CN106443633A - 船载高频地波雷达海杂波时域抑制方法 - Google Patents
船载高频地波雷达海杂波时域抑制方法 Download PDFInfo
- Publication number
- CN106443633A CN106443633A CN201611093000.6A CN201611093000A CN106443633A CN 106443633 A CN106443633 A CN 106443633A CN 201611093000 A CN201611093000 A CN 201611093000A CN 106443633 A CN106443633 A CN 106443633A
- Authority
- CN
- China
- Prior art keywords
- time domain
- ground wave
- wave radar
- detected
- boat
- 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.)
- Pending
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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/414—Discriminating targets with respect to background clutter
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
船载高频地波雷达海杂波时域抑制方法,本发明涉及杂波抑制领域,具体涉及船载高频地波雷达海杂波时域抑制方法。本发明的目的是为了克服传统方法FFT‑DBF输出信杂噪比低,目标检测性能差的问题。具体过程为:一:利用无目标数据,针对待检测距离单元,对阵元数据进行数字波束形成,得到待检测距离单元和方位的时域数据xD;所述高频为3‑30MHz;二:利用一得到的无目标待检测距离单元和方位的时域数据对RBF网络进行训练;得到训练好的RBF网络;三:根据有目标数据,利用训练好的RBF网络对待检测距离单元和方位的时域数据进行预测、对消,得到z′[k0];四:对z′[k0]进行处理,得到待检测距离单元和方位的频域结果z'fft。本发明用于杂波抑制领域。
Description
技术领域
本发明涉及杂波抑制领域,具体涉及船载高频地波雷达海杂波时域抑制方法。
背景技术
对于高频地波雷达来讲,其主要作用就是检测和跟踪超视距的海面目标和低空目标,从而实现早期预警的作用。岸基高频地波雷达主要作用在于海岸监测和低空防卫,随着岸基高频地波雷达发展成熟,船载高频地波雷达继承了岸基雷达一些特点,同样也具备自身的优势,例如具备更好的机动性和生存能力。然而随着平台的运动,它也面临一些新的挑战。最大的问题是:平台运动使得在岸基雷达中较窄的两根一阶海杂波谱线展宽明显,当平台慢速运动时,两根一阶海杂波频率谱线展宽成两个通带;当平台快速运动时,两根一阶海杂波频率谱线融合成一个通带。船载高频地波雷达的主要探测目标为海面上的舰船,这种目标的速度相对较慢,对应的多普勒频率很可能位于展宽的一阶海杂波频谱之内,而这种船目标的检测又相对困难。
传统的船载高频地波雷达信号处理方法是二维傅里叶变换加数字波束形成(FFT-DBF),之后进行目标检测,由于没有经过杂波抑制的过程,所以FT-DBF输出信杂噪比较低,目标检测性能较差;而其他方法主要是先经过海杂波抑制再进行目标检测,输出的信杂噪比有所提高,目标检测性能得到改善,但是却增加了算法复杂度,耗费了更多的计算时间。目前,海杂波抑制方面的研究比较有限。其中,正交投影算法OW是一种基于一阶海杂波空时分布的比较有效的海杂波抑制方法。然而,当目标和一阶海杂波位于同一波束主瓣之内时,目标增益将会损失;而船载平台的雷达天线孔径有限,方位分辨率较差,使得目标和一阶海杂波位于同一波束主瓣的情况普遍存在。斜投影算法OP的原理与OW类似,均是在空域进行海杂波抑制,即通过在特定频率海杂波的空间方位形成凹口实现的;OP的提出克服了正交投影存在目标增益损失的这一缺陷,在特定的多普勒频率位置,斜投影算法在空域一阶海杂波位置形成的凹口更窄,解决了目标增益损失的问题。但是,当一阶海杂波和目标的方位不在同一波束主瓣之内时,相比OW,OP的海杂波抑制性能较差。传统的空时自适应处理方法是二维联合处理方法,从算法原理上分析,海杂波抑制性能较OW和OP有很大改善,然而,其计算量相当大。为了解决传统空时自适应处理算法计算量大的问题,降维的空时自适应处理算法JDL被提出,但是由于船载高频地波雷达方位分辨率较差和杂波协方差矩阵估计误差较大,所以特定方位的海杂波抑制性能依然是很有限的,而且目标方位估计误差大。
