CN109270525B - 基于深度学习的穿墙雷达成像方法及系统 - Google Patents
基于深度学习的穿墙雷达成像方法及系统 Download PDFInfo
- Publication number
- CN109270525B CN109270525B CN201811496175.0A CN201811496175A CN109270525B CN 109270525 B CN109270525 B CN 109270525B CN 201811496175 A CN201811496175 A CN 201811496175A CN 109270525 B CN109270525 B CN 109270525B
- Authority
- CN
- China
- Prior art keywords
- training
- wall radar
- neural network
- radar image
- 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.)
- Active
Links
Images
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/887—Radar or analogous systems specially adapted for specific applications for detection of concealed objects, e.g. contraband or weapons
- G01S13/888—Radar or analogous systems specially adapted for specific applications for detection of concealed objects, e.g. contraband or weapons through wall detection
-
- 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
- G01S7/417—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 involving the use of neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了基于深度学习的穿墙雷达成像方法,首先获取仿真回波数据;对回波数据进行BP成像,作为神经网络训练时的输入图像;然后仿真训练生成参考图片,作为神经网络训练时的参考图片;应用tensorflow工具搭建神经网络对训练数据进行训练,用输入图片和参考图片对神经网络进行训练,并生成网络模型;最后将训练好的网络模型应用于实测数据。本发明提供的方法提高了穿墙雷达成像的分辨率;降低穿墙雷达图像中的旁瓣。
Description
技术领域
本发明涉及雷达图像处理技术领域,特别是基于深度学习的穿墙雷达成像方法。
背景技术
传统的穿墙雷达成像多采用后向投影算法(BP),但是成像分辨率有待提高。根据穿墙雷达成像原理,图像方位向分辨率取决于天线的长度,长度越长分辨率越高。但穿墙雷达受限于尺寸要求,天线一般都比较短,所以图像方位向分辨率较低。
发明内容
本发明的目的之一是提出基于深度学习的穿墙雷达成像方法;目的之二是提出基于深度学习的穿墙雷达成像系统;本方法利用深度学习来提高穿墙雷达图像分辨率。
本发明的目的是通过以下技术方案来实现的:
本发明提供的基于深度学习的穿墙雷达成像方法,包括以下步骤:
步骤1.获取仿真回波数据;
步骤2.对回波数据进行BP成像,作为神经网络训练时的输入图像;
步骤3.仿真训练生成参考图片,作为神经网络训练时的参考图片;
步骤4.应用tensorflow工具搭建神经网络对训练数据进行训练,用输入图片和参考图片对神经网络进行训练,并生成网络模型;
步骤5.将训练好的网络模型应用于实测数据。
进一步,所述步骤1中的获取仿真回波数据的具体过程如下:
按照预设分布设置雷达天线位置;
设置穿墙雷达的发射机和接收机位置;
所述发射机产生的信号如下所示:
s(t)=a(t)exp(j2πfct) (1)
其中,a(t)是发射信号的波形,t是快时间,fc是载波频率;
所述接收机获取的回波信号为:
sr(tm,t)=a(t-tm)exp[j2πfc(t-tm)] (2)
其中,tm可以写成如下所示:
其中,
sr(tm,t)表示第m个接受机收到的回波信号;
tm表示发射信号到达第m个接收机的时间,
c表示发射信号传播速度;
(x0,y0)为目标点的位置;
(xm,ym)是第m个接收机的位置;
(xt,yt)是发射机的位置。
进一步,所述步骤2中的BP成像具体过程如下:
按照以下公式压缩回波信号距离:
src(tm,t)=sinc[B(t-tm)]exp(-j2πfctm) (4)
其中,
src(tm,t)表示第m个接收机接收到的信号经过压缩后的形式
B是发射信号的带宽,
按照以下公式进行BP算法处理:
其中,I(x0,y0)表示经过BP算法后位置为(x0,y0)的点的强度。
;(5)进一步,所述步骤3中的仿真训练生产参考图片具体过程如下:
仿真产生回波数据时,设置较少的接受机对回波进行接收,然后对接受到的回波数据进行BP成像,生成第一种穿墙雷达图像;
这次生成穿墙雷达图像的分辨率较低,将会作为神经网路的输入数据;
仿真产生回波数据时,设置较多的接受机对回波进行接收,然后对接受到的回波数据进行BP成像,生成第二种穿墙雷达图像;
这次生成的穿墙雷达图像分辨率较高,将会作为神经网络训练时的参考图片。
进一步,所述步骤4中的训练过程如下:
设计神经网络架构
获取训练样本,同时生成测试集;
在训练过程中,采用均方差作为损失函数,设置学习速率和批大小;
采用Adam方法对所有训练样本进行优化;
直到达到预设训练迭代次数;
完成网络模型的训练。
进一步,所述步骤5中的将训练好的模型应用于实测数据:
之前通过仿真的数据已经训练完成了一个神经网络,只需要将实测数据输入到已经训练好的网络模型中;
得到增强后的穿墙雷达图像。
本发明的目的之二是通过以下技术方案来实现的:
本发明提供的基于深度学习的穿墙雷达成像系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
步骤1.获取仿真回波数据;
步骤2.对回波数据进行BP成像,作为神经网络训练时的输入图像;
步骤3.仿真训练生成参考图片,作为神经网络训练时的参考图片;
步骤4.应用tensorflow工具搭建神经网络对训练数据进行训练,用输入图片和参考图片对神经网络进行训练,并生成网络模型;
步骤5.将训练好的网络模型应用于实测数据。
进一步,所述步骤1中的获取仿真回波数据的具体过程如下:
按照预设分布设置雷达天线位置;
设置穿墙雷达的发射机和接收机位置;
所述发射机产生的信号如下所示:
s(t)=a(t)exp(j2πfct) (1)
其中,a(t)是发射信号的波形,t是快时间,fc是载波频率;
所述接收机获取的回波信号为:
sr(tm,t)=a(t-tm)exp[j2πfc(t-tm)] (2)
其中,tm可以写成如下所示:
其中,
sr(tm,t)表示第m个接受机收到的回波信号;
tm表示发射信号到达第m个接收机的时间,
c表示发射信号传播速度;
(x0,y0)为目标点的位置;
(xm,ym)是第m个接收机的位置;
(xt,yt)是发射机的位置。
进一步,所述步骤2中的BP成像具体过程如下:
按照以下公式压缩回波信号距离:
src(tm,t)=sinc[B(t-tm)]exp(-j2πfctm) (4)
其中,src(tm,t)表示第m个接收机接收到的信号经过压缩后的形式;
B是发射信号的带宽,
按照以下公式进行BP算法处理:
其中,I(x0,y0)表示经过BP算法后位置为(x0,y0)的点的强度。
;(5)进一步,所述步骤3中的仿真训练生产参考图片具体过程如下:
仿真产生回波数据时,设置较少的接受机对回波进行接收,然后对接受到的回波数据进行BP成像,生成第一种穿墙雷达图像;
这次生成穿墙雷达图像的分辨率较低,将会作为神经网路的输入数据;
仿真产生回波数据时,设置较多的接受机对回波进行接收,然后对接受到的回波数据进行BP成像,生成第二种穿墙雷达图像;
这次生成的穿墙雷达图像分辨率较高,将会作为神经网络训练时的参考图片;
所述步骤4中的训练过程如下:
设计神经网络架构
获取训练样本,同时生成测试集;
在训练过程中,采用均方差作为损失函数,设置学习速率和批大小;
采用Adam方法对所有训练样本进行优化;
直到达到预设训练迭代次数;
完成网络模型的训练;
所述步骤5中的将训练好的模型应用于实测数据:
之前通过仿真的数据已经训练完成了一个神经网络,只需要将实测数据输入到已经训练好的网络模型中;
得到增强后的穿墙雷达图像。
由于采用了上述技术方案,本发明具有如下的优点:
本发明提供的基于深度学习的穿墙雷达成像方法,首先获取仿真回波数据;对回波数据进行BP成像;然后仿真训练生成参考图片;应用tensorflow搭建神经网络对训练数据进行训练,并生成网络模型;最后将训练好的网络模型应用于实测数据;本发明提供的方法提高了穿墙雷达成像的分辨率;降低穿墙雷达图像中的旁瓣。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
本发明的附图说明如下。
图1为本发明的雷达天线几何布局示意图。
图2为本发明的BP成像结果示意图。
图3为本发明的参考图片示意图。
图4为本发明的深度学习网络架构示意图。
图5为本发明的网络预测结果示意图。
图6为本发明的实测数据BP成像结果示意图。
