CN114690175B - 一种基于被动外辐射源雷达的目标直接检测与跟踪方法 - Google Patents
一种基于被动外辐射源雷达的目标直接检测与跟踪方法 Download PDFInfo
- Publication number
- CN114690175B CN114690175B CN202210377728.0A CN202210377728A CN114690175B CN 114690175 B CN114690175 B CN 114690175B CN 202210377728 A CN202210377728 A CN 202210377728A CN 114690175 B CN114690175 B CN 114690175B
- Authority
- CN
- China
- Prior art keywords
- target
- signal
- probability
- particles
- particle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 230000005855 radiation Effects 0.000 title claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 239000002245 particle Substances 0.000 claims description 39
- 239000013598 vector Substances 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 11
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000004083 survival effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 4
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000004088 simulation Methods 0.000 description 5
- 101001086191 Borrelia burgdorferi Outer surface protein A Proteins 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003657 Likelihood-ratio test Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
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
- G01S13/66—Radar-tracking systems; Analogous systems
-
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/04—Systems determining presence of a target
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0248—Filters characterised by a particular frequency response or filtering method
- H03H17/0255—Filters based on statistics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Discrete Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出了一种基于被动外辐射源雷达的目标直接检测与跟踪方法,从被动MIMO雷达接收机接收数据出发,来实现未知目标出现时间的情况下的单目标的联合检测与跟踪问题。该发明将MIMO雷达信号分为参考信号和监测信号,并基于被动MIMO雷达的GLRT检测器原理设计伯努利滤波器的似然函数,该似然集中式融合所有接收机的两路信号进行构造。整套***有效地减小了传统两步法的中间误差,并且能做到更低信噪比下的目标跟踪,有良好的性能、对环境的适应性和鲁棒性,可以满足工程中的设计要求。
Description
技术领域
本发明属于电子对抗技术领域,具体涉及一种基于被动外辐射源雷达的目标直接检测与跟踪方法。
背景技术
传统的被动雷达目标跟踪方法主要分成两个步骤,先从接收到的信号中估计出疑似目标产生的时延(TOA)、多普勒频率(FOA)和/或到达角(DOA)等参数,然后选取适当的滤波器以这些中间参数作为量测,估计监测区域内的目标数和状态。同时,传统的流程往往在最开始的检测环节就已经进行了硬判决,这种方式产生的估计误差在下一阶段无法修复,很难在复杂场景下对目标进行实时有效的跟踪。
