CN107462877B - 一种基于先验知识的天波雷达海杂波抑制方法 - Google Patents
一种基于先验知识的天波雷达海杂波抑制方法 Download PDFInfo
- Publication number
- CN107462877B CN107462877B CN201710498402.2A CN201710498402A CN107462877B CN 107462877 B CN107462877 B CN 107462877B CN 201710498402 A CN201710498402 A CN 201710498402A CN 107462877 B CN107462877 B CN 107462877B
- Authority
- CN
- China
- Prior art keywords
- sea clutter
- unit
- wave radar
- sky wave
- clutter suppression
- 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
- 230000001629 suppression Effects 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 230000001427 coherent effect Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 25
- 238000001914 filtration Methods 0.000 abstract description 22
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 3
- 238000001228 spectrum Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 239000005433 ionosphere Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000035508 accumulation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- RUZYUOTYCVRMRZ-UHFFFAOYSA-N doxazosin Chemical compound C1OC2=CC=CC=C2OC1C(=O)N(CC1)CCN1C1=NC(N)=C(C=C(C(OC)=C2)OC)C2=N1 RUZYUOTYCVRMRZ-UHFFFAOYSA-N 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 239000008675 zhuhuang Substances 0.000 description 1
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达技术领域,提供一种基于知识辅助的天波雷达海杂波抑制方法;用以克服现有方法未考虑先验知识信息导致海杂波抑制性能有待提高的问题。本发明首先将天波雷达中雷达载频、脉冲重复周期作为先验知识,利用海杂波特性进行海杂波建模,然后将建立好的海杂波先验知识模型加入最优滤波器设计,通过自适应权值计算方案,得到最优海杂波模型;利用该模型,得到基于先验知识的天波雷达海杂波抑制方法。本发明适用于天波雷达海杂波抑制,是一种将先验知识和最优滤波算法合理结合的算法,能使海杂波抑制效果在目前算法的基础上得到显著提升。
Description
技术领域
本发明属于雷达技术领域,涉及天波雷达海杂波抑制方法,具体提供一种基于知识辅助的天波雷达海杂波抑制方法。
背景技术
天波雷达中,舰船等慢速目标回波的多普勒谱靠近强大的海杂波谱,容易被海杂波所掩盖。因此,抑制海杂波是检测慢速舰船目标的关键问题之一,受到广泛关注。
目前已有的海杂波抑制方法主要分为三类:1)基于海杂波信号重建和对消的方法,如循环对消方法(Root B T.HF over-the-horizon radar ship detection withshort dwells using cl utter cancellation.Radio Science,1998,33(4);1095-1111.)和基于幅度相位估计的对消方法(X Guo,J Ni,G Liu.The Ship Detection of Sky Waveover-the-Horizon Radar with Short Coherent Integration Time,Journal ofElectronics&Information Technology,2004,26(4): 613-618),以及神经网络方法(G.Hennessey,H.Leung,A.Drosopoulos and P.C.Yip,“S ea clutter modeling using aradial-basis-function neural network,”IEEE Journal of Oceanic Engineering,vol.26.no.3,pp.358-372,July.2001.);这类方法首先估计并重构海杂波信号,然后从原信号中减去重构的海杂波信号;2)子空间类方法,如基于特征值分解的方法(Wa ng G,XiaX G,Root B T,et al.Manoeuvring target detection in over-the-horizon radar using adaptive clutter rejection and adaptive