发明内容
本发明的目的是为了克服传统方法FFT-DBF输出信杂噪比低,目标检测性能差的问题,而提出船载高频地波雷达海杂波时域抑制方法。
船载高频地波雷达海杂波时域抑制方法具体过程为:
步骤一:利用不含船目标的实测船载高频地波雷达三维数据,针对待检测距离单元,对阵元数据进行数字波束形成(DBF)处理,得到不含有船目标的待检测距离单元和方位的时域数据xD;
所述高频为3-30MHz;
步骤二:利用经过步骤一得到的不含有船目标的待检测距离单元和方位的时域数据对建立的RBF神经网络进行训练;得到训练好的RBF神经网络;
RBF神经网络即径向基函数神经网络;
步骤三:根据含有船目标的船载高频地波雷达三维数据,利用已经训练好的RBF神经网络对待检测距离单元和方位的时域数据进行预测、对消,得到对消结果z'[k0];
步骤四:对对消结果z'[k0]进行处理,得到待检测距离单元和方位的多普勒结果z'fft。
本发明的有益效果为:
本发明提出了一种在时域进行海杂波抑制的方法PCRBF,PCRBF使用的数据是三维的,第一维度代表天线阵元,第二维度代表时域数据,第三维度代表距离单元。PCRBF首先利用含有船目标的船载高频地波雷达三维数据,对待检测距离单元数据进行数字波束形成处理,得到待检测距离单元和方位的时域数据;然后利用已经训练好的RBF神经网络对待检测距离单元和方位的时域数据进行预测和对消;而后将对消结果进行傅里叶变换得到待检测距离单元和方位的频域数据。
本发明是一种建立在RBF预测网络之上的设计方法,相对于其它方法,该发明有以下几点优势:第一,本发明时域预测对消方法PCRBF与现有技术二维傅里叶变换加数字波束形成FFT-DBF相比,本发明方法具有很好海杂波抑制效果,输出信杂噪比提高了大约5dB,改善了目标检测性能;第二,本发明与正交投影方法OW、斜投影方法OP、和JDL相比,计算复杂度降低,需要较少的运算时间。
附图说明
图1为船载均匀线性阵列示意图;
图2为信号处理框图;
图3为RBF网络框架图;
图4为FFT-DBF和PCRBF两种算法的频域性能比较示意图,SCNRout为输出信杂噪比。
具体实施方式
具体实施方式一:本实施方式的船载高频地波雷达海杂波时域抑制方法具体过程为:
步骤一:利用不含船目标的实测船载高频地波雷达三维数据,针对待检测距离单元,对阵元数据进行数字波束形成(DBF)处理,得到不含有船目标的待检测距离单元和方位的时域数据xD;
所述高频为3-30MHz;
步骤二:利用经过步骤一得到的不含有船目标的待检测距离单元和方位的时域数据对建立的RBF神经网络进行训练;得到训练好的RBF神经网络;
RBF神经网络即径向基函数神经网络;
步骤三:根据含有船目标的船载高频地波雷达三维数据,利用训练好的RBF神经网络对待检测距离单元和方位的时域数据进行预测、对消,得到对消结果z′[k0];
步骤四:对对消结果z′[k0]进行处理,得到待检测距离单元和方位的多普勒结果z'fft。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤一中利用不含船目标的实测船载高频地波雷达三维数据,针对待检测距离单元,对阵元数据进行数字波束形成处理,得到不含有船目标的待检测距离单元和方位的时域数据xD;具体过程为:
船载高频地波雷达一阶海杂波的空时分布
船载均匀线性阵列天线示意图如图1,Vp代表雷达平台运动速度,d代表相邻的两个天线阵元的距离,φ0是雷达回波的入射方向和雷达平台运动方向夹角。
理想条件下,一阶海杂波空时分布如下:
fd=fdpcosφ0±fB
其中,fd是运动平台和一阶海杂波共同产生的多普勒频率,fdp=2Vp/λ是运动平台产生的多普勒频率,λ是雷达波长,是一阶海杂波布拉格频率,fc代表载波频率(MHz)。
时域海杂波抑制原理
对于PCRBF算法,针对待检测距离单元的二维数据,雷达信号处理框图如图2。
对不含有船目标的实测船载高频地波雷达地波三维数据中第三维待检测距离单元和第一维天线阵元n∈{1,2,...,N},定义第二维时域数据xn=[xn1…xnM]T;
其中N=7是天线阵元个数,下标n是天线阵元标号,上标T代表转置,M是船载高频地波雷达第二维时域数据长度(即相参积累脉冲个数);
因此,不含有船目标的实测船载高频地波雷达待检测距离单元的二维数据表示为:
X=[x1,x2,…,xN]T (1)
对(1)进行如下的数字波束形成处理,得到不含有船目标的船载高频地波雷达待检测距离单元和方位的时域数据;
