[go: up one dir, main page]

RU2769217C1 - Method for radar classification of objects based on inter-frequency correlation feature - Google Patents

Method for radar classification of objects based on inter-frequency correlation feature Download PDF

Info

Publication number
RU2769217C1
RU2769217C1 RU2021111212A RU2021111212A RU2769217C1 RU 2769217 C1 RU2769217 C1 RU 2769217C1 RU 2021111212 A RU2021111212 A RU 2021111212A RU 2021111212 A RU2021111212 A RU 2021111212A RU 2769217 C1 RU2769217 C1 RU 2769217C1
Authority
RU
Russia
Prior art keywords
inter
classification
threshold
estimate
samples
Prior art date
Application number
RU2021111212A
Other languages
Russian (ru)
Inventor
Владимир Григорьевич Бартенев
Original Assignee
Владимир Григорьевич Бартенев
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Владимир Григорьевич Бартенев filed Critical Владимир Григорьевич Бартенев
Priority to RU2021111212A priority Critical patent/RU2769217C1/en
Application granted granted Critical
Publication of RU2769217C1 publication Critical patent/RU2769217C1/en

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
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
    • G01S15/50—Systems of measurement, based on relative movement of the target
    • G01S15/52—Discriminating between fixed and moving objects or between objects moving at different speeds

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Acoustics & Sound (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

FIELD: radio engineering.SUBSTANCE: invention relates to radio engineering, particularly to digital processing of radar signals. Disclosed is a method for radar classification of objects based on an inter-frequency correlation feature, which includes generating an estimate of the inter-frequency correlation coefficient based on two observation samples, taken for several surveys at two radar carrier frequencies and comparison of this estimate with a threshold in each range element with assignment, if this threshold is not exceeded in a specific distance element, the feature of an object with a large longitudinal size or, when this threshold is exceeded, of an object with a small longitudinal size, wherein, prior to generating an estimate of the modulus of the inter-frequency correlation coefficient at each carrier frequency, decorrelation of the observation samples is performed to reduce their inter-period correlation, wherein decorrelation of each of the two input samples of observations is carried out using whitening FIR filters, using autoregression coefficients calculated for each carrier frequency as their weight coefficients.EFFECT: reduced time of classification for one survey without reduction of efficiency of classification.1 cl, 4 dwg

Description

Предлагаемый способ относится к радиотехнике, в частности к цифровой обработке радиолокационных сигналов. Задача классификации коррелированных сигналов по дискретным выборкам конечного объема возникает во многих технических приложениях. Весьма актуальна, например, задача распознавания типов целей [1], или защита РЛС от дискретных коррелированных мешающих отражений [2]. В работе [2] показано, что для классификации отраженных сигналов обнаруженных объектов по их продольному размеру можно использовать характер флюктуаций отраженных сигналов на разных несущих частотах. В частности, в основе этого сигнального признака классификации лежит взаимосвязь значения нормированного межчастотного коэффициента корреляции с линейными размерами объекта. Чем больше размер объекта, тем меньше межчастотный коэффициент корреляции. В частности, известен способ классификации объектов по их продольному размеру [2], в котором две выборки наблюдения принятых на двух разнесенных несущих частотах перемножаются и их произведение накапливается от обзора к обзору для каждого элемента дальности и нормированный модуль накопленного произведения сравнивается с порогом. Полученная таким образом оценка максимального правдоподобия модуля межчастотного коэффициента корреляции сравнивается с порогом в каждом элементе дальности, на основании чего принимается решение о наличии объекта с большим продольным размером (порог не превышен) или малого продольного размера (порог превышен). Хотя данный способ позволяет осуществлять эффективную классификацию объектов по межчастотному корреляционному признаку, однако требует использования независимых выборок наблюдения что приводит к использованию выборки принимаемых сигналов от обзора к обзору, приводя к большим временным затратам. Если же использовать выборки наблюдений в одном обзоре, производя формирование модуля межчастотного коэффициента по коррелированным выборкам пачки отраженных импульсов, то, как это будет показано ниже, это приводит к существенному снижению вероятности правильной классификации объектов.The proposed method relates to radio engineering, in particular to the digital processing of radar signals. The problem of classifying correlated signals from discrete samples of a finite size arises in many technical applications. Very relevant, for example, is the problem of recognizing types of targets [1], or protecting radar from discrete correlated interfering reflections [2]. It was shown in [2] that the character of fluctuations of reflected signals at different carrier frequencies can be used to classify the reflected signals of detected objects according to their longitudinal size. In particular, this classification signal feature is based on the relationship between the value of the normalized interfrequency correlation coefficient and the linear dimensions of the object. The larger the size of the object, the smaller the interfrequency correlation coefficient. In particular, there is a method for classifying objects according to their longitudinal size [2], in which two observation samples received at two spaced carrier frequencies are multiplied and their product is accumulated from survey to survey for each range element and the normalized modulus of the accumulated product is compared with a threshold. The maximum likelihood estimate of the modulus of the interfrequency correlation coefficient obtained in this way is compared with a threshold in each range element, on the basis of which a decision is made about the presence of an object with a large longitudinal size (the threshold is not exceeded) or a small longitudinal size (the threshold is exceeded). Although this method allows efficient classification of objects according to the interfrequency correlation feature, however, it requires the use of independent observation samples, which leads to the use of a sample of received signals from survey to survey, leading to large time costs. If, on the other hand, we use samples of observations in one survey, producing the formation of the modulus of the interfrequency coefficient from correlated samples of a burst of reflected pulses, then, as will be shown below, this leads to a significant decrease in the probability of correct classification of objects.