chirplet transform[J].IEEProceedings-Radar,Son ar and Navigation)、基于奇异值分解的方法(Yajuan Tang,Xiapu Luo and Zijie Yang,"O cean clutter suppression using one-class SVM,"Machine Learning for Signal Processing,200 4.Proceedings of the 2004 14thIEEE Signal Processing Society Workshop,Sao Luis,2004, pp.559-568)和通过多普勒频率估计杂波子空间的方法(Zhao Zhiguo,J.Chen and Bao Z heng,"A method toestimate subspace via Doppler for ocean clutter suppression in skywaveradars,"Proceedings of 2011IEEE CIE International Conference on Radar,Chengdu,2011, pp.145-148.);这类方法根据杂波在子空间的聚集特性,将杂波空间分为强杂波空间和噪声子空间,通过将回波信号投影到噪声子空间来实现海杂波抑制;3)基于最优滤波的方法(T he Application of JDL to Suppress Sea Clutter for ShipborneHFSWR,Zhenyuan Ji,Chunle i Yi,Junhao Xie,and Yang Li International Journal ofAntennas and Propagation Volume 2015(2015),Article ID 825350,6pages);这类方法在目标无失真通过滤波器的约束条件下,最小化输出能量,实现海杂波的抑制。
上述方法中,第三类基于最优滤波的方法尤其受到关注,该方法将海杂波抑制问题转换成一个最优化问题,直接将最大化输出信噪比作为优化的目标函数,因此理论上,在所有滤波器中,该方法输出信噪比最大,效果最好。如文献(A Novel Method of SmallTarget De tection in Sea Clutter,Peng Wu,Jun Wang,and Wenguang Wang ISRNSignal Processing Volume 2011(2011),Article ID 651790,10pages)利用目标信号的单频特性,以最大化目标位置的输出信噪比为优化的目标函数,提出利用最优滤波抑制海杂波方法。又如文献(Hu,J infeng,Zhu Huanrui,Li Huiyong,Xie,Julan,Li,Jun,ZhongSen“SeaClutter Suppression and Weak Target Signal Enhancement Using anOptimal Filter”IEICE Transactions on Fun damentals of Electronics,Communications and Computer Sciences,issue 1,pp.433-436)将最优滤波方法与神经网络方法进行对比,发现最优滤波方法具有更大的输出信噪比,进一步证明了在复杂的海态环境下,最优滤波方法比神经网络方法具有更好的海杂波抑制效果。
然而,上述三类现有方法(包括基于最优滤波的方法)中均未考虑天波雷达的先验知识;在天波雷达中,通常有很多先验知识,如脉冲重复周期、天线增益、杂波功率、接收平台高度、接收平台速度等,将这些知识加入最优滤波器的设计,有望进一步提升海杂波的抑制效果。基于该考虑,本发明提出基于知识的天波雷达海杂波抑制方法。
发明内容
本发明的目的在于针对现有的天波雷达海杂波抑制算法未考虑先验知识信息,导致海杂波抑制性能有待提高的问题,提供了一种基于先验知识的天波雷达海杂波抑制方法,抑制海杂波效果得到显著提升。
为实现上述目的,本发明采用的技术方案为:
一种基于先验知识的天波雷达海杂波抑制方法,其特征在于利用天波雷达先验知识,提升海杂波抑制效果,具体包括以下步骤:
步骤1.利用雷达工作频率f,计算海杂波一阶谱分布的两个分散的频率点(Braggfreq uency)为:
其中,g为重力加速度,为常数9.8m/s2;λ为雷达波波长,λ=c/f、c为光速;
步骤2:利用脉冲重复周期T,得到距离单元l处的海杂波接收模型:
其中,M为一个相干处理时间内雷达发射脉冲数;
构造距离单元l处的杂波矩阵:
步骤3:距离单元l处的接收信号模型为:
x(l)=α(l)s(f)+c(l)+n(l) (5)
其中,c(l)和n(l)分别为距离单元l处的杂波和噪声,α(l)为距离单元l处的目标信号幅度,s(f)为距离单元l处待检测单元的时域导向矢量,表示为:
步骤4:利用距离单元l处的接收信号x(l),得到距离单元l处的杂波矩阵R:
其中,(·)H为共轭转置符号;L为总的距离门数;CUT为待检测单元;
步骤5:利用式(4)、式(5)、式(6)和式(7),得到最优海杂波模型权值计算方法:
其中,x′(l)为距离单元l处的接收信号x(l)除去待检测单元后的信号,α,β为权值系数;
步骤6:利用式(4)、式(5)、式(7)和式(8)以及最优滤波抑制海杂波算法,得到基于先验知识的天波雷达海杂波抑制算法为:
其中,(·)H为共轭转置;w为最优滤波器权向量;
步骤7:利用拉格朗日乘子法对式(9)进行求解得到:
步骤8:利用式(9)、式(10)得到距离单元l处的输出SCNR为:
本发明的有益效果在于:
