CN107563437B - 基于随机森林的超宽带非视距鉴别方法 - Google Patents
基于随机森林的超宽带非视距鉴别方法 Download PDFInfo
- Publication number
- CN107563437B CN107563437B CN201710767597.6A CN201710767597A CN107563437B CN 107563437 B CN107563437 B CN 107563437B CN 201710767597 A CN201710767597 A CN 201710767597A CN 107563437 B CN107563437 B CN 107563437B
- Authority
- CN
- China
- Prior art keywords
- data
- ultra
- signal
- wideband
- path
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 36
- 238000003066 decision tree Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000002372 labelling Methods 0.000 claims abstract description 4
- 238000012850 discrimination method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于随机森林的超宽带非视距鉴别方法，包括如下步骤：步骤(1)：采集不同环境下超宽带数据，获得原始数据，根据真实的距离信息标注类别标签；并分别随机抽取若干个数据作为训练集和测试集；步骤(2)：基于所测超宽带信号特征，进行特征重构；步骤(3)：随机抽取基于所重构的特征，建立二分递归决策树；步骤(4)：有放回的选择所述步骤(1)中的训练集中的样本，建立CART决策树模型；步骤(5)：从训练集中有放回的抽取M组数据作为训练样本，利用所述步骤(4)建立的CART决策树模型进行分类判断，重复此过程N次，N≥30，从而形成随机森林模型。可在线实时有效的鉴别超宽带数据是否为非视距，实用效果非常好。
Description
技术领域
本发明涉及机器学习以及室内定位领域，尤其涉及一种基于随机森林的超宽带非视距鉴别方法。
背景技术
超宽带(Ultra Wide Band，UWB)技术是目前备受关注的一种新型短距离高速率无线通信技术。2002年2月，美国联邦通信委员会(FCC)规定准许UWB技术在民用领域使用，但发送功率低于-41.3dBm/MHz，可将3.1GHz-10.6GHz的频带用于对地下和隔墙之物进行扫描的成像系统、汽车防撞雷达及在家电终端和便携式终端间进行测距和无线数据通信，还可用于室内定位技术。
在脉冲无线电超宽带定位方法中，TDOA方法因其硬件要求较低，定位精度较高的特性得到大规模应用。一般做法是通过对UWB多径信号中直射路径(Direct path)进行时延轨迹来获得时间戳信息，并进而得到TDOA信息。对于视距环境(Line-of-sight，LOS)，直射路径最先到达并且能量最强，只要保证足够的接收信噪比，就能获得较准确的时间戳估计。但是对于非视距环境(NLOS)，由于存在各种障碍物，传播环境变得复杂。首径信号在穿透障碍物时经历衰减，并且会引入附加时延。反射信号在此环境中变得更加复杂。因此NLOS环境下的UWB定位是应用中的难点问题。
目前对NLOS鉴别的研究主要有以下几种方法：
1，根据接收信号强度的变化来判断LOS/NLOS状态，该方法鲁棒性不强，易受噪声影响。
2，通过分析UWB多径信道幅度和时延的统计特性来进行状态判断，该方法能获得较好的鉴别效果，但是鉴别特征选取的有效性需要获得准确的信道特征，而这在实际中是很难获取到的。
3，在定位过程中，通过残差加权的方法，减轻非视距造成的影响。该方法所需冗余基站较多，并且不能完全消除非视距的影响，只能部分减弱。
综上所述，目前仍然没有一种特别有效并且实用的方法来鉴别超宽带数据是否受非视距影响。
发明内容
本发明要解决的技术问题是，提供一种有效并且实用的方法来鉴别超宽带数据是否为非视距的基于随机森林的超宽带非视距鉴别方法。
为解决上述技术问题，本发明采用的技术方案是，该基于随机森林的超宽带非视距鉴别方法，包括如下步骤：
步骤(1)：采集不同环境下超宽带数据，获得原始数据，根据真实的距离信息标注类别标签；并分别随机抽取若干个数据作为训练集和测试集；
步骤(2)：基于所测超宽带信号特征，进行特征重构；
步骤(3)：随机抽取基于所重构的特征，建立二分递归决策树；
步骤(4)：有放回的选择所述步骤(1)中的训练集中的样本，建立CART决策树模型；
步骤(5)：从训练集中有放回的抽取M组数据作为训练样本，利用所述步骤(4)建立的CART决策树模型进行分类判断，重复此过程N次，N≥30，从而形成随机森林模型。
采用上述技术方案，通过在训练样本和特征选择两个环节引入随机抽取，使得随机森林泛化能力增强，不至于陷于过拟合，通过大量数据的离线训练得到模型，之后利用步骤(5)建立的随机森林模型即可在线实时有效的鉴别超宽带数据是否为非视距，实用效果非常好。
