CN107248966A - 单节点动态接收传感器噪声分析模型及分析方法 - Google Patents

单节点动态接收传感器噪声分析模型及分析方法 Download PDF

Info

Publication number
CN107248966A
CN107248966A CN201710428480.5A CN201710428480A CN107248966A CN 107248966 A CN107248966 A CN 107248966A CN 201710428480 A CN201710428480 A CN 201710428480A CN 107248966 A CN107248966 A CN 107248966A
Authority
CN
China
Prior art keywords
sensor
noise
signal
fixed reception
fixed
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710428480.5A
Other languages
English (en)
Other versions
CN107248966B (zh
Inventor
王尔馥
陈新武
解雅钦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Xieli Chaoyue Technology Co.,Ltd.
Original Assignee
Heilongjiang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Heilongjiang University filed Critical Heilongjiang University
Priority to CN201710428480.5A priority Critical patent/CN107248966B/zh
Publication of CN107248966A publication Critical patent/CN107248966A/zh
Application granted granted Critical
Publication of CN107248966B publication Critical patent/CN107248966B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/001—Modulated-carrier systems using chaotic signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03993—Noise whitening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/10—Noise analysis or noise optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Power Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种能分析多个位置的单节点动态接收传感器噪声分析模型及分析方法，涉及一种无线通信中的噪声分析方法。模型包括：在发送端，用三个发送传感器发送用混沌信号遮掩的目标图像信息的图像信号；在接收端，1号固定接收传感器和2号固定接收传感器的位置固定，且距离为λ/2，动态接收传感器位于a点与b点之间；a点为1号固定接收传感器与2号固定接收传感器的中间位置，b点与1号固定接收传感器和2号固定接收传感器呈等边三角形。分析时，根据动态接收传感器的位置，确定动态接收传感器与1号固定接收传感器和2号固定接收传感器的噪声相关度；根据噪声相关度，裁剪出相应噪声，并加到发送端发送的相应图像信号上，用于噪声分析。

