CN108919228A - 一维雷达数据处理方法及系统 - Google Patents

一维雷达数据处理方法及系统 Download PDF

Info

Publication number
CN108919228A
CN108919228A CN201811120033.4A CN201811120033A CN108919228A CN 108919228 A CN108919228 A CN 108919228A CN 201811120033 A CN201811120033 A CN 201811120033A CN 108919228 A CN108919228 A CN 108919228A
Authority
CN
China
Prior art keywords
data
radar data
radar
target range
target
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.)
Withdrawn
Application number
CN201811120033.4A
Other languages
English (en)
Inventor
吕高焕
刘宁波
徐雅楠
丁昊
董云龙
关键
王国庆
周伟
柴勇
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.)
Ludong University
Original Assignee
Ludong 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 Ludong University filed Critical Ludong University
Priority to CN201811120033.4A priority Critical patent/CN108919228A/zh
Publication of CN108919228A publication Critical patent/CN108919228A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/414—Discriminating targets with respect to background clutter

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明实施例提供了一种一维雷达数据处理方法及系统，方法包括：对于每个待处理的雷达数据，获取雷达数据对应的各个距离单元的幅度特性；基于所述雷达数据对应各个距离单元的幅度特性，确定目标距离单元；从每个待处理的雷达数据对应的目标距离单元中截取预设长度的数据序列作为目标样本。本发明实施例提供的一种一维雷达数据处理方法及系统，通过对一维雷达回波数据进行目标距离单元判定和数据序列点截取，获取了具有空间关联性的目标样本，可用于如CNN分类识别等多种任务。

