- 博客(88)
- 收藏
- 关注
RSS订阅原创 姿态校正与运动误差补偿-20260730
雷达成像或高精度测角算法（如 CS 压缩感知、BP 重构等）通常建立在一个理想假设上：雷达沿着预定的轨迹做绝对平稳的直线匀速运动。如果在雷达扫描或测量过程中，搭载雷达的平台（如无人机、汽车、飞机）发生了非等速直线运动（比如颠簸、侧风吹拂、拐弯、振动），这会导致雷达天线与目标之间的真实距离（双程走径） 与理论计算距离不一致，产生额外的，导致重构出的图像散焦。
2026-08-03 09:33:19
368
原创 压缩感知-20260730
要想获得高清的 3D 图像，传统的奈奎斯特采样需要铺设密密麻麻的天线。压缩感知是一项极其强大的降本增效技术，引入压缩感知后，可以把天线阵列设计得极度稀疏、随机分布。硬件上省去了大量的射频通道和收发芯片，而在后端通过压缩感知算法，依然能重建出无栅瓣、无模糊的高清图像。由于目标在空间中的分布是天然稀疏的，比如马路上只有 3 辆车，这为压缩感知的应用提供了完美物理基础。在安检或车载雷达中，Chirp 的个数决定了最大探测时间。
2026-07-31 16:07:59
371
原创 波形设计了解-20260730
但在高速运动的车载场景下，多普勒频移会破坏密码的正交性，导致大目标旁边的弱小目标被噪底淹没，因此目前在车载雷达中，它的普及度依然低于 TDMA 和 DDMA。对于高速运动的目标，由于天线发射有先后顺序，目标在这几微秒的空档里已经移动了微小的距离。MIMO 的核心任务是：多个发射天线（Tx）同时或交替工作，而接收天线（Rx）能够把它们发射的信号完美区分开来（即。另一个原因是，大目标会“淹没”小目标（强弱失衡），比如，卡车漏过来的“垃圾噪声”（100）比行人的“真实信号”（10）还要大 10 倍。
2026-07-30 10:23:33
201
原创 角度与速度解模糊方法-20260729
若目标速度发生折叠，因为两帧的最大速度不同，目标速度经折叠后是不同的，经过数学求解，可确定目标折叠倍数并恢复真实速度。（比如原本远去的目标变成靠近），卡尔曼滤波会立刻警觉，通过对比卡尔曼滤波速度，判断出速度发生折叠了，目标真实速度是接近卡尔曼滤波预测速度的，所以可通过下式解算出合理的速度模糊折叠倍数。回到双体制脉冲雷达，例，体制1的频点数M=5，体制2的频点数N=7，两者互质，总不模糊范围变为5×7=35，若目标发生速度折叠，雷达测得m=2，n=4。如果一个目标已经被雷达持续跟踪了几帧，它的航迹是连续的。
2026-07-29 21:23:27
216
原创 雷达多径杂波去除-20260728
在雷达信号处理中，多径杂波（Multipath Clutter） 是指雷达发射的电波经过地面、建筑物、水面等障碍物多次反射后，通过两条或多条路径到达目标或返回接收天线，从而在雷达图上产生假目标（Ghost Targets）、目标位置偏移（角度估计偏差）以及信号衰落。行业内主流的去杂波方法可以从 信号处理（空/时/频域）、空间几何/建模、数据跟踪端以及AI 四个维度来分类。 电磁波经过如水面、金属墙面反射后，其极化状态（垂直极化、水平极化、圆极化）会发生改变。全极化雷达可通过测量接收信号的极化矩阵，设计
2026-07-29 16:13:29
236
原创 目标跟踪-20260727
目标跟踪的本质是，基于前序状态与当前含噪的测量数据，估计并测量目标在连续时间内的真实运动轨迹，并维持目标的身份一致性。雷达点云跟踪遵循以下四个步骤： 标准卡尔曼滤波（KF）有一个非常严苛的前提假设：系统状态转移矩阵和观测矩阵必须是线性的，且噪声服从高斯分布。在理想线性系统中，一个高斯分布经过线性变换后，依然是高斯分布（只需维护均值 μ 和协方差 P）。但在实际雷达或导航系统中，非线性无处不在，如运动模型非线性，观测模型也非线性（极坐标转笛卡尔坐标）。 EKF 的核心思想非常直接：“既然非线性函数不
2026-07-27 14:51:38
429
原创 噪声抑制算法-20260727
