一种复杂环境下改进的SAR图像双边CFAR舰船检测算法

艾加秋; 曹振翔; 毛宇翔; 汪章怀; 王非凡; 金兢

doi:10.12000/JR20127

一种复杂环境下改进的SAR图像双边CFAR舰船检测算法

DOI: 10.12000/JR20127 CSTR: 32380.14.JR20127

艾加秋^{1, 2, ,},
曹振翔^{1, 2,},
毛宇翔^{1, 2,},
汪章怀^1,,
王非凡^{1, 2,},
金兢^{1, 2,}

1.
合肥工业大学计算机与信息学院合肥 230009
2.
合肥工业大学智能互联系统安徽省实验室合肥 230009

基金项目: 国家自然科学基金(62071164, 61701157)，中国博士后科学基金(2020T130165, 2018M640581)，中央高校基本科研业务费专项(JZ2020HGTB0012)，安徽省自然科学基金(1808085QF206)

详细信息

作者简介:
艾加秋(1985–)，男，江西永丰人。2012年6月获中国科学院大学信息与通信工程专业博士学位、现担任合肥工业大学电子信息学院副教授、硕士生导师，主要研究方向为人工智能、雷达图像处理、雷达系统设计、视频图像处理

曹振翔(1996–)，男，安徽合肥人，合肥工业大学硕士生，主要研究方向为雷达图像处理、海杂波信号处理。

毛宇翔(1997–)，男，安徽合肥人，合肥工业大学硕士生，主要研究方向为人工智能、雷达图像处理。

汪章怀(2000–)，男，安徽六安人，合肥工业大学本科生，主要研究方向为信号处理。

王非凡(1998–)，男，安徽阜阳人，合肥工业大学硕士生，主要研究方向为SAR图像分类。

金　兢(1986–)，男，浙江衢州人，博士，讲师，主要研究方向为计算机视觉、机器视觉测量、信号处理与分析、视频图像处理与分析、SLAM。

通讯作者:
艾加秋 aijiaqiu1985@hfut.edu.cn

责任主编：计科峰 Corresponding Editor: JI Kefeng
中图分类号: TN959.72
计量
- 文章访问数:
- HTML全文浏览量:
- PDF下载量:
- 被引次数: 119
出版历程
- 收稿日期: 2020-09-16
- 修回日期: 2020-11-19
- 网络出版日期: 2021-08-28

An Improved Bilateral CFAR Ship Detection Algorithm for SAR Image in Complex Environment

AI Jiaqiu^{1, 2
, ,},
CAO Zhenxiang^{1, 2
,},
MAO Yuxiang^{1, 2
,},
WANG Zhanghuai^1
,,
WANG Feifan^{1, 2
,},
JIN Jing^{1, 2
,}

1.
School of Computer Science and Information Engineering, Hefei University of Technology, Hefei 230009, China
2.
Intelligent Interconnected Systems Laboratory of Anhui Province (Hefei University of Technology), Hefei 230009, China

Funds: The National Natural Science Foundation of China (62071164, 61701157), China Post Doctoral Science Foundation (2020T130165, 2018M640581), The Special Gund for Basic Scientific Research of Central University (JZ2020HGTB0012), Anhui Provincial Natural Science Foundation (1808085QF206)