С целью преодолеть данный недостаток и повысить быстродействие без снижения эффективности классификации объектов по их продольному размеру предлагается способ классификации за один обзор, в котором предварительно до формирования оценки модуля межчастотного коэффициента корреляции производят на каждой несущей частоте декорреляцию выборок наблюдения, для уменьшения их межпериодной корреляции. Декорреляцию выборок наблюдения можно выполнить с помощью обеляющего фильтра с конечной импульсной характеристикой (КИХ-фильтр), использующего в качестве весовых коэффициентов оценки коэффициентов авторегрессии (АР). Известно несколько методов оценки коэффициентов АР. Далее для этого будет использован метод Берга [3].In order to overcome this disadvantage and increase speed without reducing the efficiency of classifying objects by their longitudinal size, a classification method for one survey is proposed, in which, prior to the formation of an estimate of the module of the interfrequency correlation coefficient, decorrelation of observation samples is performed at each carrier frequency to reduce their interperiod correlation. Decorrelation of observation samples can be performed using a whitewashing filter with a finite impulse response (FIR) filter using autoregressive coefficient (AR) estimates as weights. There are several methods for estimating AR coefficients. Further, the Berg method [3] will be used for this.

Таким образом, предлагаемый способ раскрывает новые функциональные возможности классификации по корреляционному признаку за счет существенного сокращения времени классификации объектов. Это позволяет сделать вывод о соответствии заявляемого способа критерию "существенные отличия".Thus, the proposed method reveals new functionality of classification by correlation feature due to a significant reduction in the time of object classification. This allows us to conclude that the proposed method meets the criterion of "significant differences".

Для того чтобы сформировать межчастотный коэффициент корреляции, используют наиболее эффективный алгоритм в виде оценки максимального правдоподобия (ОМП) модуля межчастотного коэффициента корреляции, которая выполняется в соответствии со следующей формулой [2]In order to form the inter-frequency correlation coefficient, the most efficient algorithm is used in the form of a maximum likelihood estimate (MLE) of the modulus of the inter-frequency correlation coefficient, which is performed in accordance with the following formula [2]

Figure 00000001
Figure 00000001

Где

Figure 00000002
- оценка модуля межчастотного коэффициента корреляции, N - число накоплений по независимым выборкам (обзорам РЛС).
Figure 00000003
комплексные выборки классифицируемых эхо-сигналов на входе в двух частотных каналах. Квадратурные компоненты классифицируемых флюктуирующих сигналов имеют нормальное распределение, при этом без уменьшения общности подхода, так как данный алгоритм не чувствителен изменению мощности сигналов мешающих отражений, дисперсия их равнялась 1 и среднее 0.Where
Figure 00000002
- estimation of the modulus of the interfrequency correlation coefficient, N - number of accumulations based on independent samples (radar surveys).
Figure 00000003
complex samples of classified echo signals at the input in two frequency channels. The quadrature components of the classified fluctuating signals have a normal distribution, while without reducing the generality of the approach, since this algorithm is not sensitive to changes in the power of interfering reflection signals, their variance was 1 and the average was 0.

