CN107358252A - 一种无人机分类方法及装置 - Google Patents

一种无人机分类方法及装置 Download PDF

Info

Publication number
CN107358252A
CN107358252A CN201710433314.4A CN201710433314A CN107358252A CN 107358252 A CN107358252 A CN 107358252A CN 201710433314 A CN201710433314 A CN 201710433314A CN 107358252 A CN107358252 A CN 107358252A
Authority
CN
China
Prior art keywords
time
frequency
characteristic vector
unmanned plane
domain data
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.)
Pending
Application number
CN201710433314.4A
Other languages
English (en)
Inventor
李刚
章鹏飞
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN201710433314.4A priority Critical patent/CN107358252A/zh
Publication of CN107358252A publication Critical patent/CN107358252A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种无人机分类方法及装置，包括：获取目标无人机的时域数据的步骤或单元；将所述时域数据变换为时频图的步骤或单元；提取所述时频图中表征目标无人机运动状态的特征向量的步骤或单元；将所述特征向量发送至支持向量机中进行目标无人机的分类的步骤或单元。本发明通过采集无人机飞行时的时域数据并从时域数据中提取特征向量作为无人机分类的依据进行分类，实现对无人机类别的有效识别，提高了分类的精准性并且降低了环境因素的影响以及判断的误差；通过支持向量机来进行分类，实现对样本数目较少的类型的样本具有良好的识别能力。

