A False Points Eliminating Method in Passive Radar Cross-location Based on Hough Transform
-
摘要: 被动雷达系统是一种无源探测系统,具有隐蔽性高、抗干扰能力强、作用距离远等特点,在室内定位、信号侦察和电子战等领域应用广泛。测向交叉定位技术是被动雷达探测中运用较多的一种定位技术。然而,被动雷达在对多干扰源进行交叉定位时,会产生大量的虚假点。为了能够精确的探测出真实干扰源的位置,保证被动雷达对干扰源的跟踪性能,需要进行虚假点剔除。传统的虚假点剔除方法,如最小距离法、基准线聚类法、Hough变换法等存在定位准确率低、计算复杂度高、不适用于实时处理等问题。针对这些问题,本文提出了一种基于Hough变换的被动雷达交叉定位的虚假点剔除方法。该方法采用了基准线聚类法和Hough变换法相结合的方式对虚假点进行剔除,首先,根据被动雷达在单个观测周期内所测得的干扰源角度,通过测向交叉定位技术确定所有交叉点;然后,通过基准线聚类法,对所有交叉点进行处理,剔除部分虚假点,减少后续计算量;最后,在基准线聚类的基础上,根据被动雷达所测得的干扰源角度数量,采用Hough变换法进一步剔除虚假点,以提高定位准确率。本文对所提方法进行仿真验证,仿真结果表明,所提方法不仅能够有效改善基准线聚类法对交叉定位虚假点的剔除效果,提高定位准确率,而且能够有效降低计算复杂度。Abstract: Passive radar system is a kind of passive detection system, which has the characteristics of high concealment, strong anti-interference ability and long working distance. Therefore, it has been widely used in many fields such as indoor positioning, signal reconnaissance, and electronic warfare, etc. Bearing-crossing localization is a kind of positioning technology, which is widely used in passive radar detection. However, passive radar will produce a large number of false crossing points when performing bearing-crossing localization on multiple interference sources. In order to accurately detect the position of the real interference source and ensure the tracking performance of the passive radar towards the interference source, it is necessary to perform false point removal processing. Traditional methods for removing false crossing points, such as minimum distance method, baseline clustering method, Hough transform method, etc, existed some problems, such as low positioning accuracy, high computational complexity, and deficiency in real-time processing. Aiming at above problems, In this paper, a false crossing points elimination method for passive radar cross location based on Hough transform was proposed. This method of eliminating false crossing points in passive radar cross location based on Hough transform combined the baseline clustering and Hough transform method to eliminate false crossing points. First of all, according to the angle of the interference source measured by the passive radar in a single observation period, all the cross-positioning points that needed to be processed was determined by the bearing-crossing localization technology. Then, through the baseline clustering method, all the obtained cross-positioning points was processed to eliminate some false crossing points and reduced the subsequent calculation. Finally, on the basis of baseline clustering, according to the number of interference source angles measured by passive radar, Hough transform method was further used to eliminate false crossing points to improve the positioning accuracy of the interference source. The proposed method was verified by simulation in this paper. The simulation results show that the proposed method can not only effectively modify the elimination effect of the baseline clustering method on the false crossing points of cross positioning, and improve the positioning accuracy, but also effectively reduce the computational complexity.
