CN108106500A - 一种基于多传感器的导弹目标类型识别方法 - Google Patents
一种基于多传感器的导弹目标类型识别方法 Download PDFInfo
- Publication number
- CN108106500A CN108106500A CN201711396230.4A CN201711396230A CN108106500A CN 108106500 A CN108106500 A CN 108106500A CN 201711396230 A CN201711396230 A CN 201711396230A CN 108106500 A CN108106500 A CN 108106500A
- Authority
- CN
- China
- Prior art keywords
- matrix
- sample
- vector
- missile target
- classified
- 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
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F41—WEAPONS
- F41H—ARMOUR; ARMOURED TURRETS; ARMOURED OR ARMED VEHICLES; MEANS OF ATTACK OR DEFENCE, e.g. CAMOUFLAGE, IN GENERAL
- F41H11/00—Defence installations; Defence devices
- F41H11/02—Anti-aircraft or anti-guided missile or anti-torpedo defence installations or systems
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)
Abstract
本发明公开了一种基于多传感器的导弹目标类型识别方法,包括以下步骤:1)使用传感器采集导弹目标数据,然后根据多个传感器采集的导弹目标数据,构建训练样本矩阵和测试样本矩阵;2)对训练样本矩阵进行奇异值分解,根据奇异值的贡献率确定降维维度;3)根据奇异值分解得到的样本矩阵生成分类模型,所述分类模型由线性变换矩阵和分类中心向量组组成;4)对待分类的样本进行投影预处理得到待分类样本向量,计算该向量与步骤3)得到的分类中心向量组中的每个分量的余弦距离,将距离最近的一组作为类型识别结果。本发明能利用多传感器生成的高维样本数据进行兼顾效率与准确率的导弹目标类型识别。
Description
技术领域
本发明涉及舰船作战系统技术,尤其涉及一种基于多传感器的导弹目标类型识别方法。
背景技术
在舰船对空自防御作战中,不同类型来袭导弹的飞行速度、入射角度和末端机动方式都有所不同,因此需针对不同类型的导弹采取不同的防御作战方案。对来袭导弹目标类型进行识别可以提高防御作战的针对性。
舰船对空自防御系统对于导弹目标类型识别准确率的要求正在提高。传统的,使用单一信息来源辅助进行识别的方法已经不能满足作战使用的需要,而利用多传感器进行多源信息融合,实现对导弹目标类型的准确识别已成为当前的研究热点。但是,多传感器产生的数据维度较高,这些数据中不仅包含了导弹目标特征信息,还夹杂着冗余和不相关的信息。在高维空间中,不同样本间距离的可区分度随着样本数据维数的增加而降低,高维度样本数据不仅带来了分类计算复杂度的指数级增长,维度和维度之间的冗余和不相关信息还降低了分类算法的准确率。因此,直接利用多传感器产生的数据对导弹目标类型进行识别的效果欠佳。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种基于多传感器的导弹目标类型识别方法,利用多传感器生成的高维样本数据进行兼顾效率与准确率的导弹目标类型识别。
本发明解决其技术问题所采用的技术方案是:一种基于多传感器的导弹目标类型识别方法,包括以下步骤:
1)使用传感器采集导弹目标数据,然后根据多个传感器采集的导弹目标数据,构建训练样本矩阵和测试样本矩阵;训练样本矩阵和测试样本矩阵的组成结构相同,矩阵的每一行代表一种导弹目标特征,每一列表示一个导弹目标样本;
2)对训练样本矩阵进行奇异值分解,根据奇异值的贡献率确定降维维度;
3)根据奇异值分解得到的样本矩阵生成分类模型,所述分类模型由线性变换矩阵和分类中心向量组组成;
4)对待分类的样本进行投影预处理得到待分类样本向量,计算该向量与步骤3)得到的分类中心向量组中的每个分量的余弦距离,将距离最近的一组作为类型识别结果。
