CN108197646A - 一种用于分布式光纤传感系统的目标分类识别方法 - Google Patents
一种用于分布式光纤传感系统的目标分类识别方法 Download PDFInfo
- Publication number
- CN108197646A CN108197646A CN201711461496.2A CN201711461496A CN108197646A CN 108197646 A CN108197646 A CN 108197646A CN 201711461496 A CN201711461496 A CN 201711461496A CN 108197646 A CN108197646 A CN 108197646A
- Authority
- CN
- China
- Prior art keywords
- classification
- target
- grade
- objects
- 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
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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
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)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种用于分布式光纤传感系统的目标分类识别方法,涉及目标识别技术领域。它主要由数据筛选、特征提取、分类器设计、交叉测试、实际应用等处理步骤构成。该方法通过二元检测分类器对目标数据的多类特征参数进行基于最大似然比检测方法的多级分类,并在时间、空间维度上进行信息融合处理,从而实现了高效率、低虚警率的目标检测和分类识别,具有目标检测识别概率高、虚警率低、计算速度快、工程实现简单的特点,解决了复杂工作环境下传感探测高虚警率或目标检测识别算法复杂的问题,特别适合长距离探测、环境复杂多样等情况下的目标检测识别过程。
Description
技术领域
本发明涉及目标识别技术领域,特别是指一种用于分布式光纤传感系统的低虚警率的目标分类识别方法。
背景技术
(Optical Time Domain Reflectometer,光时域反射仪)分布式光纤传感系统可用于对布缆的长距离区域内的活动目标进行传感探测。但是,由于布缆距离长,而长距离区域环境复杂多样,因此探测虚警率较高。此外,由于分布式传感系统需要实时处理目标数据,处理时间资源有限,因而不能采用复杂度高的目标检测分类方法。
目前,分布式光纤传感系统中普遍采用的是幅度判决等一些计算较为简单的时域处理方法,这类方法处理速度较快但虚警率偏高,严重影响了此类传感系统的性能。
发明内容
有鉴于此,本发明所要解决的技术问题就是避免上述背景技术中存在的不足之处,提供一种用于分布式光纤传感系统的目标分类识别方法,其具有算法处理速度快、虚警率低的特点。
为了实现上述目的,本发明采用如下技术方案:
一种用于分布式光纤传感系统的目标分类识别方法,其包括以下步骤:
步骤1,构造二元检测分类器,所述二元检测分类器至少包括两级基于二元检测方法的二分类处理,其中,第一级处理用于将输入数据分为噪声和目标两类,第二级处理用于将第一级处理输出的目标类数据分为一级目标和一级其他目标两类;从第二级处理往后,后一级处理用于将前一级处理输出的当级其他目标再细分为该后一级处理所对应的本级目标和本级其他目标两类;所述二元检测分类器的每一级目标均对应有一个对象特征组,每一级二分类处理均用于对输入的一组对象特征进行分类,以判断该组对象特征所来源的数据是否为该级目标;所述对象特征组由过零率特征、峰值能量百分比特征、峰度特征、频带能量比特征和基于小波的倒谱分析特征五种特征中的一种或几种组成;
步骤2,选取样本数据集,对二元检测分类器的每一级均进行训练,分别形成对应于每一级的当级目标和当级其他目标的两组分类系数,同时得到每组分类系数中每个分类系数的判别权重;
步骤3,通过分布式光纤传感系统采集传感数据,从所述传感数据中提取对应于某一时刻、某一地点的一定时间邻域及空间邻域内信号明显的多个数据片段;
步骤4,使用经过训练的二元检测分类器对所述多个数据片段进行分类,得到每个数据片段的分类结果;
步骤5,将所述多个数据片段的分类结果进行综合,得出对应于所述某一时刻、某一地点的目标识别结果。
可选的,所述二元检测分类器每一级处理的分类方式为:
步骤001,根据某一输入的对象特征以及两组分类系数中对应于该对象特征的系数,利用下式进行基于单一对象特征的分类判决:
式中,H1代表当级目标类,H0代表当级其他目标类,x为输入的对象特征数据,μ、σ分别表示两组分类系数中对应于该对象特征的系数,p表示条件概率;计算结果大于1时判为H1类,否则判定为H0类;
其中,基于小波的倒谱分析特征具有对应于每个频段的多个均值和方差,分类判决时采用如下变形公式:
式中,N代表基于小波的倒谱分析特征的个数,Π(·)表示连乘运算;
步骤002,获得每一单一对象特征的判决结果,通过每个分类系数的判别权重对所有单一对象特征的判决结果进行加权平均,得到该级处理的最终分类判定结果。
可选的,所述步骤2的具体方式如下:
步骤201,针对二元检测分类器的每一级处理,根据二元检测分类器的分类等级结构,将所述样本数据集中属于该级处理的当级目标和当级其他目标的两组样本数据分别分为m份;
步骤202,从两组样本数据中分别选取m-1份作为训练数据,而剩余的1份作为测试数据,共形成m2种选取方式;
步骤203,对每个训练数据和测试数据分别提取一组对象特征;
步骤204,针对每种选取方式,使用由(m-1)份当级目标类训练数据和(m-1)份当级其他目标类训练数据所得的多组对象特征对该级处理进行训练,形成对应于当级目标和当级其他目标的两组分类系数以及每个分类系数的判别权重;
步骤205,将剩余的2份测试数据的对象特征分别输入该级处理进行测试;
步骤206,得到该级处理对m2种选取方式下测试数据的总的分类准确率,若分类准确率较低,则改变该级处理的当级目标所对应的对象特征组构成,并重新进行训练和测试,从而得到具有较优分类准确率的分类系数和判别权重。
可选的,所述步骤204的具体方式为:
步骤2041,求取(m-1)份当级目标类训练数据中各对象特征的均值和方差,形成对应于当级目标的一组分类系数,并求取(m-1)份当级其他目标类训练数据中各对象特征的均值和方差,形成对应于当级其他目标的一组分类系数;其中,基于小波的倒谱分析特征具有对应于每个频段的多个均值和方差;
步骤2042,在每种选取方式下,通过测试数据求取基于每一单一对象特征的分类准确率,最终以m2种选取方式下基于同一单一对象特征的m2个分类准确率的平均值作为该对象特征对应分类系数的判别权重。
本发明的有益效果在于:
(1)本发明采用过零率特征、峰值能量百分比特征、峰度特征、频带能量比特征、基于小波的倒谱分析特征等多类特征对待分类数据进行联合判决,相较于单一特征判决方式更为有效。
(2)本发明将小波变换应用到目标信号特征提取中,可明显提高参数的噪声鲁棒性,实现了控制虚警率的目的。同时,小波变换可以采用Mallat工程实现方法,即利用滤波器组实现小波变换,这种方式可以实现目标的快速检测分类。
(3)本发明的分类处理可以采用最大似然比检测方法,从而实现最小错误概率分类。此外,本发明通过对多个相邻距离段和多次判决结果进行目标判决的空间、时间维度的信息融合,进一步提高了目标分类识别的准确性。
总之,本发明方法具有检测速度快、分类准确率高、虚警率低等特点,特别适合分布式光纤传感等环境复杂、实时性要求高的场合,是对现有技术的一种重要改进。
附图说明
图1是本发明的原理框图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
一种用于分布式光纤传感系统的目标分类识别方法,其包括以下步骤:
步骤1,构造二元检测分类器,所述二元检测分类器至少包括两级基于二元检测方法的二分类处理,其中,第一级处理用于将输入数据分为噪声和目标两类,第二级处理用于将第一级处理输出的目标类数据分为一级目标和一级其他目标两类;从第二级处理往后,后一级处理用于将前一级处理输出的当级其他目标再细分为该后一级处理所对应的本级目标和本级其他目标两类;所述二元检测分类器的每一级目标均对应有一个对象特征组,每一级二分类处理均用于对输入的一组对象特征进行分类,以判断该组对象特征所来源的数据是否为该级目标;所述对象特征组由过零率特征、峰值能量百分比特征、峰度特征、频带能量比特征和基于小波的倒谱分析特征五种特征中的一种或几种组成;
步骤2,选取样本数据集,对二元检测分类器的每一级均进行训练,分别形成对应于每一级的当级目标和当级其他目标的两组分类系数,同时得到每组分类系数中每个分类系数的判别权重;
步骤3,通过分布式光纤传感系统采集传感数据,从所述传感数据中提取对应于某一时刻、某一地点的一定时间邻域及空间邻域内信号明显的多个数据片段;
步骤4,使用经过训练的二元检测分类器对所述多个数据片段进行分类,得到每个数据片段的分类结果;
步骤5,将所述多个数据片段的分类结果进行综合,得出对应于所述某一时刻、某一地点的目标识别结果。
可选的,所述二元检测分类器每一级处理的分类方式为:
步骤001,根据某一输入的对象特征以及两组分类系数中对应于该对象特征的系数,利用下式进行基于单一对象特征的分类判决:
式中,H1代表当级目标类,H0代表当级其他目标类,x为输入的对象特征数据,μ、σ分别表示两组分类系数中对应于该对象特征的系数,p表示条件概率;计算结果大于1时判为H1类,否则判定为H0类;
其中,基于小波的倒谱分析特征具有对应于每个频段的多个均值和方差,分类判决时采用如下变形公式:
式中,N代表基于小波的倒谱分析特征的个数,Π(·)表示连乘运算;
步骤002,获得每一单一对象特征的判决结果,通过每个分类系数的判别权重对所有单一对象特征的判决结果进行加权平均,得到该级处理的最终分类判定结果。
可选的,所述步骤2的具体方式如下:
步骤201,针对二元检测分类器的每一级处理,根据二元检测分类器的分类等级结构,将所述样本数据集中属于该级处理的当级目标和当级其他目标的两组样本数据分别分为m份;
步骤202,从两组样本数据中分别选取m-1份作为训练数据,而剩余的1份作为测试数据,共形成m2种选取方式;
步骤203,对每个训练数据和测试数据分别提取一组对象特征;
步骤204,针对每种选取方式,使用由(m-1)份当级目标类训练数据和(m-1)份当级其他目标类训练数据所得的多组对象特征对该级处理进行训练,形成对应于当级目标和当级其他目标的两组分类系数以及每个分类系数的判别权重;
步骤205,将剩余的2份测试数据的对象特征分别输入该级处理进行测试;
步骤206,得到该级处理对m2种选取方式下测试数据的总的分类准确率,若分类准确率较低,则改变该级处理的当级目标所对应的对象特征组构成,并重新进行训练和测试,从而得到具有较优分类准确率的分类系数和判别权重。
可选的,所述步骤204的具体方式为:
步骤2041,求取(m-1)份当级目标类训练数据中各对象特征的均值和方差,形成对应于当级目标的一组分类系数,并求取(m-1)份当级其他目标类训练数据中各对象特征的均值和方差,形成对应于当级其他目标的一组分类系数;其中,基于小波的倒谱分析特征具有对应于每个频段的多个均值和方差;
步骤2042,在每种选取方式下,通过测试数据求取基于每一单一对象特征的分类准确率,最终以m2种选取方式下基于同一单一对象特征的m2个分类准确率的平均值作为该对象特征对应分类系数的判别权重。
图1所示为上述分类识别方法的一种具体实现过程,其包括以下步骤:
步骤1、数据筛选:数据筛选目标是选取能够标征一类目标尽量区别于其他目标的有效数据片段。
其中,所述步骤1中,有效数据片段,具体为:(1)要求从原始采集数据中截取目标有效作用于传感器时所采集的时刻片段数据;(2)每次截取数据长度应大于一次帧处理长度,否则后期处理时,对于不足帧处理长度的数据会忽略掉不予处理;截取长度最长不限;(3)数据截取时应避开明显奇异点,如:毛刺点;
步骤2、特征提取:对截取的数据等长分帧,其中帧长度不宜过长或过短。过短会增加误判几率:(1)不易突出各类目标间的特征区别;(2)突发性噪声对判决影响加大;(3)目标信号间隙数据会判为噪声影响最终判决。若帧长度过长会增大目标判决的响应时间,影响系统联动处置。分别计算每帧数据的信号特征,需计算的目标分类信号特征主要有过零率特征、峰值能量百分比特征、峰度特征、频带能量比特征、基于小波的倒谱分析特征;
其中,所述步骤2中,提取目标特征,具体为:(1)过零率特征:过零率是信号时域分析中最简单但是比较有效的一种特征。它是指每帧内信号通过一个接近0的门限值的次数。过零率可以在一定程度上反映信号频谱性质,是获得谱特性的一种粗略估计。(2)峰值能量百分比特征:峰值能量百分比是计算每帧内信号最大值和信号能量的比值,能够有效区分离散冲击信号与连续平稳信号。(3)峰度特征:峰度是衡量总体离群数据离群度的量。如:n个数据的总体中,离群度最强的情况是n-1个数据点相同,而只有一个数据点与其它不同。信号峰度类似于信号峰值能量百分比,都是求取信号尖峰程度,只是求取方式不同。(4)频带能量比特征:频带能量比衡量的是信号频域某个频带内能量占全部频带能量的比率,根据不同目标频域信号主要集中的频谱区域不同来进行目标的检测和分类。信号频带能量比类似于信号过零率检测,不同的是频带能量比是频域特征提取,且是一段频率区域共同作用的特征,过零率是计算一帧时间内信号频率的平均值。(5)基于小波的倒谱分析特征:小波处理方法是对时间轴和频率轴进行非均匀划分,使之在不同时频区得到不同的时频分辨率,不存在交叉干扰问题。将小波变换应用到目标信号特征提取中,可提高参数的噪声鲁棒性。对分帧后数据信号应用小波包变换进行多级小波分解,每一级每一个结点都代表一定的特征,对最后一级分解的每个尺度上的信号进行单尺度频谱能量重构,再进行离散余弦变换,得到倒谱系数特征参数。其中小波包变换可以采用工程实现方法,即:Mallat方法,利用滤波器组实现小波变换。