-
Keywords:
- passive radar /
- cross positioning /
- Hough transform /
- false point removal /
- baseline clustering
-
1. 引言
被动雷达探测[1-2]在自身不发射电磁波的条件下,被动接收干扰源发射的电磁波,相比于主动雷达探测,具有良好的隐蔽性,在军事和民用领域得到了广泛的应用。其中,测向定位技术[3]因其探测距离远,对设备要求低,且具有一定的抗干扰能力,是被动雷达探测中应用最早且较为广泛的一种方法。
测向定位技术主要包括两种方法,一种是通过单部雷达对干扰源进行多次定位[4],另一种是通过多部雷达同时对干扰源进行交叉定位。当采用单部雷达对干扰源进行定位时,其实现过程是用单部运动的雷达站对干扰源进行连续测量,对积累的定位信息进行适当的数据处理,从而获得目标的位置信息。该方法的实现难度相对较大,定位精度低,速度较慢。相反,多部雷达交叉定位只需根据角度信息,以及两部雷达站间的距离就可得到位置信息。具有全方位、快速、应用广泛等优点。多部雷达在对单个干扰源进行交叉定位时,被动雷达定位只需解决如何从一组带有误差的角度测量信息中计算出精度高的目标位置问题。典型的方法有:基于最小二乘(LS)的误差估计法[5-8],最大似然(ML)估计法[9]和贝叶斯(Bayes)估计法[10]。然而,在多部雷达对多个干扰源进行交叉定位时会产生大量的虚假点,如何剔除虚假点,实现对干扰源的精确跟踪是被动雷达探测中一个非常重要的问题。
针对虚假点剔除的问题,文献[11]提出基于最小距离的虚假点剔除算法,该算法计算参考方向上两交叉点之间的距离,取距离最小的两交叉点作为干扰源的点集,其计算量小,但漏检率较高。文献[12-14]提出了基于基准线的聚类算法。文献[12]首先通过最小距离法对每条基准线上的交点进行聚类,然后对这些交点集合取交集进行二次聚类,最后对交点集合进行选优。文献[13-14]设定距离阈值,分别计算基准线上的交叉点距离,将在距离阈值内的交叉点聚为一类并对聚类集合中的交叉点进行融合。基于基准线聚类算法在一定程度上解决了最小距离法漏检的问题,但是虚假点剔除效果较差。文献[15-16]提出了基于Hough变换的虚假点剔除算法。该算法基于Hough变换的原理,根据重合的交叉点在参数空间中的映射曲线也是重合的特点,判断干扰源位置,该算法剔除虚假点准确率较高,但相比于其他算法,计算复杂度较高。
针对上述问题,本文提出了一种基于Hough变换的被动雷达交叉定位虚假点剔除方法。首先,选择基准线聚类法处理单个观测周期内的交叉点,由于处理后的多数观测周期内仍然存在虚假点,进一步使用Hough变换法再次对未剔除的交叉点进行处理,提高虚假点剔除准确率。此方法相比于基准线聚类法有较好的虚假点剔除效果,同时也降低了Hough变换的计算复杂度。
2. 交叉定位原理
在被动雷达交叉定位中,只需两部雷达即可完成对同一干扰源的定位,两雷达站测向线交汇的位置就是干扰源的位置。干扰源定位如下图1所示。
其中,
S1 和S2 为雷达站1和雷达站2所在位置。T 为干扰源所在位置。θ1,θ2 为干扰源相对于雷达站的方位角。φ1,φ2 为干扰源相对于雷达站的俯仰角。对于干扰源的定位,可以将三维定位问题拆解成二维定位(
XOY 平面)问题和一维定位问题。在XOY 平面如图2所示。其中,
R 为干扰源到雷达1的距离。θ12 为雷达站2相对于雷达站1的方位角。两雷达站之间的距离为
L :在三角形
ΔS1TS2 中,由正弦定理:得
R 由上可推导出干扰源在
XOY 平面的坐标为:由雷达1所测干扰源的俯仰角可知:
当探测空间存在
m 个干扰源时,则m 个干扰源的坐标可以表示为:其中,
R=Lsin(θ2i-θ12)sin(θ2i-θ1i),i=1,2,⋯,m 。θ1i 和φ1i 为雷达站1所测的m 个干扰源的方位角和俯仰角,θ2i 为雷达站2所测的m 个干扰源角度。3. 虚假点剔除算法
3.1. 虚假点产生
由于雷达并不知探测到的多个角度属于哪个干扰源,所以雷达在对
m 个干扰源进行定位时会产生许多虚假点。虚假点的存在会对干扰源的定位和跟踪产生严重的扰乱,所以剔除虚假点是干扰源定位和跟踪的首要任务。在三维空间中,利用两部雷达的方位角和俯仰角可完成虚假点的剔除,但存在一些特殊情况,如雷达与干扰源在同一平面或交叉定位点相对雷达的俯仰角都相等或十分接近时,使用此方法剔除虚假点就失效了,所以本文考虑到这种情况,在XOY 平面使用方位角对干扰源定位时就对虚假点进行剔除。在XOY 平面剔除虚假点至少需要3部雷达同时对干扰源进行探测。以三部雷达两个干扰源为例,如图3所示,黑色圆点为雷达存在测角误差时干扰源的位置,白色圆点为交叉定位时所产生的虚假点。对本文所用算法,作出如下假设:
1)雷达站的数目
n≥3 ,干扰源的数目m≥2 。2)在
XOY 平面对虚假点剔除进行分析。3)每个雷达站都能接收到所有干扰源发射的信号。
4)所有雷达站具有相同的测量误差分布,角度测量误差服从高斯分布
δθi~N(0,σ2θi) 。3.2. 基准线聚类法
基准线聚类法是以其中一部雷达的每条测向线作为基准线,对基准线上的交点进行单独聚类。具体步骤如下:
假设以雷达站1的测向线为基准线,雷达站1和雷达站2的交叉点为基准点。