现有鉴别非视距的方法要么鲁棒性不强，如基于信号强度的方法，要么需要非常详细的信道特征信息并采用统计的方法做出判断，实际可操作性不强；而基于随机森林的非视距鉴别可以采用先离线训练，后在线判断的方法，判断准确度高，实施简单；随机森林广泛应用于医学，图像等领域，还没有应用于超宽带数据非视距鉴别的，本发明拓展了随机森林的应用领域。
其中步骤(1)中的随机抽取若干个数据作为训练集和测试集；和步骤(2)中的基于所测超宽带信号特征，进行特征重构，步骤顺序可以互换，即可以先对全部原始数据进行特征重构，再随机抽取若干个数据作为训练集和测试集，不影响本发明方法的最后结果。
优选的，在所述步骤(1)中，采集不同环境下超宽带数据，选取一个基站作为主基站，那么就有ri,1＝ri-r1，
其中，ri是标签到第i个基站的距离，r1是标签到主基站的距离；
ri,1即是标签到从基站和到主基站的距离差，即距差；
根据采集得到数据获得距差，与真实距差对比如果偏差小于100cm，即为正常数据，否则即为非视距影响下产生偏差的数据。
优选的，在所述步骤(2)中，对所测超宽带信号特征进行特征重构的方法如下：
IDiff＝|first path position–peak path position|
其中first path position代表首径索引位置；peak path position代表信号峰值索引位置；IDiff代表首径索引位置与信号峰值索引位置的差值的绝对值；
MC＝fpAmpl/pkAmp；
其中fpAmpl＝max{fpAmpl1，fpAmpl2，fpAmpl3}；
fpAmpl1，fpAmpl2，fpAmpl3分别是首径索引位置处抽头1，抽头2，抽头3所检测到的信号幅度；pkAmp代表信号峰值；fpAmpl代表首径索引位置处三个抽头的最大值；
MC代表首径索引位置处三个抽头的最大值与信号峰值的比值；
FNR＝median{fpAmpl1,fpAmpl2,fpAmpl3}/stdnoise；
其中，stdnoise代表检测到的信号噪声水平；FNR代表首径索引位置处三个抽头的中值与信号噪声水平的比值；
FF1＝fpAmpl2/fpAmpl1；
FF2＝fpAmpl2/fpAmpl3；
Noise＝std_noise；
FF1代表首径索引位置处抽头2所检测到的信号幅度与抽头1所检测到的信号幅度的比值，FF2代表首径索引位置处抽头2所检测到的信号幅度与抽头3所检测到的信号幅度的比值，Noise代表信号噪声水平。
优选的，所述步骤(3)中，建立二分递归决策树的方法为：从所述训练集中随机抽取M个数据样本，从每个样本中随机抽取4维特征，sk代表第k维特征，建立二分递归分类决策树；选择4维特征在所有值区间最小基尼增益的节点划分决策树，假设特征sk在点K处是分裂节点，那么特征sk小于此节点的即被分到左边，大于此节点的即被分到右边，递归的对左右节点进行划分，就产生了二分递归分类决策树。
优选的，在所述步骤(5)中，重复此过程100次，从而形成随机森林模型。
优选的，在所述步骤(5)形成的随机森林模型中输入所述步骤(1)中测试集中的数据，判别该超宽带数据是否为非视距，具体的方法为，步骤(5-1)，输入测试数据，对输入数据的特征进行重构；步骤(5-2)，从随机森林模型当前树的根节点开始进行判断，遍历整个CART树，从而做出预测；步骤(5-3)，选择下一棵决策树，重复执行所述步骤(5-2)，直到所有CART决策树都输出了预测类别值，输出类别数最多的一类作为结果。
附图说明
下面结合附图和具体实施方式对本发明做进一步的说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
图1为本发明基于随机森林的超宽带非视距鉴别方法的流程图；
图2是未经过非视距鉴别的原始数据图(真实距差677cm)；
图3是经过非视距鉴别后的数据图(真实距差677cm)。
具体实施方式
本发明通过建立随机森林模型，将样本数据分为正常数据和受非视距影响的数据两类。通过离线训练获得模型，在线实时鉴别非视距。本发明的具体流程如图1所示。
本发明的基于随机森林的超宽带非视距鉴别方法，包括如下步骤：
步骤(1)：采集不同环境下超宽带数据，获得原始数据，根据真实的距离信息标注类别标签；并分别随机抽取若干个数据作为训练集和测试集；
步骤(2)：基于所测超宽带信号特征，进行特征重构；
步骤(3)：基于所重构的特征，建立二分递归决策树；
步骤(4)：有放回的选择所述步骤(1)中的训练集中的样本，建立CART决策树模型；
步骤(5)：从训练集中有放回的抽取M组数据作为训练样本，利用所述步骤(4)建立的CART决策树模型进行分类判断，重复此过程N次，N≥30，从而形成随机森林模型。
在所述步骤(1)中，采集不同环境下超宽带数据，选取一个基站作为主基站，那么就有ri,1＝ri-r1，
其中，ri是标签到第i个基站的距离，r1是标签到主基站的距离；
ri,1即是标签到从基站和到主基站的距离差，即距差；
根据采集得到数据获得距差，与真实距差对比如果偏差小于100cm，即为正常数据，否则即为非视距影响下产生偏差的数据。