Description

一种无人机分类方法及装置
技术领域
本发明涉及模式识别技术领域，具体涉及一种无人机分类方法及装置。
背景技术
近年无人机产业快速发展，在航拍、农业、监测、测绘等领域的作用日益显现。但是随着无人机的数量的爆发式增长，无人机的“黑飞”事件频发，屡屡威胁民航安全。此外小型无人机可能形成理想的平台，以形成迅速和隐蔽的犯罪行为甚至恐怖袭击。无人机“黑飞”在城市中也存在高空坠落伤人的危险与造成隐私泄露，其隐患不容忽视。因此对无人机的正确而迅速地识别，对于判别无人机的类别状态、判定其威胁等级、提供应对措施的有效依据等具有重要意义，相关需求广泛存在于反恐、民航监控等领域。
目前监控识别系统中大多采用视频监控和图像处理技术的方式，基于图像的识别系统识别精度受限、识别过程运算量大、受光照等环境因素影响大、判别结果误差大。此外无人机作为一种受控制的目标，其飞行路线的大部分可能被地形或建筑物隐藏，能够规避监控识别系统。另外，基于图像的识别系统不具备全天候全天时工作能力，限制了其应用范围。
发明内容
针对现有技术中的缺陷，本发明提供一种无人机分类方法及装置，通过采集无人机的时域数据并从时域数据中提取特征向量作为无人机分类的依据进行分类，实现对无人机的准确分类。
为实现上述目的，本发明提供以下技术方案：
第一方面，本发明提供了一种无人机分类方法，包括：
获取目标无人机的时域数据；
将所述时域数据变换为时频图；
提取所述时频图中表征目标无人机运动状态的特征向量；
将所述特征向量发送至支持向量机中进行目标无人机的分类。
可选地，所述方法还包括：
将训练样本中的特征向量发送至支持向量机中进行分类学习。
可选地，所述获取目标无人机的时域数据的步骤，包括：
采用X波段的连续波雷达获取目标无人机的时域数据。
可选地，所述将所述时域数据变换为时频图的步骤，包括：
采用短时傅里叶变换将所述时域数据进行变换，获取目标无人机的时频图。
可选地，所述提取所述时频图中表征目标无人机运动状态的特征向量的步骤，包括：
采用主成分分析法从所述时频图中提取特征向量。
可选地，所述支持向量机采用决策树算法对输入的特征向量进行分类。
第二方面，本发明提供了一种无人机分类装置，包括：
采集单元，用于获取目标无人机的时域数据；
转换单元，用于将所述时域数据变换为时频图；
提取单元，用于提取所述时频图中表征目标无人机运动状态的特征向量；
分类单元，用于将所述特征向量发送至支持向量机中进行目标无人机的分类。
可选地，所述装置还包括：
学习单元，用于将训练样本中的特征向量发送至支持向量机中进行分类学习。
第三方面，本发明提供了一种电子设备，包括：处理器、存储器和总线；其中，
处理器和存储器通过总线完成相互间的通信；
处理器用于调用存储器中的程序指令，以执行上述无人机分类方法。
第四方面，本发明提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述无人机分类方法。
由上述技术方案可知，本发明所述的一种无人机分类方法及装置，通过采集无人机飞行时的时域数据并从时域数据中提取特征向量作为无人机分类的依据进行分类，实现对无人机类别的有效识别，提高了分类的精准性并且降低了环境因素的影响以及判断的误差；通过支持向量机来进行分类，实现对样本数目较少的类型的样本具有良好的识别能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的一种无人机分类方法的流程示意图；
图2是本发明的另一种无人机分类方法的流程图；
图3是本发明的一种无人机分类方法中直升机的时频分布图；
图4是本发明的一种无人机分类方法中四翼无人机的时频分布图；
图5是本发明的一种无人机分类方法中六翼无人机的时频分布图；
图6是本发明的一种无人机分类方法中三类无人机的特征空间的t-SNE可视化图；
图7是本发明的一种无人机分类装置的结构示意图；
图8是本发明的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整的描述，显然，所描述的实施例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。
实施例一
本发明实施例提供一种无人机分类方法，参见图1，该方法包括：
S101：获取目标无人机的时域数据；
在本步骤中，采用雷达获取目标无人机在飞行时的时域数据，雷达是通过发射电磁波对目标进行照射并接收其回波，进行目标探测和目标特征提取的电子系统。相比于图像获取和处理系统，雷达具备全天候全时段工作能力，探测精度高，实时性能好，受环境因素影响小，判别误差小。
S102：将所述时域数据变换为时频图；
在本步骤中，运用时频分析工具对步骤S101中雷达采集到的时域数据进行分析，得到目标无人机的时频图；该时频图中不仅包括有目标无人机运动的多普勒信息，还包括目标无人机运动过程中旋翼转动引起的微多普勒信息；其中，微多普勒是由目标各部分相对主体运动引起的多普勒效应，可表征目标丰富的状态信息，主要是目标内部相对运动，如旋翼的转动等。
S103：提取所述时频图中表征目标无人机运动状态的特征向量；
在本步骤中，采用主成分分析法对步骤S102中的时频图进行特征提取，得到表征目标无人机运动状态的特征向量。
S104：将所述特征向量发送至支持向量机中进行目标无人机的分类。
在本步骤中，将步骤S103提取出的特征向量作为输入，发送至支持向量机中进行分类；支持向量机是对两类数据进行分类的技术，对于多类别分类，支持向量机的典型实现方式包括一对一方法和决策树算法，采用决策树算法对输入的特征向量进行分类，具体为采用决策树算法中二叉树算法。