1)雷达站1和雷达站2的交叉点为:
雷达站1和雷达站3的交叉点为:
分别计算交叉点
Xij 与交叉点Xkl 的欧氏距离:将
ΔR≤γ 的两个交叉点归为一类,其中,γ 为距离阈值。2)聚类完成后,选取点数不为1的簇,并将簇中的基准点作为真实干扰源。
3)依次聚类雷达站1的各条测向线,根据距离阈值选取真实干扰源的位置。
3.3. Hough变换
Hough变换广泛用于直线的检测,其原理是将笛卡尔空间下的一点
(x0,y0) 转换为参数空间ρ -θ 的一条曲线。转换关系如下:笛卡尔空间中的一条直线上的点映射到参数空间的所有曲线相交于一点,而线外的点映射的曲线则不会与所有曲线相交于一点,如图4和图5所示。
对于重合的点,映射到参数空间的曲线也是重合的。当不存在测量误差时,每个干扰源处会存在
C2n 个交叉重合点,映射到参数空间后就会有C2n 条曲线重合,而虚假点大多数是相互独立的,重合度不会超过C2n 。而存在测量误差时,重合的交叉点会散布在干扰源周围,但彼此间相距较近,Hough变换法通过计算曲线之间的距离,判断是否为干扰源。此算法相较于基准线聚类法的计算复杂度高,但其虚假点剔除效果要比基准线聚类法好。因此本文提出将两种算法相结合的方式,既可以降低Hough变换算法的计算复杂度,又可以提高基准线聚类法的虚假点剔除效果。
4. 改进的Hough变换法
改进的Hough变换的主要思想:首先,利用基准线聚类法通过设置距离阈值,剔除虚假点。判断未剔除的点数
k ,若k≤m ,则判断不存在虚假点。若k>m ,则判断仍存在虚假点,需要通过Hough变换算法对基准线聚类法处理后的交叉点进行判断,进行二次剔除。基准线聚类法的距离阈值设定如下:
其中,
R0 为干扰源到雷达站的距离,Δθ 为角度误差。在实际情况下,每部雷达都存在测角误差。如图6所示,
S1,S2,S3 分别为雷达1,雷达2,雷达3的坐标。θ1 ,θ2 分别为雷达不存在测角误差时角度,T 为真实干扰源所在位置。设雷达1最大测角误差为Δθ1 ,雷达2最大测角误差为Δθ2 ,由雷达1和雷达2所测得的误差角度求得交叉点T' ,又因误差角度分布的不确定性,雷达1的测量角度分布在f1 和f2 之间,雷达2的测量角度分布在f3 和f4 之间,因此由雷达1和雷达2交叉定位后会产生4个交叉点,4个交叉点内部为定位模糊区,如图6阴影部分。在定位模糊区内的交叉点相对于雷达3的角度在θ31 和θ32 之间。在存在测角误差时,分别计算位于模糊区顶点处的交叉点相对于雷达3的角度。
则
根据第3节的基准线聚类法,即满足
ΔR<γ ,判定为真实干扰源。同时对满足条件的交叉点计数,直到计算完所有交叉点,得到计数结果k 。若k≤m ,则判断虚假点已全部剔除。若k>m ,需使用Hough变换法剔除剩余虚假点。方法如下:1)将笛卡尔空间下的交叉点映射到参数空间,角度范围从0°~180°,间隔为1°。
2)设雷达1与雷达2的交叉点映射曲线为
l1 ,雷达1与雷达3的交叉点映射曲线为l2 ,雷达2与雷达3的交叉点映射曲线为l3 ,以l1 为基准曲线,分别计算l1 ,l2 ,l3 之间的距离Δd 。3)统计
Δd<Δρ 的数目S ,当统计数目S 超过N0=180×90%=162 时,则判定该曲线对应的交叉点为真实干扰源。否则,剔除该曲线。Δρ 可由式(8)和雷达测角误差引起的坐标标准差σx 和σy 计算:其中,
{σx=√(Lsin(θ2-θ12)cosθ2sin2(θ2-θ1))2Δθ+ (Lsin(θ12-θ1)cosθ1sin2(θ2-θ1))2Δθσy=√(Lsinθ2sin(θ2-θ12)sin2(θ2-θ1))2Δθ+(Lsinθ1sin(θ12-θ1)sin2(θ2-θ1))2Δθ 。总体算法流程如图7所示。
5. 仿真实验与结果分析
5.1. 不同虚假点剔除算法能力对比及分析
假设3部雷达定位5个干扰源。3部雷达坐标设定为[-3 km,0 km],[3 km,0 km],[8 km,0 km],误差角度方差为0.1°,5个干扰源在
XOY 平面的投影做匀速直线运动,初始运动信息见表1。表 1 干扰源初始运动信息Tab. 1. Initial motion information of interference source初始位置 运动速度 干扰源1 [-5 km,6 km] [50 m/s,20 m/s] 干扰源2 [-4 km,5 km] [150 m/s,10 m/s] 干扰源3 [0 km,3 km] [100 m/s,0 m/s] 干扰源4 [4 km,7 km] [30 m/s,-10 m/s] 干扰源5 [8 km,5 km] [-100 m/s,-20 m/s] 设雷达观测周期为T=1 s,观测50个周期,即雷达对干扰源探测50次,比较本文方法、基准线聚类法、Hough变换法在50个观测周期内虚假点剔除的效果。图8为干扰源的真实运动轨迹,图9为雷达站在存在测量误差时的交叉定位结果。图10为改进的Hough变换虚假点剔除效果图。
由图9和图10可以看出,改进的Hough变换法对虚假点的剔除效果明显。