Решение о том, что классифицируемый объект протяженный принимается, еслиThe decision that the object being classified is extended is made if

Figure 00000004
Figure 00000004

Проиллюстрируем работу предлагаемого способа на конкретном примере, прибегнув как к аналитическому расчету, так и моделированию с помощью системы MATLAB [5].Let us illustrate the operation of the proposed method on a specific example, resorting to both analytical calculation and modeling using the MATLAB system [5].

Осуществим классификацию протяженного объекта, используя две выборки наблюдений с межчастотным коэффициентом корреляции равным R=0. Корреляционный порог в расчетах будем менять от 0,1 до 0,9. Число независимых накоплений возьмем N=8 и 16.Let's classify an extended object using two samples of observations with an interfrequency correlation coefficient equal to R=0. The correlation threshold in the calculations will be changed from 0.1 to 0.9. Let's take the number of independent accumulations N=8 and 16.

Для нахождения вероятности правильной классификации протяженного объекта по не превышению оценкой порога Rпор нужно воспользоваться распределением Уишарта. В работе [4] получено распределение оценки максимального правдоподобия (ОМП) для модуля межчастотного коэффициента корреляции из распределения УишартаTo find the probability of correctly classifying an extended object by not exceeding the threshold R then, you need to use the Wishart distribution. In [4], the distribution of the maximum likelihood estimate (MLE) for the modulus of the interfrequency correlation coefficient from the Wishart distribution was obtained

Figure 00000005
Figure 00000005

Где Г(.) - гамма функция.Where G(.) is the gamma function.

Для протяженных объектов R=0 и распределение (3) можно представить в более простом видеFor extended objects R=0 and distribution (3) can be represented in a simpler form

Figure 00000006
Figure 00000006

Используя (4), можно получить формулу для вероятности правильной классификации протяженных объектов, как вероятность не превышения порогаUsing (4), one can obtain a formula for the probability of correctly classifying extended objects as the probability of not exceeding the threshold

Figure 00000007
Figure 00000007

Для верификации данной формулы было проведено моделирование с помощью системы MATLAB [5] классификатора ОМП с расчетом для разных значений порога Rпор и N=8 и 16 (см. Фиг. 1 и 2, соответственно, где приведена зависимость вероятности правильной классификации протяженных объектов от порога в классификаторе с независимыми выборками наблюдений, звездочки - аналитика, квадраты - моделирование). Результаты моделирования хорошо совпадают с аналитическими расчетами, что позволяет и для дальнейших исследований использовать моделирование. Графики на Фиг. 1 и Фиг. 2 соответствуют независимым выборкам наблюдения т.е. приему отраженных сигналов за несколько обзоров РЛС. Однако для повышения скорости принятия решения рассмотрим другой случай, когда для формирования модуля межчастотного коэффициента корреляции обрабатываются сигналы в виде коррелированной пачки импульсов на каждой частоте в одном обзоре.To verify this formula, a simulation was carried out using the MATLAB system [5] of the MLE classifier with the calculation for different values of the threshold Rthr and N=8 and 16 (see Fig. 1 and 2, respectively, where the dependence of the probability of correct classification of extended objects on threshold in the classifier with independent samples of observations, asterisks - analytics, squares - modeling). The simulation results are in good agreement with the analytical calculations, which makes it possible to use the simulation for further research. The graphs in Fig. 1 and FIG. 2 correspond to independent observation samples i.e. receiving reflected signals for several radar surveys. However, to increase the speed of decision-making, let us consider another case, when signals in the form of a correlated burst of pulses at each frequency in one survey are processed to form the module of the interfrequency correlation coefficient.

К сожалению, аналитически рассчитать вероятность правильной классификации протяженного объекта в этом случае не представляется возможным и результаты были получены только моделированием в MATLAB. Для этого использовалась модель отраженных сигналов на каждой частоте в виде коррелированной пачки импульсов с нормально распределенными квадратурными составляющими. Межпериодный коэффициент корреляции задавался 0,9 для числа импульсов в пачке 8 и 16.Unfortunately, it is not possible to analytically calculate the probability of correct classification of an extended object in this case, and the results were obtained only by modeling in MATLAB. For this, a model of reflected signals at each frequency was used in the form of a correlated burst of pulses with normally distributed quadrature components. The interperiod correlation coefficient was set to 0.9 for the number of pulses in a burst of 8 and 16.