More Information

Corresponding author: AI Jiaqiu, aijiaqiu1985@hfut.edu.cn

摘要

摘要: 双边恒虚警率(BCFAR)检测算法通过高斯核密度估计器计算出合成孔径雷达(SAR)图像的空间信息，并将它与图像的强度信息相结合得到联合图像以进行目标检测。相较于只使用强度信息来进行目标检测的经典CFAR检测算法，双边CFAR有着更好的检测性能和鲁棒性。然而，在复杂环境下出现连片的高强度异质点时(例如防波堤、方位模糊和幻影等)，核密度估计器计算出的空间信息会出现较多误差，这会导致检测结果中出现大量虚警。此外，当遇到相邻像素点间相似度较低的弱目标时，双边CFAR会发生漏检。为了有效改善这些问题，该文设计一种复杂环境下改进的SAR图像双边CFAR舰船检测算法(IB-CFAR)。该文所提IB-CFAR主要分为3个阶段来实现，分别为基于非均匀量化法的强度层级划分、强度-空间域信息融合、杂波截断后的参数估计。基于非均匀量化法的强度层级划分可以提升弱目标的相似度和对比度信息，从而提升舰船检测率。强度-空间域信息融合在于将空间相似度、距离向和强度等信息进行融合，在进一步提升检测率的同时对舰船的结构信息进行精细化描述。杂波截断后的参数估计可以去除背景窗口中连片的高强度异质点，最大限度地保留真实海杂波样本，使参数估计更加精确。最后，根据估计出的参数建立精确的海杂波统计模型以进行CFAR检测。该文使用高分3号和TerraSAR-X数据来验证该算法的有效性和鲁棒性。实验结果表明，所提出的算法在包含较多密集分布的弱目标环境下表现良好，在此类环境下能获得97.85%的检测率和3.52%的虚警率，相比于现有的检测算法，检测率提升了5%，并且虚警率降低了10%，但在弱目标个数较少且背景十分复杂的环境下，则会出现少量虚警。
- SAR图像目标检测 /
- 改进的双边CFAR /
- 复杂环境 /
- 弱目标 /
- 非均匀量化 /
- 强度-空间融合域
Abstract: The Bilateral Constant False Alarm Rate (BCFAR) detection algorithm calculates the spatial information of Synthetic Aperture Radar (SAR) image by the Gaussian kernel density estimator, and combines it with the intensity information of image to obtain the joint image for target detection. Compared with the classical CFAR detection algorithm which uses only intensity information for target detection, bilateral CFAR has better detection performance and robustness. However, with continuous high-intensity heterogeneous points (such as breakwater, azimuth ambiguity and phantom) in a complex environment, spatial information calculated by kernel density estimator will have more errors, which will lead to many false alarms in detection results. In addition, when it comes to a weak target with less similarity between adjacent pixels, it will miss detection. To effectively improve these problems, this paper designs an Improved Bilateral CFAR (IB-CFAR) algorithm in complex environment. The IB-CFAR proposed in this paper is mainly divided into three stages: intensity level division based on the nonuniform quantization method, intensity spatial domain information fusion and parameter estimation after clutter truncation. The intensity level division based on the nonuniform quantization method can improve the similarity and contrast information of weak targets, leading to improved ship detection rate. The information fusion of strength spatial domain is to fuse the spatial similarity, distance direction and strength information, which can further improve the detection rate and describe the ship structure information. Parameter estimation after clutter truncation can remove continuous high-intensity heterogeneous points in the background window and retain the real sea clutter samples to the maximum extent, which makes parameter estimation more accurate. Finally, according to the estimated parameters, an accurate sea clutter statistical model is established for CFAR detection. In this paper, the effectiveness and robustness of the proposed algorithm are verified by using GaoFen-3 and TerraSAR-X data.The experimental results show that the proposed algorithm performs well in the environment with more dense distribution of weak targets, and can obtain 97.85% detection rate and 3.52% false alarm rate in such environment. Compared with the existing detection algorithms, the detection rate increased by 5% and the false alarm rate reduced by 10%. However, when the number of weak targets is small and the background is very complex, few false alarms will appear.
- Synthetic Aperture Radar (SAR) image target detection /
- Improved Bilateral CFAR /
- Complex environment /
- Weak target /
- Nonuniform quantization /
- Intensity space fusion domain

HTML全文

图 1 弱目标在双边CFAR联合图像中的值与在原始图像中的强度值之间的对比

Figure 1. The comparison between the value of weak target in the joint image of bilateral CFAR and the intensity value in the original image

下载: 全尺寸图片幻灯片

图 2 本文所提IB-CFAR的检测流程图

Figure 2. The proposed IB-CFAR detection flow chart

下载: 全尺寸图片幻灯片

图 3 非均匀强度分级原理图，黄色区域代表第 ${L_N}$ 级

Figure 3. Schematic diagram of non-uniform strength grading, which yellow area represents the level N

下载: 全尺寸图片幻灯片

图 4 各项性能指标在不同 ${L_N}$ 等级下的变化曲线

Figure 4. Variation curves of various performance indicators at different levels

下载: 全尺寸图片幻灯片

图 5 非均匀量化方法增强弱目标内部的相似度信息

Figure 5. Non-uniform quantization method enhances similarity information within weak targets