近年来,基于随机有限集理论的跟踪算法得到了广泛的关注,它无须考虑量测与目标之间的关联,可以快速实现目标数目未知的单\多目标跟踪。针对最多只有一个目标的场景,伯努利滤波器是一类广泛使用的联合检测与跟踪滤波器,其计算复杂度低且易于实现。和传统跟踪的两步法相比,直接跟踪算法直接应用接收机接收信号的全部信息直接得到目标个数和位置,不提取中间参数,从而减少了参数提取算法引起的误差积累。
发明内容
针对上述问题,本发明提出了一种基于被动外辐射源雷达的目标直接检测与跟踪算法,利用被动MIMO雷达的广义似然比检验(GLRT)检测原理,设计采用强度量测的一类伯努利滤波器的似然函数,被动MIMO雷达的GLRT利用了接收信号中的全部相关性,其性能优于其他仅利用其中一些相关性的被动MIMO雷达检测器,包括传统的分散式处理方法。这种伯努利滤波器的直接跟踪,避免了两步法跟踪的中间误差,以及传统检测与跟踪算法中的硬判决,且能够提高该算法对复杂场景的适应性和低信噪比下的鲁棒性,提高目标的跟踪性。本发明从被动MIMO雷达接收机接收数据出发,来实现未知目标出现时间的情况下的单目标的联合检测与跟踪问题,有良好的性能、对环境的适应性和鲁棒性,可以满足工程中的设计要求。
本发明采用的技术方案是:
本发明将含有时延和多普勒的MIMO雷达接收信号的离散化作为伯努利滤波器的输入,该信号分为参考信号和监测信号两路成分,并基于被动MIMO雷达的GLRT检测器原理设计伯努利滤波器的似然函数,该似然集中式融合所有接收机的两路信号,利用它们的完全相关关系构造。相较两步法而言,直接跟踪算法有效地减小了产生的中间误差,同时整个***是贝叶斯框架下的,其信息的传递是概率描述的形式,所以所提方案具有较强的鲁棒性和扩展性。又因为似然函数利用了两通道全部的相关信息,能做到更低信噪比下的目标跟踪。
假设一个被动MIMO雷达网络有发射站Mt个,多通道的接收站Mr个,记第i个发射站在的x轴和y轴的位置向量为ri,第j个接收站的位置向量为dj,发射站和接收站均静止,目标位置为p=[px,py]T,速度为目标状态为位置和速度向量的拼接假设观测时长为T,接收站有2个天线分别接收发射站经目标反射到接收站的回波,定义为监测信号,和发射站到接收站的直达波,定义为参考信号。则第i个发射站到第j个接收站的监测信号zs(t)和参考信号zr(t)分别为
qij=||dj-ri||/c
其中,αij和βij分别为监测信号和参考信号为在i-j通道上的复通道系数,τij和qij为两通道上的时延,都远小于T,vij为目标路径上的多普勒频率,为发射机i的载频,c为电磁波传播的速度,/>这个信号在频率上被信道化,每个信道被解调到基带并以同一个速率fs被采样,得到长度为L=fsT的离散信号,/>和/>分别表示第i-j个频率通道上采样的复基带信号,则k时刻的各个信号为
其中,是由第i个发射机的被采样的L快拍的复基带信号,如果将[·]m,n记作向量或矩阵的第(m,n)个元素,简便起见,认为/>省略表示时刻的k,/>和/>均为圆高斯白噪声,分布为/>其中0L和IL分别表示L×1的零向量和L×L的单位矩阵,/>表示噪声方差,定义噪声在发射频带和接收机之间是独立的,即/>其中(·)H是共轭转置符号,δx是狄拉克函数。可得/>为信噪比以及/>为直达波和噪声之比;是时延-多普勒操作符,该操作符反映了延迟τ和多普勒频移v作用在第i个发射信号传播到第j个接收机时对L长度的采样信号的影响,
其中,D(u)=diag{[eι2πu·0,…,eι2πu·(L-1)]}是CL×L的对角阵,diag{[b1,…,bQ]}表示以b1,…,bQ为对角元素的对角阵,W∈CL×L表示单位离散傅里叶变换(DFT)矩阵,其第(m,n)个元素为
定义针对所有接收机的监测信号和参考信号以及所有量测的拼接分别为
其中,(·)(s,r)表示(·)s或(·)r。
一种基于伯努利滤波器的被动MIMO雷达目标直接检测与跟踪方法,其特征在于,用序贯蒙特卡罗的方法实现伯努利滤波器,近似其空间概率密度函数,用GLRT检测算法计算滤波器的似然函数,用软判决代替硬判决来状态提取及检测目标是否存在。包括以下步骤:
S1、将含有时延和多普勒的MIMO雷达接收信号的离散化作为伯努利滤波器的输入,并采用序贯蒙特卡罗的方法实现伯努利滤波器。序贯蒙特卡罗方法实现的伯努利滤波器用一批有权重的粒子来近似伯努利分布的空间概率密度函数pk(x),近似的方法为/>k=0时,初始化伯努利分布参数为π0={r0,p0(x)},r0为该目标的存在概率,p0(x)为对应的空间概率密度函数,用粒子/>来近似p0(x),N为预测粒子的数量,B为新生粒子的数量,/>为每个粒子对应的权重。
S2、K≥k≥1时,重复以下步骤。输入:先验的目标伯努利分布参数和当前时刻的量测向量zk。首先进行预测:预测参数为πk|k-1={rk|k-1,pk|k-1(x)},其中预测存在概率计算为
rk|k-1=pb(1-rk-1)+psrk-1
其中rk-1、和/>分别表示k-1时刻的存在概率、粒子权重和粒子状态,pb为新生概率,ps为存活概率。组成空间概率密度pk|k-1(x)的粒子由预测部分和新生部分组成:
其中,是状态的高斯预测概率密度,/>为均值为m,方差为P的高斯函数,Qk-1为过程噪声协方差矩阵,bk(x;zk)是已知的状态的新生密度。预测的粒子权重/>也需要分别计算
S3、简写为/>为/>利用GLRT原理计算假设无目标时的似然
其中,λ1(·)表示方阵的最大特征值,以及
其中,||·||表示二范数;
S4、对于每个粒子(l=1,…,N+B),重复以下步骤计算与似然有关的参数
S41、利用GLRT原理计算假设有目标时的似然
其中
S42、计算似然比
其中γ是事先确定的虚拟检测门限值,计算方法为在无目标情况下,
S5、用粒子求和近似似然比的积分,
S6、更新:根据预测的伯努利参数,再结合当前时刻获取的量测向量zk,可得k时刻的更新伯努利参数πk|k={rk|k,pk|k(x)}。其中存在概率为
S7、空间概率密度为:对于每个粒子(l=1,…,N+B),重复以下步骤更新粒子权重
粒子权重归一化:
S8、重采样:对于l=1,…,N和m(l)∈{1,…,N+B},以的概率选择粒子,权重大的粒子被选中的几率高,重采样后的粒子状态为
S9、重新将粒子权重设为
S10、输出N个粒子:rk,用于下一时刻的迭代,以及状态提取: 包含k时刻目标的位置估计和速度估计。
本发明的有益效果为,
1)本发明用伯努利滤波器解决以强度作为量测的单目标跟踪问题,并引入被动MIMO雷达建模和GLRT检测技术,解决发射信号未知时似然函数的计算问题,为在更复杂的场景下的跟踪提供了一种解决办法;
2)本发明可以解决被动MIMO雷达的联合检测与直接跟踪,避免了传统的两步法跟踪产生的中间误差,该方法在低信噪比下的鲁棒性强,效果良好。
附图说明
图1为DNR=15dB时发射站与接收站位置、目标真实轨迹及一次蒙特卡洛图;
图2为DNR=15dB时在x轴和y轴的具体跟踪结果图;
图3为平均OSPA随信噪比的变化曲线;
图4为平均目标个数估计随信噪比的变化图。
具体实施方式
下面结合附图和仿真示例证明本发明的实用性和有效性;
实施例
本例利用MATLAB对上述被动MIMO雷达联合检测与跟踪算法方案进行验证,为简化起见,对算法模型作如下假设:
下面结合附图和仿真示例说明本发明的有效性。
仿真条件及参数
仿真环境:为了便于说明,考虑一个有代表性的二维场景,假设被动MIMO雷达网络3个发射机ri分别位于[100,1000]、[400,1500]、[700,1500](m),3个接收机dj分别位于[0,-500]、[500,-800]、[1000,-500](m),目标状态向量为初始状态为x0=[0(m),0(m),10(m/s),17(m/s)]。假设总观测时长K=100s。目标的线性高斯运动方程为xk=Fxk-1+Gwk,其中
其中△=1s是采样周期,wk为过程噪声,是零均值,方差为的高斯噪声向量,σw=2.5m/s2,协方差为/>每个目标的存活概率ps=0.99。量测方程已经在开头描述过,各发射机的载频为/>采样频率fs=2×108,快拍数L=100,c=3×108,量测噪声方差主要通过SNR=-13dB和DNR=15dB来体现。目标在10s时新生,在80s时消亡。目标的出现来自于一个定点,目标新生模型泊松RFSΓk的强度如下:
其中,
mb=[0,0,0,0]T;
Pb=diag{[100,100,10,10]}2;
pb=0.01
用于模拟mb附近的自然新生。门限γ=e20,总共使用4000个粒子,其中存活粒子N=3000,新生粒子B=1000,蒙特卡洛仿真次数为100。
如图1-图4所示,通过仿真场景不变,SNR不变,改变DNR分别为15,20,25dB的实验,图3和图4分别画出了平均OSPA和平均目标个数估计,可以看出算法的估计误差和检测性能均满足要求。并且性能随DNR的增加而增加。除了在80s目标消失的时刻容易出现虚警,算法总能获得目标较准确的轨迹。综合图1-4来看,所提算法适用于被动MIMO雷达的联合检测与直接跟踪,且具有较强的鲁棒性和复杂环境适应能力。
Claims (1)
1.一种基于被动外辐射源雷达的目标直接检测与跟踪方法,定义被动MIMO雷达网络有发射站Mt个,多通道的接收站Mr个,且第i个发射站在x轴和y轴的位置向量为ri,第j个接收站的位置向量为dj,发射站和接收站均静止,目标位置为p=[px,py]Τ,速度为目标状态为位置和速度向量的拼接/>观测时长为T,接收站有2个天线分别接收发射站经目标反射到接收站的回波,定义为监测信号,以及发射站到接收站的直达波,定义为参考信号,则第i个发射站到第j个接收站的监测信号zs(t)和参考信号zr(t)为:
τij=(||p-ri||+||dj-p||)/c,
qij=||dj-ri||/c
其中,αij和βij分别为监测信号和参考信号在i-j通道上的复通道系数,τij和qij为两通道上的时延,都远小于T,nij为目标路径上的多普勒频率,为发射机i的载频,c为电磁波传播的速度,/>这个信号在频率上被信道化,每个信道被解调到基带并以一个速率fs被采样,得到长度为L=fsT的离散信号,/>和/>分别表示第i-j个频率通道上采样的复基带信号,则k时刻的各个信号为