从上述描述可知，本发明提供一种无人机分类方法，通过采集无人机飞行时的时域数据并从时域数据中提取特征向量作为无人机分类的依据进行分类，实现对无人机类别的有效识别，提高了分类的精准性并且降低了环境因素的影响以及判断的误差；通过支持向量机来进行分类，实现对样本数目较少的类型的样本具有良好的识别能力。
实施例二
本发明实施例提供一种无人机分类方法，该方法在上述实施例一的基础上，还包括：
将训练样本中的特征向量发送至支持向量机中进行分类学习。
在本步骤中，训练样本是从采集的总样本中选取的，总样本中一部分作为训练样本对支持向量机进行训练，提高支持向量机分类的准确定；其余的样本作为测试样本，通过学习过的支持向量机进行测试分类。
从上述描述可知，通过对支持向量机进行学习，提高支持向量机分类的准确性。
在上述实施例一和实施例二的基础上，采用X波段的连续波雷达获取目标无人机的时域数据。
在本步骤中，使用的雷达为X波段连续波雷达，中心频率为9.8GHz。连续波雷达的优点在于其精度高、功率低、不存在距离盲点、便于携带。
在上述实施例一和实施例二的基础上，采用短时傅里叶变换将所述时域数据进行变换，获取目标无人机的时频图。
在本步骤中，选取短时傅里叶变换(STFT)作为时频变换的方法，具体可表示为；
其中，x[n]是离散的时间信号，w[n]是短时傅里叶变换的窗函数，m是窗函数滑动的位置，ω是角频率。因此STFT的结果实际上就是信号在时间和频率平面上的分布，即时频图。短时傅里叶变换可以把信号的时域分析和频域分析结合起来，其分析结果既反映了信号的频率内容，也反映了频率内容随时间变化的规律，代表着每一时刻目标运动状态对应的多普勒信息。短时傅里叶变换可以有效提取微多普勒分量。通过对时频图中的微多普勒分量进行处理，可进一步得到表征目标运动状态的特征参量。
现代雷达普遍具有提取目标更多细节特征的能力。雷达系统通过发射相参脉冲提取运动目标的多普勒信息。近些年来，人们又开始关注目标主体运动速度之外的其它部分运动信息，这些相对于主体的运动反映为微多普勒信息。通过提取微多普勒的特征，可以对目标个体的运动状态进行精细判读和识别。微多普勒信息的提取和判读，对于准确辨识目标内部相对运动、判断目标状态具有很好的效果。因此，本发明的基本思路是利用雷达系统发射电磁波，通过对目标回波的微普勒信息进行分析，得到不同无人机的类别，参见图2，具体包括一下步骤：
步骤一，选择行进中的三种不同类无人机作为代表动作，无人机在雷达前方空中悬停。每类无人机位于雷达正前方的不同的高度与方位，每类无人机在不同的角度功采集60组实验，每次实验时间设置为6秒。
步骤二，运用时频分析工具对步骤一中雷达采集到的每组时域数据都进行分析，得到每组动作的时频图。本发明里我们选择短时傅里叶变换(STFT)作为时频变换的工具，具体可表示为；
其中，x[n]是离散的时间信号，w[n]是短时傅里叶变换的窗函数，m是窗函数滑动的位置，ω是角频率。因此STFT的结果实际上就是信号在时间和频率平面上的分布，即时频图。参见图3、图4和图5所示。
步骤三，从步骤二中得到的时频图中提取特征向量，采用主成份分析作进行提取。
首先，固定了每个截取时间的长度并确保时间长度大于无人机转动周期。在这里我们选取了256个数据段，对于时间长度为0.26s。对于每段数据，将幅度映射到dB域，并根据最大的幅度进行归一化得到预处理数据X。然后对X做奇异值矩阵分解：
X＝USVT
其中对角阵S对角线上的元素是奇异值，U和V是正交矩阵。取前k个最大的奇异值对应的U的基向量[U1,…,Uk]，计算出X在每个基向量的投影即为k个主特征[f1,…,fk]作为特征向量，本发明中，选取了前20个主特征构成特征向量。参见图6，所示为对三类无人机的前20个主特征构成特征向量利用t-SNE在二维空间的可视化视图。
t-SNE的基本原理就是：在高维空间相似的数据点，映射到低维空间距离也是相似的。主要包括两个步骤：第一、构建一个高维对象之间的概率分布，通过高的概率的选择相似的对象，低概率选择不相似的对象。第二，在低维空间里在构建这些点的概率分布，使得这两个概率分布之间尽可能的相似。t-SNE非常适用于高维数据降维到2维进行可视化的展示。
步骤四，将步骤三提取出的特征向量作为输入送到支持向量机中进行分类识别。本发明中训练样本和测试样本是从总样本中随机选取的，一部分作为训练样本，其余的全部作为测试样本。
由于支持向量机只能分两类目标，在本发明中有三类无人机需要识别，因此选用支持向量机决策树算法进行分类识别。基于二叉树的支持向量机多类分类算法是先将所有类别分成两个子类，再将子类进一步划分为两个次级子类，如此循环下去，直到所有的节点都只包含一个单独的类别为止。决策树算法将原来的多类问题同样分解成了一系列的两类分类问题，其中两个子类间的分类函数通过支持向量机方法训练获取。
由于每一类无人机的样本数据为1200个，采用交叉验证的方法进行测试。每次随机从每一类选择400个样本作为训练样本训练分类器，剩下的800个测试样本测试分类器分类结果，100次蒙特卡洛实验结果后的平均值如下表所示：
表：三类无人机的识别混合矩阵
如表所示，100次蒙特卡洛实验后的分类平均值的成功率都在90％以上。说明选取的特征能够有效的抓住了这三类无人机的本质特征，最大程度地区分这三类无人机；采用二叉树的支持向量机方法进行分类，充分发挥了支持向量机在小样本情况下分类准确的优势。
