动提取方法 |
Non-Patent Citations (1)
Title |
---|
基于光学区雷达目标二维像的目标散射特征提取的理论及方法研究;孙真真;《中国博士学位论文全文数据库 信息科技辑》;20030315;第46、58-59、62-63页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106125073A (zh) | 2016-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105137498B (zh) | 一种基于特征融合的地下目标探测识别***及方法 | |
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 | |
CN108133232B (zh) | 一种基于统计字典学习的雷达高分辨距离像目标识别方法 | |
CN107728143B (zh) | 基于一维卷积神经网络的雷达高分辨距离像目标识别方法 | |
CN109343046B (zh) | 基于多频多域深度学习的雷达步态识别方法 | |
CN103413146B (zh) | 基于Freeman熵和自学习的极化SAR图像精细分类方法 | |
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 | |
Park | On the imaging of thin dielectric inclusions buried within a half-space | |
CN111175718A (zh) | 联合时频域的地面雷达自动目标识别方法及*** | |
CN105030279A (zh) | 一种基于超声射频时间序列的组织定征方法 | |
CN103605121B (zh) | 基于快速稀疏贝叶斯学习算法的宽带雷达数据融合方法 | |
Zhang et al. | Ground-penetrating radar railroad ballast inspection with an unsupervised algorithm to boost the region of interest detection efficiency | |
CN106324579A (zh) | 一种目标强散射源rcs提取算法 | |
CN106125073B (zh) | 基于自适应高斯表达的散射机理识别与提取方法 | |
CN104182768B (zh) | 逆合成孔径雷达图像的质量分类方法 | |
CN108319963B (zh) | 基于约束鲁棒主成分分析的城市道路地下病害识别方法 | |
Zhang et al. | Separation of magnetotelluric signals based on refined composite multiscale dispersion entropy and orthogonal matching pursuit | |
CN110456351A (zh) | 基于时变幅值lfm信号参数估计的机动目标isar成像方法 | |
CN114237046A (zh) | 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法 | |
Agarwal et al. | A novel neural network based image reconstruction model with scale and rotation invariance for target identification and classification for Active millimetre wave imaging | |
Zhou et al. | Terahertz signal classification based on geometric algebra | |
CN112818762B (zh) | 一种大尺寸复合材料及其夹层结构快速无损检测方法 | |
CN111458689A (zh) | 基于极化散射中心的多径散射特征分类方法 | |
Yuan | A time-frequency feature fusion algorithm based on neural network for HRRP | |
Voccola et al. | On the relationship between the generalized likelihood ratio test and backprojection for synthetic aperture radar imaging |
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 |