按上述方案,所述步骤1)中传感器包括雷达探测系统和电子侦察探测系统。
按上述方案,所述步骤2)对训练样本矩阵进行奇异值分解之前,还包括对训练样本矩阵的归一化处理步骤,具体如下:
对原训练样本矩阵A按行对每个特征进行归一化处理得到样本矩阵X,矩阵X每个元素xijk的计算公式为:
其中,aijk为原训练样本矩阵的样本值,min为样本值中的最小值,max为样本值中的最大值,k为该特征的权值,由专家系统或该领域的专家评分给出。
按上述方案,所述步骤2)中对训练样本矩阵进行奇异值分解,根据奇异值的贡献率确定降维维度的具体步骤如下:
2.1)对样本矩阵X进行奇异值分解,对矩阵X分解后,得到三个矩阵:U、S和VT,其公式:
X=USVT;
其中,分解后的矩阵U为特征矩阵,用于反映特征之间的关系,即特征之间的相关性,每一行代表一个特征;矩阵VT为样本矩阵,用于反映样本之间的关系,即样本之间的相关性,每一列代表一个样本;奇异值矩阵S用于反映数据对象的重要性;
2.2)利用奇异值矩阵S来确定保留阶数d:
其中,R为S矩阵中非零奇异值的个数,xij为S的元素
即根据需要用d个特征就能描述大于t比例的信息量,则矩阵U保留d行、矩阵S保留d个奇异值,矩阵VT保留d列,得到的为降维后的矩阵,d为降维后的维度;
即
按上述方案,所述线性变换矩阵为由降维后的Ud和Sd组成的线性变换矩阵UdSd -1,用于将待识别样本向量投影到低维空间。
按上述方案,所述分类中心向量组pi;
利用降维后的Vd T矩阵,可以得到分类中心向量组pi,Vd T中的每个列向量用pik表示,i=1,2,…,c;k=1,2,…,n;其中,c为样本的类别数,n为每个类别的样本数;
pi计算公式如下:
按上述方案,步骤4)具体如下:
4.1)设融合后的待分类样本向量为y对待分类样本进行归一化处理;
4.2)利用分类模型中的线性变换矩阵UdSd -1,对待分类样本向量y进行线性变换,将其投影到低维空间,得到线性变换后的待分类样本向量y’。
y′=yUdSd -1
4.3)计算降维后的待分类样本向量与分类中心向量组中各分量之间的余弦距离,得到c个值,分类结果按大小排列,结果最大的值对应的类即为分类识别结果,余弦距离的计算采用以下公式:
其中,||·||表示求2范数。
本发明产生的有益效果是:利用矩阵奇异值分解的思想构建分类模型,基于奇异值分解后各矩阵的物理涵义,通过数据降维显著削弱了高维样本数据中的冗余和不相关信息对分类识别造成的负面影响,提高了导弹目标类型识别的准确率。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例的方法流程图;
图2是本发明实施例的样本导弹类型分类示意图;
图3是本发明实施例的样本矩阵组成图;
图4是本发明实施例的降维过程中特征提取示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明的技术方案包括以下三个步骤:
一、根据多个传感器采集到的导弹目标数据,产生训练样本数据和测试样本数据。
以一个本发明方法的具体实施为例,首先,根据公开资料,收集11种型号的飞行目标资料。然后,根据导弹飞行速度划分为2个大类:亚音速导弹和超音速导弹,再对每一大类进一步细分,具体归类如图2所示。
将以下6种导弹归类为亚音速导弹。美国“捕鲸叉”;美国AGM-109“战斧”(TALCM);俄罗斯“白蛇-E”;欧洲“海鸥”;日本ASM-1;俄罗斯Kh-31P“氪”。
将以下5种导弹归类为超音速导弹。日本12SSM;美国AGM-88“哈姆”(HARM);俄罗斯Kh-55A/B;俄罗斯Kh-101;印度“布拉莫斯”。
传感器为雷达探测系统和电子侦察探测系统。传感器产生的数据包括雷达探测目标数据和电子侦察目标数据。
可从雷达获取的目标特征为:目标高度(km)、飞行速度(m/s)、方位角、方位角速度、高低角、高低角速度、目标航向等。
可从电子侦察探测系统获取的特征为:辐射频率(MHz)、信号种类、信号载频、信号脉宽、信号重复频率、信号机构等。
电子侦察参数编码规则:分别以数字1,2,3,4表示脉冲波、连续波、干扰波和干扰杂波等4种信号种类;分别以数字1,2,3表示单一频、分集频和捷变频等3种信号载频;分别以数字1,2,表示单一和变化等2种信号脉宽;分别以数字1,2,3,4表示单一、按组随机跳变、PD体制重频和PD体制高重频等4种信号重复频率;分别以数字1,2,3表示二次雷达应答、指令信号和脉内调制等3种信号结构。