本发明步骤1中，采集不同环境下超宽带数据，由于采用的是到达时间差技术，各个基站之间时钟是同步的。
基站之间同步的方法是：由一个基站作为同步意义上的主基站，其他基站作为从基站，主基站按照一定的时间间隔定时向从基站发送同步信息，从基站通过一定的同步算法即可获得主从基站的时间换算关系，从而完成同步。
在TDOA方法中，ri和r1无法直接得到，通过以下方法即可得到。
ri,1＝(Ti-T1)*K；
其中Ti是第i个基站的时间戳，T1是主基站的时间戳，K代表由时间戳转为距差时所需乘的比例因子。
在所述步骤(2)中，对所测超宽带信号特征进行特征重构的方法如下：
IDiff＝|first path position–peak path position|
其中first path position代表首径索引位置；peak path position代表信号峰值索引位置；IDiff代表首径索引位置与信号峰值索引位置的差值的绝对值；
MC＝fpAmpl/pkAmp；
其中fpAmpl＝max{fpAmpl1，fpAmpl2，fpAmpl3}；
fpAmpl1，fpAmpl2，fpAmpl3分别是首径索引位置处抽头1，抽头2，抽头3所检测到的信号幅度；pkAmp代表信号峰值；fpAmpl代表首径索引位置处三个抽头的最大值；
MC代表首径索引位置处三个抽头的最大值与信号峰值的比值；
FNR＝median{fpAmpl1,fpAmpl2,fpAmpl3}/stdnoise；
其中，stdnoise代表检测到的信号噪声水平；FNR代表首径索引位置处三个抽头的中值与信号噪声水平的比值；
FF1＝fpAmpl2/fpAmpl1；
FF2＝fpAmpl2/fpAmpl3；
Noise＝std_noise；
FF1代表首径索引位置处抽头2所检测到的信号幅度与抽头1所检测到的信号幅度的比值，FF2代表首径索引位置处抽头2所检测到的信号幅度与抽头3所检测到的信号幅度的比值，Noise代表信号噪声水平。
由步骤(1)可知，每一组距差数据对应两个基站信号的特征，所以，使用的特征共12组，分别为IDiff1，IDiff2，MC1，MC2，FNR1，FNR2，FF11，FF12，FF21，FF22，Noise1，Noise2。
所述步骤(3)中，建立二分递归决策树的方法为：从所述训练集中随机抽取M个数据样本，从每个样本中随机抽取4维特征，sk代表第k维特征，建立二分递归分类决策树；选择4维特征在所有值区间最小基尼增益的节点划分决策树，假设特征sk在点K处是分裂节点，那么特征sk小于此节点的即被分到左边，大于此节点的即被分到右边，递归的对左右节点进行划分，就产生了二分递归分类决策树；
在本实施例中，随机抽取12维特征中的4维特征建立二分递归分类决策树。
在所述步骤(5)中，重复此过程100次，从而形成随机森林模型。
在所述步骤(5)形成的随机森林模型中输入所述步骤(1)中测试集中的数据，判别该超宽带数据是否为非视距，具体的方法为，步骤(5-1)，输入测试数据，对输入数据的特征进行重构；步骤(5-2)，从随机森林模型当前树的根节点开始进行判断，遍历整个CART树，从而做出预测；步骤(5-3)，选择下一棵决策树，重复执行所述步骤(5-2)，直到所有CART决策树都输出了预测类别值，输出类别数最多的一类作为结果。
本实例使用的原始数据如图2所示，处理后的结果如图3所示。
图2的横轴代表组数，纵轴代表未经随机森林算法剔除的原始距差，单位为厘米(cm)。
图3的横轴代表组数，纵轴代表经随机森林算法剔除后剩余的距差数据，单位为cm。
由图2和图3的对比可以看出，经过随机森林算法剔除后，大部分偏差较大的数据(大于100cm)都被滤除。
本实施例基于随机森林的超宽带非视距鉴别方法的性能如下表所示：
上表从误剔除率和漏剔除率两方面展示了本实施例基于随机森林的超宽带非视距鉴别方法的性能。
Claims (4)
1.一种基于随机森林的超宽带非视距鉴别方法，其特征在于，包括如下步骤：
步骤(1)：采集不同环境下超宽带数据，获得原始数据，根据真实的距离信息标注类别标签；并分别随机抽取若干个数据作为训练集和测试集；
步骤(2)：基于所测超宽带信号特征，进行特征重构；
步骤(3)：随机抽取基于所重构的特征，建立二分递归决策树；
步骤(4)：有放回的选择所述步骤(1)中的训练集中的样本，建立CART决策树模型；
步骤(5)：从训练集中有放回的抽取M组数据作为训练样本，利用所述步骤(4)建立的CART决策树模型进行分类判断，重复此过程N次，N≥30，从而形成随机森林模型；
在所述步骤(1)中，采集不同环境下超宽带数据，选取一个基站作为主基站，那么就有ri,1＝ri-r1，
其中，ri是标签到第i个基站的距离，r1是标签到主基站的距离；
ri,1即是标签到从基站和到主基站的距离差，即距差；
根据采集得到数据获得距差，与真实距差对比如果偏差小于100cm，即为正常数据，否则即为非视距影响下产生偏差的数据；
在所述步骤(2)中，对所测超宽带信号特征进行特征重构的方法如下：
IDiff＝|first path position–peak path position|