图11对比了三种算法在50个观测周期内所发现的点数,其中包括来自目标的点数和未剔除的点数。从图11中可看出,改进的Hough变换法相较于基准线聚类法,未剔除的虚假点数明显减少。图12显示了三种算法在50个观测周期内对干扰源的发现概率、虚警概率和漏检率。从图12中可看出,改进的Hough变换法的虚警率和漏检率都比基准线聚类法和Hough变换法低。图13显示了在不同角度误差下的虚警率。从图13可以看出,随着角度误差不断增大虚警率也在提高,但改进的Hough变换法的虚警率最低。由以下3幅图可以得出改进的Hough变换法的定位准确率最高。
表2给出了雷达在探测4次中,交叉点经3种不同算法处理后,雷达所发现的点数以及来自真实干扰源的点数。对每次探测仿真50次,并求均值。从表2可看出,改进的Hough变换法可以达到3次准确剔除虚假点,而基准线聚类法和Hough变换法只有1次准确定位干扰源,由此这也验证了改进后的Hough变化法相比于基准线聚类法和Hough变换法具有较高的定位准确率。
表 2 3种方法在4次探测中的剔除虚假点效果Tab. 2. The effect of eliminating false points by three methods in four detections探测次数 基准线聚类法 Hough变换法 改进的Hough变换法 发现点数 来自目标点 发现点数 来自目标点 发现点数 来自目标点 第5次 7.44 5 6.4 5 6 5 第10次 7 5 5 5 5 5 第15次 5.9 5 4.98 4.98 5 5 第20次 5 5 4.94 4.94 5 5 5.2. 不同算法复杂度对比及分析
通过100次Monte Carlo仿真,统计3种算法50个观测周期的仿真运行时间,判断各算法的计算复杂度,如表3所示。
表 3 3种算法的计算复杂度Tab. 3. Computational complexity of three algorithms算法 算法计算时间/s 基准线聚类法 1.5 Hough变换法 2.7 改进的Hough变换法 1.6 从表3可看出,改进的Hough变换法的运行时间比未改进的Hough变换法运行时间低1.1 s,由此验证了改进的Hough变换法可以有效降低Hough变换法的计算复杂度。
6. 结论
针对被动雷达交叉定位中传统方法定位准确率低以及计算复杂度高等问题,本文提出了一种融合基准线聚类和Hough变换的交叉定位虚假点剔除方法。首先,利用基准线聚类算法处理交叉点,减少虚假点数。然后,根据干扰源的数量,利用Hough变换法定位准确率高的特点再次剔除虚假点。通过仿真实验及结果分析,本文所提算法与传统方法相比,不仅可以有效提高干扰源定位的准确率,并且有效降低了计算复杂度。
-
表 1 干扰源初始运动信息
Table 1 Initial motion information of interference source
初始位置 运动速度 干扰源1 [-5 km,6 km] [50 m/s,20 m/s] 干扰源2 [-4 km,5 km] [150 m/s,10 m/s] 干扰源3 [0 km,3 km] [100 m/s,0 m/s] 干扰源4 [4 km,7 km] [30 m/s,-10 m/s] 干扰源5 [8 km,5 km] [-100 m/s,-20 m/s] 表 2 3种方法在4次探测中的剔除虚假点效果
Table 2 The effect of eliminating false points by three methods in four detections
探测次数 基准线聚类法 Hough变换法 改进的Hough变换法 发现点数 来自目标点 发现点数 来自目标点 发现点数 来自目标点 第5次 7.44 5 6.4 5 6 5 第10次 7 5 5 5 5 5 第15次 5.9 5 4.98 4.98 5 5 第20次 5 5 4.94 4.94 5 5 表 3 3种算法的计算复杂度
Table 3 Computational complexity of three algorithms
算法 算法计算时间/s 基准线聚类法 1.5 Hough变换法 2.7 改进的Hough变换法 1.6 -
[1] 高为. 无源定位技术研究[D]. 上海:上海交通大学,2006. GAO Wei. The research of passive location technologies[D]. Shanghai:Shanghai Jiao Tong University,2006.(in Chinese)
[2] COLONE F,FILIPPINI F,PASTINA D. Passive radar:past,present,and future challenges[J]. IEEE Aerospace and Electronic Systems Magazine,2023,38(1):54- 69. doi:10.1109/maes.2022.3221685 doi: 10.1109/maes.2022.3221685
[3] 李欣,孙鑫,张菁,等. 对雷达干扰源测向定位的关键技术[J]. 现代雷达,2021,43(8):75- 83. LI Xin,SUN Xin,ZHANG Jing,et al. Key technique of radar interference source direction-finding and tracking[J]. Modern Radar,2021,43(8):75- 83.(in Chinese)