脉冲压缩 (Pulse Compression) 不像传统滤波器那样直接把噪声“过滤掉”，而是通过匹配滤波（Matched Filter）对信号与噪声的不同响应，实现信号能量的相干聚焦，从而大幅提升信噪比（SNR）。（强敏感）， 信号存在很强的自相关性（例如有强窄带干涉、正弦波组合或高阶 AR 信号），不同频率分量能量悬殊，误差曲面的等高线被拉伸成极其扁平的“长椭圆”（椭圆峡谷），垂直于峡谷方向斜率极大（对应。， 信号接近白噪声，频谱很平坦，各个频率分量的能量均匀，误差曲面的等高线是漂亮的圆。
2026-07-27 10:53:39
874
原创 Pipeline-聚类质心提取
对于仿真的单个飞机目标，该目标质心的[距离, 目标中心与雷达角度, 航向速度, 航向角]=[60, 10, -4, 225]使用dbscan聚类结果，求点云质心，将质心点绘制成红色五角星。
2026-06-07 08:56:46
277
原创 Pipeline-点云生成与聚类
当飞机朝着雷达迎头直飞时，机头挡住了机身，而后掠翼的边缘与雷达射线的夹角极其锐利，此时，雷达漏掉大批点迹，点云在空间上会缩水成一个极其狭窄的“一字形”或几个孤立的强点（如发动机、机头）。1.根据cfar检测结果，每个点的径向速度已知，如果飞机是笔直迎头飞来，机身所有点的径向速度几乎一致。对于仿真的单个飞机目标，该目标质心的[距离, 目标中心与雷达角度, 航向速度, 航向角]=[60, 10, -4, 225]2.可以利用前面帧卡尔曼滤波器估计到的飞机运动轨迹和航速，判断飞机是否侧飞，做自适应聚类。
2026-06-05 17:45:43
250
原创 Pipeline-方位角估计doa.m
雷达天线波束（或 FFT 谱峰）的胖瘦通常用 3dB 波束宽度（HPBW，半功率波束宽度） 来衡量。对于全等幅激发的均匀线阵（Uniform Linear Array），其一维方向图主瓣跌破 -3dB 处的全宽度，在数学上刚好等于。对于仿真的单个飞机目标，该目标质心的[距离, 目标中心与雷达角度, 航向速度, 航向角]=[60, 10, -4, 225]当目标在正前方时，它看到的天线阵列是一个完美的、没有遮挡的整长物理孔径。孔径变小了，分辨率自然就会退化（变胖）。（即最左边的天线到最右边天线的总距离）。
2026-06-05 14:16:09
237
原创 Pipeline-cfar目标检测
空心十字架”：只收集和 CUT检测单元 处于同一行（同一多普勒）和同一列（同一距离）的噪声数据，算力开销低，但是四个角是盲区，如果多目标或者杂波干扰刚好长在十字架的斜对角方向（45度角位置），十字架完全探测不到它，会导致噪底估计失真。场景，密集多目标并行，真正的目标在检测单元（CUT），但由于距离极近，另一个同样很强的邻近目标刚好落在了右侧的参考单元里（时的cfar检测结果，检测出点数为1168个，背景的虚警点明显增多。d_SNR与r_SNR，决定检测出来的点数，降低SNR，检测点数增加，虚警点增多。
2026-06-05 09:38:18
332
原创 Pipeline-距离方位FFT
对于仿真的单个飞机目标，该目标质心的[距离, 目标中心与雷达角度, 航向速度, 航向角]=[60, 10, -4, 225]规定速度为负，表示靠近雷达。
2026-06-04 22:33:21
306
原创 Pipeline-仿真回波信号生成
对于仿真飞机目标，airplanes_config = [ 60, 10, -4, 225 ] % [距离, 目标中心与雷达角度, 航向速度(负表示靠近雷达), 航向角]一个时隙内只开一个 TX。微小交叉项，直接忽略。
2026-06-03 17:04:41
298
原创 常用的激活函数
常用的激活函数1. Sigmoid()用于将预测概率作为输出的模型2. Tanh()当输入较大或者较小，输出几乎是平滑且梯度较小，不利于权重更新3.ReLU()输入为正时，不存在梯度饱和问题，计算速度快4.LeakyReLU()调整负值零梯度的问题5.Softmax()用于多分类问题...