Description

一维雷达数据处理方法及系统
技术领域
本发明实施例涉及信号处理技术领域，尤其涉及一种一维雷达数据处理方法及系统。
背景技术
目前，在海杂波中目标检测领域，更多的是利用二维图像数据作为数据集进行数据分析和检测。
例如在卷积神经网络CNN训练过程中，一般采用的训练数据集为二维图像数据集，这是由于CNN要求训练样本集在空间上有关联结构，如二维图像中相互关联的各像素排成阵列，是一个平面，并且要求特征与特征是同质的，如二维图像中像素和像素只是位置上的不同，像素点的物理内涵是相同的。
但是海杂波信号更多的表现形式是雷达一维回波信号，在进行相关分类和识别目标中，需要的更多的是一维数据样本集。因此现在亟需一种对一维雷达数据建立数据集进行数据分析和检测的方法来解决上述问题。
发明内容
为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一维雷达数据处理方法及系统。
第一方面本发明实施例提供一种一维雷达数据处理方法，包括：
对于每个待处理的雷达数据，获取雷达数据对应的各个距离单元的幅度特性；
基于所述雷达数据对应各个距离单元的幅度特性，确定目标距离单元；
从每个待处理的雷达数据对应的目标距离单元中截取预设长度的数据序列作为目标样本。
第二方面本发明实施例提供了一种一维雷达数据处理系统，所述系统包括：
获取模块，用于对于每个待处理的雷达数据，获取雷达数据对应的各个距离单元的幅度特性；
确定模块，用于基于所述雷达数据对应各个距离单元的幅度特性，确定目标距离单元；
截取模块，用于从每个待处理的雷达数据对应的目标距离单元中截取预设长度的数据序列作为目标样本。
第三方面本发明实施例提供了一种电子设备，包括：
处理器、存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述的一维雷达数据处理方法。
第四方面本发明实施例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一维雷达数据处理方法。
本发明实施例提供的一种一维雷达数据处理方法及系统，通过对一维雷达回波数据进行目标距离单元判定和数据序列点截取，获取了具有空间关联性的目标样本，可用于如CNN分类识别等多种任务。
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一简单地介绍，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是本发明实施例提供的一种一维雷达数据处理方法流程示意图；
图2是本发明实施例提供的高杂噪比的多普勒频移为正的海杂波数据时域和频域幅度示意图；
图3是本发明实施例提供的高杂噪比的多普勒频移为负的海杂波数据时域和频域幅度示意图；
图4是本发明实施例提供的低杂噪比的海杂波数据时域和频域数据幅度示意图；
图5是本发明实施例提供的噪声数据时域和频域幅度示意图；
图6是本发明实施例提供的一种一维雷达数据处理系统结构示意图；
图7是本发明实施例提供的电子设备的结构框图。
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地描述，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做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。
可以理解的是，深度学习需要大量的数来进行模型训练，通过梯度下降算法训练模型达到收敛。为了确保训练的准确性和可行性，需要指向同一目标的训练集(TrainingSet)用于确定拟合曲线的参数，验证集(Validation Set)用于模型选择，测试集(TestSet)用于测试已完成训练的模型的精确度。当数据样本量在104量级以下时，一般将训练集和测试集按7:3比例划分，即70％的数据样本用于训练网络，30％的数据样本用于测试网络；若有验证集，则按6:2:2比例划分；若是数据量很大(例如超过105量级)，则可将训练集、验证集、测试集比例调整为98:1:1，数据量很大，排除过拟合情况下，结果可信度很高。
那么如何合理的获取样本集进行训练将是影响训练后模型精度的重要因素，目前在海杂波与噪声的分类领域，常用的是使用二维数据作为数据集进行模型训练。但是海杂波信号更多的表现形式是雷达一维回波信号，在进行相关分类和识别目标中，需要的更多的是一维数据样本集。
为了获取用于各类训练任务的数据集，图1是本发明实施例提供的一种一维雷达数据处理方法流程示意图，如图1所示，方法包括：
101、对于每个待处理的雷达数据，获取雷达数据对应的各个距离单元的幅度特性；
102、基于所述雷达数据对应各个距离单元的幅度特性，确定目标距离单元；
103、从每个待处理的雷达数据对应的目标距离单元中截取预设长度的数据序列作为目标样本。
可以理解的是，本发明实施例提供了一种一维雷达数据处理方法，通过该方法能够将获取的一维雷达数据进行处理得到能够进行训练任务的目标样本以及目标样本构成的集合，本发明实施例将目标样本构成的集合称为目标样本集。可以理解的是，获取的一维雷达数据即雷达探测过程中产生的一维雷达回波序列，对于每个需要处理的雷达数据均可以按照本发明实施例提供的方式构建目标样本。
具体的，在步骤101中，可以理解的是，每个雷达数据会对应多个距离单元，每个距离单元反映雷达的分辨距离，例如：IPIX雷达的38号数据对应了28个距离单元，分别为距离单元1-28，每个距离单元中雷达数据的频域数据和时域数据均不相同，那么本发明实施例会获取距离单元1-28每一个距离单元在频域上和时域上的幅度特性。优选的，将每一个距离单元在频域上和时域上的幅度特性以直方图的形式表现出来。
