CN111220986A - 回波功率筛选与dlcd辅助的低空风切变风速估计方法 - Google Patents
回波功率筛选与dlcd辅助的低空风切变风速估计方法 Download PDFInfo
- Publication number
- CN111220986A CN111220986A CN202010131082.9A CN202010131082A CN111220986A CN 111220986 A CN111220986 A CN 111220986A CN 202010131082 A CN202010131082 A CN 202010131082A CN 111220986 A CN111220986 A CN 111220986A
- Authority
- CN
- China
- Prior art keywords
- sample
- echo power
- dlcd
- echo
- screening
- 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
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
- 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
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
- G01S13/953—Radar or analogous systems specially adapted for specific applications for meteorological use mounted on aircraft
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种回波功率筛选与DLCD辅助的低空风切变风速估计方法。其包括以下步骤:1)利用回波功率对训练样本进行初选,从中选择功率较大的训练样本;2)利用DLCD计算样本相似度对初选出来的训练样本进行二次筛选,从中选择样本相似度高的训练样本;3)估计待检距离单元杂波协方差矩阵;4)构建广义相邻多波束‑局域联合处理器实现对杂波的抑制和风场目标信号的匹配;5)重复步骤2)‑4),依次对范围内所有距离单元的回波数据进行处理。本发明针对机载气象雷达下视探测低空风切变时,在非均匀杂波环境下,低空风切变风速估计不准的问题,提出了一种回波功率筛选与DLCD辅助的低空风切变风速估计方法。仿真结果证明了该方法的有效性。
Description
技术领域
本发明属于机载气象雷达目标检测技术领域,特别是涉及一种回波功率筛选与DLCD(数字地表分类数据)辅助的低空风切变风速估计方法。
背景技术
低空风切变属于一种极端的天气状况,其具有尺度小、强度大、危害性强、不易监测等特点,在飞机起飞和降落阶段严重影响着飞机的安全。当飞机在起飞或降落阶段突然遭遇低空风切变,飞行员往往由于没有足够的空间和时间来调整飞机姿态而造成严重的飞行事故,因此低空风切变的检测和预警成为当前民航领域的一项重要课题,而风切变风速估计作为整个低空风切变检测流程的基础,会直接影响低空风切变检测的准确程度。
在均匀杂波环境下,可以利用统计的方法,将临近的距离单元作为训练样本对待测距离单元的杂波协方差矩阵进行估计,进而得到一个最大似然准则下的最优滤波器,但在雷达的实际工作环境中,由于地表起伏等原因,不同的训练样本之间很难满足独立同分布的条件,同时不同距离单元的杂波回波功率存在严重的非均匀性,导致估计得到的杂波协方差矩阵失配,无法充分抑制强杂波,因此会严重影响风速估计结果的准确性。
围绕非均匀杂波环境下的STAP(空时自适应处理)问题,研究者开展了大量的研究,提出了很多具有重要意义和实际应用价值的杂波抑制算法,主要包括功率选择训练法(Power Selected Training,PST)、非均匀检测器法(NonHomogeneity Detector,NHD)、知识辅助法等,但这些方法大都被应用于某种特定的杂波非均匀情况下的点目标的检测和参数估计,而应用于非均匀杂波环境下的低空风切变检测和风速估计的文献还未曾看到。
发明内容
为了解决上述问题,本发明的目的在于提供一种回波功率筛选与DLCD辅助的低空风切变风速估计方法。
为了达到上述目的,本发明提供的回波功率筛选与DLCD辅助的低空风切变风速估计方法包括按顺序进行的下列步骤:
1)以机载气象雷达接收的各个距离单元的回波数据作为样本,利用回波功率对样本进行初选,从中选择出功率较大的样本作为训练样本;
2)利用数字地表分类数据计算上述训练样本的样本相似度而对训练样本进行二次筛选,从中选择出样本相似度高的训练样本;