2022-04-27 15:57:57
435
原创 BN层和Dropout层的作用
BN层的作用Normalization：神经网络本质上是学习数据的分布，将训练数据和测试数据归一化，可以增强网络的泛化能力，同时提高网络的训练速度。深度学习网络随着网络加深，训练越困难，收敛也越来越慢，很多方法解决这个问题，比如ReLU激活函数，比如残差神经网络，BN本质上也是从不同角度来解决这个问题的。BN也实际上是在做feature scaling，将输入数据分布变换到0均值，单位方差的正态分布，神经网络能够较快收敛。深层神经网络在做非线性变换前的激活输入值，随着网络深度加深或者在训练过程中，其
2022-04-27 15:53:50
2259
原创 决策树分类
决策树先构造树形结构，再进行一系列决策，决策树是分类算法，也能做回归。比如有五个人(样本数据)，打算分类谁愿意打篮球，根据年龄和性别进行决策分类。第一次先通过其中特征进行部分选择，再在子类中根据另一个特征再分类。最后一个叶子节点就是最终分类结果。决策树算法以树状结构表示数据分类的结果。每个决策点实现一个具有离散点输出的测试函数，记为分支。训练阶段从给定的训练数据集DB，构造出一棵决策树。Class = DecisionTree(DB)分类阶段从根开始，按照决策树的分类属性逐层往下划分
2022-04-27 15:44:49
4832
原创 pickle.load及pickle.dump
Python的pickle模块实现了基本的数据序列和反序列化。序列化就是把一个对象变成二进制内容，就是一个byte[]数组。为什么需要序列化？因为序列化后可以把byte[]内容保存到文件中，也可以通过网络传输到远程。有序列化就有反序列化，也就是把存储到文件中或者从网络上读取的二进制内容 即byte[]数组 变回对象。基本使用方法pickle.dump(obj,file,[,protocol])功能：将对象obj保存到文件file中去。file必须有write接口。如果protol>
2021-06-17 11:25:42
2583
原创 Anaconda安装，配置CPU版Tensorflow环境，PyCharm配置python环境
Anaconda下载下载链接清华开源软件镜像站这里下载版本：安装Windows这里可以选择Browse更改安装路径配置CPU版Tensorflow环境1.windows系统，创建txt文件，更名为.condarc，写入以下信息，将该文件放入自己用户的目录下面复制以下内容粘贴进该文档channels: - defaultsshow_channel_urls: truedefault_channels: - https://mirrors.tuna.tsi
2021-02-12 11:16:44
439
1
原创 二进制中1的个数
题目描述输入一个整数，输出该数二进制表示中1的个数。其中负数用补码表示。public int NumberOf1(int n) { int count = 0; while(n!= 0){ count++; n = n & (n - 1); } return count; }思路解析：如果一个整数不为0，那么这个整数至少有一位是1。如果我们把这个整数减1，那么原来处在整
2020-06-09 09:34:04
264
1
原创 重构二叉树
题目描述输入某二叉树的前序遍历和中序遍历的结果，请重建出该二叉树。假设输入的前序遍历和中序遍历的结果中都不含重复的数字。例如输入前序遍历序列{1,2,4,7,3,5,6,8}和中序遍历序列{4,7,2,1,5,3,8,6}，则重建二叉树并返回。/** * Definition for binary tree * public class TreeNode { * int val; * TreeNode left; * TreeNode right; * Tre
2020-06-09 09:10:18
315
1
原创 混合高斯分布
单高斯模型一维情况下高斯分布，概率密度函数，一个正态函数，分布都清楚。下面这位作者给出的二维高斯分布图很形象，能快速理解服从二维高斯分布的数据主要集中在一个椭圆内部二维高斯分布（Two-dimensional Gaussian distribution）的参数分析类比，服从三维的数据集中在一个椭球内部混合高斯模型假设混合高斯模型由K个高斯模型组成（即数据包含K个类），则GMM的概率密度函数如下：是第k个高斯模型的概率密度函数，可以看成选定第k个模型后，该模型产生x的概率； 是第k
2020-05-09 09:22:41
14962
1
原创 MySQL order by、desc、limt的使用
问题描述对一个表，按照某个属性进行从小到大排序，然后取出倒数第三行。需要使用到order by 、 desc以及limit。详细解释举例：student表显示如下：SELECT * FROM studentORDER BY ID;ORDER BY表示对结果集的ID列进行排序，ORDER BY默认从小到大排序，运行以上语句，结果如下：可以看到，student表按照ID列从小到...
2019-11-13 16:37:53
42411
2
原创 Python_2
迭代器迭代器对象从集合的第一个元素开始访问，直到所有的元素被访问完结束。两个基本方法：iter()和next()字符串，列表和元组对象都可以用于创建迭代器。next(it)：可以输出迭代器的下一个元素StopIteration异常用于标识迭代的完成，防止出现无限循环的情况生成器使用了yield的函数被称为生成器，返回迭代器函数函数：提高应用模块性，代码重复利用率#函数定义d...
2019-10-15 15:06:21
229
原创 Python_1
基础语法标识符：首字符为字母表中的字母或者下划线python保留字import keywordprint(keyword.kwlist)#输出如下['False', 'None', 'True', 'and', 'as', 'assert', 'break', 'class', 'continue', 'def', 'del', 'elif', 'else', 'except', 'f...
