此为合成孔径雷达动目标检测的相关学习资料，包括经典的SAR-GMTI算法原理的介绍——DPCA,ATI等。

动目标检测和成像，该代码采用BP算法，对一片区域进行成像，在系统噪声和杂波背景下能够有效对动目标进行检测和成像，并且使用ATI技术估计动目标信息。 但该份代码还是存在着一些问题，随着斜视角的增大，动目标的位置估计与实际偏差会越大，正侧视的情况下（斜视角为0），偏差最小。 如有朋友能够解决该问题或提供解决思路，本人将不胜感激！

偏置相位中心天线仿真程序，用于SAR信号处理与仿真

混合主成分分析（dPCA） dPCA是一种线性降维技术，可自动发现并突出显示复杂的人口活动的基本特征。 人口活动被分解为几个混合的部分，这些部分捕获了数据中的大多数方差，并突出了人口对各种任务参数（如刺激，决策，奖励等）的动态调整。 D Kobak + ，W Brendel + ，C Constantinidis，CE Feierstein，A Kepecs，ZF Mainen，XL Qi，R Romo，N Uchida，CK Machens 神经人口数据的混合主成分分析eLife 2016， //elifesciences.org/content/5/e10989 （arXiv链接：

本文发表在国际知名遥感杂志JARS上，内容涉及合成孔径雷达（SAR）和地面运动目标检测(GMTI)，对偏置天线相位中心技术（DPCA）和沿航迹干涉技术（ATI）进行了理论建模和系统全面地性能对比。具有相当的参考价值，欢迎引用。

雷达系统用于通过在自由空间中传输电磁波来检测物体。 它们在期望的回波信号极有可能干扰其他来源的信号的环境中运行。 这些信号包括杂波和干扰信号。 干扰器是一种在雷达环境中连续发射宽带无线电信号，从而使接收器充满噪声或虚假信息的设备。 因此，总的接收信号具有三个分量，即来自目标，杂波和干扰的回波相结合，即它是三维信号。 常规信号处理技术的使用是不可取的，因为它们无法将所需的回声信号与其他分量分开，因为不知道接收信号中存在的这些分量的统计信息。 在机载监视雷达中，必须解决此问题，因为它们必须在多个干扰环境中识别和定位目标。 空时自适应技术（STAP）是空间和时间滤波的组合，可以消除干扰信号并识别慢速移动的目标。 这些技术在角域和多普勒域中对信号进行滤波，以抑制不需要的信号。 本文对时空自适应编码技术进行了理论研究，并介绍了STAP算法的MATLAB实现。 SMI，DPCA和ADPCA，以抑制接收脉冲中的杂波和干扰干扰。

密度峰聚类算法 sklearn方式的python实现。 文档 概述 class DensityPeakCluster ( object ): """ Density Peak Cluster. Methods: fit: fit model plot: plot clustering Attributes: n_id: data row count distance: each id distance dc: threshold of density cut off rho: each id density nneigh: each id min upper density nearest neighbor delta: each

#资源达人分享计划#

雷达中双通道偏置相位中心天线DPCA程序，是很好的学习资料。

在本文档中包含有python，PCA重构人脸子图像,2D-PCA,2D-2DPCA相关代码，本代码配合博客文章https://blog.csdn.net/qq_40287633/article/details/104919330