其中,j2=-1,j是虚数单位,φ1是待检测方位,xD为不含有船目标的船载高频地波雷达待检测距离单元和方位的时域数据。
其它步骤及参数与具体实施方式一相同。
实施方式三:本实施方式与具体实施方式一或二不同的是:所述步骤二中利用经过步骤一得到的不含有船目标的待检测距离单元和方位的时域数据对建立的RBF神经网络进行训练;得到训练好的RBF神经网络;具体过程为:
设定RBF神经网络输入向量为[xD[k],xD[k+τ],…,xD[k+(L-1)τ]];
所述,xD[k]是不含有船目标的船载高频地波雷达待检测距离单元和方位的时域数据xD的第k个元素,其中k=1,2,…,M-(L-1)τ-1;
不含有船目标的RBF神经网络输出向量为
所述,y[k0]是xD[k0]的预测值,即不含有船目标的RBF神经网络输出数据;xD[k0]为真值,即不含有船目标的船载高频地波雷达待检测距离单元和方位的时域数据xD的第k0个元素;其中k0=k+(L-1)τ+1,i=1,2,…,p,wi为相应的权值,p为中间层神经元个数,为正整数;为径向基函数(高斯函数);
由于k0不断变化,y是一个预测向量,目标向量为[xD[1+(L-1)τ+1],xD[2+(L-1)τ+1],…,xD[M]],当预测向量和目标向量的均方误差小于等于设定值时(例如0.01倍的xD中元素的幅度平均值),此刻得到的权值wi作为最优权值,即可得到训练好的RBF神经网络。
RBF神经网络被用作预测模型,RBF网络框架如图3。
说明:xD[k]是向量xD的第k个元素,其中k=1,2,…,M-(L-1)τ-1。两个连续的输入元素间隔为τ,每个输入向量的元素个数为L,径向基函数为高斯函数其中i=1,2,…,p,相应的权值是wi,中间层神经元个数是p,网络输出是xD[k0]的预测值,其中k0=k+(L-1)τ+1。
实际应用中,向量xD是复向量,然而RBF神经网络的输入向量是实向量,因此预测需要将实部和虚部分别进行,之后将预测结果的实部和虚部进行复数重构。尽管神经网络是非线性的,但是只要实部和虚部预测误差足够小,将两部分的预测结果进行组合重构是合理的。
利用不含船目标的实测船载高频地波雷达三维数据(相比其他噪声,实测数据中海杂波必须占优),经过步骤一得到待检测距离单元和方位的时域数据,应用此时域数据对步骤二中构建的RBF神经网络进行训练,具体过程为:
训练函数应用MATLAB软件工具箱中的newrb函数,用法为net=newrb(p0,t0,goal,spread,m0),p0代表图3中的输入向量,t0代表输出结果,训练网络时,t0的取值为xD[k0],网络训练需要达到的均方误差水平goal取值为0.01倍的向量xD各元素的平均幅度,中间层高斯函数展宽参数spread取值为100,中间层神经元最大数目m0取值为7。
其它步骤及参数与具体实施方式一或二相同。
实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述步骤三中根据含有船目标的船载高频地波雷达三维数据,利用已经训练好的RBF神经网络对待检测距离单元和方位的时域数据进行预测、对消,得到对消结果z′[k0];具体过程为:
对含有船目标的船载高频地波雷达三维数据中第三维待检测距离单元和第一维天线阵元n∈{1,2,…,N},定义第二维时域数据x′n=[x′n1…x′nM]T,
因此,含有船目标的船载高频地波雷达待检测距离单元的二维数据表示为:
X′=[x1′,x′2,…,x′N]T (3)
对(1)进行如下的数字波束形成处理,得到含有船目标的船载高频地波雷达待检测距离单元和方位的时域数据;
其中,x′D为含有船目标的船载高频地波雷达待检测距离单元和方位的时域数据,
利用已经训练好的RBF神经网络对得到的待检测距离单元和方位的时域数据进行预测和对消处理,具体过程为:
预测过程参照图3所示,含有船目标的RBF神经网络输出数据为预测结果,对消过程如下:
z′[k0]=x′D[k0]-y′[k0] (5)
式中z′[k0]为对消结果,y′[k0]是含有船目标的RBF神经网络输出数据;x′D[k0]为含有船目标的船载高频地波雷达待检测距离单元和方位的时域数据x′D的第k0个元素;
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述步骤四中对对消结果z′[k0]进行处理,得到待检测距离单元和方位的多普勒结果z'fft;具体过程为:
为了保持快速傅里叶变换FFT之后的频率分辨率,向量z'中的前(L-1)τ+1个元素被赋予零值;快速傅里叶变换过程如下:
z'fft=FFT(z′) (6)
其中,z'fft是待检测距离单元和方位的多普勒结果,FFT是快速傅里叶变换符号。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是:所述是船载高频地波雷达第二维时域数据长度(即相参积累脉冲个数)M取值为1024。
其它步骤及参数与具体实施方式一至五之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
本实施例船载高频地波雷达海杂波时域抑制方法具体是按照以下步骤制备的:
为了实现海杂波抑制性能和计算复杂度之间的平衡,L的值设定为5,p的值取决于设定的均方误差水平,为了实现输入向量中相邻元素之间的独立性和相关性的折中,τ的值设定为4。本专利中用于训练RBF网络的数据是不含船目标的实测船载高频地波雷达三维数据,用于目标检测的数据是通过向实测的船载高频地波雷达三维数据加入一个仿真船目标得到的,在船目标的仿真中不考虑船目标回波强度随距离的衰减,船目标的仿真方法如下:
S(r)=am[r]×a_s×Sst (7)
Sst=ss(φ0t)×st(f0t)T (8)
a_s=a_cn×10SCNR/20 (11)
am=FT(ph⊙h) (13)
其中,S是仿真船目标最终需要的三维数据块,am[r]是向量am中的第r个元素,a_s是所加船目标的平均幅度,Sst是所加船目标的空时导向矢量,f0t和φ0t分别是所加船目标的频率和方位。另外,Tr是脉冲重复间隔,a_cn是海杂波加噪声的平均幅度,SCNR代表输入的信杂噪比,am是在距离维进行归一化的复幅度,FT代表傅里叶变换,h是汉宁窗,ph是所加船目标在距离维上的相位信息,⊙代表哈达玛乘积,r0是所加船目标的距离单元,rmax是距离单元个数。
本专利中所用数据的参数如下:d是14m/s,Tr是0.26s,λ是56.786m,M是1024,N是7,rmax是256。实测的船载高频地波雷达海杂波数据来自1998年进行的船载雷达平台试验,雷达平台运动速度是5m/s。本专利使用的三维数据是将频率和方位分别为-0.2044Hz和130°的仿真船目标加到实测的船载高频地波雷达三维数据的第17个距离单元而得到。
为了比较两种算法的性能,我们利用输出信杂噪比的概念,计算方法如式(15):
其中,K是频域数据长度,A0代表所关心位置的幅度,An代表所关心位置的周围幅度。
实验中,加入仿真船目标的信杂噪比SCNR为-15dB,FFT-DBF和PCRBF算法的多普勒结果如图4,纵坐标是归一化幅度取dB。
利用式(15)计算算法的输出信杂噪比SCNRout,由图4可以看出:FFT-DBF算法目标位置为22.50dB,PCRBF算法目标位置的输出信杂噪比为27.05dB。如果门限设定为25dB,PCRBF算法能检测到船目标,而FFT-DBF算法不能;如果门限设定为13dB,两种算法均能检测到船目标,但是此时FFT-DBF算法存在虚警,所以PCRBF算法能够起到一定的海杂波抑制效果,性能较好。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (6)
1.船载高频地波雷达海杂波时域抑制方法,其特征在于:船载高频地波雷达海杂波时域抑制方法具体过程为:
步骤一:利用不含船目标的实测船载高频地波雷达三维数据,针对待检测距离单元,对阵元数据进行数字波束形成处理,得到不含有船目标的待检测距离单元和方位的时域数据xD;
所述高频为3-30MHz;
步骤二:利用经过步骤一得到的不含有船目标的待检测距离单元和方位的时域数据对建立的RBF神经网络进行训练;得到训练好的RBF神经网络;
RBF神经网络即径向基函数神经网络;
步骤三:根据含有船目标的船载高频地波雷达三维数据,利用训练好的RBF神经网络对待检测距离单元和方位的时域数据进行预测、对消,得到对消结果z′[k0];
步骤四:对对消结果z′[k0]进行处理,得到待检测距离单元和方位的多普勒结果z'fft。
2.根据权利要求1所述船载高频地波雷达海杂波时域抑制方法,其特征在于:所述步骤一中利用不含船目标的实测船载高频地波雷达三维数据,针对待检测距离单元,对阵元数据进行数字波束形成处理,得到不含有船目标的待检测距离单元和方位的时域数据xD;具体过程为:
对不含有船目标的实测船载高频地波雷达地波三维数据中第三维待检测距离单元和第一维天线阵元n∈{1,2,…,N},定义第二维时域数据xn=[xn1…xnM]T;
其中N=7是天线阵元个数,下标n是天线阵元标号,上标T代表转置,M是船载高频地波雷达第二维时域数据长度;