3)利用上述步骤2)得到的训练样本估计待检距离单元的杂波协方差矩阵;
4)利用上述杂波协方差矩阵构建广义相邻多波束-局域联合降维处理器,以实现对杂波的抑制和风场目标信号的匹配;
5)重复步骤2)-4),依次对机载气象雷达探测范围内所有待测距离单元的回波数据进行处理,进而完成整个风切变场的风速估计。
在步骤1)中,所述的以机载气象雷达接收的各个距离单元的回波数据作为样本,利用回波功率对样本进行初选,从中选择出功率较大的样本作为训练样本的方法是:计算机载气象雷达接收的各个距离单元回波数据的回波功率,并对各个距离单元回波功率大小进行排序,从中选取回波功率较大的样本作为训练样本。
在步骤2)中,所述的利用数字地表分类数据计算上述训练样本的样本相似度而对训练样本进行二次筛选,从中选择出样本相似度高的训练样本的方法是:利用数字地表分类数据计算出各个距离单元的样本相似度,从经过回波功率初选出来的训练样本中选取与待检测距离单元样本相似度较高的样本作为训练样本。
在步骤3)中,所述的杂波协方差矩阵表示为如下形式:
其中,Ψl(y)表示经过样本相似度筛选得到的第y(y=1,2,…,Y)个训练样本,Y为经过样本相似度筛选后样本数目。
在步骤4)中,所述的利用上述杂波协方差矩阵构建广义相邻多波束-局域联合降维处理器,以实现对杂波的抑制和风场目标信号的匹配的方法是:利用步骤3)中估计得到的杂波协方差矩阵构建广义相邻多波束-局域联合降维处理器,然后利用广义相邻多波束-局域联合降维处理器的最优权矢量实现对杂波的抑制和风场目标信号的匹配。
本发明提供的回波功率筛选与DLCD辅助的低空风切变风速估计方法首先根据回波功率的大小对样本进行初选,选择回波功率较大的样本作为训练样本估计杂波协方差矩阵,可以加深滤波器凹口,充分抑制功率非均匀的强杂波,然后利用DLCD计算各样本间的相似度,并从功率较大的训练样本中再次挑选出样本相似度较高的训练样本估计待测距离单元的杂波协方差矩阵,尽可能保证挑选出的训练样本和待测距离单元的杂波具有相同的分布,最后利用GMB-JDL的方法获得风速的准确估计。仿真结果证明了本方法的有效性。
附图说明
图1为本发明提供的回波功率筛选与DLCD辅助的低空风切变风速估计方法流程图;
图2为仿真的机载气象雷达回波信号空时二维谱;
图3为均匀杂波环境与非均匀杂波环境的特征谱对比图;
图4为各个距离单元的样本相似度图;
图5为本发明方法与其他方法的风速估计结果对比图;
具体实施方式
下面结合附图和具体实例对本发明提供的回波功率筛选与DLCD辅助的低空风切变风速估计方法进行详细说明。
如图1所示,本发明提供的回波功率筛选与DLCD辅助的低空风切变风速估计方法包括按顺序进行的下列步骤:
1)以机载气象雷达接收的各个距离单元的回波数据作为样本,利用回波功率对样本进行初选,从中选择出功率较大的样本作为训练样本;
本发明假设机载气象雷达天线体制为均匀线阵,杂波单元水平方位角和俯仰角分别表示为θ和机载气象雷达***的阵元数为N,相干脉冲数为K,从机载导航设备中读取飞机速度V、脉冲重复周期Tr、阵元间隔d、机载气象雷达天线主瓣波束水平方位角θ0和俯仰角机载气象雷达天线发射电磁波波长λ在内的数据。
机载气象雷达在其探测范围内共有L个距离单元,第l个距离单元的空时二维快拍数据x(l)(l=1,2,…L)可表示为:
x(l)=s(l)+c(l)+n (1)
其中,n为高斯白噪声,c(l)为第l个距离单元的非均匀地杂波数据,它是在Ward模型的基础上融合DEM(数字高程模型)数据和DLCD仿真得到的,s(l)为第l个距离单元的低空风切变数据,可表示为:
其中,Γ为该距离单元风场信号回波复幅度,A(ψ0,fl)为该距离单元风场信号的空时导向矢量,ψ0为风场信号空间锥角,At(fl)为该距离单元风场信号的时域导向矢量,fl为该距离单元内目标回波的多普勒中心频率,表示Kronecker积,为该距离单元风场信号的空域导向矢量,θ0和分别表示风场信号的方位角和俯仰角。时域导向矢量At(fl)和空域导向矢量可以分别表示为:
At(fl)=at(fl)⊙g(σf) (3)
其中,为该距离单元多普勒中心频率为fl的点目标的时域导向矢量,⊙为Hadamard积,为频率扩展函数,其中,σf为多普勒谱宽。为该距离单元风场中心上点目标的空域导向矢量,为风场信号的角度扩展函数,其中,σθ和分别为风场信号的方位角θ0和俯仰角方向上的角度扩展。
机载气象雷达全距离单元的回波功率可以表示为:
P=[P(1) P(2) … P(l) … P(L)] (5)
其中,P(l)为第l个距离单元的回波功率,可以用下式进行计算:
P(l)=x(l)Hx(l) (6)
其中,(·)H表示共轭转置。以第l个距离单元作为待测距离单元,根据回波功率P,从样本中初选出不包含待测距离单元且功率大于等于以三倍降维处理器***自由度所对应的功率为门限值的I个距离单元作为训练样本,令IIl为经过回波功率初选得到的I个训练样本所构成的集合,则:
IIl={x(r)|P(r)≥Ps,r=1,2,…,l-1,l+1,…,L} (7)
其中,Ps为三倍降维处理器***自由度所对应的功率门限值(I的取值应满足两倍以上降维处理器***自由度,即I≥2[u+z-1+(α-1)(β-1)],其中,[u+z-1+(α-1)(β-1)]为降维处理器***自由度,u,z分别为GMB(广义相邻多波束)算法选取的波束与多普勒通道数目,α,β分别为JDL(局域联合处理)算法选取的波束与多普勒通道数目。这里取三倍降维处理器***自由度为门限值是为样本的二次筛选留出余度)。这样可以有效地加深自适应滤波器凹口,抑制强杂波。将集合IIl中的元素排列开来:
IIl=[IIl(1) IIl(2) … IIl(i) … IIl(I)] (8)
其中,IIl(i)表示经过回波功率初选得到的第i(i=1,2,…,I)个训练样本。
2)利用数字地表分类数据计算上述训练样本的样本相似度而对训练样本进行二次筛选,从中选择出样本相似度高的训练样本;
DLCD中包含了雷达作用范围内每个地表散射点的地貌分类码,假设在DLCD中,地貌类型被分为Q类,则对于由回波功率初选出的训练样本的集合IIl中的第i个训练样本来说,可以定义一个地貌特征矢量:
其中,Mi为第i个训练样本对应的距离单元内包含的地表散射点的总数(DEM和DLCD均是实际地形空间分布特征的离散化模型,采用等间隔的正方形网格来表示地表网格点的地理信息,这里的地表散射点也即网格点),οq为第q类地貌的地貌分类码,τq为该距离单元第q类地貌的地表散射点数量。
假设待测距离单元的地貌特征矢量为WCUT,则第i个训练样本与待测距离单元的样本相似度可由下式计算:
Λi=(WCUT-Wi)H(WCUT-Wi) (10)
由此可以得到根据回波功率已经初选出的I个训练样本的样本相似度:
Λ=[Λ1 Λ2 … Λi … ΛI] (11)
其中,Λi(i=1,2,…,I)越小,表示样本的相似度越高。根据样本相似度Λ,从集合IIl中选取样本相似度较高的Y个训练样本,用于估计待测距离单元杂波协方差矩阵,此时Y的选取要大于或等于降维处理器***自由度的两倍。以两倍降维处理器***自由度所对应的样本相似度为门限值,令El为样本相似度小于等于这一门限值的Y个训练样本所构成的集合,则:
El={IIl(i)|Λi≤Λs,i=1,2,…,I} (12)
其中,Λs为两倍降维处理器***自由度所对应的样本相似度门限值。将集合El中的元素排列开来:
El=[Ψl(1) Ψl(2) … Ψl(y) … Ψl(Y)] (13)
其中,Ψl(y)表示经过样本相似度筛选得到的第y(y=1,2,…,Y)个训练样本。
3)利用上述步骤2)得到的训练样本估计待检距离单元的杂波协方差矩阵;
所述的杂波协方差矩阵可以表示为如下形式:
4)利用上述杂波协方差矩阵构建广义相邻多波束-局域联合降维处理器,以实现对杂波的抑制和风场目标信号的匹配;
基于GMB-JDL的低空风切变风速估计方法,该方法是将GMB方法和JDL方法相结合,在适当增加辅助波束和辅助多普勒通道的基础上,同时结合了两种算法的优点,大大降低了运算量和对训练样本的要求,提高了低空风切变风速估计的稳健性。
在降维STAP方法中,降维处理的关键是构造合适的降维变换矩阵。当风场信号的方位已知时,假定第l个距离单元风场信号的空时导向矢量为A(ψ0,fll),其中,fll表示该距离单元风场信号主多普勒通道的归一化多普勒频率(fll∈[-1,1]),则,GMB-JDL方法的降维变换矩阵Tl可以表示为:
Tl=[T1 T2 T3] (15)
其中,
其中,T1为主多普勒通道与u个空域相邻波束组成的降维变换矩阵,T2为主波束与(z-1)个时域相邻多普勒通道组成的降维变换矩阵,T3为(α-1)个相邻波束和(β-1)个相邻多普勒通道组成的降维变换矩阵,Δf和Δψ分别表示相邻多普勒通道的频率差值和相邻波束的角度差值。Bt(fll)=Θt⊙At(fll),Bs(ψ0)=Θs⊙As(ψ0)分别为构造的该距离单元内低空风切变信号的加权时域、空域导向矢量,Θt和Θs分别表示时域和空域的静态加权矢量。适当加权后,剩余杂波主要集中在主瓣杂波区和多普勒通带杂波区,利用多个相邻波束和相邻多普勒通道可以实现对上述杂波区的对消。
计算得到降维变换矩阵Tl以后,根据LCMV准则,可将第l个距离单元内的GMB-JDL处理器表示为式(17)所示数学优化问题:
当机载气象雷达回波信号通过GMB-JDL降维处理器后,可以在降维的基础上实现地杂波抑制和风切变信号匹配,此时,可用式(19)作为代价函数估计待测距离单元风场回波信号的多普勒频率:
其中,xT(l)=Tl Hx(l),进而得到第l个距离单元的风速估计值为:
5)重复步骤2)-4),依次对机载气象雷达探测范围内所有待测距离单元的回波数据进行处理,进而完成整个风切变场的风速估计。
重复步骤2)-4),计算各个距离单元的风速估计值,进而完成整个风切变场的风速估计。
本发明提供的回波功率筛选与DLCD辅助的低空风切变风速估计方法的效果可以通过以下仿真结果进一步说明。
仿真条件描述:机载气象雷达天线为阵元数N=16的均匀线阵,阵元间隔d=λ/2,机载气象雷达天线发射电磁波波长为0.05m,脉冲重复频率为7000Hz,最小可分辨距离为150m,相干处理脉冲数为K=64,杂噪比为40dB,信噪比为5dB。
图2为仿真的机载气象雷达回波信号空时二维谱。由图2可以看出,当机载气象雷达工作在前视模式时,低空风切变的空时二维谱为一条窄带,地杂波的空时二维谱为椭圆形。低空风切变场的回波功率远小于地杂波的回波功率,致使风场回波的多普勒信息被地杂波的多普勒信息所淹没,严重影响了低空风切变的检测及参数估计。
图3为均匀杂波环境与非均匀杂波环境的特征谱对比图。由图3可以看出,相比于均匀杂波,非均匀杂波大特征值的功率要高于均匀杂波,同时大特征值的个数也会增加,这会导致杂波自由度估计不准确,为功率非均匀的杂波抑制带来困难。
图4为以10、50、90和130号距离单元作为待测距离单元计算得到的样本相似度。由图4可以看出,以不同的距离单元作为待测距离单元计算得到的各样本相似度是不同的,说明在非均匀地杂波中,并不是所有的训练样本都满足独立同分布的条件,为了有效地估计待测距离单元的杂波协方差矩阵,需要根据样本相似度选取合适的训练样本。
图5为本发明方法与其他方法的风速估计结果对比图。由图5可以看出,本发明方法在非均匀杂波环境下依然可以较好地估计出风速。对比图显示非均匀杂波环境下,最优STAP的估计结果相对于本发明方法还要差,主要是因为在非均匀杂波环境下,用于估计杂波协方差矩阵所需的IID的训练样本数严重不足,而本发明方法作为一种稳健的降维STAP的方法,对训练样本数的需求没有那么高。
Claims (5)
1.一种回波功率筛选与DLCD辅助的低空风切变风速估计方法,其特征在于:所述的回波功率筛选与DLCD辅助的低空风切变风速估计方法包括按顺序进行的下列步骤:
1)以机载气象雷达接收的各个距离单元的回波数据作为样本,利用回波功率对样本进行初选,从中选择出功率较大的样本作为训练样本;
2)利用数字地表分类数据计算上述训练样本的样本相似度而对训练样本进行二次筛选,从中选择出样本相似度高的训练样本;
3)利用上述步骤2)得到的训练样本估计待检距离单元的杂波协方差矩阵;
4)利用上述杂波协方差矩阵构建广义相邻多波束-局域联合降维处理器,以实现对杂波的抑制和风场目标信号的匹配;
5)重复步骤2)-4),依次对机载气象雷达探测范围内所有待测距离单元的回波数据进行处理,进而完成整个风切变场的风速估计。
2.根据权利要求1所述的回波功率筛选与DLCD辅助的低空风切变风速估计方法,其特征在于:在步骤1)中,所述的以机载气象雷达接收的各个距离单元的回波数据作为样本,利用回波功率对样本进行初选,从中选择出功率较大的样本作为训练样本的方法是:计算机载气象雷达接收的各个距离单元回波数据的回波功率,并对各个距离单元回波功率大小进行排序,从中选取回波功率较大的样本作为训练样本。
3.根据权利要求1所述的回波功率筛选与DLCD辅助的低空风切变风速估计方法,其特征在于:在步骤2)中,所述的利用数字地表分类数据计算上述训练样本的样本相似度而对训练样本进行二次筛选,从中选择出样本相似度高的训练样本的方法是:利用数字地表分类数据计算出各个距离单元的样本相似度,从经过回波功率初选出来的训练样本中选取与待检测距离单元样本相似度较高的样本作为训练样本。
5.根据权利要求1所述的回波功率筛选与DLCD辅助的低空风切变风速估计方法,其特征在于:在步骤4)中,所述的利用上述杂波协方差矩阵构建广义相邻多波束-局域联合降维处理器,以实现对杂波的抑制和风场目标信号的匹配的方法是:利用步骤3)中估计得到的杂波协方差矩阵构建广义相邻多波束-局域联合降维处理器,然后利用广义相邻多波束-局域联合降维处理器的最优权矢量实现对杂波的抑制和风场目标信号的匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010131082.9A CN111220986A (zh) | 2020-02-28 | 2020-02-28 | 回波功率筛选与dlcd辅助的低空风切变风速估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010131082.9A CN111220986A (zh) | 2020-02-28 | 2020-02-28 | 回波功率筛选与dlcd辅助的低空风切变风速估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111220986A true CN111220986A (zh) | 2020-06-02 |
