CN109901129A - 一种海杂波中目标检测方法及系统 - Google Patents
一种海杂波中目标检测方法及系统 Download PDFInfo
- Publication number
- CN109901129A CN109901129A CN201910166900.6A CN201910166900A CN109901129A CN 109901129 A CN109901129 A CN 109901129A CN 201910166900 A CN201910166900 A CN 201910166900A CN 109901129 A CN109901129 A CN 109901129A
- Authority
- CN
- China
- Prior art keywords
- data set
- residual error
- target
- object detection
- target 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
Abstract
本发明实施例提供了一种海杂波中目标检测方法及系统，方法包括：对接收的雷达回波信号进行时频分析，以提取目标数据集；将目标数据集输入预设的残差神经网络中，输出目标检测结果，所述残差神经网络是根据带有标签的目标和纯背景杂波历史数据集训练得到的。本发明实施例提供的海杂波中目标检测方法及系统，能够根据残差神经网络擅长提取图像的轮廓特征和高泛化性的特点，结合时频分析方法得到的时频二维图进行特征提取，从而实现了对海面目标的检测，检测结果准确率高。
Description
技术领域
本发明实施例涉及信号处理技术领域，尤其涉及一种海杂波中目标检测方法及系统。
背景技术
随着雷达分辨率的提高和需观测目标类型增多，军用和民用领域都对雷达对海探测能力提出了更高的要求。对海雷达探测的目标以复杂海洋背景为掩护，一般具有低可观测性。从检测机理上看，雷达目标检测器分为能量检测器和特征检测器，高分辨率和复杂海况下，海杂波往往偏离假设模型，基于似然比检验的能量检测器难以满足需求。
现有技术中有使用特征检测器将目标检测问题转化为分类问题，判断回波是否属于背景所在的类，再提取出的稳定可分的特征空间形成判决区域。
但传统的特征检测器能够提取的特征维数有限，而且泛化性不够好，一般是针对特定目标类型在某几个指定的特征构成的特征空间进行分类，因而目标检测的准确率不佳。
因此，现在亟需一种海杂波中目标检测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种海杂波中目标检测方法及系统。
第一方面本发明实施例提供一种海杂波中目标检测方法，包括：
对接收的雷达回波信号进行时频分析，以提取目标数据集；
将目标数据集输入预设的残差神经网络中，输出目标检测结果，所述残差神经网络是根据带有标签的目标和纯背景杂波历史数据集训练得到的。
第二方面本发明实施例提供了一种海杂波中目标检测系统，包括：
时频分析模块，用于对接收的雷达回波信号进行时频分析，以提取目标数据集；
目标检测模块，用于将所述目标数据集输入预设的残差神经网络中，输出目标检测结果，所述残差神经网络是根据带有标签的目标和纯背景杂波历史数据集训练得到的。
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海杂波中目标检测方法。
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海杂波中目标检测方法。
本发明实施例提供的海杂波中目标检测方法及系统，能够根据残差神经网络擅长提取图像的轮廓特征和高泛化性的特点，结合时频分析方法得到的时频二维图进行特征提取，从而实现了对海面目标的检测，检测结果准确率高。
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海杂波中目标检测方法流程示意图；
图2是本发明实施例所示的带有快捷连接的前向神经网络示意图；
图3是本发明实施例提供的ResNet维度匹配时的构建块示意图；
图4是本发明实施例提供的ResNet维度不匹配时的构建块示意图；
图5是本发明实施例提供的一种海杂波中目标检测系统结构示意图；
图6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。
目前，现有技术中对海雷达探测的目标检测的准确率较低，针对此问题，图1是本发明实施例提供的一种海杂波中目标检测方法流程示意图，如图1所示，包括：
101、对接收的雷达回波信号进行时频分析，以提取目标数据集；
102、将所述目标数据集输入预设的残差神经网络中，输出目标检测结果，所述残差神经网络是根据带有标签的目标和纯背景杂波历史数据集训练得到的。
具体的，在步骤101中，可以理解的是，海杂波是指在雷达照射下海面的后向散射回波，本发明实施例接收该回波得到雷达回波信号。然后本发明实施例会对该雷达回波信号进行时频分析，时频分析是指分析信号的时域和频域分布，得到时域与频域的联合分布信息，从而清楚地描述了信号频率随时间变化的关系。然后根据时频分析的结果选出本发明实施例所需要的目标数据集。需要说明的是，目标数据集是根据预先构建的残差神经网络所设定的数据类型决定的，根据不同背景下的探测需求选用不同的目标和背景杂波构成数据集。