Результаты моделирования представлены на Фиг. 3-4, где приведена зависимость вероятности правильной классификации протяженных объектов от порога для N=8 в классификаторе для не коррелированных выборок наблюдений (квадратики), для коррелированных выборок наблюдений с межпериодным коэффициентом корреляции 0,9 (ромбики) и с использованием декорреляции (крестики).The simulation results are presented in Fig. 3-4, which shows the dependence of the probability of correct classification of extended objects on the threshold for N=8 in the classifier for uncorrelated observation samples (squares), for correlated observation samples with an interperiod correlation coefficient of 0.9 (diamonds) and using decorrelation (crosses) .

Результаты исследования полностью подтверждают, что коррелированность выборок наблюдения заметно снижает эффективность классификации. Так при 16 коррелированных выборках наблюдений, с межпериодным коэффициентом корреляции 0,9 вероятность правильной классификации для порога 0,4 падает с 0,9 до 0,3. Повысить эффективность классификации при работе за один обзор можно в соответствии с предлагаемым способом с помощью декорреляции выборок наблюдения на каждой несущей частоте. Такая декорреляция была выполнена с помощью авторегрессионной КИХ фильтрации по алгоритму Берга. Результаты моделирования с декорреляцией для авторегрессии третьего порядка представлены на Фиг. 3-4The results of the study fully confirm that the correlation of observation samples significantly reduces the efficiency of classification. So, with 16 correlated samples of observations, with an interperiod correlation coefficient of 0.9, the probability of correct classification for a threshold of 0.4 drops from 0.9 to 0.3. In accordance with the proposed method, it is possible to increase the efficiency of classification when working in one survey using the decorrelation of observation samples at each carrier frequency. Such decorrelation was performed using autoregressive FIR filtering using the Berg algorithm. The decorrelation simulation results for third-order autoregression are shown in FIG. 3-4

Результаты исследования полностью подтверждают, что применение декорреляции выборок наблюдения при работе в одном обзоре заметно повышает эффективность классификации, при существенном повышении быстродействия этой операции. Так уже при 16 коррелированных выборках наблюдения с межпериодным коэффициентом корреляции 0,9 в одном обзоре декорреляция позволяет получить вероятность правильной классификации практически такую же, как при использовании независимых выборок за 16 обзоров.The results of the study fully confirm that the use of decorrelation of observation samples when working in one review significantly increases the efficiency of classification, with a significant increase in the speed of this operation. So already with 16 correlated observation samples with an interperiod correlation coefficient of 0.9 in one review, decorrelation allows you to get the probability of correct classification is almost the same as when using independent samples for 16 reviews.

ПЕРЕЧЕНЬ ИСТОЧНИКОВ ИСПОЛЬЗОВАННЫХ В ЗАЯВКЕLIST OF SOURCES USED IN THE APPLICATION

1. Bartenev V. Radar objects classification using inter frequency correlation coefficient. Report on the International conference RADAR 2016 China, 2016.1. Bartenev V. Radar objects classification using inter frequency correlation coefficient. Report on the International conference RADAR 2016 China, 2016.

2. Бартенев В.Г. Патент «Способ классификации и бланкирования дискретных помех» №2710894, Опубликован: 14.0112020, Бюл. №2.2. Bartenev V.G. Patent "Method for classifying and blanking discrete interference" No. 2710894, Published: 14.0112020, Bull. No. 2.

3. Бартенев В.Г. Квазиоптимальные адаптивные алгоритмы обнаружения сигналов // Современная электроника, 2011. №2.3. Bartenev V.G. Quasi-optimal adaptive signal detection algorithms // Modern electronics, 2011. No. 2.

4. Бартенев В.Г. О распределении оценки модуля коэффициента корреляции // Современная электроника, 2020. №8.4. Bartenev V.G. On the distribution of the estimate of the modulus of the correlation coefficient // Modern electronics, 2020. No. 8.