Description

单节点动态接收传感器噪声分析模型及分析方法
技术领域
本发明涉及一种无线通信中的噪声分析方法。
背景技术
无线通信系统中，需要将来自发送端的导波能量转变为无线电波发射，或者将无线电波转换为导波能量接收，用来辐射和接收无线电波的装置称为天线或传感器。
由许多相同的单个天线或传感器按一定规律排列组成天线系统，也称天线阵。如果天线排列在一直线或一平面上，则成为直线阵列或平面阵。由多个相互分离且其中心排列在一条直线上的单元构成的天线阵称为直线天线阵；平面阵就是组成阵列的所有单元都位于同一平面上的天线阵，一般有矩形，圆形，三角形等。
在通信系统中，一般的噪声可以导致各种不良后果，如果信号传输劣化甚至中断，例如，接收的画面出现噪点或者声音出现咔咔声。在通信系统中，经常碰到的噪声之一就是高斯白噪声。
高斯白噪声是指噪声的概率密度函数满足正态分布统计特征，同时它的功率谱密度函数是常数的一类噪声。在通信系统的分析中，经常假设系统中的噪声为高斯白型白噪声，这种噪声有具体的数学表达式表达，适合分析。同时，高斯白噪声也能反映出通信系统中加性噪声的情况，比较真实反映信道特性。
现有的直线阵列或平面阵中的单节点接收传感器的噪声测量分析时，对该接收传感器进行噪声测量，测量后，对噪声进行分析，确定影响因素，这种方式只能分析一种位置下的噪声，不具有连续性分析，所以分析效果差。
发明内容
针对上述不足，本发明提供一种能分析多个位置的单节点动态接收传感器噪声分析模型及分析方法。
本发明的一种单节点动态接收传感器噪声分析模型，所述模型包括：在发送端，用三个发送传感器发送用混沌信号遮掩的目标图像信息的图像信号；在接收端，采用三个接收传感器接收图像，所述三个接收传感器包括：1号固定接收传感器、2号固定接收传感器和动态接收传感器，1号固定接收传感器和2号固定接收传感器的位置固定，且距离为λ表示接收信号的波长，动态接收传感器位于a点与b点之间，且包括a点和b点；a点为1号固定接收传感器与2号固定接收传感器的中间位置，b点与1号固定接收传感器和2号固定接收传感器呈等边三角形。
基于上述所述的单节点动态接收传感器噪声分析模型的分析方法，包括：
步骤一：确定动态接收传感器的位置，进而确定动态接收传感器与1号固定接收传感器和2号固定接收传感器的噪声相关度；
步骤二：根据步骤一确定的噪声相关度，裁剪出相应噪声，并将裁剪出的噪声加到发送端发送的相应图像信号上；
步骤三：对加了噪声的图像信号进行盲源分离处理，提取目标图像信息；
步骤四：根据噪声相关度、发送端的目标图像信息和提取的目标图像信息，对噪声进行分析。
优选的是，所述步骤三中，采用FastICA算法对接收端的三路接收信号进行盲源分离处理，提取目标图像信息。
优选的是，所述步骤三中包括：
采用第j个提取处理单元从输入的接收信号中提取源信号；
第j个消减处理单元从输入的接收信号中消除已提取的源信号，并将剩下的接收信号输出给第j+1个提取处理单元；
j＝1,2，直至第3个提取处理单元从输入的接收信号中提取源信号；
3个提取处理单元提取的源信号为目标图像信息。
上述技术特征可以各种适合的方式组合或由等效的技术特征来替代，只要能够达到本发明的目的。
本发明的有益效果在于，考虑到接收传感器噪声对图像信息盲提取的影响，本发明由接收传感器的间距移动来改变接收传感器噪声之间的相关性，对图像信息盲提取，本发明的接收传感器能获取多个位置的图像，用于噪声分析。
附图说明
图1为本发明单节点动态接收传感器噪声分析模型的原理示意图。
图2为正定混合系统盲源分离的数学模型的示意图。
图3为具体实施例中第一路源信号的图像。
图4为噪声相关度为50％影响下提取的图像。
图5为噪声相关度为45％影响下提取的图像。
图6为噪声相关度为40％影响下提取的图像。
图7为噪声相关度为35％影响下提取的图像。
图8为噪声相关度为30％影响下提取的图像。
图9为噪声相关度为25％影响下提取的图像。
图10为噪声相关度为20％影响下提取的图像。
图11为噪声相关度为15％影响下提取的图像。
图12为噪声相关度为10％影响下提取的图像。
图13为噪声相关度为5％影响下提取的图像。
图14为噪声相关度为0％影响下提取的图像。
图2至图14的横纵坐标均表示像素。
图15为分离前后的相似系数随相关度变化的动态曲线图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