下载: 全尺寸图片幻灯片

图 6 在包含强相干斑噪声环境下双边CFAR对杂波的抑制效果

Figure 6. Clutter suppression effect of bilateral CFAR in the presence of strong speckle noise

下载: 全尺寸图片幻灯片

图 7 双边CFAR和本文所提IB-CFAR在高强度异质点分布密集的背景下处理得到的融合图像对比图

Figure 7. The comparison of the fusion images of bilateral CFAR and IB-CFAR under the background of dense distribution of high-intensity heterogeneous points

下载: 全尺寸图片幻灯片

图 8 在包含强相干斑噪声环境下所提出的IB-CFAR对杂波的抑制效果

Figure 8. Clutter suppression effect of IB-CFAR in the presence of strong speckle noise

下载: 全尺寸图片幻灯片

图 9 OR-CFAR和本文所提IB-CFAR在高强度异质点环境下对异质点进行杂波截断的性能评估

Figure 9. The high-intensity outliers elimination performance evaluation of OR-CFAR and the proposed IB-CFAR

下载: 全尺寸图片幻灯片

图 10 2017年2月25日，高分3号在UFS模式下获得的上海港附近海域的SAR图像

Figure 10. Gaofen-3 test image of the homogeneous sea area near Shanghai harbor acquired by UFS mode on February 25, 2017

下载: 全尺寸图片幻灯片

图 11 2009年7月31日，TerraSAR-X在SM模式下所获得的巴拿马运河地区的高分辨率、多视、HH极化SAR图像

Figure 11. High-resolution, multi-look, HH polarized SAR image of the Panama Canal region acquired by the X-band TerraSAR SM mode on July 31, 2009

下载: 全尺寸图片幻灯片

图 12 2018年9月1日，高分3号在FSI模式下获得的长江入海口非均匀海况下的SAR图像

Figure 12. Gaofen-3 test image of the heterogeneous open sea of Yangtze River Estuary acquired by the FSI mode on September 1, 2018

下载: 全尺寸图片幻灯片

图 13 复杂环境下的检测结果比较，其中包含密集分布的30个目标，并且图像中还存在重影和防波堤

Figure 13. Comparison of detection results in complex environment, which contains 30 targets with dense distribution, and there are ghost and anti wave in the image

下载: 全尺寸图片幻灯片

图 14 原强度域图像和融合域图像在相同坐标点下的对比图

Figure 14. Comparison of original intensity domain image and fusion domain image at the same coordinate point

下载: 全尺寸图片幻灯片

图 15 检测结果对比

Figure 15. Comparison of detection results

下载: 全尺寸图片幻灯片

图 16 复杂环境下的检测结果比较

Figure 16. Comparison of detection results in complex environment

下载: 全尺寸图片幻灯片

图 17 各类CFAR检测器的ROC曲线

Figure 17. ROC curves of various CFAR detectors

下载: 全尺寸图片幻灯片

表 1 实验中所使用到的SAR图像的详细信息

Table 1. Details of SAR images used in the experiment

Name	Gaofen-3	Terra SAR	Gaofen-3
Acquisition date	2017-02-25	2009-07-31	2018-09-01
Acquired region	The sea area near Shanghai harbour	Panama Canal	Sea of Yangtze River Estuary
Location	E121.9, N31.0	W79.55, N8.93	E121.3, N31.5
Imaging mode	Ultra Fine Stripmap (UFS)	StripMap (SM)	Fine Stripmap I (FSI)
Band	C	X	C
Polarization	VH	HH	HH
Resolution	3 m	3 m	5 m
Number of looks	1	50	1