步骤3、分类器设计:目标分类采用多次二分类分级处理,如:第一级将所有数据分为噪声、目标,第二级将目标类数据分为一类目标、除一类目标外的其他类目标;第三级将除一类目标外的其他类目标数据分为二类目标、除一、二类目标外的其他类目标;类似可用多级二分类实现多类目标识别。每一级二分类处理中对该级的两类目标数据的所有特征分别计算均值、方差数据作为该级处理的分类器系数。具体分类方法,假定每级二分类处理的两类目标信号各特征的概率密度函数符合正态分布,其中,小波特征符合多维正态联合分布,则二分类处理可以等效为信号检测理论中的二元信号检测问题,利用最大似然比检测方法进行处理。
步骤4、交叉测试:将已知目标类别的训练数据根据分类等级进行分类,并对每级处理数据分别进行交叉测试。
其中,所述步骤4中,对每级处理数据分别进行交叉测试,具体为:(1)将某一级处理数据中的两类数据帧分别等分为m份,选取m-1份作为训练数据,剩余的1份作为测试数据,共有m种可能,交叉测试需遍历所有情况,共有m2种可能;(2)利用步骤2、3分别计算数据特征、分类器系数,并进行分类;(3)可计算得到该级二分类处理每种训练测试数据选取方式下的两类目标识别准确率,进而可以计算平均识别准确率和方差值。
步骤5、实际应用:利用训练形成的多级二分类处理每级的分类器系数及各项特征在该级二分类处理的识别准确概率对输入未知目标类型的测试数据进行目标的多级二分类识别,从而最终确定目标类别。其中,所述步骤5中,目标的多级二分类识别,具体为:(1)利用步骤2计算测试数据的特征;(2)利用步骤3中的等级分类方法,结合各级分类处理的分类器系数、特征权重参数,按级别依次进行二分类判决;(3)结合多个相邻距离段、多次判决结果,进行目标判决的空间、时间维度的信息融合处理,实现最终判决。
总之,本发明方法通过二元检测分类器对目标数据的多类特征参数进行基于最大似然比检测方法的多级分类,并在时间、空间维度上进行信息融合处理,从而实现了高效率、低虚警率的目标检测和分类识别,具有目标检测识别概率高、虚警率低、计算速度快、工程实现简单的特点,解决了复杂工作环境下传感探测高虚警率或目标检测识别算法复杂的问题,特别适合长距离探测、环境复杂多样等情况下的目标检测识别过程。
Claims (4)
1.一种用于分布式光纤传感系统的目标分类识别方法,其特征在于,包括以下步骤:
步骤1,构造二元检测分类器,所述二元检测分类器至少包括两级基于二元检测方法的二分类处理,其中,第一级处理用于将输入数据分为噪声和目标两类,第二级处理用于将第一级处理输出的目标类数据分为一级目标和一级其他目标两类;从第二级处理往后,后一级处理用于将前一级处理输出的当级其他目标再细分为该后一级处理所对应的本级目标和本级其他目标两类;所述二元检测分类器的每一级目标均对应有一个对象特征组,每一级二分类处理均用于对输入的一组对象特征进行分类,以判断该组对象特征所来源的数据是否为该级目标;所述对象特征组由过零率特征、峰值能量百分比特征、峰度特征、频带能量比特征和基于小波的倒谱分析特征五种特征中的一种或几种组成;
步骤2,选取样本数据集,对二元检测分类器的每一级均进行训练,分别形成对应于每一级的当级目标和当级其他目标的两组分类系数,同时得到每组分类系数中每个分类系数的判别权重;
步骤3,通过-OTDR分布式光纤传感系统采集传感数据,从所述传感数据中提取对应于某一时刻、某一地点的一定时间邻域及空间邻域内信号明显的多个数据片段;
步骤4,使用经过训练的二元检测分类器对所述多个数据片段进行分类,得到每个数据片段的分类结果;
步骤5,将所述多个数据片段的分类结果进行综合,得出对应于所述某一时刻、某一地点的目标识别结果。
2.根据权利要求1所述的用于分布式光纤传感系统的目标分类识别方法,其特征在于,所述二元检测分类器每一级处理的分类方式为:
步骤001,根据某一输入的对象特征以及两组分类系数中对应于该对象特征的系数,利用下式进行基于单一对象特征的分类判决:
式中,H1代表当级目标类,H0代表当级其他目标类,x为输入的对象特征数据,μ、σ分别表示两组分类系数中对应于该对象特征的系数,p表示条件概率;计算结果大于1时判为H1类,否则判定为H0类;
其中,基于小波的倒谱分析特征具有对应于每个频段的多个均值和方差,分类判决时采用如下变形公式:
式中,N代表基于小波的倒谱分析特征的个数,Π(·)表示连乘运算;
步骤002,获得每一单一对象特征的判决结果,通过每个分类系数的判别权重对所有单一对象特征的判决结果进行加权平均,得到该级处理的最终分类判定结果。
3.根据权利要求1所述的用于分布式光纤传感系统的目标分类识别方法,其特征在于,所述步骤2的具体方式如下:
步骤201,针对二元检测分类器的每一级处理,根据二元检测分类器的分类等级结构,将所述样本数据集中属于该级处理的当级目标和当级其他目标的两组样本数据分别分为m份;
步骤202,从两组样本数据中分别选取m-1份作为训练数据,而剩余的1份作为测试数据,共形成m2种选取方式;
步骤203,对每个训练数据和测试数据分别提取一组对象特征;
步骤204,针对每种选取方式,使用由(m-1)份当级目标类训练数据和(m-1)份当级其他目标类训练数据所得的多组对象特征对该级处理进行训练,形成对应于当级目标和当级其他目标的两组分类系数以及每个分类系数的判别权重;
步骤205,将剩余的2份测试数据的对象特征分别输入该级处理进行测试;
步骤206,得到该级处理对m2种选取方式下测试数据的总的分类准确率,若分类准确率较低,则改变该级处理的当级目标所对应的对象特征组构成,并重新进行训练和测试,从而得到具有较优分类准确率的分类系数和判别权重。
4.根据权利要求3所述的用于分布式光纤传感系统的目标分类识别方法,其特征在于,所述步骤204的具体方式为:
步骤2041,求取(m-1)份当级目标类训练数据中各对象特征的均值和方差,形成对应于当级目标的一组分类系数,并求取(m-1)份当级其他目标类训练数据中各对象特征的均值和方差,形成对应于当级其他目标的一组分类系数;其中,基于小波的倒谱分析特征具有对应于每个频段的多个均值和方差;
步骤2042,在每种选取方式下,通过测试数据求取基于每一单一对象特征的分类准确率,最终以m2种选取方式下基于同一单一对象特征的m2个分类准确率的平均值作为该对象特征对应分类系数的判别权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711461496.2A CN108197646A (zh) | 2017-12-28 | 2017-12-28 | 一种用于分布式光纤传感系统的目标分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711461496.2A CN108197646A (zh) | 2017-12-28 | 2017-12-28 | 一种用于分布式光纤传感系统的目标分类识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108197646A true CN108197646A (zh) | 2018-06-22 |
Family
ID=62585720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711461496.2A Pending CN108197646A (zh) | 2017-12-28 | 2017-12-28 | 一种用于分布式光纤传感系统的目标分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108197646A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113933808A (zh) * | 2021-09-29 | 2022-01-14 | 中国电子科技集团公司第二十九研究所 | 机载雷达动目标检测方法、装置、设备及存储介质 |
CN117848478A (zh) * | 2024-01-04 | 2024-04-09 | 中国新时代科技有限公司 | 一种水下防御光纤网探测方法、装置和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104240455A (zh) * | 2014-08-07 | 2014-12-24 | 北京航天控制仪器研究所 | 一种分布式光纤管线安全预警系统中的扰动事件识别方法 |
CN104269006A (zh) * | 2014-09-24 | 2015-01-07 | 天津大学 | 一种光纤预警系统及模式识别方法 |
-
2017
- 2017-12-28 CN CN201711461496.2A patent/CN108197646A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104240455A (zh) * | 2014-08-07 | 2014-12-24 | 北京航天控制仪器研究所 | 一种分布式光纤管线安全预警系统中的扰动事件识别方法 |
CN104269006A (zh) * | 2014-09-24 | 2015-01-07 | 天津大学 | 一种光纤预警系统及模式识别方法 |
Non-Patent Citations (3)