Family
ID=70826188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010131082.9A Pending CN111220986A (zh) | 2020-02-28 | 2020-02-28 | 回波功率筛选与dlcd辅助的低空风切变风速估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111220986A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113176420A (zh) * | 2021-02-08 | 2021-07-27 | 国网北京市电力公司 | 一种针对电网杆塔点的风速预报订正*** |
WO2022239416A1 (ja) * | 2021-05-11 | 2022-11-17 | 古野電気株式会社 | 学習モデルの生成方法、コンピュータプログラム、推定方法及び推定装置 |
WO2022239417A1 (ja) * | 2021-05-11 | 2022-11-17 | 古野電気株式会社 | 学習モデルの生成方法、コンピュータプログラム、マイクロ波放射計及び推定方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6307500B1 (en) * | 1999-08-13 | 2001-10-23 | University Corporation For Atmospheric Research | Method of moment estimation and feature extraction for devices which measure spectra as a function of range or time |
US20070073486A1 (en) * | 2005-09-26 | 2007-03-29 | Tillotson Brian J | Airborne weather profiler network |
CN103163523A (zh) * | 2013-02-25 | 2013-06-19 | 中国民航大学 | 基于压缩感知的低空风切变风速估计方法 |
CN108761419A (zh) * | 2018-06-15 | 2018-11-06 | 中国民航大学 | 基于组合空时主通道自适应处理的低空风切变风速估计方法 |
CN110554391A (zh) * | 2019-09-11 | 2019-12-10 | 中国民航大学 | 基于ddd-gmb的低空风切变风速估计方法 |
-
2020
- 2020-02-28 CN CN202010131082.9A patent/CN111220986A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6307500B1 (en) * | 1999-08-13 | 2001-10-23 | University Corporation For Atmospheric Research | Method of moment estimation and feature extraction for devices which measure spectra as a function of range or time |
US20070073486A1 (en) * | 2005-09-26 | 2007-03-29 | Tillotson Brian J | Airborne weather profiler network |
CN103163523A (zh) * | 2013-02-25 | 2013-06-19 | 中国民航大学 | 基于压缩感知的低空风切变风速估计方法 |
CN108761419A (zh) * | 2018-06-15 | 2018-11-06 | 中国民航大学 | 基于组合空时主通道自适应处理的低空风切变风速估计方法 |
CN110554391A (zh) * | 2019-09-11 | 2019-12-10 | 中国民航大学 | 基于ddd-gmb的低空风切变风速估计方法 |
Non-Patent Citations (6)
Title |
---|
张军;: "基于动态卫星云图的机载气象雷达视觉仿真方法", vol. 28, no. 06 * |