其中,是由第i个发射机的被采样的L快拍的复基带信号,将[·]m,n记作向量或矩阵的第(m,n)个元素,则定义/>省略表示时刻的k,和/>均为圆高斯白噪声,分布为/>其中0L和IL分别表示L×1的零向量和L×L的单位矩阵,/>表示噪声方差,定义噪声在发射频带和接收机之间是独立的,即/>其中(·)H是共轭转置符号,δx是狄拉克函数;可得为信噪比以及/>为直达波和噪声之比;/>是时延-多普勒操作符,该操作符反映了延迟τ和多普勒频移ν作用在第i个发射信号传播到第j个接收机时对L长度的采样信号的影响,
其中,D(u)=diag{[ei2πu·0,…,ei2πu·(L-1)]}是CL×L的对角阵,diag{[b1,…,bQ]}表示以b1,…,bQ为对角元素的对角阵,W∈CL×L表示单位离散傅里叶变换矩阵,其第(m,n)个元素为
由定义式可得定义针对所有接收机的监测信号和参考信号以及所有量测的拼接分别为
其中,(·)(s,r)表示(·)s或(·)r;
其特征在于,目标直接检测与跟踪方法包括以下步骤:
S1、将含有时延和多普勒的MIMO雷达接收信号的离散化作为伯努利滤波器的输入,并采用序贯蒙特卡罗的方法实现伯努利滤波器,具体为:用一批有权重的粒子来近似伯努利分布的空间概率密度函数pk(x),近似的方法为/>k=0时,初始化伯努利分布参数为π0={r0,p0(x)},r0为该目标的存在概率,p0(x)为对应的空间概率密度函数,用粒子/>来近似p0(x),N为预测粒子的数量,B为新生粒子的数量,/>为每个粒子对应的权重;
S2、K≥k≥1时,输入:先验伯努利分布参数和当前时刻的量测向量zk;首先进行预测:预测参数为πk|k-1={rk|k-1,pk|k-1(x)},其中预测存在概率计算为
rk|k-1=pb(1-rk-1)+psrk-1
其中rk-1、和/>分别表示k-1时刻的存在概率、粒子权重和粒子状态,pb为新生概率,ps为存活概率;组成空间概率密度pk|k-1(x)的粒子由预测部分和新生部分组成:
其中,是状态的高斯预测概率密度,/>为均值为m,方差为P的高斯函数,Qk-1为过程噪声协方差矩阵,bk(x;zk)是已知的状态的新生密度;预测的粒子权重也需要分别计算
S3、简写为/> 为/>利用GLRT原理计算无目标时的似然
其中,λ1(·)表示方阵的最大特征值,以及
||·||表示二范数;
S4、对于每个粒子l,重复以下步骤计算与似然有关的参数:
S41、利用GLRT原理计算有目标时的似然
其中
S42、计算似然比
其中γ是事先确定的虚拟检测门限值,计算方法为在无目标情况下,
S5、用粒子求和近似似然比的积分,
S6、更新:根据预测的伯努利参数,再结合当前时刻获取的量测集zk,可得k时刻的更新伯努利参数πk|k={rk|k,pk|k(x)};其中存在概率为
S7、空间概率密度为:对于每个粒子l,重复以下步骤更新粒子权重
粒子权重归一化:
S8、重采样:对于l=1,…,N和m(l)∈{1,…,N+B},以的概率选择粒子,权重大的粒子被选中的几率高,重采样后的粒子状态为
S9、重新将粒子权重设为
S10、输出N个粒子:rk,用于下一时刻的迭代,以及状态提取: 包含k时刻目标的位置估计和速度估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210377728.0A CN114690175B (zh) | 2022-04-12 | 2022-04-12 | 一种基于被动外辐射源雷达的目标直接检测与跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210377728.0A CN114690175B (zh) | 2022-04-12 | 2022-04-12 | 一种基于被动外辐射源雷达的目标直接检测与跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114690175A CN114690175A (zh) | 2022-07-01 |
CN114690175B true CN114690175B (zh) | 2023-10-27 |
Family
ID=82142710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210377728.0A Active CN114690175B (zh) | 2022-04-12 | 2022-04-12 | 一种基于被动外辐射源雷达的目标直接检测与跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114690175B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115436902B (zh) * | 2022-09-15 | 2024-06-14 | 中国人民解放军国防科技大学 | 基于三通道联合检测的角误差估计方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408594A (zh) * | 2016-09-28 | 2017-02-15 | 江南大学 | 基于多伯努利特征协方差的视频多目标跟踪方法 |