下载: 导出CSV

表 2 各CFAR检测器的性能分析

Table 2. Performance analysis of CFAR detectors

各CFAR检测器	Fig. 13(a)					Fig. 15(a)
各CFAR检测器	${D_{\rm{r}}}$ [%]	Fom	FAR[%]	Precision	Time[s]	${D_{\rm{r}}}$ [%]	Fom	FAR[%]	Precision	Time[s]
CA-CFAR	9.35	0.0342	2.71	0.0854	6.25	3.54	0.0354	0	1.0000	1.62
TP-CFAR	92.90	0.8342	13.51	0.8747	12.03	85.23	0.3425	38.23	0.3720	3.15
LN-CFAR	82.67	0.5813	3.84	0.6235	15.32	73.42	0.2314	3.22	0.3321	5.36
K-CFAR	89.24	0.5442	11.23	0.5442	180.25	68.53	0.2552	15.21	0.2566	27.28
双边CFAR	52.65	0.2002	68.26	0.2301	17.63	52.43	0.1002	58.25	0.1567	6.67
IS-CFAR	91.28	0.7986	32.85	0.7986	25.12	38.46	0.3342	47.36	0.4342	10.23
IB-CFAR	97.85	0.9223	3.52	0.9243	27.52	98.24	0.5894	13.28	0.6074	11.09

下载: 导出CSV

参考文献(28)