以亚音速导弹“捕鲸叉”为例,以每个特征的上下界的算术平均值为中心,根据3σ法则生成的一部分样本如表1所示。以第一个样本为例,其中一部分特征如下:目标高度为22.47;飞行速度为75.3;电子侦查的信号种类为第2种(连续波)。
表1样本示例
特征 | 样本1 | 样本2 | 样本3 | 样本4 | 样本5 |
目标高度 | 22.47 | 32.66 | 36.29 | 37.40 | 35.31 |
飞行速度 | 75.30 | 85.74 | 71.43 | 68.83 | 97.43 |
方位角 | 169.25 | 81.37 | 168.09 | 200.19 | 152.57 |
方位角速度 | 4.65 | 4.68 | 4.73 | 4.58 | 4.47 |
高低角 | 140.38 | 166.59 | 124.80 | 84.93 | 110.81 |
高低角速度 | 5.92 | 5.82 | 5.80 | 5.70 | 5.67 |
目标航向 | 44.17 | 23.76 | 146.63 | 103.77 | 135.56 |
辐射频率 | 5.97 | 7.61 | 7.14 | 10.46 | 9.20 |
信号种类 | 2 | 2 | 2 | 2 | 2 |
信号载频 | 3 | 2 | 3 | 2 | 3 |
信号脉宽 | 2 | 1 | 2 | 1 | 2 |
重复频率 | 2 | 3 | 2 | 2 | 3 |
信号结构 | 2 | 3 | 3 | 3 | 2 |
二、根据样本数据训练分类模型。
样本矩阵的组成结构具体是:矩阵的每一行是一种所述飞行目标的特征,每一列是一个样本。设有1个特征,c个类别;每种类别的目标选取n个样本,组成样本矩阵,如图3所示。
以亚音速导弹为例,列举了6类导弹,c=6;每种导弹生成200个样本,n=200;每个样本包含13个特征,l=13。则样本矩阵为13行1200列。
然后将组成的样本矩阵进行归一化处理。对矩阵A按行对每个特征进行归一化处理得到样本矩阵X,矩阵X每个元素xijk的计算公式为:
其中,aijk为样本值,min为样本值中的最小值,max为样本值中的最大值,k为该特征的权值,由专家系统给出或者相关领域的专家评分给出,评分原则为:传感器无法探测该特征(k=0);该特征与导弹目标识别基本无关(k<0.01);该特征与导弹目标识别弱相关(0.01≤k<1);该特征与导弹目标识别强相关(1≤k<50);该特征对导弹目标识别具有决定性影响(k≥50)。
归一化之后组成新的样本矩阵X。
对样本矩阵X进行奇异值分解。对矩阵X分解后,得到三个矩阵:U、S和VT,其公式:
X=USVT
将分解后的矩阵U称为特征矩阵,它反映特征之间(行)的关系,即特征之间的相关性,每一行代表一个特征;称矩阵VT为样本矩阵,反映样本之间(列)的关系,即样本之间的相关性,每一列代表一个样本。奇异值矩阵S反映数据对象的重要性。
降维是为了舍弃不重要的特征信息,以过滤掉不相关的冗余信息和细节。数据从一个高维空间映射到一个低维空间。低维空间中的每一个特征,都是高维空间的特征的一种线性组合,降维后的特征与原始每一个特征都相关,特征提取的示意图如图4所示。
利用奇异值矩阵S来确定保留阶数d,奇异值矩阵S中的每个奇异值的大小代表其贡献度,贡献度越大,其值越大。R为矩阵A的秩,即为S矩阵中非零奇异值的个数,xij为S的元素。确定保留阶数,具体公式如下:
以上公式的含义为:用d个特征就可以描述大于t的信息量。矩阵U保留d行、矩阵S保留d个奇异值,矩阵VT保留d列,得到的为降维后的矩阵,它保留了原始特征的大部分信息。
利用降维后的Ud和Sd组成线性变换矩阵UdSd -1,用于将待识别样本向量投影到低维空间。利用降维后的Vd T矩阵,可以得到分类中心向量组pi,Vd T中的每个列向量用pik表示,i=1,2,…,c;k=1,2,…,n。pi计算公式如下:
共得到c个分类中心向量。同样地,以前文所述亚音速导弹为例,每类导弹生成的200列样本组成分类中心向量组,求取其算术平均值便得到分类中心向量。
线性变换矩阵UdSd -1和分类中心向量组pi共同组成分类模型。
三、对融合后的待分类目标数据进行分类识别。
设融合后的待分类样本向量为y,识别过程如下:
首先对待分类样本进行归一化处理。
然后利用分类模型中的线性变换矩阵UdSd -1,对待分类样本向量y进行线性变换,将其投影到低维空间,得到线性变换后的待分类样本向量y’。
y′=yUdSd -1
最后计算降维后的待分类样本向量与分类中心向量组中各分量之间的余弦距离,得到c个值,分类结果按大小排列,结果最大的即为分类识别结果。
其中,||·||表示求2范数。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (7)