图7为本发明的实测数据经过深度学习网络后的结果示意图。
图8为本发明的基于深度学习的穿墙雷达成像方法的流程示意图。
图9为本发明的穿墙雷达原始回波信号产生的流程示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
实施例1
如图所示,本实施例提供的基于深度学习的穿墙雷达成像方法,包括以下步骤:
步骤1.仿真原始回波数据:
如图1所示的雷达天线几何布局示意图,建立穿墙雷达信号成像模型,本实施例提供的穿墙雷达的发射机有1个,接收机有N个,其中,T表示发射机,Ri(i=1,2,…,N)是第i个接收机,发射机产生的信号如下所示:
s(t)=a(t)exp(j2πfct) (1)
其中,a(t)是发射信号的波形,t是快时间,fc是载波频率;
最后的回波信号为:
sr(tm,t)=a(t-tm)exp[j2πfc(t-tm)] (2)
其中,
s(t)表示发射机发射的信号;
sr(tm,t)表示第m个接收机接收到的信号;
a(t-tm)表示接收机接收到的信号波形;
tm可以写成如下所示:
其中,其中,tm表示发射信号到达第m个接收机的时间,
(x0,y0)为目标点的位置,
(xm,ym)是第m个接收机的位置,
(xt,yt)是发射机的位置。
步骤2.对回波数据进行BP成像,所述BP成像具体如下:
回波信号距离压缩之后,得:
src(tm,t)=sinc[B(t-tm)]exp(-j2πfctm) (4)
其中,
src(tm,t)表示第m个接收机接收到的信号;
表示;B是发射信号的带宽,
tm可以写成如下所示:
其中,其中,tm表示发射信号到达第m个接收机的时间,
(x0,y0)为目标点的位置,
(xm,ym)是第m个接收机的位置,
(xt,yt)是发射机的位置。
用BP算法进行处理,BP算法的公式如下所示:
其中,I(x0,y0)表示经过BP算法后位置为(x0,y0)的点的强度。
经过BP算法后的结果如图2所示。
步骤3.仿真训练生产参考图片:
首先,仿真产生只有8个接受机的雷达回波数据,并且对这些数据进行BP成像,生成分辨率较低的穿墙雷达图像,这些图像将会作为神经网路的输入数据,其BP成像结果如图2所示,同时,仿真产生拥有80个接收机的雷达回波数据,并且对这些数据进行BP成像,生成较高分辨率的图像,这些图像将会作为神经网络训练时的参考图片,其BP成像的结果如图3所示。
步骤4.应用深度学习工具tensorflow搭建神经网络对训练数据进行训练:
搭建了如图4所示的网络模型,用于深度学习的网络架构包括原始信号单元、
短时傅里叶变换单元、卷积核大小25*25*1*6激活函数ReLU单元、卷积核大小15*15*6*24激活函数ReLU单元、卷积核大小5*5*24*24激活函数ReLU单元、卷积核大小3*3*24*1激活函数ReLU单元和输出图像单元;
具体过程如下:本实施例生成了1000个数据作为训练样本,同时生成10个数据作为测试集,在训练过程中,采用均方差作为损失函数,设置学习速率为0.0001,批大小为50,同时采用Adam方法进行优化,也就是说一次性输入50张图片到网络中训练,直到把1000张图片都输入到网络中训练一遍,这样的一个过程称为1次迭代,整个训练过程经历了5次迭代。当模型训练完成时,把测试数据输入到网络中进行预测,其预测结果如图5所示。
步骤5.将训练好的模型应用于实测数据:
当网络模型训练完成后,将实测数据如图6所示输入到训练好的网络中,得到的雷达图像分辨率得到了提高,其结果如图7所示。
实施例2
如图所示,本实施例提供的基于深度学习的穿墙雷达成像系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
步骤1.获取仿真回波数据;
步骤2.对回波数据进行BP成像,作为神经网络训练时的输入图像;
步骤3.仿真训练生成参考图片,作为神经网络训练时的参考图片;
步骤4.应用tensorflow工具搭建神经网络对训练数据进行训练,用输入图片和参考图片对神经网络进行训练,并生成网络模型;
步骤5.将训练好的网络模型应用于实测数据。
所述步骤1中的获取仿真回波数据的具体过程如下:
按照预设分布设置雷达天线位置;
设置穿墙雷达的发射机和接收机位置;
所述发射机产生的信号如下所示:
s(t)=a(t)exp(j2πfct) (1)
其中,a(t)是发射信号的波形,t是快时间,fc是载波频率;
所述接收机获取的回波信号为:
sr(tm,t)=a(t-tm)exp[j2πfc(t-tm)] (2)
其中,tm可以写成如下所示:
其中,
sr(tm,t)表示第m个接受机收到的回波信号;
tm表示发射信号到达第m个接收机的时间,
c表示发射信号传播速度;
(x0,y0)为目标点的位置;
(xm,ym)是第m个接收机的位置;
(xt,yt)是发射机的位置。
所述步骤2中的BP成像具体过程如下:
按照以下公式压缩回波信号距离:
src(tm,t)=sinc[B(t-tm)]exp(-j2πfctm) (4)
其中,
src(tm,t)表示第m个接收机接收到的信号;
;B是发射信号的带宽,
按照以下公式进行BP算法处理:
其中,I(x0,y0)表示经过BP算法后位置为(x0,y0)的点的强度。
所述步骤3中的仿真训练生产参考图片具体过程如下:
仿真产生回波数据时,设置较少的接受机对回波进行接收,然后对接受到的回波数据进行BP成像,生成第一种穿墙雷达图像;
这次生成穿墙雷达图像的分辨率较低,将会作为神经网路的输入数据;
仿真产生回波数据时,设置较多的接受机对回波进行接收,然后对接受到的回波数据进行BP成像,生成第二种穿墙雷达图像;
这次生成的穿墙雷达图像分辨率较高,将会作为神经网络训练时的参考图片;
所述步骤4中的训练过程如下:
设计神经网络架构
获取训练样本,同时生成测试集;
在训练过程中,采用均方差作为损失函数,设置学习速率和批大小;
采用Adam方法对所有训练样本进行优化;
直到达到预设训练迭代次数;
完成网络模型的训练;
所述步骤5中的将训练好的模型应用于实测数据:
之前通过仿真的数据已经训练完成了一个神经网络,只需要将实测数据输入到已经训练好的网络模型中;
得到增强后的穿墙雷达图像。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的保护范围当中。
Claims (10)
1.一种基于深度学习的穿墙雷达图像增强方法,其特征在于:包括以下步骤:
步骤1.获取仿真回波数据;
步骤2.对回波数据进行后向投影成像,作为神经网络训练时的输入图像;
步骤3.仿真训练生成参考图片,作为神经网络训练时的参考图片;
步骤4.应用tensorflow工具搭建神经网络对训练数据进行训练,用输入图片和参考图片对神经网络进行训练,并生成网络模型;
步骤5.将训练好的网络模型应用于实测数据。
2.如权利要求1所述的基于深度学习的穿墙雷达图像增强方法,其特征在于:所述步骤1中的获取仿真回波数据的具体过程如下:
按照预设分布设置雷达天线位置;
设置穿墙雷达的发射机和接收机位置;
所述发射机产生的信号如下所示:
s(t)=a(t)exp(j2πfct) (1)
其中,a(t)是发射信号的波形,t是快时间,fc是载波频率;
所述接收机获取的回波信号为:
sr(tm,t)=a(t-tm)exp[j2πfc(t-tm)] (2)
其中,tm可以写成如下所示:
其中,
sr(tm,t)表示第m个接受机收到的回波信号;
tm表示发射信号到达第m个接收机的时间,
c表示发射信号传播速度;
(x0,y0)为目标点的位置;
(xm,ym)是第m个接收机的位置;
(xt,yt)是发射机的位置。
4.如权利要求1所述的基于深度学习的穿墙雷达图像增强方法,其特征在于:所述步骤3中的仿真训练生产参考图片具体过程如下:
仿真产生回波数据时,设置较少的接受机对回波进行接收,然后对接受到的回波数据进行BP成像,生成第一种穿墙雷达图像;
这次生成穿墙雷达图像的分辨率较低,将会作为神经网路的输入数据;
仿真产生回波数据时,设置较多的接受机对回波进行接收,然后对接受到的回波数据进行BP成像,生成第二种穿墙雷达图像;
这次生成的穿墙雷达图像分辨率较高,将会作为神经网络训练时的参考图片。
5.如权利要求1所述的基于深度学习的穿墙雷达图像增强方法,其特征在于:所述步骤4中的训练过程如下:
设计神经网络架构
获取训练样本,同时生成测试集;
在训练过程中,采用均方差作为损失函数,设置学习速率和批大小;
采用Adam方法对所有训练样本进行优化;
直到达到预设训练迭代次数;
完成网络模型的训练。
6.如权利要求1所述的基于深度学习的穿墙雷达图像增强方法,其特征在于:所述步骤5中的将训练好的模型应用于实测数据:
之前通过仿真的数据已经训练完成了一个神经网络,只需要将实测数据输入到已经训练好的网络模型中;
得到增强后的穿墙雷达图像。
7.基于深度学习的穿墙雷达图像增强系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
步骤1.获取仿真回波数据;
步骤2.对回波数据进行后向投影成像,作为神经网络训练时的输入图像;
步骤3.仿真训练生成参考图片,作为神经网络训练时的参考图片;
步骤4.应用tensorflow工具搭建神经网络对训练数据进行训练,用输入图片和参考图片对神经网络进行训练,并生成网络模型;
步骤5.将训练好的网络模型应用于实测数据。
8.如权利要求7所述的基于深度学习的穿墙雷达图像增强系统,其特征在于:所述步骤1中的获取仿真回波数据的具体过程如下:
按照预设分布设置雷达天线位置;
设置穿墙雷达的发射机和接收机位置;
所述发射机产生的信号如下所示:
s(t)=a(t)exp(j2πfct) (1)
其中,a(t)是发射信号的波形,t是快时间,fc是载波频率;
所述接收机获取的回波信号为:
sr(tm,t)=a(t-tm)exp[j2πfc(t-tm)] (2)
其中,tm可以写成如下所示:
其中,
sr(tm,t)表示第m个接受机收到的回波信号;
tm表示发射信号到达第m个接收机的时间,
c表示发射信号传播速度;
(x0,y0)为目标点的位置;
(xm,ym)是第m个接收机的位置;
(xt,yt)是发射机的位置。
10.如权利要求7所述的基于深度学习的穿墙雷达图像增强系统,其特征在于:所述步骤3中的仿真训练生产参考图片具体过程如下:
仿真产生回波数据时,设置较少的接受机对回波进行接收,然后对接受到的回波数据进行BP成像,生成第一种穿墙雷达图像;
这次生成穿墙雷达图像的分辨率较低,将会作为神经网路的输入数据;
仿真产生回波数据时,设置较多的接受机对回波进行接收,然后对接受到的回波数据进行BP成像,生成第二种穿墙雷达图像;
这次生成的穿墙雷达图像分辨率较高,将会作为神经网络训练时的参考图片;
所述步骤4中的训练过程如下:
设计神经网络架构
获取训练样本,同时生成测试集;
在训练过程中,采用均方差作为损失函数,设置学习速率和批大小;
采用Adam方法对所有训练样本进行优化;
直到达到预设训练迭代次数;
完成网络模型的训练;
所述步骤5中的将训练好的模型应用于实测数据:
之前通过仿真的数据已经训练完成了一个神经网络,只需要将实测数据输入到已经训练好的网络模型中;
得到增强后的穿墙雷达图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811496175.0A CN109270525B (zh) | 2018-12-07 | 2018-12-07 | 基于深度学习的穿墙雷达成像方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811496175.0A CN109270525B (zh) | 2018-12-07 | 2018-12-07 | 基于深度学习的穿墙雷达成像方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109270525A CN109270525A (zh) | 2019-01-25 |
CN109270525B true CN109270525B (zh) | 2020-06-30 |
Family
ID=65187447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811496175.0A Active CN109270525B (zh) | 2018-12-07 | 2018-12-07 | 基于深度学习的穿墙雷达成像方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109270525B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11009591B2 (en) * | 2019-02-01 | 2021-05-18 | GM Global Technology Operations LLC | Deep learning for de-aliasing and configuring a radar system |
CN110133645B (zh) * | 2019-04-23 | 2022-03-15 | 南京邮电大学 | 一种基于支持向量机的墙体参数预测方法 |
CN111007496B (zh) * | 2019-11-28 | 2022-11-04 | 成都微址通信技术有限公司 | 基于神经网络关联雷达的穿墙透视方法 |
CN111239731A (zh) * | 2020-01-06 | 2020-06-05 | 南京航空航天大学 | 基于神经网络的合成孔径雷达快速成像方法及装置 |
CN111537996A (zh) * | 2020-06-02 | 2020-08-14 | 西安石油大学 | 一种基于卷积神经网络的穿墙雷达成像方法 |
CN112986950A (zh) * | 2020-12-25 | 2021-06-18 | 南京理工大学 | 基于深度学习的单脉冲激光雷达回波特征提取方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MXPA02009278A (es) * | 2000-03-22 | 2004-09-06 | Hot Shot Radar Inspections Llc | Metodo y sistema para la identificacion de objetos subterraneos. |
US20060018524A1 (en) * | 2004-07-15 | 2006-01-26 | Uc Tech | Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose CT |