本发明提供一种基于先验知识的天波雷达海杂波抑制方法,首先将天波雷达中雷达载频、脉冲重复周期作为先验知识,利用海杂波特性进行海杂波建模,然后将建立好的海杂波先验知识模型加入最优滤波器设计,通过自适应权值计算方案,得到最优海杂波模型;利用该模型,得到基于先验知识的天波雷达海杂波抑制方法。通过本发明能够解决同类方法中没有利用天波雷达先验知识的重要问题,使海杂波抑制能力得到提升,从而更容易探测到目标。本发明适用于天波雷达海杂波抑制,是一种将先验知识和最优滤波算法合理结合的算法,能使海杂波抑制效果在目前算法的基础上得到显著提升。
附图说明
图1为本发明基于知识辅助的海杂波抑制方法工作流程图。
图2为本发明实施例中天波超视距雷达工作模式图。
图3为本发明实施例中第230距离单元频谱。
图4为本发明实施例中第230距离单元归一化输出SINR;(a)为最优滤波算法结果;(b) 为基于先验知识的天波雷达海杂波抑制算法结果。
图5为本发明实施例中天波雷达不同输入SCNR情况下海杂波抑制性能曲线。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明。
本发明提供一种基于知识辅助的海杂波抑制方法,其工作原理如下:
天波超视距雷达的海杂波抑制都是基于回波信号处理的角度。在本发明中,天波雷达阵列为均匀线阵,在一个相干处理时间内时域采样脉冲数为M,距离门数为L,距离单元l(l=1,2,...,L)的接收信号可以表示为:
x(l)=α(l)s(f)+c(l)+n(l)
上述x(l)∈CM×1,可以表示为:x(l)=[x1(l),x2(l),...,xi-1(l),xi(l),xi+1(l),...,xM(l)],距离单元l处共M个待检测单元(频率单元),xi(l)表示距离单元l处的第i个待检测单元(频率单元), i=1,2,3,...,M;
目前,基于最优滤波的海杂波抑制算法能够实现,在有效抑制海杂波的同时得到高的输出信杂噪比,其算法原理为,以目标信号无失真通过滤波器为约束条件,令滤波后的信号能量最小,从而实现海杂波c的抑制:
其中,(·)H表示共轭转置,w为待计算得到的最优滤波器权向量,R为利用参考单元估计得到的距离单元l处的杂波协方差矩阵:
其中,L为可获得的总的距离单元数;
但是,本发明中注意到,天波雷达中有大量的先验知识,而目前的天波雷达海杂波抑制方法(包括最优滤波抑制海杂波算法)都没有有效的利用先验知识;针对该问题,本发明提出将天波雷达的先验知识结合到海杂波抑制算法中,以提高海杂波抑制效果。
所提方法首先根据天波雷达的先验知识对天波雷达海杂波建模,所用到的天波雷达先验知识主要有:脉冲重复周期、雷达工作频率;在此基础上,将海杂波模型与传统的基于最优滤波的天波雷达海杂波抑制方法结合,得到一种新的基于知识的天波雷达海杂波抑制方法,其工作流程图如图1所示。
需要注意的是,天波雷达与其他雷达的工作模式不同,天波雷达探测时,发射和接收的信号都要经过电离层反射,其工作模式如图2所示;从图2的天波雷达海杂波工作模式可以看出,天波雷达回波信号受到来自电离层和海面因素的影响。因此,天波雷达海杂波的建模需要考虑海面因素以及电离层因素的影响,在基于知识辅助的海杂波抑制方案中,利用脉冲重复周期、雷达工作频率作为先验知识构造先验知识矩阵。
根据图2所示天波雷达探测原理,其探测范围中大部分区域为海面区域,在天波雷达接收的信号中,海杂波信号强度远大于其他信号。通过海杂波谱分析可知,海杂波谱主要由一阶海杂波谱和二阶海杂波谱组成,其中一阶海杂波谱比二阶海杂波谱大40dB;因此,天波雷达杂波强度主要由一阶海杂波决定,而海杂波一阶谱主要分布在两个分散的频率点(Bragg频率):
则距离单元l处的海杂波接收模型为:
构造距离单元l处的杂波先验知识矩阵为:
其中,x′(l)为距离单元l处的接收信号x(l)除去待检测单元后的信号,针对第i个待检测单元,则x′(l)=[x1(l),x2(l),...,xi-1(l),0,xi+1(l),...,xM(l)];
基于上述考虑,提出基于先验知识的最优化滤波器为:
利用拉格朗日乘子法对式处理得到自适应滤波器的权值:
得到距离单元l处的输出SCNR为:
基于本发明的详细技术方案,我们通过仿真的方式对所提方法进行验证和实施;本次仿真实验所用数据为某天波雷达实测数据;数据采集参数为:雷达工作频率f0=18.3MHz,脉冲重复周期T=12ms,脉冲积累个数M=512,相干积累时间CIT=6.144s。
在本实施例中存在已知目标信号,在230距离单元处存在已知目标。
实施例1
将基于先验知识的海杂波抑制算法与最优滤波海杂波抑制算法对比:
图2为第230距离单元频谱图,从图3中可以看出,该距离单元4.72Hz处存在目标信号,该目标信号幅度低,被强的海杂波信号掩盖;图4为第230距离单元归一化输出SCNR;(a)为最优滤波算法结果;(b)为基于先验知识的天波雷达海杂波抑制算法结果;从图4(a)中可以看出,在最优滤波后,最大残留海杂波在16.44Hz处,其信杂噪比为-5.433dB;从图4 (b)中可以看出,在基于先验知识的海杂波抑制方法处理后,最大残留海杂波在16.76Hz处,其信杂噪比为-6.624dB;因此,图4的仿真结果表明本文提出的基于知识辅助的海杂波抑制方法相比于最优滤波方法提升1.191dB。
由对已知目标的实测数据仿真结果可以看出,本发明提出的基于先验知识的海杂波抑制方法对海杂波的抑制效果比最优滤波海杂波抑制方法提升1.2dB左右。
实施例2
基于先验知识的海杂波抑制算法与最优滤波算法的性能对比:
本实施例中用实测的天波雷达海杂波数据;为了便于性能分析,在第144个距离单元添加多普勒频率为fd=1Hz的目标,目标信号的输入SINR从-30dB到-10dB变化。