进一步的，在步骤102中，通过观察比对每一个距离单元在频域上和时域上的幅度特性，选出符合任务要求的距离单元作为目标距离单元。例如：海杂波和噪声的分类任务中要求时域上的幅度变化尽可能小，那么则选择波动最小的距离单元作为目标距离单元。可以理解的是，根据实际需求可选用不同的目标距离单元，对此本发明实施例不作具体限定。
在步骤103中，将确定的目标距离单元按照预设长度进行数据截取，截取后的数据序列即任务所需的目标样本，对每个雷达数据均进行截取操作，从而获得目标样本集。需要说明的是，数据截取的起始点本发明实施例不作具体限定，但执行同一任务的目标样本的截取预设长度需要相等。
需要说明的是，一维雷达回波序列是由众多幅值不同的点排成的，点和点之间不是独立的，是相互关联的，具备局部性，即空间关联性，且各采样点的物理内涵相同，是同质的，满足权值共享的条件，即平移不变性，所以对一维雷达回波信号进行数据截取后依然满足分类任务的要求。
本发明实施例提供的一种一维雷达数据处理方法，通过对一维雷达回波数据进行目标距离单元判定和数据序列点截取，获取了具有空间关联性的目标样本，可用于如CNN分类识别等多种任务。
在上述实施例的基础上，所述雷达数据中包括多普勒频移为正的海杂波数据、多普勒频移为负的海杂波数据以及噪声数据；相应的，所述从每个待处理的雷达数据对应的目标距离单元中截取预设长度的数据序列作为目标样本，包括：
均匀选取所述多普勒频移为正的海杂波数据、多普勒频移为负的海杂波数据以及噪声数据进行截取，以获取所述目标样本。
一般的，在进行不同训练任务时，会按照需要选择不同的数据集，从而达到不同的训练效果实现训练目的。本发明实施例提供的目标样本集构建主要针对的是对海杂波和噪声的分类任务，那么需要选用海杂波数据以及噪声数据作为样本集的构成元素。其中，海杂波数据一般又包括多普勒频移为正的海杂波数据、多普勒频移为负的海杂波数据。
本发明实施例以IPIX雷达杂波数据为例对本发明实施例进行说明，IPIX雷达杂波数据是由加拿大McMaster大学利用X波段的IPIX雷达开展对海探测得到的，数据采集时雷达天线工作模式为驻留模式，脉冲重频(PRF)为1000Hz，观察目标为漂浮于海面的金属网缠绕的泡塑球体。本数据集包含HH、VV、HV、VV四种极化方式，同一个训练集与检测集采用极化方式相同的同极化数据，信杂比(SCR)约为0～9dB。表1是本发明实施例提供的IPIX雷达杂波数据参数表。
表1 IPIX雷达杂波数据参数表
相关信息 38号数据 84号数据
采集日期 1998/02/04 22:40:24 1998/02/03 16:58:36
采集地点 Grimsby Grimsby
工作频率 9.39GHz 9.39GHz
脉冲发射频率 1000Hz 1000Hz
不模糊速度 7.9872(m/s) 7.9872(m/s)
距离范围 3021—3444(m) 3000—3989(m)
方位角范围 359.7858° 342.2955°
极化方式 HH,VV,HV,VH HH,VV,HV,VH
擦地角 0.32° 0.32°
雷达高度 20m 20m
波束宽度 0.9° 0.9°
天线增益 45.7dB 45.7dB
距离单元个数 28 34
脉冲数目 60000个 60000个
数据中会包含高杂噪比(约为8.5dB)的多普勒频移为正的海杂波数据，其时域和频域幅度如图2所示；数据中还包括高杂噪比(约为7.4dB)的多普勒频移为负的海杂波数据，其时域和频域幅度如图3所示；数据中还会包含低杂噪比(约为1.8dB)的海杂波数据，其时域和频域幅度如图4所示；数据中还会包含噪声数据，其时域和频域幅度如5所示。图2、3、4、5所确定的目标距离单元为第2距离单元。
可以理解的是，为了保证最终得到的目标样本集的训练效果，各个类别的数据量需要保持在同一个量级，例如选择了103量级的多普勒频移为正的海杂波数据，那么同样的也得需要选用103量级的多普勒频移为负的海杂波数据以及噪声数据。具体的，在进行目标样本构建时，本发明实施例采用均匀选取的方式进行截取，即每类数据循环进行截取，从而保证整个样本集中各类样本的数据分布均匀。
在上述实施例的基础上，在所述基于所述雷达数据对应各个距离单元的幅度特性，确定目标距离单元之后，所述方法还包括：
从所有雷达数据中，选出噪声数据以及杂噪比高于预设阈值的海杂波数据作为目标雷达数据；
从所述目标雷达数据对应的目标距离单元中截取预设长度的数据序列作为目标样本。
由上述实施例的内容可知，在雷达数据中往往存在多个类别的数据，例如高杂噪比的多普勒频移为正的海杂波数据、高杂噪比的多普勒频移为负的海杂波数据、低杂噪比的海杂波数据等等。而在本发明实施例中在大量数据中需要选择合适的数据进行使用。优选的，本发明实施例选用了噪声数据以及杂噪比高于预设阈值的海杂波数据作为目标雷达数据。可以理解的是，杂噪比高的话区分度较大，其海杂波数据质量较好，更接近于训练效果较好的样本。
进一步的，在确定了目标雷达数据后，再对目标雷达数据所对应的目标距离单元中进行预设长度的数据序列截取，从而获取目标样本。
在上述实施例的基础上，从每个雷达数据对应的目标距离单元中截取预设长度的数据序列作为目标训练样本，包括：
从每个雷达数据对应的目标距离单元中截取第一预设长度的数据序列作为第一目标样本，以根据所述第一目标样本验证卷积神经网络的分类效果；
从每个雷达数据对应的目标距离单元中截取第二预设长度的数据序列作为第二目标样本，以根据所述第二目标样本验证结构参数对训练效果的影响；
从每个雷达数据对应的目标距离单元中截取第三预设长度的数据序列作为第三目标样本，以根据所述第三目标样本验证序列点数量对训练结果的影响。
可以理解的是，按照预设长度进行截取的目标样本能够完成预设的训练任务，与此同时，为了验证目标样本中各个参数对训练结果造成的影响，本发明实施例可以通过调整截取数据序列的长度来进行验证。