1.一种基于多传感器的导弹目标类型识别方法,其特征在于,包括以下步骤:
1)使用传感器采集导弹目标数据,然后根据多个传感器采集的导弹目标数据,构建训练样本矩阵和测试样本矩阵;训练样本矩阵和测试样本矩阵的组成结构相同,矩阵的每一行代表一种导弹目标特征,每一列表示一个导弹目标样本;
2)对训练样本矩阵进行奇异值分解,根据奇异值的贡献率确定降维维度;
3)根据奇异值分解得到的样本矩阵生成分类模型,所述分类模型由线性变换矩阵和分类中心向量组共同组成;
4)对待分类的样本进行投影预处理得到待分类样本向量,计算该向量与步骤3)得到的分类中心向量组中的每个分量的余弦距离,将距离最近的一组作为类型识别结果。
2.根据权利要求1所述的基于多传感器的导弹目标类型识别方法,其特征在于,所述步骤1)中传感器包括雷达探测系统和电子侦察探测系统。
3.根据权利要求1所述的基于多传感器的导弹目标类型识别方法,其特征在于,所述步骤2)对训练样本矩阵进行奇异值分解之前,还包括对训练样本矩阵的归一化处理步骤,具体如下:
对原训练样本矩阵A按行对每个特征进行归一化处理得到样本矩阵X,矩阵X每个元素xijk的计算公式为:
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>min</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>-</mo>
<mi>min</mi>
<mo>)</mo>
</mrow>
</mfrac>
<mo>&times;</mo>
<mi>k</mi>
</mrow>
其中,aijk为原训练样本矩阵的样本值,min为样本值中的最小值,max为样本值中的最大值,k为该特征的权值,由专家系统评分给出。
4.根据权利要求1所述的基于多传感器的导弹目标类型识别方法,其特征在于,所述步骤2)中对训练样本矩阵进行奇异值分解,根据奇异值的贡献率确定降维维度的具体步骤如下:
2.1)对样本矩阵X进行奇异值分解,对矩阵X分解后,得到三个矩阵:U、S和VT,其公式:
X=USVT;
其中,分解后的矩阵U为特征矩阵,用于反映特征之间的关系,即特征之间的相关性,每一行代表一个特征;矩阵VT为样本矩阵,用于反映样本之间的关系,即样本之间的相关性,每一列代表一个样本;奇异值矩阵S用于反映数据对象的重要性;
2.2)利用奇异值矩阵S来确定保留阶数d:
<mrow>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>d</mi>
</msubsup>
<msup>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>i</mi>
</mrow>
</msub>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>R</mi>
</msubsup>
<msup>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>i</mi>
</mrow>
</msub>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>></mo>
<mi>t</mi>
<mo>;</mo>
</mrow>
其中,R为S矩阵中非零奇异值的个数,xij为S的元素;
即根据需要用d个特征就能描述大于t比例的信息量,则矩阵U保留d行、矩阵S保留d个奇异值,矩阵VT保留d列,得到的为降维后的矩阵,d为降维后的维度;
即
5.根据权利要求1所述的基于多传感器的导弹目标类型识别方法,其特征在于,所述线性变换矩阵为由降维后的Ud和Sd组成的线性变换矩阵UdSd -1,用于将待识别样本向量投影到低维空间。
6.根据权利要求1所述的基于多传感器的导弹目标类型识别方法,其特征在于,所述分类中心向量组pi利用降维后的Vd T矩阵,得到分类中心向量组pi,Vd T中的每个列向量用pik表示,i=1,2,…,c;k=1,2,…,n;其中,c为样本的类别数,n为每个类别的样本数;
pi计算公式如下:
<mrow>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>.</mo>
</mrow>
7.根据权利要求1所述的基于多传感器的导弹目标类型识别方法,其特征在于,,步骤4)具体如下:
4.1)设融合后的待分类样本向量为y对待分类样本进行归一化处理;