[1]	许述文, 白晓惠, 郭子薰, 等. 海杂波背景下雷达目标特征检测方法的现状与展望[J]. 雷达学报, 2020, 9(4): 684–714. doi: 10.12000/JR20084 XU Shuwen, BAI Xiaohui, GUO Zixun, et al. Status and prospects of feature-based detection methods for floating targets on the sea surface[J]. Journal of Radars, 2020, 9(4): 684–714. doi: 10.12000/JR20084
[2]	李春升, 于泽, 陈杰. 高分辨率星载SAR成像与图像质量提升方法综述[J]. 雷达学报, 2019, 8(6): 717–731. doi: 10.12000/JR19085 LI Chunsheng, YU Ze, and CHEN Jie. Overview of techniques for improving high-resolution spaceborne SAR imaging and image quality[J]. Journal of Radars, 2019, 8(6): 717–731. doi: 10.12000/JR19085
[3]	杜兰, 王兆成, 王燕, 等. 复杂场景下单通道SAR目标检测及鉴别研究进展综述[J]. 雷达学报, 2020, 9(1): 34–54. doi: 10.12000/JR19104 DU Lan, WANG Zhaocheng, WANG Yan, et al. Survey of research progress on target detection and discrimination of single-channel SAR images for complex scenes[J]. Journal of Radars, 2020, 9(1): 34–54. doi: 10.12000/JR19104
[4]	GREENSPAN M, PHAM L, and TARDELLA N. Development and evaluation of a real time SAR ATR system[C]. 1998 IEEE Radar Conference, RADARCON’98. Challenges in Radar Systems and Solutions, Dallas, USA, 1998: 38–43.
[5]	DAI Hui, DU Lan, WANG Yan, et al. A modified CFAR algorithm based on object proposals for ship target detection in SAR images[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(12): 1925–1929. doi: 10.1109/LGRS.2016.2618604
[6]	NOVAK L M, OWIRKA G J, and NETISHEN C M. Radar target identification using spatial matched filters[J]. Pattern Recognition, 1994, 27(4): 607–617. doi: 10.1016/0031-3203(94)90040-X
[7]	RAES R L, LORENZZETTI J A, and GHERARDI D F M. Ship detection using TerraSAR-X images in the Campos basin (Brazil)[J]. IEEE Geoscience and Remote Sensing Letters, 2010, 7(3): 545–548. doi: 10.1109/LGRS.2010.2041322
[8]	WANG Zhaocheng, DU Lan, ZHANG Peng, et al. Visual attention-based target detection and discrimination for high-resolution SAR images in complex scenes[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(4): 1855–1872. doi: 10.1109/TGRS.2017.2769045
[9]	GINI F and RANGASWAMY M. Knowledge-Based Radar Detection, Tracking, and Classification[M]. Hoboken, USA: Wiley-Interscience, 2008: 167–196.
[10]	CRISP D J. The state-of-the-art in ship detection in synthetic aperture radar imagery[R]. DSTO-RR-0272, 2004: 2–30.
[11]	AI Jiaqiu, CAO Zhenxiang, and XING Mengdao. An adaptive-trimming-depth based CFAR detector of heterogeneous environment in SAR imagery[J]. Remote Sensing Letters, 2020, 11(8): 730–738. doi: 10.1080/2150704X.2020.1763501
[12]	QIN Xianxiang, ZHOU Shilin, ZOU Huanxin, et al. A CFAR detection algorithm for generalized gamma distributed background in high-resolution SAR images[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(4): 806–810. doi: 10.1109/LGRS.2012.2224317
[13]	OLIVER C J. A model for non-Rayleigh scattering statistics[J]. Optica Acta: International Journal of Optics, 1984, 31(6): 701–722. doi: 10.1080/713821561
[14]	LIAO Mingsheng, WANG Changcheng, WANG Yong, et al. Using SAR images to detect ships from sea clutter[J]. IEEE Geoscience and Remote Sensing Letters, 2008, 5(2): 194–198. doi: 10.1109/LGRS.2008.915593
[15]	GAO Gui, LIU Li, ZHAO Lingjun, et al. An adaptive and fast CFAR algorithm based on automatic censoring for target detection in high-resolution SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(6): 1685–1697. doi: 10.1109/TGRS.2008.2006504
[16]	FARROUKI A and BARKAT M. Automatic censoring CFAR detector based on ordered data variability for nonhomogeneous environments[J]. IEE Proceedings - Radar, Sonar and Navigation, 2005, 152(1): 43–51. doi: 10.1049/ip-rsn:20045006
[17]	JIANG Wen, HUANG Yulin, and YANG Jianyu. Automatic censoring CFAR detector based on ordered data difference for low-flying helicopter safety[J]. Sensors, 2016, 16(7): 1055. doi: 10.3390/s16071055
[18]	BLAKE S. OS-CFAR theory for multiple targets and nonuniform clutter[J]. IEEE Transactions on Aerospace and Electronic Systems, 1988, 24(6): 785–790. doi: 10.1109/7.18645
[19]	AI Jiaqiu, TIAN Ruitian, LUO Qiwu, et al. Multi-scale rotation-invariant haar-like feature integrated CNN-based ship detection algorithm of multiple-target environment in SAR imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(12): 10070–10087. doi: 10.1109/TGRS.2019.2931308
[20]	AI Jiaqiu, YANG Xuezhi, SONG Jitao, et al. An adaptively truncated clutter-statistics-based two-parameter CFAR detector in SAR imagery[J]. IEEE Journal of Oceanic Engineering, 2018, 43(1): 267–279. doi: 10.1109/JOE.2017.2768198
[21]	AI Jiaqiu, LUO Qiwu, YANG Xuezhi, et al. Outliers-robust CFAR detector of Gaussian clutter based on the truncated-maximum-likelihood- estimator in SAR imagery[J]. IEEE Transactions on Intelligent Transportation Systems, 2020, 21(5): 2039–2049. doi: 10.1109/TITS.2019.2911692
[22]	BRUSCH S, LEHNER S, FRITZ T, et al. Ship surveillance with TerraSAR-X[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(3): 1092–1103. doi: 10.1109/TGRS.2010.2071879
[23]	WANG Chao, JIANG Shaofeng, ZHANG Hong, et al. Ship detection for high-resolution SAR images based on feature analysis[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(1): 119–123. doi: 10.1109/LGRS.2013.2248118
[24]	LENG Xiangguang, JI Kefeng, YANG Kai, et al. A bilateral CFAR algorithm for ship detection in SAR images[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(7): 1536–1540. doi: 10.1109/LGRS.2015.2412174
[25]	RAYNAL A M and DOERRY A W. Doppler characteristics of sea clutter[R]. SAND2010-3828, 2010.
[26]	陈小龙, 关键, 黄勇, 等. 雷达低可观测目标探测技术[J]. 科技导报, 2017, 35(11): 30–38. doi: 10.3981/j.issn.1000-7857.2017.11.004 CHEN Xiaolong, GUAN Jian, HUANG Yong, et al. Radar low-observable target detection[J]. Science &Technology Review, 2017, 35(11): 30–38. doi: 10.3981/j.issn.1000-7857.2017.11.004
[27]	LIU Y, FRASIER S J, and MCINTOSH R E. Measurement and classification of low-grazing-angle radar sea spikes[J]. IEEE Transactions on Antennas and Propagation, 1998, 46(1): 27–40. doi: 10.1109/8.655448
[28]	WANG Chonglei, BI Fukun, ZHANG Weiping, et al. An intensity-space domain CFAR method for ship detection in HR SAR images[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(4): 529–533. doi: 10.1109/LGRS.2017.2654450

施引文献

期刊类型引用(44)