在普通卷积神经网络的分类场景下，所需的样本维数可以较高，样本维数对应每个目标样本的序列长度，即将目标样本重排成n维方阵，例如将第一预设长度设置为4096，那么可以排成一个64维的训练方阵，再输入预设的卷积神经网络中训练，根据测试结果验证卷积神经网络的分类效果。
然后对样本进行降维，即缩减预设截取长度，由第一预设长度缩小为第二预设长度，可以理解的是，降维意味着训练的神经网络的结构上发生了变化，本发明实施例将变化的参数称为结构参数，通过第一预设长度和第二预设长度不同的训练结果能够验证结构参数对训练效果的影响。例如：将第二预设长度设置为400，那么可以排成一个20维的训练方阵，再输入预设的卷积神经网络中训练，根据测试结果验证结构参数对训练效果的影响。
同样的，本发明实施例可以进一步降维，由第二预设长度缩小到第三预设长度，通过预设长度截取数据点数量的变化来验证序列点数量对训练结果的影响。例如：将第三预设长度设置为16，那么可以排成一个4维的训练方阵，再输入预设的卷积神经网络中训练，根据测试结果验证序列点数量对训练效果的影响。
在上述实施例的基础上，在所述对于每个待处理的雷达数据，获取雷达数据对应的各个距离单元的幅度特性之前，所述方法还包括：
对所述每个待处理的雷达数据进行快速傅里叶变换。
对比图4和图5的幅度能够看出，直接观察时域的波形，很难区分出海杂波与噪声，但在频域上二者的区分度较大，那么本发明实施例提供了一种快速傅里叶变换FFT来对数据预处理的方式使得海杂波与噪声的区分度足够明显。
图6是本发明实施例提供的一种一维雷达数据处理系统结构示意图，如图6所示，所述系统包括：获取模块601、确定模块602以及截取模块603，其中：
获取模块601用于对于每个待处理的雷达数据，获取雷达数据对应的各个距离单元的幅度特性；
确定模块602用于基于所述雷达数据对应各个距离单元的幅度特性，确定目标距离单元；
截取模块603用于从每个待处理的雷达数据对应的目标距离单元中截取预设长度的数据序列作为目标样本。
具体的如何通过获取模块601、确定模块602以及截取模块603对一维雷达数据处理可用于执行图1所示的一维雷达数据处理方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
本发明实施例提供的一种一维雷达数据处理系统，通过对一维雷达回波数据进行目标距离单元判定和数据序列点截取，获取了具有空间关联性的目标样本，可用于如CNN分类识别等多种任务。
在上述实施例的基础上，所述雷达数据中包括多普勒频移为正的海杂波数据、多普勒频移为负的海杂波数据以及噪声数据；相应的，截取模块包括：
均匀截取单元，所述均匀截取单元用于均匀选取所述多普勒频移为正的海杂波数据、多普勒频移为负的海杂波数据以及噪声数据进行截取，以获取所述目标样本。
在上述实施例的基础上，所述系统还包括：
目标数据选择模块，所述目标数据选择模块用于从所有雷达数据中，选出噪声数据以及杂噪比高于预设阈值的海杂波数据作为目标雷达数据；
从所述目标雷达数据对应的目标距离单元中截取预设长度的数据序列作为目标样本。
在上述实施例的基础上，截取模块包括：
第一验证单元，所述第一验证单元用于从每个雷达数据对应的目标距离单元中截取第一预设长度的数据序列作为第一目标样本，以根据所述第一目标样本验证卷积神经网络的分类效果；
第二验证单元，所述第二验证单元用于从每个雷达数据对应的目标距离单元中截取第二预设长度的数据序列作为第二目标样本，以根据所述第二目标样本验证结构参数对训练效果的影响；
第三验证单元，所述第三验证单元用于从每个雷达数据对应的目标距离单元中截取第三预设长度的数据序列作为第三目标样本，以根据所述第三目标样本验证序列点数量对训练结果的影响；
其中，所述第一预设长度大于所述第二预设长度，所述第二预设长度大于所述第三预设长度。
在上述实施例的基础上，所述系统还包括：
预处理模块，所述预处理模块用于对所述每个待处理的雷达数据进行快速傅里叶变换。
本发明实施例提供一种电子设备，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：
图7是本发明实施例提供的电子设备的结构框图，参照图7，所述电子设备，包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和总线740，其中，处理器710，通信接口720，存储器730通过总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行如下方法：对于每个待处理的雷达数据，获取雷达数据对应的各个距离单元的幅度特性；基于所述雷达数据对应各个距离单元的幅度特性，确定目标距离单元；从每个待处理的雷达数据对应的目标距离单元中截取预设长度的数据序列作为目标样本。
本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：对于每个待处理的雷达数据，获取雷达数据对应的各个距离单元的幅度特性；基于所述雷达数据对应各个距离单元的幅度特性，确定目标距离单元；从每个待处理的雷达数据对应的目标距离单元中截取预设长度的数据序列作为目标样本。
本发明实施例提供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各方法实施例所提供的方法，例如包括：对于每个待处理的雷达数据，获取雷达数据对应的各个距离单元的幅度特性；基于所述雷达数据对应各个距离单元的幅度特性，确定目标距离单元；从每个待处理的雷达数据对应的目标距离单元中截取预设长度的数据序列作为目标样本。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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精神和范围。