从分类结果看，通过提取时频图中的特征向量，将特征向量输入到二叉树的支持向量机中进行分类识别，实现对不同类别无人机进行分类识别，效果显著，能较好地区分出这三类无人机。
实施例三
本发明实施例提供一种无人机分类装置，参见图7，该装置包括：
采集单元10，用于获取目标无人机的时域数据；
转换单元20，用于将所述时域数据变换为时频图；
提取单元30，用于提取所述时频图中表征目标无人机运动状态的特征向量；
分类单元40，用于将所述特征向量发送至支持向量机中进行目标无人机的分类。
学习单元50，用于将训练样本中的特征向量发送至支持向量机中进行分类学习。
从上述描述可知，本发明实施例提供的一种无人机分类装置，实现对无人机类别的有效识别，提高了分类的精准性并且降低了环境因素的影响以及判断的误差；并且对样本数目较少的类型的样本具有良好的识别能力。
实施例四
本发明实施例提供了一种电子设备，参见图8，该电子设备可以包括：处理器11、存储器12、总线13及存储在存储器12上并可在处理器11上运行的计算机程序；
其中，所述处理器11，存储器12通过所述总线13完成相互间的通信；
所述处理器11执行所述计算机程序时实现上述各方法实施例所提供的方法，例如包括：获取目标无人机的时域数据；将所述时域数据变换为时频图；提取所述时频图中表征目标无人机运动状态的特征向量；将所述特征向量发送至支持向量机中进行目标无人机的分类。
实施例五
本发明实施例提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例所提供的方法，例如包括：获取目标无人机的时域数据；将所述时域数据变换为时频图；提取所述时频图中表征目标无人机运动状态的特征向量；将所述特征向量发送至支持向量机中进行目标无人机的分类。
本领域内的技术人员应明白，本申请的实施例可提供为方法、装置、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、装置、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置/系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的说明书中，说明了大量具体细节。然而能够理解的是，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释呈反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面，也不局限于任何单一的实施例，也不局限于这些方面和/或实施例的任意组合和/或置换。而且，可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种无人机分类方法，其特征在于，所述方法包括：
获取目标无人机的时域数据；
将所述时域数据变换为时频图；
提取所述时频图中表征目标无人机运动状态的特征向量；
将所述特征向量发送至支持向量机中进行目标无人机的分类。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将训练样本中的特征向量发送至支持向量机中进行分类学习。
3.根据权利要求1或2所述的方法，其特征在于，所述获取目标无人机的时域数据的步骤，包括：
采用X波段的连续波雷达获取目标无人机的时域数据。
4.根据权利要求1或2所述的方法，其特征在于，所述将所述时域数据变换为时频图的步骤，包括：
采用短时傅里叶变换将所述时域数据进行变换，获取目标无人机的时频图。
5.根据权利要求1或2所述的方法，其特征在于，所述提取所述时频图中表征目标无人机运动状态的特征向量的步骤，包括：
采用主成分分析法从所述时频图中提取特征向量。
6.根据权利要求1所述的方法，其特征在于，所述支持向量机采用决策树算法对输入的特征向量进行分类。
7.一种无人机分类装置，其特征在于，所述装置包括：
采集单元，用于获取目标无人机的时域数据；
转换单元，用于将所述时域数据变换为时频图；
提取单元，用于提取所述时频图中表征目标无人机运动状态的特征向量；
分类单元，用于将所述特征向量发送至支持向量机中进行目标无人机的分类。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
学习单元，用于将训练样本中的特征向量发送至支持向量机中进行分类学习。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线；其中，
处理器和存储器通过总线完成相互间的通信；
处理器用于调用存储器中的程序指令，以执行权利要求1-6任一项所述的无人机分类方法。
10.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行权利要求1-6任一项所述的无人机分类方法。
CN201710433314.4A 2017-06-09 2017-06-09 一种无人机分类方法及装置 Pending CN107358252A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710433314.4A CN107358252A (zh) 2017-06-09 2017-06-09 一种无人机分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710433314.4A CN107358252A (zh) 2017-06-09 2017-06-09 一种无人机分类方法及装置