如图5为天波雷达不同输入SCNR情况下海杂波抑制性能曲线;在海杂波抑制后,最大残留海杂波信号的SCNR会对目标探测造成影响;因此,海杂波抑制的性能取决于滤波后最大残留海杂波的SCNR,当目标信号与最大残留海杂波之间的差值越大,目标就越容易被检测。此处的输出信杂噪比定义为目标位置的信杂噪比与残留海杂波位置的信杂噪比的差值,从图5中可以看出,基于先验知识的天波雷达海杂波抑制算法对海杂波的抑制效果比最优滤波算法提升1.2~1.5dB。
通过以上实例,验证了本发明的有益效果,相对于目前存在的海杂波抑制算法,本发明所提出的基于先验知识的海杂波抑制算法能够进一步抑制海杂波。
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (1)
1.一种基于先验知识的天波雷达海杂波抑制方法,其特征在于,包括以下步骤:
步骤1.利用雷达工作频率f,计算海杂波一阶谱分布的两个分散的频率点为:
其中,g为重力加速度;λ为雷达波波长,λ=c/f、c为光速;
步骤2:利用脉冲重复周期T,得到距离单元l处的海杂波接收模型:
其中,M为一个相干处理时间内雷达发射脉冲数;
步骤3:距离单元l处的接收信号为:
x(l)=α(l)s(f)+c(l)+n(l)
其中,c(l)和n(l)分别为距离单元l处的杂波和噪声,α(l)为距离单元l处的目标信号幅度,s(f)为距离单元l处待检测单元的时域导向矢量,表示为:
步骤4:利用距离单元l处的接收信号x(l),得到距离单元l处的海杂波矩阵R:
其中,(·)H为共轭转置符号;L为总的距离门数;CUT为待检测单元;
其中,x′(l)为距离单元l处的接收信号x(l)去除待检测单元后的信号,求解得权值系数α,β;
步骤6:计算最优滤波器权向量:
求解上式得到最优滤波器权向量w:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710498402.2A CN107462877B (zh) | 2017-06-27 | 2017-06-27 | 一种基于先验知识的天波雷达海杂波抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710498402.2A CN107462877B (zh) | 2017-06-27 | 2017-06-27 | 一种基于先验知识的天波雷达海杂波抑制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107462877A CN107462877A (zh) | 2017-12-12 |
CN107462877B true CN107462877B (zh) | 2020-12-29 |
Family
ID=60544065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710498402.2A Expired - Fee Related CN107462877B (zh) | 2017-06-27 | 2017-06-27 | 一种基于先验知识的天波雷达海杂波抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107462877B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108761417B (zh) * | 2018-05-31 | 2021-12-10 | 西安电子科技大学 | 基于知识辅助最大似然的机载雷达杂波抑制方法 |
CN109061597B (zh) * | 2018-08-23 | 2022-04-15 | 哈尔滨工业大学 | 基于盲源分离与时频脊波域滤波的电离层杂波抑制方法 |
CN109061598B (zh) * | 2018-08-28 | 2022-10-14 | 电子科技大学 | 一种stap杂波协方差矩阵估计方法 |
CN110646768B (zh) * | 2019-10-11 | 2022-05-06 | 深圳大学 | 一种基于不确定先验知识的杂波秩估计方法及装置 |
CN111157958B (zh) * | 2019-12-30 | 2023-03-24 | 西安电子科技大学 | 一种新型自适应海杂波滤器的实时控制*** |
CN111337895B (zh) * | 2020-01-14 | 2021-11-09 | 北京理工大学 | 多通道海杂波空时相关性分析方法 |
CN112433215B (zh) * | 2020-10-29 | 2022-11-04 | 河海大学 | 基于先验知识加权的气象雷达风力涡轮机杂波抑制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104155632A (zh) * | 2014-07-18 | 2014-11-19 | 南京航空航天大学 | 一种基于局部相关性的改进子空间海杂波抑制方法 |
CN106353732A (zh) * | 2016-08-15 | 2017-01-25 | 西安电子科技大学 | 一种基于认知的机载雷达异构杂波抑制方法 |
CN106483516A (zh) * | 2016-11-25 | 2017-03-08 | 西安电子科技大学 | 基于先验知识的雷达杂波空时自适应处理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6473027B1 (en) * | 2001-05-15 | 2002-10-29 | Northrop Grumman Corporation | False reflected target elimination and automatic reflector mapping in secondary surveillance radar |