Claims (8)

1.一种一维雷达数据处理方法，其特征在于，包括：
对于每个待处理的雷达数据，获取雷达数据对应的各个距离单元的幅度特性；
基于所述雷达数据对应各个距离单元的幅度特性，确定目标距离单元；
从每个待处理的雷达数据对应的目标距离单元中截取预设长度的数据序列作为目标样本。
2.根据权利要求1所述的方法，其特征在于，所述雷达数据中包括多普勒频移为正的海杂波数据、多普勒频移为负的海杂波数据以及噪声数据；相应的，所述从每个待处理的雷达数据对应的目标距离单元中截取预设长度的数据序列作为目标样本，包括：
均匀选取所述多普勒频移为正的海杂波数据、多普勒频移为负的海杂波数据以及噪声数据进行截取，以获取所述目标样本。
3.根据权利要求2所述的方法，其特征在于，在所述基于所述雷达数据对应各个距离单元的幅度特性，确定目标距离单元之后，所述方法还包括：
从所有雷达数据中，选出噪声数据以及杂噪比高于预设阈值的海杂波数据作为目标雷达数据；
从所述目标雷达数据对应的目标距离单元中截取预设长度的数据序列作为目标样本。
4.根据权利要求1所述的方法，其特征在于，从每个雷达数据对应的目标距离单元中截取预设长度的数据序列作为目标训练样本，包括：
从每个雷达数据对应的目标距离单元中截取第一预设长度的数据序列作为第一目标样本，以根据所述第一目标样本验证卷积神经网络的分类效果；
从每个雷达数据对应的目标距离单元中截取第二预设长度的数据序列作为第二目标样本，以根据所述第二目标样本验证结构参数对训练效果的影响；
从每个雷达数据对应的目标距离单元中截取第三预设长度的数据序列作为第三目标样本，以根据所述第三目标样本验证序列点数量对训练结果的影响。
5.根据权利要求1所述的方法，其特征在于，在所述对于每个待处理的雷达数据，获取雷达数据对应的各个距离单元的幅度特性之前，所述方法还包括：
对所述每个待处理的雷达数据进行快速傅里叶变换。
6.一种一维雷达数据处理系统，其特征在于，所述系统包括：
获取模块，用于对于每个待处理的雷达数据，获取雷达数据对应的各个距离单元的幅度特性；
确定模块，用于基于所述雷达数据对应各个距离单元的幅度特性，确定目标距离单元；
截取模块，用于从每个待处理的雷达数据对应的目标距离单元中截取预设长度的数据序列作为目标样本。
7.一种电子设备，其特征在于，包括存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至5任一所述的方法。
8.一种非暂态计算机可读存储介质，其特征在于，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如权利要求1至5任一项所述的方法。
CN201811120033.4A 2018-09-25 2018-09-25 一维雷达数据处理方法及系统 Withdrawn CN108919228A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811120033.4A CN108919228A (zh) 2018-09-25 2018-09-25 一维雷达数据处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811120033.4A CN108919228A (zh) 2018-09-25 2018-09-25 一维雷达数据处理方法及系统