Publications (1)

Publication Number Publication Date
CN107358252A true CN107358252A (zh) 2017-11-17

Family

ID=60272707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710433314.4A Pending CN107358252A (zh) 2017-06-09 2017-06-09 一种无人机分类方法及装置

Country Status (1)

Country Link
CN (1) CN107358252A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107993648A (zh) * 2017-11-27 2018-05-04 北京邮电大学 一种无人机识别方法、装置及电子设备
CN108549076A (zh) * 2018-03-12 2018-09-18 清华大学 一种基于速度节凑图的多种类无人机场景识别方法
CN109375205A (zh) * 2018-09-28 2019-02-22 清华大学 基于字典学习的多种类无人机场景识别方法及装置
CN109669170A (zh) * 2018-12-12 2019-04-23 北航（四川）西部国际创新港科技有限公司 一种降低无人机信号探测系统误警率的方法
CN110751087A (zh) * 2019-10-17 2020-02-04 湖南波尔坤雷信息科技有限公司 一种基于eof的无人机信号识别系统和方法
CN111007871A (zh) * 2019-11-29 2020-04-14 厦门大学 无人机动态特征识别方法、介质、设备及装置

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107993648A (zh) * 2017-11-27 2018-05-04 北京邮电大学 一种无人机识别方法、装置及电子设备
CN108549076A (zh) * 2018-03-12 2018-09-18 清华大学 一种基于速度节凑图的多种类无人机场景识别方法
CN108549076B (zh) * 2018-03-12 2021-11-02 清华大学 一种基于速度节奏图的多种类无人机场景识别方法
CN109375205A (zh) * 2018-09-28 2019-02-22 清华大学 基于字典学习的多种类无人机场景识别方法及装置
CN109669170A (zh) * 2018-12-12 2019-04-23 北航（四川）西部国际创新港科技有限公司 一种降低无人机信号探测系统误警率的方法
CN109669170B (zh) * 2018-12-12 2021-03-23 北航（四川）西部国际创新港科技有限公司 一种降低无人机信号探测系统误警率的方法
CN110751087A (zh) * 2019-10-17 2020-02-04 湖南波尔坤雷信息科技有限公司 一种基于eof的无人机信号识别系统和方法
CN110751087B (zh) * 2019-10-17 2020-09-22 湖南波尔坤雷信息科技有限公司 一种基于eof的无人机信号识别系统和方法
CN111007871A (zh) * 2019-11-29 2020-04-14 厦门大学 无人机动态特征识别方法、介质、设备及装置
CN111007871B (zh) * 2019-11-29 2022-04-29 厦门大学 无人机动态特征识别方法、介质、设备及装置

Similar Documents

Publication Publication Date Title
CN107358252A (zh) 一种无人机分类方法及装置
CN107748862A (zh) 一种基于双频雷达信号时频分布的无人机分类方法及装置
Wang et al. Deep learning-based UAV detection in pulse-Doppler radar
CN107728142B (zh) 基于二维卷积网络的雷达高分辨距离像目标识别方法
CN104077601B (zh) 一种利用不同类型信息进行目标综合识别的方法
CN107886121A (zh) 基于多波段雷达的目标识别方法、装置及系统
CN109409225A (zh) 基于雷达多径信号时频特征融合的无人机分类方法及装置
CN107358250B (zh) 基于双波段雷达微多普勒融合的人体步态识别方法及系统
Choi et al. Classification of drone type using deep convolutional neural networks based on micro-Doppler simulation
CN107507417B (zh) 一种基于微波雷达回波信号的智能车道划分方法及装置
CN110018453A (zh) 基于飞机航迹特征的智能机型识别方法
CN106250854A (zh) 基于微多普勒特征和支持向量机的人体步态识别方法
CN109753874A (zh) 一种基于机器学习的低慢小雷达目标分类方法
CN107870322A (zh) 基于单波段雷达的目标识别方法、装置及系统
Wang et al. Classification of space targets with micro-motion based on deep CNN
CN115061126A (zh) 一种基于多维参数神经网络的雷达集群目标行为识别方法
Wang et al. Space Precession Target Classification Based on Radar High‐Resolution Range Profiles
Sehgal et al. Automatic target recognition using recurrent neural networks
CN102298728A (zh) 一种目标威胁程度评估方法
CN112269173B (zh) 一种多平台雷达一维图像信号进行融合的方法
CN106056150A (zh) 基于人工智能随机森林方法建立不同车型分零件远程定损系统及方法
CN115795353B (zh) 一种基于不均衡数据集的地下金属目标分类方法及系统
Mansukhani et al. Rcs based target classification using deep learning methods
Yuan A time-frequency feature fusion algorithm based on neural network for HRRP
KR101851636B1 (ko) 공진 주파수 및 파형 구조 기반의 특성 벡터 융합을 이용한 레이더 표적 구분 방법 및 장치

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20171117

RJ01 Rejection of invention patent application after publication