进一步的，在步骤102中，本发明实施例将得到的目标数据集输入预设的残差神经网络中，根据训练好的残差神经网络输出目标检测结果。可以理解的是，卷积神经网络特征的“级别”可以通过堆叠层的深度来丰富，开始时，准确率会随着网络层数增加而增加，随着网络深度的增加，准确率达到饱和然后迅速下降，便产生了退化问题，即网络层数增加引入了更高的训练误差。而本发明实施例所使用的残差神经网络ResNet通过引入深度残差学习框架解决了该退化问题。图2是本发明实施例所示的带有快捷连接的前向神经网络示意图，如图2所示，ResNet可以让堆叠的非线性层拟合的残差映射，通过如图2所示的带有快捷连接的前向神经网络来实现。快捷连接是那些跳过一层或更多层的连接，既不增加额外的参数也不增加计算复杂度，整个网络仍然可以由带有反向传播进行端到端的训练。那么通过该ResNet能够充分提取目标与杂波背景的时频域特征，从而将目标和杂波分类，实现对目标的准确监测。
本发明实施例提供的海杂波中目标检测方法，能够根据残差神经网络擅长提取图像的轮廓特征和高泛化性的特点，结合时频分析方法得到的时频二维图进行特征提取，从而实现了对海面目标的检测，检测结果准确率高。
在上述实施例的基础上，所述对接收的雷达回波信号进行时频分析，以提取目标数据集，包括：
对所述雷达回波信号进行短时傅里叶变换、Wigner-Ville分布、平滑伪WVD以及分数阶傅里叶变换的一种或多种分析，以提取所述目标数据集。
由上述实施例的内容可知，本发明实施例首先需要对接收到的雷达回波信号进行时频分析，那么本发明实施例提供的时频方式主要有如下四种方式。
第一种为短时傅里叶变换(STFT)，即按时间窗的滑动作傅里叶变换，从而得到信号的二维时频分布，可用于描述信号在FT基下的稀疏特性。公式为：
式中g(t)为窗函数，受不确定原理的制约，其时间分辨率和频率分辨率不能同时得到优化，限制了时频描述的能力。
第二种为Wigner-Ville分布(WVD)，WVD描述非平稳信号幅频特性随时间的变化情况，具有理想的时频聚集性，能够有效地解决短时傅里叶变换存在的分辨率低的问题，WVD可用于描述信号在线性调频基下的稀疏特性。公式为：
由于互相关项的影响，WVD出现交叉项，在多目标存在的情况下，交叉项将严重影响目标的检测。
第三种是平滑伪WVD(Smoothed Pseudo WVD,SPWVD)，参考STFT的基本思想，在WVD基础上施加的窗函数并进行平滑处理，可有效降低交叉项的影响。SPWVD可用于分析高阶调频信号的稀疏特性。公式为：
第四种是分数阶傅里叶变换(FRFT)，即介于时域和频域之间的任意分数域表征，其优点是可判断出运动目标的运动信息，同时对非平稳信号进行恰当的描述，取得了优于其它时频分布方法的效果。公式为：
式中α为旋转角，FRFT无交叉项的干扰，是分析信号运动特征的有力工具。
本发明实施例可以使用上述时频分析的任意多种组合方式进行分析，可以理解的是，采用不同的时频分析方式所得到的目标检测效果不同，优选的，本发明实施例采用FRFT的时频分析方式目标检测效果最佳。
在上述实施例的基础上，在所述对接收的雷达回波信号进行时频分析之前，所述方法还包括：
调整所述雷达回波信号的极化方式。
可以理解的是，不同极化方式下得到的海杂波与目标时频二维图纹理特征有微弱的差异，目标在四种极化方式下的散射回波的离散度都较小，而杂波在HH极化下的能量比VV极化下更为集中且波动性较小，这是由于HH极化方式下运动速度离散程度较大的Burst散射和Whitecap散射占比大，而VV极化方式下主要成分是Bragg散射，其运动速度离散程度小，两种交叉极化方式下目标和海杂波的时频特征差异相同，略大于VV极化和HH极化。那么在进行时频分析之前可以调整雷达回波信号的极化方式，从而取得最佳的目标检测效果。
具体的，本发明实施例分别选取四种极化方式下相同海况下，信杂比为6.5dB的目标数据与不含目标的杂波加噪声数据按同样方式进行训练，得到训练结果如表1所示。
表1四种极化分析方式下的损失和准确率
如表1所示，HV/VH极化方式下收敛速度快，分类准确率高，具有最佳的检测性能，HH/VV方式次之。但是各个极化方式对分类准确率影响很小，仅在0.1％的数量级上。根据实际需要调整合适的极化方式能够改进目标检测效果。
在上述实施例的基础上，在所述将目标数据集输入预设的残差神经网络中，输出目标检测结果之后，所述方法还包括：
根据所述目标检测结果，更新所述残差神经网络的网络结构参数。
可以理解的是，不同的时频分析方式和极化方式决定了输入ResNet的两类数据的差异程度，而ResNet本身的网络结构参数对训练结果也有一定的影响。ResNet包含的主要网络结构参数有每层网路卷积核的尺寸、卷积核的数目、还有学习率(learning_rate)，权重衰减(weight_decay)、批尺寸(batchsize)等等。那么为了取得最佳的目标检测效果，本发明实施例会更新残差神经网络的网络结构参数，从而寻找最佳的网络结构参数选择。
具体的，本发明实施例进行了仿真实验，在每次训练的权值改变幅度，权重衰减(weight_decay)用来抑制无用权值，权重衰减主要为了加入正则项，防止过拟合。优选的，本发明实施例所提供的权重衰减不能设置过小，否则导致过拟合，也不能过大，否则会导致损失函数值下降异常，应设置在学习率的1/10的数量级上。而学习率的设置要根据实际问题考虑，如果设置过大，损失会很快下降到稳定值，但无法继续下降。归一化的情况下应当将学习率设置在0.001以下甚至更小，否则会导致异常震荡，设置为0.01时，归一化的数据会产生异常震荡。在批尺寸的选取上，取较大的批尺寸可以降低训练轮数，得到更平滑的曲线，但是由于硬件的限制，会增加每次训练的时长。