Publications (1)

Publication Number Publication Date
CN108919228A true CN108919228A (zh) 2018-11-30

Family

ID=64409079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811120033.4A Withdrawn CN108919228A (zh) 2018-09-25 2018-09-25 一维雷达数据处理方法及系统

Country Status (1)

Country Link
CN (1) CN108919228A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934101A (zh) * 2019-01-24 2019-06-25 西安电子科技大学 基于卷积神经网络的雷达杂波识别方法
CN111024147A (zh) * 2019-12-26 2020-04-17 玳能科技(杭州)有限公司 基于CNNs的元件安装检测方法、装置、电子设备及存储介质
CN112068085A (zh) * 2020-10-16 2020-12-11 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种基于深度学习的雷达海杂波原始数据快速预处理方法
CN114049551A (zh) * 2021-10-22 2022-02-15 南京航空航天大学 一种基于ResNet18的SAR原始数据目标识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016097890A1 (en) * 2014-12-15 2016-06-23 Airbus Group Singapore Pte. Ltd. Automated method for selecting training areas of sea clutter and detecting ship targets in polarimetric synthetic aperture radar imagery
CN105738888A (zh) * 2016-03-31 2016-07-06 西安电子科技大学 基于海杂波抑制的双特征海面漂浮小目标检测方法
CN105894033A (zh) * 2016-04-01 2016-08-24 大连理工大学 一种海杂波背景下的弱目标检测方法及系统
CN107861108A (zh) * 2017-10-24 2018-03-30 西安空间无线电技术研究所 一种基于功率谱盒维数的海上目标检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016097890A1 (en) * 2014-12-15 2016-06-23 Airbus Group Singapore Pte. Ltd. Automated method for selecting training areas of sea clutter and detecting ship targets in polarimetric synthetic aperture radar imagery
CN105738888A (zh) * 2016-03-31 2016-07-06 西安电子科技大学 基于海杂波抑制的双特征海面漂浮小目标检测方法
CN105894033A (zh) * 2016-04-01 2016-08-24 大连理工大学 一种海杂波背景下的弱目标检测方法及系统
CN107861108A (zh) * 2017-10-24 2018-03-30 西安空间无线电技术研究所 一种基于功率谱盒维数的海上目标检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
D. CALLAGHAN 等: "A machine learning approach to radar sea clutter suppression", 《2017 IEEE RADAR CONFERENCE (RADARCONF)》 *
徐雅楠 等: "利用CNN的海上目标探测背景分类方法", 《电子学报》 *
李成祥: "基于海杂波混沌特性的小目标检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934101A (zh) * 2019-01-24 2019-06-25 西安电子科技大学 基于卷积神经网络的雷达杂波识别方法
CN111024147A (zh) * 2019-12-26 2020-04-17 玳能科技(杭州)有限公司 基于CNNs的元件安装检测方法、装置、电子设备及存储介质
CN112068085A (zh) * 2020-10-16 2020-12-11 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种基于深度学习的雷达海杂波原始数据快速预处理方法
CN112068085B (zh) * 2020-10-16 2022-05-06 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种基于深度学习的雷达海杂波原始数据快速预处理方法
CN114049551A (zh) * 2021-10-22 2022-02-15 南京航空航天大学 一种基于ResNet18的SAR原始数据目标识别方法
CN114049551B (zh) * 2021-10-22 2022-08-05 南京航空航天大学 一种基于ResNet18的SAR原始数据目标识别方法