1.	裴昶宇，徐伟，黄平平，谭维贤，高志奇. 多波束环形频控阵零陷形成方法. 雷达科学与技术. 2025(01): 92-100 . 百度学术
2.	张顺生，李鑫，黄栎冰，王文钦. 距离角度失配条件下的FDA-MIMO雷达运动目标检测算法. 信号处理. 2024(01): 197-206 . 百度学术
3.	丁俊淞，张顺生，王文钦. 基于多普勒偏移补偿的非线性FDA-MIMO雷达运动目标检测算法. 信号处理. 2024(02): 272-279 . 百度学术
4.	田发林，徐利兵，李芳明，徐旺. 基于GAMP算法的FDA-MIMO雷达的联合距离角度估计. 无线互联科技. 2024(01): 88-92 . 百度学术
5.	张晶，陈楚舒，王博. 基于密度锥削阵sin-FDA的波束方向图研究. 指挥控制与仿真. 2024(02): 122-127 . 百度学术
6.	杨东凯，谭传瑞，王峰，李唐. 基于高度角随机模型的GNSS外辐射源雷达定位算法. 电子与信息学报. 2024(04): 1373-1381 . 百度学术
7.	李震，何华锋，周涛，张鑫，韩晓斐，王栗沅. 基于UCA-FDA雷达距离补偿的DOA估计方法. 系统工程与电子技术. 2024(06): 1967-1974 . 百度学术
8.	陈阳，田波，宫健，陈赓. FDA干扰技术进展及前景综述. 火力与指挥控制. 2023(01): 8-13 . 百度学术
9.	黄帅，廖可非，欧阳缮，谢宁波. 基于频率分集探地雷达的介质参数估计方法. 桂林电子科技大学学报. 2023(02): 87-92 . 百度学术
10.	悦亚星，李天宇，周成伟，袁鑫，史治国. 稀疏多极化阵列设计研究进展与展望. 雷达学报. 2023(02): 312-331 . 本站查看
11.	倪大冬. 基于Zadoff-Chu序列的频控阵稳健波束成形方法. 电讯技术. 2023(07): 1010-1016 . 百度学术
12.	严济鸿，王顺祥，居宇欢，肖景槐，罗珏麟，冯旭. 一种频控阵抗主瓣欺骗干扰的方法. 现代防御技术. 2023(06): 105-111 . 百度学术
13.	程婕，王文钦，侯宇典，贾文凯，贾亦真. 基于FDA雷达的多径干扰抑制及目标检测. 信号处理. 2022(01): 28-34 . 百度学术
14.	陈阳，田波，王春阳，赵英健. FDA-MIMO抗干扰技术进展及前景展望. 电光与控制. 2022(08): 65-72 . 百度学术
15.	张顺生，刘美慧，王文钦. 基于多普勒扩展补偿的FDA-MIMO雷达运动目标检测. 雷达学报. 2022(04): 666-675 . 本站查看
16.	兰岚，廖桂生，许京伟，朱圣棋，曾操，张玉洪. 基于频率分集阵列的多功能一体化波形设计与信号处理方法. 雷达学报. 2022(05): 850-870 . 本站查看
17.	王文钦，张顺生. 频控阵雷达技术研究进展综述. 雷达学报. 2022(05): 830-849 . 本站查看
18.	Lan LAN，Guisheng LIAO，Jingwei XU，Shengqi ZHU，C1o ZENG，Yuhong ZHANG. Control and utilization of range-dependent beampattern with waveform diverse array radars. Chinese Journal of Aeronautics. 2022(12): 1-31 . 必应学术
19.	兰岚，许京伟，朱圣棋，廖桂生，张玉洪. 波形分集阵列雷达抗干扰进展. 系统工程与电子技术. 2021(06): 1437-1451 . 百度学术
20.	王博，陈楚舒，郭亚军，刘乃箔，许泽华. 频率分集阵列雷达研究进展. 科技导报. 2021(09): 66-77 . 百度学术
21.	赵忠凯，周梦成. 基于频控阵的侦察-干扰一体化技术. 电子信息对抗技术. 2021(03): 7-12 . 百度学术