在上述实施例的基础上，在将目标数据集输入训练后的残差神经网络中，输出目标检测结果，所述方法还包括：
对所述目标数据集进行数据预处理，所述预处理包括添加便签、压缩、裁剪、旋转以及归一化的一种或多种。
可以理解的是，残差神经网络所需的数据格式与得到的目标数据集格式可能存在一定差异，本发明实施例通过数据预处理可以尽量消除此差异，使得目标检测效果更佳。其中，数据预处理主要包括添加便签、压缩、裁剪、旋转以及归一化的一种或多种。具体预处理选择可根据实际情况进行选取。
在上述实施例的基础上，所述预设的残差神经网络的层数为34层。
可以理解的是，ResNet特有的残差学习结合快捷恒等映射的检测机理，使得其有效解决了梯度弥散问题，深度可以达到100层以上，但层数过深也会加大计算量，并且不会带来过高的收益。
优选的，本发明实施例采用的是34层的常用ResNet网络结构ResNet34，图3是本发明实施例提供的ResNet维度匹配时的构建块示意图，图4是本发明实施例提供的ResNet维度不匹配时的构建块示意图，如图3所示，通过实线连接的为通过公式构建的F(x)和x维度匹配的构建块，如图4所示，通过虚线连接的是通过公式y＝F(x,Wi)+WSx构建的是维度不匹配时的构建块。
式中x,y是输入与输出向量，函数F(x,Wi)表示要学习的残差映射，σ表示ReLU激活函数。此式中的x和F维度必须相等，如果不是这种情况(例如，当更改输入/输出通道时)，可以通过快捷连接执行线性投影WS来匹配维度。
为了验证本发明实施例提供的方法对海杂波中目标检测准确率，本发明实施例进行了仿真与对比。仿真数据采用了1998年由加拿大McMaster大学利用X波段的IPIX雷达开展对海探测得到的数据集，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。其中数据集中包含HH、VV、HV、VV四种极化方式，信杂比(SCR)约为0～9dB。
进一步的，分别按四种时频分析方式构建数据集，采样长度为1024个序列点，抽样段数均为512(对应FRFT的不同变换阶数)，其中STFT、SPWVD采用的窗均为127点的汉明窗。通过归一化、压缩、裁剪等数据预处理，构成每个大小为224*224的样本组成的每类数据量为1450的样本集，输入相同参数的ResNet34进行训练，通过分类准确率等指标选择最佳时频分析方式。
仿真结果如表2所示。
表2四种时频分析方式下的损失和准确率
如表2所示，仿真结果表明，采用FRFT的方式收敛速度最快，分类准确率最高，具有最佳的检测性能，SPWVD次之，STFT最差。
进一步的，本发明实施例按照相同的观测时间等参数构建数据集，采用信杂比为3.5dB的数据使用传统的支持向量机(SVM)算法和简单的卷积神经网络LeNet-5按统计指标进行对比，对比结果如表3所示。
表3与传统分类方法的性能对比
如表3所示，SVM和LeNet-5方法分类的效果的准确率并不好，本发明实施例提出的检测方法在准确率上有着较大的优势，随着数据样本的序列点增加，超过4096点时，可以利用的目标运动信息和海杂波纹理特征增多，3种检测方法的准确率的差距逐渐接近，优势在10％以内。本发明实施例提出的目标检测方法在观测时间短、杂噪比低的情况下，和SVM、LeNet相比，分类准确率得到很大改善。
图5是本发明实施例提供的一种海杂波中目标检测系统结构示意图，如图5所示，包括：时频分析模块501以及目标检测模块502，其中：
时频分析模块501用于对接收的雷达回波信号进行时频分析，以提取目标数据集；
目标检测模块502用于将所述目标数据集输入预设的残差神经网络中，输出目标检测结果，所述残差神经网络是根据带有标签的目标和纯背景杂波历史数据集训练得到的。
在上述实施例的基础上，所述对时频分析模块具体用于：
对所述雷达回波信号进行短时傅里叶变换、Wigner-Ville分布、平滑伪WVD以及分数阶傅里叶变换的一种或多种分析，以提取所述目标数据集。
在上述实施例的基础上，所述系统还包括：
极化方式调整模块，用于调整所述雷达回波信号的极化方式。
在上述实施例的基础上，所述系统还包括：
网络结构参数调整模块，用于根据所述目标检测结果，更新所述残差神经网络的网络结构参数。
在上述实施例的基础上，所述系统还包括：
预处理模块，用于对所述目标数据集进行数据预处理，所述预处理包括添加便签、压缩、裁剪、旋转以及归一化的一种或多种。
在上述实施例的基础上，所述预设的残差神经网络的层数为34层。
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6是本发明实施例提供的电子设备的结构框图，参照图6，所述电子设备，包括：处理器(processor)601、通信接口(CommunicationsInterface)602、存储器(memory)603和总线604，其中，处理器601，通信接口602，存储器603通过总线604完成相互间的通信。处理器601可以调用存储器603中的逻辑指令，以执行如下方法：对接收的雷达回波信号进行时频分析，以提取目标数据集；将所述目标数据集输入预设的残差神经网络中，输出目标检测结果，所述残差神经网络是根据带有标签的目标和纯背景杂波历史数据集训练得到的。
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：对接收的雷达回波信号进行时频分析，以提取目标数据集；将所述目标数据集输入预设的残差神经网络中，输出目标检测结果，所述残差神经网络是根据带有标签的目标和纯背景杂波历史数据集训练得到的。