结合图1说明本实施方式，本实施方式所述的一种单节点动态接收传感器噪声分析模型，包括：在发送端，用三个发送传感器发送用混沌信号遮掩的目标图像信息的图像信号；在接收端，采用三个接收传感器接收图像，所述三个接收传感器包括：1号固定接收传感器、2号固定接收传感器和动态接收传感器，1号固定接收传感器和2号固定接收传感器的位置固定，且距离为λ表示接收信号的波长，动态接收传感器位于a点与b点之间，且包括a点和b点；a点为1号固定接收传感器与2号固定接收传感器的中间位置，b点与1号固定接收传感器和2号固定接收传感器呈等边三角形。
本模型中，接收传感器的位置成等边三角形形状，1号固定接收传感器和2号固定传感器成直线型放置，它们之间的距离为即接收信号波长的一半。动态接收传感器在边长为半波长的等边三角形的中垂线上移动。当动态接收传感器达到边长为半波长的等边三角形的顶点时，即三个接收传感器之间的距离两两都为那么三个接收传感器之间呈现不相关状态。当动态接收传感器的位置处于1号固定接收传感器和2号固定接收传感器的中间位置时，那么动态接收传感器与1号固定接收传感器和固定接收传感器的相关性为50％。动态接收传感器的位置从1号固定接收传感器和2号固定接收传感器的中间位置到边长为半波长的等边三角形的顶点的移动过程中，动态接收传感器与与1号固定接收传感器和2号固定接收传感器的相关性从50％到0％。
本实施方式给出的模型，可以实现多个位置对应多种带噪声的图像，为噪声分析提供了数据。
基于上述所述的单节点动态接收传感器噪声分析模型的分析方法，包括：
步骤一：确定动态接收传感器的位置，进而确定动态接收传感器与1号固定接收传感器和2号固定接收传感器的噪声相关度；
步骤二：根据步骤一确定的噪声相关度，裁剪出相应噪声，并将裁剪出的噪声加到发送端发送的相应图像信号上；
步骤三：对加了噪声的图像信号进行盲源分离处理，提取目标图像信息；
步骤四：根据噪声相关度、发送端的目标图像信息和提取的目标图像信息，对噪声进行分析。
本实施方式基于上述模型进行了仿真，根据待测的模型中动态接收传感器的位置，获得该动态接收传感器分别与1号固定接收传感器和2号固定接收传感器的噪声相关性，进而获得相应噪声，将噪声叠加到传输的图像上，进行仿真，提取出目标图像与目标图像进行对比。
优选实施例中，采用FastICA算法对接收端的三路接收信号进行盲源分离处理，提取目标图像信息。
独立分量分析(ICA)方法是盲信号处理中常用的方法，其中的FastICA算法具有较好的收敛性，学习训练时间短且对学习步长因子依赖性小，故本文采用该算法进行盲源分离，求得到分离矩阵W。
优选实施例中，步骤三包括：
采用第j个提取处理单元从输入的接收信号中提取源信号；
第j个消减处理单元从输入的接收信号中消除已提取的源信号，并将剩下的接收信号输出给第j+1个提取处理单元；
j＝1,2，直至第3个提取处理单元从输入的接收信号中提取源信号；
3个提取处理单元提取的源信号为目标图像信息。
具体实施例：
本实施方式是基于正定盲源分离的数学模型，进行噪声分析。假设源信号是n个独立的信号，经过混合之后，在发送端利用n个发送传感器天线发送出去，通过信道传输，且在接收端使用n个接收传感器接收到n个信号的系统模型，称之为正定混合系统模型。正定混合系统盲源分离的数学模型如图2所示。
给定源信号向量S＝[s1(t),s2(t),…,sN(])]T，表示N个未知的源信号向量，为了实现信号隐藏保密传输的目的，选择其中某一个向量作为混沌信号，然后将图像信息有效地隐藏在混沌信号中，使其达到保密传输的作用。A为N×N阶的未知信道混合矩阵，通过随机产生。N＝[n1(t),n2(t),…,nN(t)]T表示信道中的加性高斯白噪声。由此可以得到该正定混合系统观测信号的矢量表达式为
Y＝A×S+N
正定混合系统进行盲源分离的关键步骤是求解出分离矩阵W，S'＝[s'1(t),s'2(t),…,s'N(t)]T是从观测信号Y中估计出的源信号矢量，通过矩阵W就可以将目标信号S'从观测信号Y中提取出来，分离系统的输出即提取的矢量表达式为
S'＝W×Y＝W×A×S+W×N
本实施方式是以混沌信号为背景做目标信号盲提取的分析，故选取常见的混沌系统Chen混沌。在此给出Chen混沌系统的动力学表达式为：
其中，a,b,c为系统的参数，当参数值取为a＝35,b＝3,c＝28时，Chen混沌系统处于混沌状态，x,y,z是系统的状态变量。
采用本实施方式的单节点动态接收传感器噪声分析模型，对噪声进行分析：
将动态接收传感器的位置从1号固定接收传感器和2号固定接收传感器的中间位置到边长为半波长的等边三角形的顶点的移动过程中，取11个点，获得动态传感器与1号固定传感器和2号固定传感器的噪声相关度分别为50％、45％、40％、35％、30％、25％、20％、15％、10％、5％和0％；