22.	王博，雷腾，张君鹏，方浩百，张晶. 基于双程方向图的FDA干扰性能分析. 火力与指挥控制. 2021(06): 12-20 . 百度学术
23.	王博，陈楚舒，李洁，孙浩然，王丁皓. 非线性FDA多假目标干扰方法研究. 空军预警学院学报. 2021(04): 244-247 . 百度学术
24.	李星辉，王党卫，熊智敏，马晓岩. 面阵FDS-MIMO雷达回波模型及方向图特性分析. 空军预警学院学报. 2021(05): 328-331+336 . 百度学术
25.	刘永泽，井海明. 频控阵雷达动态点状波束合成. 工程科学与技术. 2021(06): 228-234 . 百度学术
26.	王博，陈楚舒，马学亮，朱鹏羽. 基于对数稀布阵的FDA-MIMO干扰抑制. 空军工程大学学报(自然科学版). 2021(05): 37-42 . 百度学术
27.	朱圣棋，余昆，许京伟，兰岚，李西敏. 波形分集阵列新体制雷达研究进展与展望. 雷达学报. 2021(06): 795-810 . 本站查看
28.	丁梓航，谢军伟，齐铖. 基于TR技术的sin-FDA-MIMO距离角度联合估计. 空军工程大学学报(自然科学版). 2021(06): 97-102 . 百度学术
29.	王博，谢军伟，张晶，王梓人. PFDA阵列点状波束形成及干扰抑制特性研究. 系统工程与电子技术. 2020(02): 253-262 . 百度学术
30.	王博，谢军伟，张晶，孙渤森. 频率分集阵列负型模糊函数特性仿真. 北京航空航天大学学报. 2020(01): 122-132 . 百度学术
31.	王博，谢军伟，葛佳昂，张晶. FDA发射干扰机对无源雷达干涉仪测向系统的欺骗机理. 华南理工大学学报(自然科学版). 2020(01): 93-103 . 百度学术
32.	王博，谢军伟，张晶，李凡. 脉冲压缩雷达信号的FDA特性研究. 电子科技大学学报. 2020(01): 56-63 . 百度学术
33.	王博，谢军伟，张晶，葛佳昂. 对数频偏FDA方向图解耦优化. 系统工程与电子技术. 2020(03): 505-512 . 百度学术
34.	王博，谢军伟，张晶，赵敏. 基于Capon的CSB sin-FDA稳健波束形成. 北京理工大学学报. 2020(01): 53-61 . 百度学术
35.	王博，谢军伟，葛佳昂，张晶. FDA对比幅法单脉冲测向的角度欺骗. 北京航空航天大学学报. 2020(03): 643-650 . 百度学术
36.	王博，谢军伟，张晶，葛佳昂. 低快拍下基于RBF的CSB sin-FDA稳健波束形成. 振动与冲击. 2020(06): 117-124 . 百度学术
37.	王博，谢军伟，张晶，孙渤森. 基于遗传算法的FDA方向图非时变解耦. 雷达科学与技术. 2020(01): 87-93+108 . 百度学术
38.	王子樵，徐湛，陈晋辉，职如昕. 频控阵雷达多路相参信号源的设计与实现. 电子测量技术. 2020(03): 11-16 . 百度学术
39.	王博，谢军伟，张晶，葛佳昂. 频控阵阵列模型及参数分析. 火力与指挥控制. 2020(05): 25-32 . 百度学术
40.	陈楚舒，盛川，谢军伟，王博，单泉铭. 非线性频偏FDA对测向系统的欺骗研究. 空军工程大学学报(自然科学版). 2020(03): 70-77 . 百度学术
41.	王博，谢军伟，张晶，孙渤森. 子阵结构FDA阵列模糊函数建模与研究. 空军工程大学学报(自然科学版). 2019(04): 90-96 . 百度学术
42.	王博，谢军伟，张晶，葛佳昂. 基于SD-LCMV算法的FDA平台外干扰抑制. 北京航空航天大学学报. 2019(11): 2247-2256 . 百度学术
43.	林洋，张顺生，王文钦，桂荣华. LFM正交调制的FDA-MIMO雷达运动目标检测. 信号处理. 2019(11): 1888-1894 . 百度学术
44.	王博，谢军伟，葛佳昂，张晶. FDA对测向时差组合定位的欺骗研究. 空军工程大学学报(自然科学版). 2019(06): 72-78 . 百度学术