CN106910205A (zh) * | 2017-03-03 | 2017-06-30 | 深圳市唯特视科技有限公司 | 一种基于随机有限集滤波器耦合的多目标跟踪方法 |
WO2017114967A1 (en) * | 2015-12-31 | 2017-07-06 | Robert Bosch Gmbh | Indoor room-localization system and method thereof |
CN107703496A (zh) * | 2017-10-12 | 2018-02-16 | 桂林电子科技大学 | 一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法 |
CN110109094A (zh) * | 2019-03-28 | 2019-08-09 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 多接收站单频网外辐射源雷达机动目标的检测与跟踪方法 |
CN111580084A (zh) * | 2020-05-13 | 2020-08-25 | 中国人民解放军国防科技大学 | 一种面向多距离扩展目标的多伯努利检测前跟踪方法 |
CN112904292A (zh) * | 2021-01-28 | 2021-06-04 | 北京理工大学重庆创新中心 | 基于重要性采样的宽带雷达检测门限确定及目标检测方法 |
CN112986975A (zh) * | 2021-02-07 | 2021-06-18 | 电子科技大学 | 一种基于距离加权的被动雷达网络中心化检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9516621B2 (en) * | 2012-10-04 | 2016-12-06 | Ramot At Tel-Aviv University Ltd. | Method and system for estimating position |
US9154263B1 (en) * | 2014-03-31 | 2015-10-06 | King Fahd University Of Petroleum And Minerals | Evaluation of compressed sensing in UWB systems with NBI |
US20200124717A1 (en) * | 2018-10-18 | 2020-04-23 | University Of Southern California | Localizing targets in a distributed radar environment based on correlated blocking likelihood |
-
2022
- 2022-04-12 CN CN202210377728.0A patent/CN114690175B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017114967A1 (en) * | 2015-12-31 | 2017-07-06 | Robert Bosch Gmbh | Indoor room-localization system and method thereof |
CN106408594A (zh) * | 2016-09-28 | 2017-02-15 | 江南大学 | 基于多伯努利特征协方差的视频多目标跟踪方法 |
CN106910205A (zh) * | 2017-03-03 | 2017-06-30 | 深圳市唯特视科技有限公司 | 一种基于随机有限集滤波器耦合的多目标跟踪方法 |
CN107703496A (zh) * | 2017-10-12 | 2018-02-16 | 桂林电子科技大学 | 一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法 |
CN110109094A (zh) * | 2019-03-28 | 2019-08-09 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 多接收站单频网外辐射源雷达机动目标的检测与跟踪方法 |
CN111580084A (zh) * | 2020-05-13 | 2020-08-25 | 中国人民解放军国防科技大学 | 一种面向多距离扩展目标的多伯努利检测前跟踪方法 |
CN112904292A (zh) * | 2021-01-28 | 2021-06-04 | 北京理工大学重庆创新中心 | 基于重要性采样的宽带雷达检测门限确定及目标检测方法 |