5. Потемкин В.Г. "Справочник no MATLAB" Анализ и обработка данных, http://matlab.exponenta.ru/ml/book2/chapter8/5. Potemkin V.G. "No MATLAB Handbook" Data Analysis and Processing, http://matlab.exponenta.ru/ml/book2/chapter8/

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ ЗАЯВКИBRIEF DESCRIPTION OF THE APPLICATION DRAWINGS

Фиг. 1. Зависимость вероятности правильной классификации протяженных объектов от порога для N=8 в классификаторе с независимыми выборками наблюдений (звездочки - аналитика, квадраты - моделирование).Fig. 1. Dependence of the probability of correct classification of extended objects on the threshold for N=8 in the classifier with independent samples of observations (asterisks - analytics, squares - modeling).

Фиг. 2. Зависимость вероятности правильной классификации протяженных объектов от порога для N=16 в классификаторе с независимыми выборками наблюдений (звездочки - аналитика, квадраты - моделирование).Fig. Fig. 2. Dependence of the probability of correct classification of extended objects on the threshold for N=16 in the classifier with independent samples of observations (asterisks - analytics, squares - modeling).

Фиг. 3. Зависимость вероятности правильной классификации протяженных объектов от порога для N=8 в классификаторе для не коррелированных выборок наблюдений (квадратики), для коррелированных выборок наблюдений с межпериодным коэффициентом корреляции 0,9 (ромбики) и с использованием декорреляции (крестики).Fig. Fig. 3. Dependence of the probability of correct classification of extended objects on the threshold for N=8 in the classifier for uncorrelated observation samples (squares), for correlated observation samples with an interperiod correlation coefficient of 0.9 (diamonds) and using decorrelation (crosses).

Фиг. 4. Зависимость вероятности правильной классификации протяженных объектов от порога для N=16 в классификаторе для не коррелированных выборок наблюдений (квадратики), для коррелированных выборок наблюдений с межпериодным коэффициентом корреляции 0,9 (ромбики) и с использованием декорреляции (крестики).Fig. Fig. 4. Dependence of the probability of correct classification of extended objects on the threshold for N=16 in the classifier for uncorrelated observation samples (squares), for correlated observation samples with an interperiod correlation coefficient of 0.9 (diamonds) and using decorrelation (crosses).

Claims (2)

1. Способ радиолокационной классификации объектов по межчастотному корреляционному признаку, который включает в себя формирование оценки модуля межчастотного коэффициента корреляции на основе двух выборок наблюдений, принятых за несколько обзоров на двух несущих частотах РЛС, и сравнение этой оценки с порогом в каждом элементе дальности с присвоением при не превышении этого порога в конкретном элементе дальности признака объекта с большим продольным размером или при превышении этого порога объекта с малым продольным размером, отличающийся тем, что с целью уменьшения времени классификации за один обзор без снижения эффективности классификации предварительно до формирования оценки модуля межчастотного коэффициента корреляции на каждой несущей частоте производят декорреляцию выборок наблюдения, для уменьшения их межпериодной корреляции.1. A method for radar classification of objects by an inter-frequency correlation feature, which includes generating an estimate of the module of the inter-frequency correlation coefficient based on two samples of observations taken for several surveys at two radar carrier frequencies, and comparing this estimate with a threshold in each range element with assignment at if this threshold is not exceeded in a specific range element of an object feature with a large longitudinal size or if this threshold of an object with a small longitudinal size is exceeded, characterized in that, in order to reduce the classification time for one survey without reducing the classification efficiency, prior to the formation of an estimate of the module of the interfrequency correlation coefficient by each carrier frequency produce decorrelation of observation samples to reduce their inter-period correlation. 2. Способ по п. 1, отличающийся тем, что декореляцию каждой из двух входных выборок наблюдений осуществляют с помощью обеляющих КИХ фильтров, используя в качестве их весовых коэффициентов рассчитанные для каждой несущей частоты коэффициенты авторегрессии.2. The method according to claim 1, characterized in that the decoration of each of the two input samples of observations is carried out using whitewashing FIR filters, using autoregression coefficients calculated for each carrier frequency as their weight coefficients.
RU2021111212A 2021-04-20 2021-04-20 Method for radar classification of objects based on inter-frequency correlation feature RU2769217C1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2021111212A RU2769217C1 (en) 2021-04-20 2021-04-20 Method for radar classification of objects based on inter-frequency correlation feature

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2021111212A RU2769217C1 (en) 2021-04-20 2021-04-20 Method for radar classification of objects based on inter-frequency correlation feature