CN101858975A (zh) * | 2009-08-14 | 2010-10-13 | 电子科技大学 | 一种基于穿墙雷达成像的目标定位方法 |
CN101697006B (zh) * | 2009-09-18 | 2011-11-16 | 北京航空航天大学 | 基于机载雷达和红外成像传感器数据融合的目标识别方法 |
CN106355151B (zh) * | 2016-08-30 | 2019-10-01 | 电子科技大学 | 一种基于深度置信网络的三维sar图像目标识别方法 |
CN108229404B (zh) * | 2018-01-09 | 2022-03-08 | 东南大学 | 一种基于深度学习的雷达回波信号目标识别方法 |
CN108731736B (zh) * | 2018-06-04 | 2019-06-14 | 山东大学 | 用于桥隧结构病害无损检测诊断的自动爬墙式雷达光电机器人系统 |
-
2018
- 2018-12-07 CN CN201811496175.0A patent/CN109270525B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109270525A (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109270525B (zh) | 基于深度学习的穿墙雷达成像方法及系统 | |
US11486963B2 (en) | Multiple input multiple output (MIMO) target emulation system and method for testing MMWAVE radar sensor | |
CN106021637B (zh) | 互质阵列中基于迭代稀疏重构的doa估计方法 | |
CN109343060B (zh) | 基于深度学习时频分析的isar成像方法及系统 | |
CN112526451B (zh) | 基于麦克风阵列成像的压缩波束形成及系统 | |
US10275707B2 (en) | Systems and methods for training multipath filtering systems | |
CN109633538B (zh) | 非均匀采样系统的最大似然时差估计方法 | |
US10571408B2 (en) | System and method for determining structure of material | |
CN110346794B (zh) | 一种资源优化配置的分布式雷达成像方法 | |
CN110208760B (zh) | 一种基于时域上采样的雷达回波仿真方法 | |
CN109375227B (zh) | 一种解卷积波束形成三维声成像方法 | |
CN108107428B (zh) | 用于mimo阵列的相移偏移成像方法及装置 | |
CN109521401A (zh) | 一种合成孔径成像的快速波束形成方法 | |
WO2018064917A1 (zh) | 基于gpu的人体微波回波模拟方法及系统 | |
CN108181624B (zh) | 一种差分计算成像装置及方法 | |
CN110554393B (zh) | 基于深度学习的高对比度最小方差成像方法 | |
CN116634358A (zh) | 终端定位方法、装置及非易失性存储介质 | |
CN110988869A (zh) | 基于mimo阵列的成像方法及装置 | |
CN113721191B (zh) | 自适应栅格化提升矩阵补全性能的信号源定位方法和系统 | |
CN106291126B (zh) | 基于变采样率的复杂电磁环境时域信号模拟方法 | |
KR101702581B1 (ko) | 레이다 스캔 영상 처리 장치 및 그 처리 방법 | |
US10107900B1 (en) | System for calculating displacement of a sonar array | |
CN116609742B (zh) | 基于实时地图反演sar回波模拟与干扰评估方法及系统 | |
CN113466838B (zh) | 一种迭代补偿的目标辐射噪声数据模拟方法及系统 | |
Qu et al. | Cross validation based distributed greedy sparse recovery for multiview through-the-wall radar imaging |
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 |