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：对接收的雷达回波信号进行时频分析，以提取目标数据集；将所述目标数据集输入预设的残差神经网络中，输出目标检测结果，所述残差神经网络是根据带有标签的目标和纯背景杂波历史数据集训练得到的。
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)执行每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 (9)
1.一种海杂波中目标检测方法，其特征在于，包括：
对接收的雷达回波信号进行时频分析，以提取目标数据集；
将所述目标数据集输入预设的残差神经网络中，输出目标检测结果，所述残差神经网络是根据带有标签的目标和纯背景杂波历史数据集训练得到的。
2.根据权利要求1所述的方法，其特征在于，所述对接收的雷达回波信号进行时频分析，以提取目标数据集，包括：
对所述雷达回波信号进行短时傅里叶变换、Wigner-Ville分布、平滑伪WVD以及分数阶傅里叶变换的一种或多种分析，以提取所述目标数据集。
3.根据权利要求2所述的方法，其特征在于，在所述对接收的雷达回波信号进行时频分析之前，所述方法还包括：
调整所述雷达回波信号的极化方式。
4.根据权利要求2所述的方法，其特征在于，在所述将目标数据集输入预设的残差神经网络中，输出目标检测结果之后，所述方法还包括：
根据所述目标检测结果，更新所述残差神经网络的网络结构参数。
5.根据权利要求1所述的方法，其特征在于，在将目标数据集输入训练后的残差神经网络中，输出目标检测结果，所述方法还包括：
对所述目标数据集进行数据预处理，所述预处理包括添加便签、压缩、裁剪、旋转以及归一化的一种或多种。
6.根据权利要求1-5任一所述的方法，其特征在于，所述预设的残差神经网络的层数为34层。
7.一种海杂波中目标检测系统，其特征在于，包括：
时频分析模块，用于对接收的雷达回波信号进行时频分析，以提取目标数据集；
目标检测模块，用于将所述目标数据集输入预设的残差神经网络中，输出目标检测结果，所述残差神经网络是根据带有标签的目标和纯背景杂波历史数据集训练得到的。
8.一种电子设备，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6任一所述的方法。
9.一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6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910166900.6A CN109901129A (zh) | 2019-03-06 | 2019-03-06 | 一种海杂波中目标检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910166900.6A CN109901129A (zh) | 2019-03-06 | 2019-03-06 | 一种海杂波中目标检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109901129A true CN109901129A (zh) | 2019-06-18 |
Family
ID=66946587
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910166900.6A Pending CN109901129A (zh) | 2019-03-06 | 2019-03-06 | 一种海杂波中目标检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109901129A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110441752A (zh) * | 2019-07-30 | 2019-11-12 | 中国人民解放军海军航空大学 | 海上目标检测方法及装置 |
| CN110865352A (zh) * | 2019-12-05 | 2020-03-06 | 中国船舶重工集团公司第七二四研究所 | 一种基于纹理相关性的块自适应海杂波抑制方法 |
| CN111624571A (zh) * | 2020-05-19 | 2020-09-04 | 哈尔滨工业大学 | 基于自适应紧框架的非均匀Weibull背景统计分布参数估计方法 |
| CN111880158A (zh) * | 2020-08-06 | 2020-11-03 | 中国人民解放军海军航空大学 | 一种基于卷积神经网络序列分类的雷达目标检测方法及系统 |
| CN111880157A (zh) * | 2020-08-06 | 2020-11-03 | 中国人民解放军海军航空大学 | 一种雷达图像中目标的检测方法及系统 |
| CN112462355A (zh) * | 2020-11-11 | 2021-03-09 | 西北工业大学 | 一种基于时频三特征提取的对海目标智能检测方法 |
| CN112834993A (zh) * | 2020-12-31 | 2021-05-25 | 中国地质大学（武汉） | 一种用于ipix雷达信号目标检测的lmsct时频分析方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416378A (zh) * | 2018-02-28 | 2018-08-17 | 电子科技大学 | 一种基于深度神经网络的大场景sar目标识别方法 |