CN112986975A (zh) * | 2021-02-07 | 2021-06-18 | 电子科技大学 | 一种基于距离加权的被动雷达网络中心化检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114690175A (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10371808B2 (en) | Positioning sensor and direction estimation method | |
Zhong et al. | Particle filtering approaches for multiple acoustic source detection and 2-D direction of arrival estimation using a single acoustic vector sensor | |
CN101821646B (zh) | 判断涉及固定或移动发射机、反射器和传感器的传播信道的脉冲响应的方法和装置 | |
Bialkowski et al. | Generalized canonical correlation for passive multistatic radar detection | |
CN102043143B (zh) | 统计mimo雷达目标检测仿真方法 | |
Huang et al. | Radar high speed small target detection based on keystone transform and linear canonical transform | |
CN102520400B (zh) | 非高斯杂波环境下的mimo雷达目标检测的仿真方法 | |
US10725151B1 (en) | System and method for detecting pulses using fused signal power/phase modulation detection | |
CN110389327A (zh) | 接收站位置误差下多站多外辐射源雷达双基距定位方法 | |
CN114690175B (zh) | 一种基于被动外辐射源雷达的目标直接检测与跟踪方法 | |
CN111948618A (zh) | 一种基于卫星外辐射源的前向散射目标探测方法及*** | |
Tohidi et al. | Compressed-domain detection and estimation for colocated MIMO radar | |
Xue et al. | Knowledge-based target detection in compound Gaussian clutter with inverse Gaussian texture | |
CN112272064B (zh) | 一种合作式mimo雷达的检测概率和互信息计算方法 | |
Kram et al. | Delay estimation in dense multipath environments using time series segmentation | |
Tohidi et al. | Compressive sensing MTI processing in distributed MIMO radars | |
CN112986975B (zh) | 一种基于距离加权的被动雷达网络中心化检测方法 | |
CN111090088B (zh) | 基于主动声纳阵列斜对称特性的泄露目标空时检测方法 | |
CN108594200B (zh) | 一种被动式mimo雷达的全相参目标检测方法 | |
CN107271978B (zh) | 一种多个异构卫星下基于Rao检测的目标探测方法 | |
Haniz et al. | Localization of illegal radios utilizing cross-correlation of channel impulse response with interpolation in urban scenarios | |
Li et al. | Two-step Bayesian detection for MIMO radar in compound-Gaussian clutter with Gamma texture | |
CN115267665A (zh) | 一种被动辐射源联合检测与直接跟踪方法 | |
CN113759334B (zh) | 一种基于时变信道的极化时间反演检测方法 | |
CN111856426B (zh) | 基于中央厄米特结构和非匀质模型的子空间目标检测方法 |
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 |