[发明专利]基于广义特征分解的全极化高分辨距离像目标检测方法有效
申请号: | 201510364487.6 | 申请日: | 2015-06-26 |
公开(公告)号: | CN105044697B | 公开(公告)日: | 2017-07-18 |
发明(设计)人: | 杜兰;杨栋文;李芳;罗智泉;王英华;纠博 | 申请(专利权)人: | 西安电子科技大学 |
主分类号: | G01S7/41 | 分类号: | G01S7/41 |
代理公司: | 西安睿通知识产权代理事务所(特殊普通合伙)61218 | 代理人: | 惠文轩 |
地址: | 710071*** | 国省代码: | 陕西;61 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明公开了一种基于广义特征分解的全极化高分辨距离像目标检测方法,包括以下步骤(1)根据已知的全极化雷达的回波获取训练目标回波和训练杂波作为训练数据;计算训练目标回波的相干向量的协方差矩阵C(O)和训练杂波的相干向量的协方差矩阵C(C);计算投影矩阵P;(2)获取全极化雷达的测试全极化高分辨距离像作为测试数据;将测试数据划分为L个距离单元,并提取测试数据的每个距离单元的相干向量;将测试数据的每个距离单元的相干向量左乘投影矩阵P,得到测试数据的每个距离单元的重构相干向量,计算每个距离单元的重构相干向量的2‑范数;设定检测门限η,如果第l个距离单元的重构相干向量k'D(l)的2‑范数||k'D(l)||2≥η,将测试数据判定为目标,否则判定为杂波。 | ||
搜索关键词: | 基于 广义 特征 分解 极化 分辨 距离 目标 检测 方法 | ||
【主权项】:
一种基于广义特征分解的全极化高分辨距离像目标检测方法,其特征在于,包括以下步骤:步骤1,根据已知的全极化雷达的回波,获取训练目标回波和训练杂波作为训练数据;通过广义特征分解方法,从训练数据中找到信杂比相对较大的子空间,计算得到投影矩阵P;其中,所述步骤1的具体子步骤为:1.1根据已知的全极化雷达的回波获取训练目标回波,将训练目标回波划分为N片区域,并计算得到训练目标回波的第n片区域的相干向量,n=1...N;所述步骤1.1的具体子步骤为:1.1.1将训练目标回波划分为N片区域,对训练目标回波的每片区域连续探测R次,其中,对训练目标回波的第n片区域进行第r次探测时获得的散射矩阵S(O)(r,n)为:S(O)(r,n)=S11O(r,n)S12O(r,n)S21O(r,n)S22O(r,n)]]>其中,上标(O)表示训练目标回波,r代表第r次探测,r=1...R,n代表第n片区域,n=1...N;以及分别为已知的全极化雷达的水平发射水平接收通道、垂直发射水平接收通道、水平发射垂直接收通道以及垂直发射垂直接收通道接收的目标回波数据;1.1.2根据对训练目标回波的第n片区域进行第r次探测时获得的散射矩阵S(O)(r,n),计算对训练目标回波的第n片区域进行第r次探测时的散射向量k(O)(r,n)为:k(O)(r,n)=12S11(O)(r,n)+S22(O)(r,n)S11(O)(r,n)-S22(O)(r,n)S12(O)(r,n)+S21(O)(r,n);]]>1.1.3根据对训练目标回波的第n片区域进行第r次探测时的散射向量k(O)(r,n),计算训练目标回波的第n片区域的相干矩阵D(O)(n)为:D(O)(n)=1RΣr=1Rk(O)(r,n)k(O)H(r,n)]]>其中,上标H表示共轭转置;1.1.4提取训练目标回波的第n片区域的相干矩阵D(O)(n)的上三角元素,组成训练目标回波的第n片区域的相干向量为:kD(O)(n)=D11(O)(n)D22(O)(n)D33(O)(n)D12(O)(n)D13(O)(n)D23(O)(n)T]]>其中,下标D表示相干,上标T表示转置;1.2根据已知的全极化雷达的回波获取训练杂波,将训练杂波划分为J片区域,并计算得到训练杂波的第j片区域的相干向量,j=1...J;1.3计算训练目标回波的相干向量的协方差矩阵C(O)和训练杂波的相干向量的协方差矩阵C(C);1.4根据训练目标回波的相干向量的协方差矩阵C(O)和训练杂波的相干向量的协方差矩阵C(C),计算得到投影矩阵P;步骤2,获取全极化雷达的测试全极化高分辨距离像作为测试数据;根据投影矩阵P对测试数据进行目标检测。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于西安电子科技大学,未经西安电子科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201510364487.6/,转载请声明来源钻瓜专利网。