Publications (1)

Publication Number Publication Date
RU2769217C1 true RU2769217C1 (en) 2022-03-29

Family

ID=81076147

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2021111212A RU2769217C1 (en) 2021-04-20 2021-04-20 Method for radar classification of objects based on inter-frequency correlation feature

Country Status (1)

Country Link
RU (1) RU2769217C1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2809532C1 (en) * 2023-01-13 2023-12-12 Владимир Григорьевич Бартенев Method for classification of objects by inter-frequency correlation feature in single-channel radars

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2341015C2 (en) * 2007-01-17 2008-12-10 Владимир Григорьевич Бартенев Method of discrete noise adaptive filtration
RU2593146C1 (en) * 2015-07-14 2016-07-27 Владимир Григорьевич Бартенев Method for adaptive detection of signals of moving targets on background of multicomponent passive interference
RU2599870C1 (en) * 2015-07-16 2016-10-20 Владимир Григорьевич Бартенев Method of discrete noise classifying and blanking
RU2704789C1 (en) * 2019-01-15 2019-10-31 Владимир Валентинович Родионов Method for adaptive signal processing in survey coherent-pulse radar stations
RU2743027C1 (en) * 2019-12-13 2021-02-12 Владимир Григорьевич Бартенев Adaptive correlation-based detection method

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2341015C2 (en) * 2007-01-17 2008-12-10 Владимир Григорьевич Бартенев Method of discrete noise adaptive filtration
RU2593146C1 (en) * 2015-07-14 2016-07-27 Владимир Григорьевич Бартенев Method for adaptive detection of signals of moving targets on background of multicomponent passive interference
RU2599870C1 (en) * 2015-07-16 2016-10-20 Владимир Григорьевич Бартенев Method of discrete noise classifying and blanking
RU2704789C1 (en) * 2019-01-15 2019-10-31 Владимир Валентинович Родионов Method for adaptive signal processing in survey coherent-pulse radar stations
RU2743027C1 (en) * 2019-12-13 2021-02-12 Владимир Григорьевич Бартенев Adaptive correlation-based detection method

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2809532C1 (en) * 2023-01-13 2023-12-12 Владимир Григорьевич Бартенев Method for classification of objects by inter-frequency correlation feature in single-channel radars

Similar Documents

Publication Publication Date Title
US5900835A (en) Coherent hidden markov model
KR100829485B1 (en) Adaptive filtering system and method
US9991908B2 (en) Blind source separation of signals having low signal-to-noise ratio
US4630246A (en) Seismic-acoustic low-flying aircraft detector
Siddagangaiah et al. On the dynamics of ocean ambient noise: Two decades later
US20030198340A1 (en) Multistage median cascaded canceller
JP2012112934A (en) Persymmetric parametric adaptive matched filters for detecting targets using space-time adaptive processing of radar signals
CN111398910A (en) Radar signal detection method and device, electronic equipment and storage medium
CN106997042A (en) A kind of Target Signal Detection and device
CN114943257B (en) Synchronous noise reduction and disturbance classification identification method for distributed optical fiber sensing system
JPH06188766A (en) Circuit device
CN111157953A (en) Two-stage threshold constant false alarm detection algorithm under strong ground clutter
US5103431A (en) Apparatus for detecting sonar signals embedded in noise
CN116976684B (en) Risk model predictive control method and system for logistics conveyor
CN109506135A (en) Pipe leakage independent positioning method and device
RU2769217C1 (en) Method for radar classification of objects based on inter-frequency correlation feature
Behar et al. Adaptive CFAR PI processor for radar target detection in pulse jamming
CN111090089A (en) A spatiotemporal adaptive detection method based on two types of auxiliary data
RU191281U1 (en) Device for post-detector inter-period processing of radio pulses
RU2776989C1 (en) Method for classifying objects by inter-frequency correlation feature
CN110299926B (en) An underwater acoustic signal detection method for low signal-to-noise ratio environment
CN107543569A (en) Space disturbance detection method and device based on frequency modulation sound waves
RU2743027C1 (en) Adaptive correlation-based detection method
RU2771968C1 (en) Method for classifying objects by inter-frequency correlation feature using binary accumulation
KR20200032916A (en) UWB Radar Receiving Device and Method for Processing Received Signal of UWB Radar