因此,不含有船目标的实测船载高频地波雷达待检测距离单元的二维数据表示为:
X=[x1,x2,…,xN]T (1)
对(1)进行如下的数字波束形成处理,得到不含有船目标的船载高频地波雷达待检测距离单元和方位的时域数据;
其中,j2=-1,j是虚数单位,φ1是待检测方位,xD为不含有船目标的船载高频地波雷达待检测距离单元和方位的时域数据,d为相邻的两个天线阵元的距离,λ为船载高频地波雷达波长。
3.根据权利要求2所述船载高频地波雷达海杂波时域抑制方法,其特征在于:所述步骤二中利用经过步骤一得到的不含有船目标的待检测距离单元和方位的时域数据对建立的RBF神经网络进行训练;得到训练好的RBF神经网络;具体过程为:
设定RBF神经网络输入向量为[xD[k],xD[k+τ],…,xD[k+(L-1)τ]];
所述,xD[k]是不含有船目标的船载高频地波雷达待检测距离单元和方位的时域数据xD的第k个元素,其中k=1,2,…,M-(L-1)τ-1;τ为两个连续输入元素的间隔,L为每个输入向量的元素个数;
不含有船目标的RBF神经网络输出向量为
所述,y[k0]是xD[k0]的预测值,即不含有船目标的RBF神经网络输出数据;xD[k0]为真值,即不含有船目标的船载高频地波雷达待检测距离单元和方位的时域数据xD的第k0个元素;其中k0=k+(L-1)τ+1,i=1,2,…,p,wi为相应的权值,p为中间层神经元个数,为正整数;为径向基函数;
由于k0不断变化,y是一个预测向量,目标向量为[xD[1+(L-1)τ+1],xD[2+(L-1)τ+1],…,xD[M]],当预测向量和目标向量的均方误差小于等于设定值时,此刻得到的权值wi作为最优权值,即可得到训练好的RBF神经网络。
4.根据权利要求3所述船载高频地波雷达海杂波时域抑制方法,其特征在于:所述步骤三中根据含有船目标的船载高频地波雷达三维数据,利用已经训练好的RBF神经网络对待检测距离单元和方位的时域数据进行预测、对消,得到对消结果z′[k0];具体过程为:
对含有船目标的船载高频地波雷达三维数据中第三维待检测距离单元和第一维天线阵元n∈{1,2,…,N},定义第二维时域数据x′n=[x′n1…x′nM]T,
因此,含有船目标的船载高频地波雷达待检测距离单元的二维数据表示为:
X′=[x′1,x′2,…,x′N]T (3)
对(1)进行如下的数字波束形成处理,得到含有船目标的船载高频地波雷达待检测距离单元和方位的时域数据;
其中,x′D为含有船目标的船载高频地波雷达待检测距离单元和方位的时域数据;
利用已经训练好的RBF神经网络对得到的待检测距离单元和方位的时域数据进行预测和对消处理,具体过程为:
含有船目标的RBF神经网络输出数据为预测结果,对消过程如下:
z′[k0]=x′D[k0]-y′[k0] (5)
式中z′[k0]为对消结果,y′[k0]是含有船目标的RBF神经网络输出数据;x′D[k0]为含有船目标的船载高频地波雷达待检测距离单元和方位的时域数据x′D的第k0个元素。
5.根据权利要求4所述船载高频地波雷达海杂波时域抑制方法,其特征在于:所述步骤四中对对消结果z′[k0]进行处理,得到待检测距离单元和方位的多普勒结果z'fft;具体过程为:
为了保持快速傅里叶变换FFT之后的频率分辨率,向量z'中的前(L-1)τ+1个元素被赋予零值;快速傅里叶变换过程如下:
z'fft=FFT(z′) (6)
其中,z'fft是待检测距离单元和方位的多普勒结果,FFT是快速傅里叶变换符号。
6.根据权利要求5所述船载高频地波雷达海杂波时域抑制方法,其特征在于:所述是船载高频地波雷达第二维时域数据长度M取值为1024。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611093000.6A CN106443633A (zh) | 2016-12-01 | 2016-12-01 | 船载高频地波雷达海杂波时域抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611093000.6A CN106443633A (zh) | 2016-12-01 | 2016-12-01 | 船载高频地波雷达海杂波时域抑制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106443633A true CN106443633A (zh) | 2017-02-22 |
Family