根据获得的噪声相关度，将对盲源分离中的观测信号端加上具有一定相关度的高斯白噪声进行仿真：
Matlab软件随机产生三个一样强度大小的高斯白噪声，对于第一个高斯白噪声不进行处理。对于第二个高斯白噪声进行拼接处理，将第一个高斯白噪声的前百分之几提取出来，与第二个高斯白噪声截取前百分之几后的高斯白噪声进行拼接。对于第三个高斯白噪声进行拼接处理，将第一个高斯白噪声的后百分之几提取出来，与第三个高斯白噪声截取后百分之几后的高斯白噪声进行拼接。这样可以使得第一个高斯白噪声与新的第二个高斯白噪声的相关度和第一个高斯白噪声与新的第三个高斯白噪声相关度一样，都为百分之几。本实施方式的最高相关度值为50％。新的第二个高斯白噪声和新的第三个高斯白噪声是不相关的。由于是高斯白噪声的缘故两个独立的高斯白噪声本身是不相关的。新的第二个高斯白噪声和新的第三个高斯白噪声与模型中的1号固定接收传感器和2号固定接收传感器相对应，第一个高斯白噪声与动态接收传感器相对应。
选取两幅标准测试图片库中的256×256彩色图片，作为两路源信号的图像，其中第一路源信号的图像如图3所示，将两路源信号从图像转化为一维数组数据，再将一位数组数据进行二进制转换，然后将其与Chen混沌信号进行封装。随机生成一个3×3矩阵与封装后的数据进行混叠，得到三路观测信号。对三路观测信号分别加上三个已经进行相关度处理的高斯白噪声。再将此混叠后的矩阵利用FastICA算法进行盲源分离，得到各个源信号的估计，把得到的估计值进行十进制化并进行二维化可获得盲源分离处理后的目标图像信息。
本次实验的随机生成的混合矩阵为
获取测试图片(目标图像)和盲源分离处理后的目标图像的相似系数：
设ξij为分离得到的期望信号si'与源信号si的相似系数，数学表达式为：
ξij＝1时，表明分离得到的信号的第i个信号与发送端的第j个信号完全相同，这是最理想的情况。在实际分离过程中不可避免的总会存在各种误差对算法造成影响，仿真出现相似系数趋近于1，意味着具有良好的分离效果；如果趋近于0则说明分离不好，未实现分离。
根据本实施例的过程提取的目标图像及相似如下：
图4为动态接收传感器与1号固定接收传感器和2号固定接收传感器的噪声相关度为50％影响下提取的图像信息，其相似系数为0.999245543375288；
图5为动态接收传感器与1号固定接收传感器和2号固定接收传感器的噪声相关度为45％影响下提取的图像信息，其相似系数为0.999182119761389；
图6为动态接收传感器与1号固定接收传感器和2号固定接收传感器的噪声相关度为40％影响下提取的图像信息，其相似系数为0.999108685470112；
图7为动态接收传感器与1号固定接收传感器和2号固定接收传感器的噪声相关度为35％影响下提取的图像信息，其相似系数为0.999029628434092；
图8为动态接收传感器与1号固定接收传感器和2号固定接收传感器的噪声相关度为30％影响下提取的图像信息，其相似系数为0.998908081067107；
图9为动态接收传感器与1号固定接收传感器和2号固定接收传感器的噪声相关度为25％影响下提取的图像信息，其相似系数为0.998816569707812；
图10为动态接收传感器与1号固定接收传感器和2号固定接收传感器的噪声相关度为20％影响下提取的图像信息，其相似系数为0.998726752254874；
图11为动态接收传感器与1号固定接收传感器和2号固定接收传感器的噪声相关度为15％影响下提取的图像信息，其相似系数为0.998602336079535；
图12为动态接收传感器与1号固定接收传感器和2号固定接收传感器的噪声相关度为10％影响下提取的图像信息，其相似系数为0.998482376786609；
图13为动态接收传感器与1号固定接收传感器和2号固定接收传感器的噪声相关度为5％影响下提取的图像信息，其相似系数为0.998331040142915；
图14为动态接收传感器与1号固定接收传感器和2号固定接收传感器的噪声相关度为0％影响下提取的图像信息，其相似系数为0.998032518501311；
分离前后的相似系数随相关度变化的动态曲线图如图15所示，通过对图15的分析可知，随着动态接收传感器与1号固定接收传感器和2号固定接收传感器的噪声相关度增加，盲源提取后的图像信息与原始的图像信息的相似系数越来越大，也就验证了基于半波长三阵元稳定拓扑结构的单节点动态接收传感器噪声影响。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