其中first path position代表首径索引位置；peak path position代表信号峰值索引位置；IDiff代表首径索引位置与信号峰值索引位置的差值的绝对值；
MC＝fpAmpl/pkAmp；
其中fpAmpl＝max{fpAmpl1，fpAmpl2，fpAmpl3}；
fpAmpl1，fpAmpl2，fpAmpl3分别是首径索引位置处抽头1，抽头2，抽头3所检测到的信号幅度；pkAmp代表信号峰值；fpAmpl代表首径索引位置处三个抽头的最大值；
MC代表首径索引位置处三个抽头的最大值与信号峰值的比值；
FNR＝median{fpAmpl1,fpAmpl2,fpAmpl3}/stdnoise；
其中，stdnoise代表检测到的信号噪声水平；FNR代表首径索引位置处三个抽头的中值与信号噪声水平的比值；
FF1＝fpAmpl2/fpAmpl1；
FF2＝fpAmpl2/fpAmpl3；
Noise＝std_noise；
FF1代表首径索引位置处抽头2所检测到的信号幅度与抽头1所检测到的信号幅度的比值，FF2代表首径索引位置处抽头2所检测到的信号幅度与抽头3所检测到的信号幅度的比值，Noise代表信号噪声水平。
2.根据权利要求1所述的基于随机森林的超宽带非视距鉴别方法，其特征在于，所述步骤(3)中，建立二分递归决策树的方法为：从所述训练集中随机抽取M个数据样本，从每个样本中随机抽取4维特征，sk代表第k维特征，建立二分递归分类决策树；选择4维特征在所有值区间最小基尼增益的节点划分决策树，假设特征sk在点K处是分裂节点，那么特征sk小于此节点的即被分到左边，大于此节点的即为被分到右边，递归的对左右节点进行划分，就产生了二分递归决策树。
3.根据权利要求1所述的基于随机森林的超宽带非视距鉴别方法，其特征在于，在所述步骤(5)中，重复此过程100次，从而形成随机森林模型。
4.根据权利要求1所述的基于随机森林的超宽带非视距鉴别方法，其特征在于，在所述步骤(5)形成的随机森林模型中输入所述步骤(1)中测试集中的数据，判别该超宽带数据是否为非视距，具体的方法为，步骤(5-1)，输入测试数据，对输入数据的特征进行重构；步骤(5-2)，从随机森林模型当前树的根节点开始进行判断，遍历整个CART树，从而做出预测；步骤(5-3)，选择下一棵决策树，重复执行所述步骤(5-2)，直到所有CART决策树都输出了预测类别值，输出类别数最多的一类作为结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710767597.6A CN107563437B (zh) | 2017-08-31 | 2017-08-31 | 基于随机森林的超宽带非视距鉴别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710767597.6A CN107563437B (zh) | 2017-08-31 | 2017-08-31 | 基于随机森林的超宽带非视距鉴别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107563437A CN107563437A (zh) | 2018-01-09 |
| CN107563437B true CN107563437B (zh) | 2020-12-04 |
Family
ID=60978694
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710767597.6A Active CN107563437B (zh) | 2017-08-31 | 2017-08-31 | 基于随机森林的超宽带非视距鉴别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107563437B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108833348B (zh) * | 2018-05-08 | 2021-01-05 | 北京奇艺世纪科技有限公司 | 一种基于日志图建模的异常检测方法和装置 |
| CN111541986B (zh) * | 2019-01-22 | 2022-09-09 | 博彦科技股份有限公司 | 定位方法、装置、存储介质及处理器 |
| CN110261818B (zh) * | 2019-06-25 | 2023-12-01 | 中国人民解放军陆军工程大学 | 非直达超宽带信号识别与误差消除方法及装置、存储介质 |
| CN110488222B (zh) * | 2019-08-19 | 2021-06-22 | 杭州电子科技大学 | 一种nlos条件下svm与重心坐标相结合的uwb定位方法 |
| CN112484625B (zh) * | 2020-11-12 | 2021-09-17 | 西南交通大学 | 一种基于uwb信道脉冲响应的高精度位移测量方法 |
| CN112800983B (zh) * | 2021-02-01 | 2024-03-08 | 玉林师范学院 | 一种基于随机森林的非视距信号识别方法 |