| CN108872988A (zh) * | 2018-07-12 | 2018-11-23 | 南京航空航天大学 | 一种基于卷积神经网络的逆合成孔径雷达成像方法 |
| CN109284704A (zh) * | 2018-09-07 | 2019-01-29 | 中国电子科技集团公司第三十八研究所 | 基于cnn的复杂背景sar车辆目标检测方法 |
| CN109375186A (zh) * | 2018-11-22 | 2019-02-22 | 中国人民解放军海军航空大学 | 基于深度残差多尺度一维卷积神经网络的雷达目标识别方法 |
| CN109389058A (zh) * | 2018-09-25 | 2019-02-26 | 中国人民解放军海军航空大学 | 海杂波与噪声信号分类方法及系统 |
| CN109407067A (zh) * | 2018-10-13 | 2019-03-01 | 中国人民解放军海军航空大学 | 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法 |
-
2019
- 2019-03-06 CN CN201910166900.6A patent/CN109901129A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416378A (zh) * | 2018-02-28 | 2018-08-17 | 电子科技大学 | 一种基于深度神经网络的大场景sar目标识别方法 |
| CN108872988A (zh) * | 2018-07-12 | 2018-11-23 | 南京航空航天大学 | 一种基于卷积神经网络的逆合成孔径雷达成像方法 |
| CN109284704A (zh) * | 2018-09-07 | 2019-01-29 | 中国电子科技集团公司第三十八研究所 | 基于cnn的复杂背景sar车辆目标检测方法 |
| CN109389058A (zh) * | 2018-09-25 | 2019-02-26 | 中国人民解放军海军航空大学 | 海杂波与噪声信号分类方法及系统 |
| CN109407067A (zh) * | 2018-10-13 | 2019-03-01 | 中国人民解放军海军航空大学 | 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法 |
| CN109375186A (zh) * | 2018-11-22 | 2019-02-22 | 中国人民解放军海军航空大学 | 基于深度残差多尺度一维卷积神经网络的雷达目标识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王小非: "《海上网络战》", 30 November 2006 * |
| 董建文: ""基于多极化联合时频分析的海杂波微弱目标检测方法"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110441752A (zh) * | 2019-07-30 | 2019-11-12 | 中国人民解放军海军航空大学 | 海上目标检测方法及装置 |
| CN110865352A (zh) * | 2019-12-05 | 2020-03-06 | 中国船舶重工集团公司第七二四研究所 | 一种基于纹理相关性的块自适应海杂波抑制方法 |
| CN111624571A (zh) * | 2020-05-19 | 2020-09-04 | 哈尔滨工业大学 | 基于自适应紧框架的非均匀Weibull背景统计分布参数估计方法 |
| CN111624571B (zh) * | 2020-05-19 | 2022-10-28 | 哈尔滨工业大学 | 基于自适应紧框架的非均匀Weibull背景统计分布参数估计方法 |
| CN111880158A (zh) * | 2020-08-06 | 2020-11-03 | 中国人民解放军海军航空大学 | 一种基于卷积神经网络序列分类的雷达目标检测方法及系统 |
| CN111880157A (zh) * | 2020-08-06 | 2020-11-03 | 中国人民解放军海军航空大学 | 一种雷达图像中目标的检测方法及系统 |
| CN111880157B (zh) * | 2020-08-06 | 2023-08-22 | 中国人民解放军海军航空大学 | 一种雷达图像中目标的检测方法及系统 |
| CN112462355A (zh) * | 2020-11-11 | 2021-03-09 | 西北工业大学 | 一种基于时频三特征提取的对海目标智能检测方法 |
| CN112462355B (zh) * | 2020-11-11 | 2023-07-14 | 西北工业大学 | 一种基于时频三特征提取的对海目标智能检测方法 |
| CN112834993A (zh) * | 2020-12-31 | 2021-05-25 | 中国地质大学（武汉） | 一种用于ipix雷达信号目标检测的lmsct时频分析方法 |