ID=58223374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611093000.6A Pending CN106443633A (zh) | 2016-12-01 | 2016-12-01 | 船载高频地波雷达海杂波时域抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106443633A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107064904A (zh) * | 2017-06-08 | 2017-08-18 | 哈尔滨工业大学 | 一种基于虚拟孔径的舰载高频地波雷达方位高分辨方法 |
CN107607917A (zh) * | 2017-08-04 | 2018-01-19 | 西安电子科技大学 | 一种基于两级多普勒相关性判别的海杂波抑制方法 |
CN108256488A (zh) * | 2018-01-19 | 2018-07-06 | 中国人民解放军陆军装甲兵学院 | 一种基于微多普勒特征提取和深度学习的雷达目标识别方法 |
CN108680911A (zh) * | 2018-05-17 | 2018-10-19 | 电子科技大学 | 一种基于神经网络的雷达目标测向方法 |
CN108957406A (zh) * | 2018-05-18 | 2018-12-07 | 电子科技大学 | 一种基于神经网络的雷达主瓣干扰抑制方法 |
CN109856602A (zh) * | 2018-11-27 | 2019-06-07 | 重庆秦嵩科技有限公司 | 一种适用于慢速目标监视雷达的杂波抑制方法 |
CN110221241A (zh) * | 2019-04-29 | 2019-09-10 | 西安电子科技大学 | 一种基于rbf神经网络的低仰角doa估计方法 |
CN111950198A (zh) * | 2020-08-10 | 2020-11-17 | 北京环境特性研究所 | 一种基于神经网络的地杂波仿真方法 |
CN112881973A (zh) * | 2021-01-20 | 2021-06-01 | 西北工业大学 | 一种基于rbf神经网络的自修正波束设计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105372635A (zh) * | 2015-11-19 | 2016-03-02 | 哈尔滨工业大学 | 基于改进的降维空时自适应处理的船载高频地波雷达海杂波抑制方法 |
CN105403864A (zh) * | 2015-12-30 | 2016-03-16 | 哈尔滨工业大学 | 基于改进斜投影的二维船载高频地波雷达海杂波抑制方法 |
-
2016
- 2016-12-01 CN CN201611093000.6A patent/CN106443633A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105372635A (zh) * | 2015-11-19 | 2016-03-02 | 哈尔滨工业大学 | 基于改进的降维空时自适应处理的船载高频地波雷达海杂波抑制方法 |
CN105403864A (zh) * | 2015-12-30 | 2016-03-16 | 哈尔滨工业大学 | 基于改进斜投影的二维船载高频地波雷达海杂波抑制方法 |
Non-Patent Citations (2)
Title |
---|
CHUNLEI YI ET AL.: "Prediction cancellation method of sea clutter in shipborne HFSWR", 《ELECTRONICS LETTERS》 * |
冀振元 等: "高频地波舰载超视距雷达海杂波特性研究", 《高技术通讯》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107064904A (zh) * | 2017-06-08 | 2017-08-18 | 哈尔滨工业大学 | 一种基于虚拟孔径的舰载高频地波雷达方位高分辨方法 |
CN107607917A (zh) * | 2017-08-04 | 2018-01-19 | 西安电子科技大学 | 一种基于两级多普勒相关性判别的海杂波抑制方法 |
CN108256488A (zh) * | 2018-01-19 | 2018-07-06 | 中国人民解放军陆军装甲兵学院 | 一种基于微多普勒特征提取和深度学习的雷达目标识别方法 |