| CN117118797B (zh) * | 2023-10-25 | 2023-12-19 | 西华大学 | 一种基于LoS感知辅助的OFDM系统定时同步方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103399297A (zh) * | 2013-08-16 | 2013-11-20 | 哈尔滨工业大学深圳研究生院 | 一种基于机器学习的超宽带非视距鉴别方法 |
| DE102013022171A1 (de) * | 2013-03-15 | 2014-09-18 | Nvidia Corporation | Ausführung von objekterkennungsoperationen mittels einer grafischen verarbeitungseinheit |
| CN106056752A (zh) * | 2016-05-25 | 2016-10-26 | 武汉大学 | 一种基于随机森林的钞票鉴伪方法 |
-
2017
- 2017-08-31 CN CN201710767597.6A patent/CN107563437B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102013022171A1 (de) * | 2013-03-15 | 2014-09-18 | Nvidia Corporation | Ausführung von objekterkennungsoperationen mittels einer grafischen verarbeitungseinheit |
| CN103399297A (zh) * | 2013-08-16 | 2013-11-20 | 哈尔滨工业大学深圳研究生院 | 一种基于机器学习的超宽带非视距鉴别方法 |
| CN106056752A (zh) * | 2016-05-25 | 2016-10-26 | 武汉大学 | 一种基于随机森林的钞票鉴伪方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107563437A (zh) | 2018-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107563437B (zh) | 基于随机森林的超宽带非视距鉴别方法 | |
| Khan et al. | Angle-of-arrival estimation using an adaptive machine learning framework | |
| CN106443598B (zh) | 基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法 | |
| CN105929389A (zh) | 一种基于外辐射源时延和多普勒频率的直接定位方法 | |
| CN109947238B (zh) | 一种基于wifi的非合作式手势识别的方法 | |
| CN109738887B (zh) | 一种适用于微动干扰场景的目标人体运动状态识别方法 | |
| CN105487063A (zh) | 一种基于外辐射源时延和多普勒频率的直接定位方法 | |
| CN113759323B (zh) | 基于改进K-Means联合卷积自编码器的信号分选方法及装置 | |
| CN112003803B (zh) | 一种vhf、uhf频段航空电台信号的侦收设备 | |
| CN109061632B (zh) | 一种无人机识别方法 | |
| CN111817803A (zh) | 一种基于相关系数和k-均值聚类算法的频谱感知方法、系统及计算机可读存储介质 | |
| CN108535686B (zh) | 一种截断宽带线性调频信号的时差定位方法 | |
| CN112213697A (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
| CN115496097A (zh) | 一种基于小波格拉姆卷积神经网络的非视距信号识别方法 | |
| CN106896380B (zh) | 一种自适应导航信号捕获方法及装置 | |
| Wang et al. | A learning-based signal parameter extraction approach for multi-source frequency-hopping signal sorting | |
| CN116340533B (zh) | 一种基于知识图谱的星载电磁频谱大数据智能处理系统 | |
| CN111046697A (zh) | 一种基于模糊逻辑系统的自适应调制信号识别方法 | |
| CN113608193A (zh) | 一种基于UNet的雷达多目标距离和速度估计方法 | |
| CN112881812A (zh) | 基于机器学习编码的全闪实时定位方法及装置 | |
| CN112929141A (zh) | 一种基于图传信号匹配的无人机检测识别方法和系统 | |