4.2)利用分类模型中的线性变换矩阵UdSd -1,对待分类样本向量y进行线性变换,将其投影到低维空间,得到线性变换后的待分类样本向量y’;
y′=yUdSd -1;
4.3)计算降维后的待分类样本向量与分类中心向量组中各分量之间的余弦距离,得到
c个值,分类结果按大小排列,结果最大的值对应的类即为分类识别结果,余弦距离的计算
采用以下公式:
<mrow>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
<mo>&CenterDot;</mo>
<mo>|</mo>
<mo>|</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
其中,||·||表示求2范数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711396230.4A CN108106500B (zh) | 2017-12-21 | 2017-12-21 | 一种基于多传感器的导弹目标类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711396230.4A CN108106500B (zh) | 2017-12-21 | 2017-12-21 | 一种基于多传感器的导弹目标类型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108106500A true CN108106500A (zh) | 2018-06-01 |
CN108106500B CN108106500B (zh) | 2020-01-14 |
Family
ID=62212123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711396230.4A Active CN108106500B (zh) | 2017-12-21 | 2017-12-21 | 一种基于多传感器的导弹目标类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108106500B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241231A (zh) * | 2018-09-07 | 2019-01-18 | 武汉中海庭数据技术有限公司 | 高精度地图数据的预处理装置及方法 |
CN113364315A (zh) * | 2021-05-08 | 2021-09-07 | 南昌大学 | 一种基于海鸥优化算法的三相逆变器控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077402A (zh) * | 2012-12-28 | 2013-05-01 | 湖北省电力公司电力科学研究院 | 基于奇异值分解算法的变压器局部放电模式识别方法 |
US20140233791A1 (en) * | 2013-02-20 | 2014-08-21 | Raytheon Company | Synthetic aperture radar map aperture annealing and interpolation |
CN105005783A (zh) * | 2015-05-18 | 2015-10-28 | 电子科技大学 | 从高维非对称数据中提取分类信息的方法 |
CN105956611A (zh) * | 2016-04-25 | 2016-09-21 | 西安电子科技大学 | 基于鉴别非线性字典学习的sar图像目标识别方法 |
CN107132516A (zh) * | 2017-05-16 | 2017-09-05 | 电子科技大学 | 一种基于深度置信网络的雷达一维距离像目标识别方法 |
-
2017
- 2017-12-21 CN CN201711396230.4A patent/CN108106500B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077402A (zh) * | 2012-12-28 | 2013-05-01 | 湖北省电力公司电力科学研究院 | 基于奇异值分解算法的变压器局部放电模式识别方法 |
US20140233791A1 (en) * | 2013-02-20 | 2014-08-21 | Raytheon Company | Synthetic aperture radar map aperture annealing and interpolation |