Title |
---|
孙茜: "Φ-OTDR光纤预警系统模式识别方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
盖井艳: "基于光纤干涉技术的机场周界报警模式识别研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
胡局新: "基于K折交叉验证的选择性集成分类算法", 《科技通报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113933808A (zh) * | 2021-09-29 | 2022-01-14 | 中国电子科技集团公司第二十九研究所 | 机载雷达动目标检测方法、装置、设备及存储介质 |
CN117848478A (zh) * | 2024-01-04 | 2024-04-09 | 中国新时代科技有限公司 | 一种水下防御光纤网探测方法、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112036074B (zh) | 一种高脉冲密度环境下雷达信号分选方法及系统 | |
CN107290741B (zh) | 基于加权联合距离时频变换的室内人体姿态识别方法 | |
CN103968933B (zh) | 基于模糊域特征的光纤振动信号识别方法 | |
CN107818298A (zh) | 用于机器学习物质识别算法的通用拉曼光谱特征提取方法 | |
Liu et al. | Deep learning and recognition of radar jamming based on CNN | |
CA2435290A1 (en) | Computer-aided image analysis | |
CN114429156A (zh) | 雷达干扰多域特征对抗学习与检测识别方法 | |
Huynh-The et al. | Accurate LPI radar waveform recognition with CWD-TFA for deep convolutional network | |
CN110650058A (zh) | 一种网络流量分析方法、装置、存储介质及设备 | |
CN112462355B (zh) | 一种基于时频三特征提取的对海目标智能检测方法 | |
CN111175718A (zh) | 联合时频域的地面雷达自动目标识别方法及系统 | |
CN113657491A (zh) | 一种用于信号调制类型识别的神经网络设计方法 | |
CN111160106A (zh) | 一种基于gpu的光纤振动信号特征提取及分类的方法及系统 | |
CN110647788A (zh) | 一种基于微多普勒特征的人类日常行为分类方法 | |
CN108197646A (zh) | 一种用于分布式光纤传感系统的目标分类识别方法 | |
CN110458071A (zh) | 一种基于dwt-dfpa-gbdt的光纤振动信号特征提取与分类方法 | |
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 | |
CN111339986B (zh) | 基于时域/频域分析的装备用频规律挖掘方法和系统 | |
CN110988856B (zh) | 一种基于密度聚类的目标检测点迹凝聚算法 | |
CN112327286A (zh) | 低复杂度下日常活动分类方法、装置、设备及存储介质 | |
CN103605120A (zh) | 距离扩展目标内禀模态局部奇异值有序融合检测方法 | |
CN110610203A (zh) | 基于dwt和极限学习机的电能质量扰动分类方法 | |
CN114626412B (zh) | 用于无人值守传感器系统的多类别目标识别方法及系统 | |
Abdullah et al. | Vehicles classification using Z-score and modelling neural network for forward scattering radar | |
Wang et al. | FCM algorithm and index CS for the signal sorting of radiant points |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180622 |
|
WD01 | Invention patent application deemed withdrawn after publication |