Similar Documents

Publication Publication Date Title
CN108919228A (zh) 一维雷达数据处理方法及系统
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
CN106353732B (zh) 一种基于认知的机载雷达异构杂波抑制方法
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
CN107607942B (zh) 基于深度学习模型的大尺度电磁散射与逆散射的预测方法
CN112882009B (zh) 基于幅度相位双通道网络的雷达微多普勒目标识别方法
CN112859014A (zh) 基于雷达信号分选的雷达干扰抑制方法、装置及介质
CN106855618A (zh) 基于广义内积任意阵列下的干扰样本剔除方法
CN109901129A (zh) 一种海杂波中目标检测方法及系统
CN114117912A (zh) 一种数据模型双驱动下的海杂波建模与抑制方法
CN109934101A (zh) 基于卷积神经网络的雷达杂波识别方法
CN105842666B (zh) 基于差分算法的雷达子阵划分优化方法
CN108387880A (zh) 一种基于多尺度有向Lyapunov指数的海杂波背景下弱小目标检测方法
CN115685096B (zh) 一种基于逻辑回归的二次雷达副瓣抑制方法
CN114997326B (zh) 一种基于多特征融合的机载雷达工作模式识别方法
CN112801218A (zh) 一种基于降噪特征增强的多视角一维距离像融合识别方法
CN112990082A (zh) 一种水声脉冲信号的检测识别方法
CN113759362B (zh) 雷达目标数据关联的方法、装置、设备和存储介质
CN106950546A (zh) 基于马氏距离重加权的非均匀杂波抑制方法
Qian et al. Recognition of radar deception jamming based on convolutional neural network
Zhu et al. Radar HRRP group-target recognition based on combined methods in the backgroud of sea clutter
CN108983187A (zh) 基于ewc的在线雷达目标识别方法
CN112285667A (zh) 一种基于神经网络的反地杂波处理方法
CN108594196A (zh) 一种目标散射中心参数提取方法及装置
Dalton et al. Simulating elastic targets for sonar algorithm development

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Lv Gaohuan

Inventor before: Lv Gaohuan

Inventor before: Liu Ningbo

Inventor before: Xu Yanan

Inventor before: Ding Hao

Inventor before: Dong Yunlong

Inventor before: Guan Jian

Inventor before: Wang Guoqing

Inventor before: Zhou Wei

Inventor before: Chai Yong

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200526

Address after: No. 858, Nanguan street, Muping District, Yantai City, Shandong Province

Applicant after: Yantai Leo Electronic Technology Co., Ltd

Address before: 264025 No. 186 Hongqi Middle Road, Zhifu District, Shandong, Yantai

Applicant before: LUDONG University

WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20181130