CN105005783A (zh) * | 2015-05-18 | 2015-10-28 | 电子科技大学 | 从高维非对称数据中提取分类信息的方法 |
CN105956611A (zh) * | 2016-04-25 | 2016-09-21 | 西安电子科技大学 | 基于鉴别非线性字典学习的sar图像目标识别方法 |
CN107132516A (zh) * | 2017-05-16 | 2017-09-05 | 电子科技大学 | 一种基于深度置信网络的雷达一维距离像目标识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241231A (zh) * | 2018-09-07 | 2019-01-18 | 武汉中海庭数据技术有限公司 | 高精度地图数据的预处理装置及方法 |
CN113364315A (zh) * | 2021-05-08 | 2021-09-07 | 南昌大学 | 一种基于海鸥优化算法的三相逆变器控制方法 |
CN113364315B (zh) * | 2021-05-08 | 2022-04-12 | 南昌大学 | 一种基于海鸥优化算法的三相逆变器控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108106500B (zh) | 2020-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110018453B (zh) | 基于飞机航迹特征的智能机型识别方法 | |
CN107728143B (zh) | 基于一维卷积神经网络的雷达高分辨距离像目标识别方法 | |
CN111079859B (zh) | 一种无源多站多目标测向交叉定位与虚假点去除方法 | |
CN110109110B (zh) | 基于先验最优变分自编码机的hrrp目标识别方法 | |
CN110907908B (zh) | 基于包络分析的导航雷达信号分选方法 | |
CN104732224B (zh) | 基于二维泽尔尼克矩特征稀疏表示的sar目标识别方法 | |
CN109117776B (zh) | 基于航迹信息的飞机与气象杂波分类识别方法 | |
CN113128342B (zh) | 航迹数据预处理方法及空中目标识别方法 | |
CN111401168B (zh) | 一种无人机的多层雷达特征提取与选择方法 | |
CN108106500B (zh) | 一种基于多传感器的导弹目标类型识别方法 | |
CN111368653B (zh) | 一种基于r-d图与深度神经网络的低空小目标检测方法 | |
Sehgal et al. | Automatic target recognition using recurrent neural networks | |
CN112269173B (zh) | 一种多平台雷达一维图像信号进行融合的方法 | |
CN115061094B (zh) | 一种基于神经网络与svm的雷达目标识别方法 | |
CN116304966A (zh) | 基于多源数据融合的航迹关联方法 | |
CN105373809B (zh) | 基于非负最小二乘稀疏表示的sar目标识别方法 | |
CN110880012B (zh) | 多侦察平台脉间捷变雷达辐射源频率信息关联方法 | |
CN114137518A (zh) | 一种雷达高分辨距离像开集识别方法及装置 | |
CN106778870A (zh) | 一种基于rpca技术的sar图像舰船目标检测方法 | |
CN114359743B (zh) | 一种基于多波段的低慢小目标识别方法及系统 | |
CN114492505B (zh) | 基于半实测数据的空中群目标和扩展目标识别方法 | |
CN109932714B (zh) | 基于卷积神经网络的变体飞机高分辨回波恢复方法 | |
Zhang et al. | Research on optimization selection of radar high-resolution range target recognition features | |
Pan et al. | Aerial target classification method based on clutter suppression and fully connected neural network |
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 |