2019-10-12 20:44:22
353
原创 MySQL_1
基础术语数据库：用来组织、存储和管理数据的仓库。关系数据库特点：数据以表格（关系）的形式出现；行表示元组，列表示属性；许多行和列组成表格；许多表格组成database。主码：用于在一个关系中区分不同元组外码：一个关系中的属性包括另一个关系的主码参照完整性：比如一个表示学校的数据库，其中有两个表，一个是教授表，教授表中存在教授所在系的名字，而系的名字又是系表的主码，所以要求教授所在系的名字...
2019-10-12 17:12:21
338
原创 素数
问题 A: 素数时间限制: 1 Sec 内存限制: 32 MB提交: 738 解决: 248[提交][状态][讨论版][命题人:外部导入]题目描述输入一个整数n(2<=n<=10000)，要求输出所有从1到这个整数之间(不包括1和这个整数)个位为1的素数，如果没有则输出-1。输入输入有多组数据。每组一行，输入n。输出输出所有从1到这个整数之间(不包括1和这个整数...
2019-05-19 15:36:44
221
原创 1019 数字黑洞
1019 数字黑洞 (20 分)给定任一个各位数字不完全相同的 4 位正整数，如果我们先把 4 个数字按非递增排序，再按非递减排序，然后用第 1 个数字减第 2 个数字，将得到一个新的数字。一直重复这样做，我们很快会停在有“数字黑洞”之称的 6174，这个神奇的数字也叫 Kaprekar 常数。例如，我们从6767开始，将得到7766 - 6677 = 10899810 - 0189 = ...
2019-05-18 16:18:41
230
原创 Problem A of Contest 100000590
问题 A: 分数矩阵时间限制: 1 Sec 内存限制: 32 MB提交: 574 解决: 211[提交][状态][讨论版][命题人:外部导入]题目描述我们定义如下矩阵：1/1 1/2 1/31/2 1/1 1/21/3 1/2 1/1矩阵对角线上的元素始终是1/1，对角线两边分数的分母逐个递增。请求出这个矩阵的总和。输入输入包含多组测试数据。每行给定整数N（N<5...
2019-05-18 16:15:52
267
原创 机试准备（四）
C++标准模板库（STL）的介绍1.vector#include<vector>using namespace std;初始化：vector<int> number;//变长一维数组，长度根据需要自动改变 vector<int> v[100];//变长二位数组，v[0]~v[99]每一个都是一个vector容器。常用函数number.pu...
2019-05-15 21:40:41
233
原创 机试准备（三）
数学问题1.数字黑洞挺简单https://pintia.cn/problem-sets/994805260223102976/problems/9948053027868999682.最大公约数 && 最小公倍数练习http://codeup.cn/problem.php?cid=100000589&pid=03.分数的四则运算看书P158http://c...
2019-05-14 21:38:53
274
原创 机试准备（二）
简单的入门1.判断是否为闰年bool isReap(int year){ return (year % 4 == 0 && year%100 != 0) || (year%400 == 0)}2.进制转换其他进制转换为十进制的时候可以使用while当用十进制转换为其他进制的时候需要使用do while3.回文串bool judge (char str[])...
2019-05-14 21:05:16
335
原创 机试准备（一）
用书：《算法笔记》–胡凡 曾磊轻便编译器：Dev-C++ ， C-Free ， CodeBlocks在线评测系统PAT|计算机程序设计能力考试C/C++快速入门不要同时在一个程序中使用cout 和 printf，有时候会出现问题。保存.cpp文件#include<string.h> 和#include< cstring>等价变量变量名第一个字符必...
2019-05-10 19:50:15
974
原创 项目基本介绍及基础环境配置登录界面的实现
要求：学过Java的简单语法，了解html简单语法，熟悉js，jquery。基础环境搭建jdk版本选择：1.7或者1.8；Eclipse，MySQL,navicateclipse安装配置tomcat安装教程navicat连接MySQL教程安装MySQL建议安装xampp，里面自带MySQL，只要启动就可以。实现登录界面新建项目，选择新建Dynamic Web Project...
2019-04-10 10:24:50
441
原创 第八章 关系数据库的设计
第一范式关系中任何属性的域均是原子的。超码唯一标识关系中一条元组的一个或者多个属性的集合。平凡函数依赖如果B包含于A，则形如A–>B这样的函数依赖是平凡的。模式R上满足函数依赖集F的关系，说F在r®上成立。F＋表示F集合的闭包。BCNF范式按照定义任何只包含两个属性的模式都属于BCNF。消除所有基于函数依赖发现的冗余至少有一项成立：A->B是平凡依赖；A是模...
2019-04-07 20:51:48
667
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人