Claims (4)

1.一种单节点动态接收传感器噪声分析模型，其特征在于，所述模型包括：在发送端，用三个发送传感器发送用混沌信号遮掩的目标图像信息的图像信号；在接收端，采用三个接收传感器接收图像，所述三个接收传感器包括：1号固定接收传感器、2号固定接收传感器和动态接收传感器，1号固定接收传感器和2号固定接收传感器的位置固定，且距离为λ表示接收信号的波长，动态接收传感器位于a点与b点之间，且包括a点和b点；a点为1号固定接收传感器与2号固定接收传感器的中间位置，b点与1号固定接收传感器和2号固定接收传感器呈等边三角形。
2.基于权利要求1所述的单节点动态接收传感器噪声分析模型的分析方法，其特征在于，
所述分析方法包括：
步骤一：确定动态接收传感器的位置，进而确定动态接收传感器与1号固定接收传感器和2号固定接收传感器的噪声相关度；
步骤二：根据步骤一确定的噪声相关度，裁剪出相应噪声，并将裁剪出的噪声加到发送端发送的相应图像信号上；
步骤三：对加了噪声的图像信号进行盲源分离处理，提取目标图像信息；
步骤四：根据噪声相关度、发送端的目标图像信息和提取的目标图像信息，对噪声进行分析。
3.根据权利要求2所述的单节点动态接收传感器噪声分析模型的分析方法，其特征在于，所述步骤三中，采用FastICA算法对接收端的三路接收信号进行盲源分离处理，提取目标图像信息。
4.根据权利要求2所述的单节点动态接收传感器噪声分析模型的分析方法，所述步骤三包括：
采用第j个提取处理单元从输入的接收信号中提取源信号；
第j个消减处理单元从输入的接收信号中消除已提取的源信号，并将剩下的接收信号输出给第j+1个提取处理单元；
j＝1,2，直至第3个提取处理单元从输入的接收信号中提取源信号；
3个提取处理单元提取的源信号为目标图像信息。
CN201710428480.5A 2017-06-08 2017-06-08 单节点动态接收传感器噪声分析系统及分析方法 Active CN107248966B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710428480.5A CN107248966B (zh) 2017-06-08 2017-06-08 单节点动态接收传感器噪声分析系统及分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710428480.5A CN107248966B (zh) 2017-06-08 2017-06-08 单节点动态接收传感器噪声分析系统及分析方法

Publications (2)

Publication Number Publication Date
CN107248966A true CN107248966A (zh) 2017-10-13
CN107248966B CN107248966B (zh) 2020-02-28

Family

ID=60019222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710428480.5A Active CN107248966B (zh) 2017-06-08 2017-06-08 单节点动态接收传感器噪声分析系统及分析方法

Country Status (1)

Country Link
CN (1) CN107248966B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080169347A1 (en) * 2007-01-11 2008-07-17 Datalogic Scanning, Inc. Methods and systems for optical code reading using virtual scan lines
US20100104180A1 (en) * 2008-10-28 2010-04-29 Novatek Microelectronics Corp. Image noise reduction method and image processing apparatus using the same
CN101739671A (zh) * 2009-12-30 2010-06-16 中兴通讯股份有限公司 一种含噪图像的降噪处理方法及系统
CN101751695A (zh) * 2008-12-10 2010-06-23 中国科学院自动化研究所 点云数据的主曲率和主方向估计方法
CN101908138A (zh) * 2010-06-30 2010-12-08 北京航空航天大学 基于噪声独立成分分析的合成孔径雷达图像目标识别方法
CN104035065A (zh) * 2014-06-23 2014-09-10 河北工业大学 基于主动旋转的声源定向装置及其应用方法
CN104464749A (zh) * 2014-11-24 2015-03-25 沈阳化工大学 一种基于盲提取治理冷却塔噪声的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080169347A1 (en) * 2007-01-11 2008-07-17 Datalogic Scanning, Inc. Methods and systems for optical code reading using virtual scan lines
US20100104180A1 (en) * 2008-10-28 2010-04-29 Novatek Microelectronics Corp. Image noise reduction method and image processing apparatus using the same
CN101751695A (zh) * 2008-12-10 2010-06-23 中国科学院自动化研究所 点云数据的主曲率和主方向估计方法
CN101739671A (zh) * 2009-12-30 2010-06-16 中兴通讯股份有限公司 一种含噪图像的降噪处理方法及系统
CN101908138A (zh) * 2010-06-30 2010-12-08 北京航空航天大学 基于噪声独立成分分析的合成孔径雷达图像目标识别方法
CN104035065A (zh) * 2014-06-23 2014-09-10 河北工业大学 基于主动旋转的声源定向装置及其应用方法
CN104464749A (zh) * 2014-11-24 2015-03-25 沈阳化工大学 一种基于盲提取治理冷却塔噪声的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张卫平等: "任意形状三阵元平面声被动目标定位分析", 《探测与控制学报》 *