CN108680911A (zh) * | 2018-05-17 | 2018-10-19 | 电子科技大学 | 一种基于神经网络的雷达目标测向方法 |
CN108957406A (zh) * | 2018-05-18 | 2018-12-07 | 电子科技大学 | 一种基于神经网络的雷达主瓣干扰抑制方法 |
CN109856602A (zh) * | 2018-11-27 | 2019-06-07 | 重庆秦嵩科技有限公司 | 一种适用于慢速目标监视雷达的杂波抑制方法 |
CN110221241A (zh) * | 2019-04-29 | 2019-09-10 | 西安电子科技大学 | 一种基于rbf神经网络的低仰角doa估计方法 |
CN111950198A (zh) * | 2020-08-10 | 2020-11-17 | 北京环境特性研究所 | 一种基于神经网络的地杂波仿真方法 |
CN111950198B (zh) * | 2020-08-10 | 2024-02-02 | 北京环境特性研究所 | 一种基于神经网络的地杂波仿真方法 |
CN112881973A (zh) * | 2021-01-20 | 2021-06-01 | 西北工业大学 | 一种基于rbf神经网络的自修正波束设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106443633A (zh) | 船载高频地波雷达海杂波时域抑制方法 | |
Hu et al. | Detection of low observable targets within sea clutter by structure function based multifractal analysis | |
CN103364764B (zh) | 一种机载雷达非平稳杂波抑制方法 | |
CN105334508B (zh) | 一种稀疏阵列宽带波束形成的栅瓣抑制方法 | |
CN112612006B (zh) | 基于深度学习的机载雷达非均匀杂波抑制方法 | |
CN107167783A (zh) | 一种共形阵列杂波协方差矩阵的稀疏重构方法 | |
Su et al. | Adaptive beamforming for nonstationary HF interference cancellation in skywave over-the-horizon radar | |
CN105403864B (zh) | 基于改进斜投影的二维船载高频地波雷达海杂波抑制方法 | |
CN105302936A (zh) | 基于相关计算和协方差矩阵重构的自适应波束形成方法 | |
CN106054153A (zh) | 一种基于分数阶变换的海杂波区目标检测与自适应杂波抑制方法 | |
CN104155632A (zh) | 一种基于局部相关性的改进子空间海杂波抑制方法 | |
CN103176168A (zh) | 一种机载非正侧视阵雷达近程杂波对消方法 | |
CN103984676A (zh) | 一种基于协方差矩阵重构的正交投影自适应波束形成方法 | |
CN103454624A (zh) | 基于降维稀疏重构空时谱的直接数据域动目标检测方法 | |
CN106483516A (zh) | 基于先验知识的雷达杂波空时自适应处理方法 | |
CN103942449A (zh) | 一种基于信源个数估计的特征干扰相消波束形成方法 | |
CN108931766A (zh) | 一种基于稀疏重构的非均匀stap干扰目标滤除方法 | |
CN110082744A (zh) | 多普勒分级复用的mimo机载双基雷达杂波抑制方法 | |
CN110196410A (zh) | 一种阵列天线主瓣干扰抑制方法及*** | |
CN105372635A (zh) | 基于改进的降维空时自适应处理的船载高频地波雷达海杂波抑制方法 | |
CN104459657B (zh) | 基于数据拟合的扩展因子化空时二维自适应处理方法 | |
CN107748364A (zh) | 基于降秩多级维纳滤波器的低空风切变风场速度估计方法 | |
CN107229040A (zh) | 基于稀疏恢复空时谱估计的高频雷达目标检测方法 | |
CN104459660B (zh) | 基于数据拟合的阵元多普勒域空时二维自适应处理方法 | |
CN113567944A (zh) | 海杂波中frft域奇异值特征的目标检测方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170222 |