张贝贝 等: "一种空时自适应处理的降维矩阵改进算法", 探测与控制学报, vol. 32, no. 6, pages 37 - 41 * |
段佳玲: "基于多通道LFMCW雷达的低空风切变检测技术", 中国优秀硕士学位论文全文数据库 基础科学辑, no. 02, pages 36 - 43 * |
王杰: "地理信息辅助的低空风切变检测方法研究" * |
王杰: "地理信息辅助的低空风切变检测方法研究", 中国优秀硕士学位论文全文数据库 工程科技II辑, no. 02, pages 29 - 39 * |
齐霞;安磊;张妍;李芬花;张浩;阎洁;韩爽;李莉;: "风电机组功率曲线建模方法对比研究", no. 04 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113176420A (zh) * | 2021-02-08 | 2021-07-27 | 国网北京市电力公司 | 一种针对电网杆塔点的风速预报订正*** |
CN113176420B (zh) * | 2021-02-08 | 2024-03-12 | 国网北京市电力公司 | 一种针对电网杆塔点的风速预报订正*** |
WO2022239416A1 (ja) * | 2021-05-11 | 2022-11-17 | 古野電気株式会社 | 学習モデルの生成方法、コンピュータプログラム、推定方法及び推定装置 |
WO2022239417A1 (ja) * | 2021-05-11 | 2022-11-17 | 古野電気株式会社 | 学習モデルの生成方法、コンピュータプログラム、マイクロ波放射計及び推定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108761419B (zh) | 基于组合空时主通道自适应处理的低空风切变风速估计方法 | |
CN111220986A (zh) | 回波功率筛选与dlcd辅助的低空风切变风速估计方法 | |
CN104977571B (zh) | 基于俯仰频率分集stap的距离模糊杂波抑制方法 | |
CN103529437B (zh) | 系留气球载相控阵雷达在多目标下分辨空地目标的方法 | |
CN110554391B (zh) | 基于ddd-gmb的低空风切变风速估计方法 | |
CN112612006B (zh) | 基于深度学习的机载雷达非均匀杂波抑制方法 | |
CN101556328A (zh) | 基于杂波协方差矩阵的机载雷达空时二维滤波器构建方法 | |
CN109212500A (zh) | 一种基于稀疏重构的ka-stap杂噪协方差矩阵高精度估计方法 | |
CA2411615A1 (en) | Surface wave radar | |
CN111220955B (zh) | 基于垂直阵列协方差矩阵特征分解的机载气象雷达地杂波抑制方法 | |
CN112612005B (zh) | 基于深度学习的雷达抗主瓣干扰方法 | |
CN106872982A (zh) | 基于多普勒预滤波的降维stap微下击瀑流中心风速估计方法 | |
CN113504509B (zh) | 一种波束域补偿的匀加速机载雷达杂波抑制方法 | |
CN103267964A (zh) | 一种基于低秩矩阵恢复的弹载导引头雷达σδ-stap方法 | |
CN111239742B (zh) | 海杂波背景下基于mbmc的低空风切变风速估计方法 | |
CN104793210B (zh) | 基于压缩感知的机载相控阵雷达低空风切变风速估计方法 | |
CN110082744A (zh) | 多普勒分级复用的mimo机载双基雷达杂波抑制方法 | |
CN106970358B (zh) | 非正侧视阵雷达杂波谱的角度多普勒配准的优化方法 | |
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 | |
CN106054195B (zh) | 基于空时最优处理器的湍流谱宽估计方法 | |
CN104914421A (zh) | 基于和差波束的低空风切变风速估计方法 | |
CN110109120B (zh) | 载机俯冲下基于ddd-3dt的低空风切变风速估计方法及装置 | |
CN104914420B (zh) | 基于多通道联合自适应处理的低空风切变风速估计方法 | |
Belkacemi et al. | Fast iterative subspace algorithms for airborne STAP radar | |
CN109212502A (zh) | 基于重加权的采样矩阵求逆非均匀检测器 |
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 |