[4] 王超锋,尹锦荣. 基于外辐射源雷达系统的目标定位算法[J]. 现代雷达,2006,28(10):18- 21. doi:10.3969/j.issn.1004-7859.2006.10.006 doi: 10.3969/j.issn.1004-7859.2006.10.006 WANG Chaofeng,YIN Jinrong. Arithmetic for target location of monostatic passive system based on external emitters[J]. Modern Radar,2006,28(10):18- 21.(in Chinese). doi:10.3969/j.issn.1004-7859.2006.10.006 doi: 10.3969/j.issn.1004-7859.2006.10.006
[5] MARKOVSKY I,VAN HUFFEL S. Overview of total least-squares methods[J]. Signal Processing,2007,87(10):2283- 2302. doi:10.1016/j.sigpro.2007.04.004 doi: 10.1016/j.sigpro.2007.04.004
[6] CHEUNG K W,SO H C,MA W K,et al. Least squares algorithms for time-of-arrival-based mobile location[J]. IEEE Transactions on Signal Processing,2004,52(4):1121- 1130. doi:10.1109/tsp.2004.823465 doi: 10.1109/tsp.2004.823465
[7] KUŁ AKOWSKI P,VALES-ALONSO J,EGEA-LÓPEZ E,et al. Angle-of-arrival localization based on antenna arrays for wireless sensor networks[J]. Computers& Electrical Engineering,2010,36(6):1181- 1186. doi:10.1016/j.compeleceng.2010.03.007 doi: 10.1016/j.compeleceng.2010.03.007
[8] JIA Tianyi,WANG Haiyan,SHEN Xiaohong,et al. Target localization based on structured total least squares with hybrid TDOA-AOA measurements[J]. Signal Processing,2018,143:211- 221. doi:10.1016/j.sigpro.2017.09.011 doi: 10.1016/j.sigpro.2017.09.011
[9] 张娟,张林让,刘楠. MIMO雷达最大似然波达方向估计方法[J]. 系统工程与电子技术,2009,31(6):1292- 1294. doi:10.3321/j.issn:1001-506X.2009.06.006 doi: 10.3321/j.issn:1001-506X.2009.06.006 ZHANG Juan,ZHANG Linrang,LIU Nan. Maximum likelihood DOA estimation of MIMO radar[J]. Systems Engineering and Electronics,2009,31(6):1292- 1294.(in Chinese). doi:10.3321/j.issn:1001-506X.2009.06.006 doi: 10.3321/j.issn:1001-506X.2009.06.006
[10] DU Jianhe,DONG Jingyi,JIN Libiao,et al. Bayesian robust tensor factorization for angle estimation in bistatic MIMO radar with unknown spatially colored noise[J]. IEEE Transactions on Signal Processing,2022,70:6051- 6064. doi:10.1109/tsp.2022.3231195 doi: 10.1109/tsp.2022.3231195