| Kram et al. | Delay estimation in dense multipath environments using time series segmentation | |
| CN115980689A (zh) | 基于点云检测的辐射源信号分选方法、装置、设备及介质 | |
| CN115017958A (zh) | 一种基于信道特征加权模型的非视距信号识别方法 | |
| CN113242201B (zh) | 基于生成分类网络的无线信号增强解调方法及系统 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190802 Address after: 45 000 1 15th Floor, Block A1, No. 7 Dongqing Street, Zhengzhou High-tech Zone, Henan Province Applicant after: ZHENGZHOU LOCARIS ELECTRONIC TECHNOLOGY CO.,LTD. Address before: 510000 Factory 301, Tian'an Headquarters Center, 555 North Panyu Avenue, Donghuan Street, Panyu District, Guangzhou City, Guangdong Province Applicant before: HI-TARGET POSITIONING TECHNOLOGY CO.,LTD. Applicant before: ZHENGZHOU LOCARIS ELECTRONIC TECHNOLOGY CO.,LTD. |
|
| TA01 | Transfer of patent application right |
Effective date of registration: 20200120 Address after: Room 606 and 607, No.8, Jingang Avenue, Nansha District, Guangzhou, Guangdong 511457 Applicant after: Guangzhou zhonghaida Innovation Technology Group Co.,Ltd. Address before: 15, building 7, block A1, 450001 Holly Road, Gaoxin District, Henan, Zhengzhou Applicant before: ZHENGZHOU LOCARIS ELECTRONIC TECHNOLOGY CO.,LTD. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230814 Address after: 401, Floor 4, Building 1, No. 8, Lianyun Erheng Road, Shiqi Town, Panyu District, Guangzhou, Guangdong 510000 Patentee after: Guangzhou Haida Xingyu Technology Co.,Ltd. Address before: 511457 rooms 606 and 607, No.8 Jingang Avenue, Nansha District, Guangzhou City, Guangdong Province Patentee before: Guangzhou zhonghaida Innovation Technology Group Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240423 Address after: Room 417, "Yunfan Science and Technology Innovation" Co creation Space, Incubation Building 1, Guangxi University Science and Technology Park, No.1 Gaoxin Second Road, Nanning City, Guangxi Zhuang Autonomous Region, 530000 Patentee after: Guangxi Lianrui Intelligent Technology Co.,Ltd. Country or region after: China Address before: 401, Floor 4, Building 1, No. 8, Lianyun Erheng Road, Shiqi Town, Panyu District, Guangzhou, Guangdong 510000 Patentee before: Guangzhou Haida Xingyu Technology Co.,Ltd. Country or region before: China |