Also Published As

Publication number Publication date
CN107248966B (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
CN108564006B (zh) 基于自步学习卷积神经网络的极化sar地物分类方法
CN105652273B (zh) 一种基于混合匹配追踪算法的mimo雷达稀疏成像算法
CN104251989B (zh) 基于压缩空间谱的单基地mimo雷达目标波达方向估计方法
CN109581425A (zh) 一种基于多接收机的卫星导航欺骗信号检测方法
CN106556783B (zh) 一种变电站内基于特高频相控阵原理的局部放电测向方法
Huang et al. A power-angle-spectrum based clustering and tracking algorithm for time-varying radio channels
CN109374985A (zh) 电磁环境监测方法、系统及存储介质
CN106226765B (zh) 一种建筑物布局成像方法及系统
CN105549011A (zh) 一种基于mimo穿墙雷达的建筑物单边两点斜视成像方法
CN110166143A (zh) 一种基站性能的测试方法、设备及系统
CN107290715A (zh) 一种基于指纹校准和指纹转换的室内定位方法
CN103426175A (zh) 基于特征值度量谱聚类的极化sar图像分割方法
KR101785113B1 (ko) 측위 시스템 및 위치 측정 방법
CN108399423B (zh) 一种遥感影像分类的多时相-多分类器融合方法
Pan et al. RF-DNA: Large-scale physical-layer identifications of RFIDs via dual natural attributes
CN105891799A (zh) 适用于机械扫描雷达的有源干扰侦察方法
Hu et al. Multi-frequency channel modeling for millimeter wave and thz wireless communication via generative adversarial networks
CN105933081B (zh) 一种无人机数据链测试装置
CN108717188B (zh) 适用于mimo穿墙雷达成像的快速墙体补偿方法
CN102158241A (zh) 无源超高频射频识别系统的通信误码率测试方法和装置
CN114298086A (zh) 基于深度学习和四阶滞后矩谱的stbc-ofdm信号盲识别方法和装置
CN107248966A (zh) 单节点动态接收传感器噪声分析模型及分析方法
US8285222B2 (en) System and method for identification of communication devices
Sarkar et al. RADIANCE: Radio-Frequency Adversarial Deep-learning Inference for Automated Network Coverage Estimation
DE112018005020T5 (de) Unterschiedliche sektorrotationsgeschwindigkeiten für die postambel-verarbeitung eines strahlformungspakets

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20201028

Address after: 2506, 21 / F, block B, No.72 courtyard, Xisanhuan North Road, Haidian District, Beijing 100048

Patentee after: Beijing Zhongxing Xieli Technology Co.,Ltd.

Address before: 150080 Harbin, Heilongjiang, Nangang District Road, No. 74

Patentee before: Heilongjiang University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240521

Address after: Room 1813, Unit 2, Building 11, Phase I, Rose Mansion, No. 80 Zhangba North Road, High tech Zone, Xi'an City, Shaanxi Province, 710000

Patentee after: Xi'an Xieli Chaoyue Technology Co.,Ltd.

Country or region after: China

Address before: 2506, 21st Floor, Building B, No. 72 West Third Ring North Road, Haidian District, Beijing, 100048

Patentee before: Beijing Zhongxing Xieli Technology Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right