[11] 李彬彬,冯新喜,王朝英,等. 排除虚假交叉定位点的新方法[J]. 火力与指挥控制,2012,37(3):190- 193. doi:10.3969/j.issn.1002-0640.2012.03.050 doi: 10.3969/j.issn.1002-0640.2012.03.050 LI Binbin,FENG Xinxi,WANG Zhaoying,et al. A new method for eliminating false intersection points[J]. Fire Control& Command Control,2012,37(3):190- 193.(in Chinese). doi:10.3969/j.issn.1002-0640.2012.03.050 doi: 10.3969/j.issn.1002-0640.2012.03.050
[12] 蒋维特,杨露菁,杨亚桥. 测向交叉定位中基于最小距离的二次聚类算法[J]. 火力与指挥控制,2009,34(10):25- 28. doi:10.3969/j.issn.1002-0640.2009.10.006 doi: 10.3969/j.issn.1002-0640.2009.10.006 JIANG Weite,YANG Lujing,YANG Yaqiao. Quadratic clustering algorithm based on least distance in DOA location[J]. Fire Control and Command Control,2009,34(10):25- 28.(in Chinese). doi:10.3969/j.issn.1002-0640.2009.10.006 doi: 10.3969/j.issn.1002-0640.2009.10.006
[13] 孙鹏,熊伟. 测向交叉定位系统中的K-means聚类融合算法[J]. 电光与控制,2016,23(10):36- 40. doi:10.3969/j.issn.1671-637X.2016.10.008 doi: 10.3969/j.issn.1671-637X.2016.10.008 SUN Peng,XIONG Wei. K-means cluster and fusion algorithm for passive bearing-crossing localization system[J]. Electronics Optics& Control,2016,23(10):36- 40.(in Chinese). doi:10.3969/j.issn.1671-637X.2016.10.008 doi: 10.3969/j.issn.1671-637X.2016.10.008
[14] MING Lei,LIANG Tian. A cluster-based passive direction finding cross location method[C]// 2016 3rd International Conference on Information Science and Control Engineering(ICISCE). Beijing,China. IEEE,2016:9- 12. doi:10.1109/icisce.2016.13 doi: 10.1109/icisce.2016.13
[15] 盛丹,王国宏,于洪波. 基于Hough变换的测向交叉定位系统多目标跟踪技术[J]. 中国科学:信息科学,2016,46(5):651- 664. doi:10.1360/n112015-00093 doi: 10.1360/n112015-00093 SHENG Dan,WANG Guohong,YU Hongbo. Multi-target tracking in triangulation system based on Hough transform[J]. Scientia Sinica(Informationis),2016,46(5):651- 664.(in Chinese). doi:10.1360/n112015-00093 doi: 10.1360/n112015-00093
[16] 李鹏. 基于改进的Hough变换的多目标无源测向交叉定位技术[J]. 舰船电子对抗,2017,40(3):12- 16,34. LI Peng. Multi-target passive direction finding cross-location technology based on improved Hough transform[J]. Shipboard Electronic Countermeasure,2017,40(3):12- 16,34.(in Chinese)
-
期刊类型引用(4)
1. 白晶. 一种长基线被动传感器数据关联方法. 空天预警研究学报. 2024(01): 57-60+64 . 百度学术
2. 王鹏,张磊,左鹏,刘新娜,安杰飞. 基于探地雷达数据的地层模型快速反演技术. 电子设计工程. 2024(23): 136-139+144 . 百度学术
3. 张怡霄,王怀习,姚云龙,常超,康凯. 基于聚类与霍夫变换的同型雷达多目标定位算法. 电讯技术. 2023(12): 1885-1893 . 百度学术
4. 苏欣,黄珊,贾乾,王路瑶,李森雨. 雷达站应对无人机攻击的脆弱性及缓解策略. 军民两用技术与产品. 2023(09): 14-18 . 百度学术
其他类型引用(1)