| CN112834993B (zh) * | 2020-12-31 | 2023-06-30 | 中国地质大学（武汉） | 用于ipix雷达信号目标检测的lmsct时频分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109901129A (zh) | 一种海杂波中目标检测方法及系统 | |
| Xu et al. | Target-aware recurrent attentional network for radar HRRP target recognition | |
| Du et al. | Noise robust radar HRRP target recognition based on scatterer matching algorithm | |
| Du et al. | Noise robust radar HRRP target recognition based on multitask factor analysis with small training data size | |
| CN109389058A (zh) | 海杂波与噪声信号分类方法及系统 | |
| CN114359738B (zh) | 一种跨场景鲁棒的室内人数无线检测方法及系统 | |
| Cain et al. | Convolutional neural networks for radar emitter classification | |
| CN107315996A (zh) | 一种基于imf能量熵与pca的水下船舰噪声特征提取方法 | |
| Li et al. | Radar signal recognition algorithm based on entropy theory | |
| CN109934101A (zh) | 基于卷积神经网络的雷达杂波识别方法 | |
| Wei et al. | Intra-pulse modulation radar signal recognition based on Squeeze-and-Excitation networks | |
| Tang et al. | Jamming recognition based on AC-VAEGAN | |
| Luo et al. | Few-shot radar jamming recognition network via time-frequency self-attention and global knowledge distillation | |
| Orduyilmaz et al. | Machine learning-based radar waveform classification for cognitive EW | |
| Zha et al. | LT-SEI: Long-tailed specific emitter identification based on decoupled representation learning in low-resource scenarios | |
| CN114117912A (zh) | 一种数据模型双驱动下的海杂波建模与抑制方法 | |
| Zhu et al. | Radar HRRP group-target recognition based on combined methods in the backgroud of sea clutter | |
| Liu et al. | Multi-view radar target recognition based on multitask compressive sensing | |
| Xie et al. | Data augmentation and deep neural network classification based on ship radiated noise | |
| CN109766899A (zh) | 物理特征提取和svm的sar图像车辆目标识别方法 | |
| Yuan | A time-frequency feature fusion algorithm based on neural network for HRRP | |
| Zhu et al. | Target classification by conventional radar based on bispectrum and deep CNN | |
| Feng et al. | Advances in application of game brain-computer Interface based on ElectroEncephaloGram | |
| Xiang et al. | Semi-supervised image classification via attention mechanism and generative adversarial network | |
| Cai et al. | A reassigned bilinear transformation and Gaussian kernel function-based approach for detecting weak targets in sea clutter |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190618 |