-
2017
- 2017-06-27 CN CN201710498402.2A patent/CN107462877B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104155632A (zh) * | 2014-07-18 | 2014-11-19 | 南京航空航天大学 | 一种基于局部相关性的改进子空间海杂波抑制方法 |
CN106353732A (zh) * | 2016-08-15 | 2017-01-25 | 西安电子科技大学 | 一种基于认知的机载雷达异构杂波抑制方法 |
CN106483516A (zh) * | 2016-11-25 | 2017-03-08 | 西安电子科技大学 | 基于先验知识的雷达杂波空时自适应处理方法 |
Non-Patent Citations (3)
Title |
---|
基于先验信息的杂波抑制方法研究;宋婷;《CNKI优秀硕士论文全文库》;20151201;全文 * |
基于先验知识及其定量评估的自适应杂波;唐波等;《航空学报》;20130202;第34卷(第5期);全文 * |
天波雷达自适应海杂波抑制算法研究;朱洹锐;《中国优秀硕士学位论文全文数据库信息科技辑》;20161103(第01期);第3.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN107462877A (zh) | 2017-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107462877B (zh) | 一种基于先验知识的天波雷达海杂波抑制方法 | |
CN103728594B (zh) | 基于多通道nlms的外辐射源雷达海杂波干扰抑制方法 | |
Wang et al. | Manoeuvring target detection in over-the-horizon radar using adaptive clutter rejection and adaptive chirplet transform | |
CN103760529B (zh) | 一种无源探测高效级联空时自适应处理方法 | |
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 | |
CN102565763A (zh) | 一种自适应杂波抑制动目标信号处理技术及实现方法 | |
CN104793194B (zh) | 基于改进的自适应多脉冲压缩的距离‑多普勒估计方法 | |
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 | |
CN104076343A (zh) | 星载三通道sar-gmti自适应杂波抑制方法 | |
CN115963457A (zh) | 一种多通道无源雷达直达波干扰抑制方法 | |
CN101907702A (zh) | 用于mimo雷达的两维多脉冲对消器 | |
Lei et al. | Transient interference suppression method based on an improved TK energy operator and fuzzy reasoning | |
CN108387882A (zh) | 一种基于二阶锥优化理论的mtd滤波器组设计方法 | |
CN105227227B (zh) | 一种基于小波的智能天线波束形成***和方法 | |
CN103885044B (zh) | 一种基于clean算法的窄带雷达回波杂噪抑制方法 | |
CN113238194B (zh) | 基于分数域-频域处理的宽带相控阵雷达抗诱骗干扰方法 | |
JP2013124971A (ja) | クラッタ抑圧装置 | |
CN102353960B (zh) | 前视避碰声纳浅海稳健高分辨方位估计方法 | |
Luo | Target detection method in short coherent integration time for sky wave over-the-horizon radar | |
Wang et al. | Interference suppression based on single-channel blind source separation in weather radar | |
Pan et al. | Adaptive active sonar signal processing for optimal LFM echo detection of slowly moving targets | |
Hu et al. | Radio frequency interference suppression algorithm based on SOCP in OTHR | |
Zhang et al. | Dual-domain Feature-oriented Interference Suppression for FMCW Automotive Radar | |
Wen et al. | Review of interference suppression algorithms for passive sonar | |
Minhong et al. | Noise amplitude modulation jamming signal suppression based on weighted-matching pursuit |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201229 |