CN110133645B - 一种基于支持向量机的墙体参数预测方法 - Google Patents
一种基于支持向量机的墙体参数预测方法 Download PDFInfo
- Publication number
- CN110133645B CN110133645B CN201910330929.3A CN201910330929A CN110133645B CN 110133645 B CN110133645 B CN 110133645B CN 201910330929 A CN201910330929 A CN 201910330929A CN 110133645 B CN110133645 B CN 110133645B
- Authority
- CN
- China
- Prior art keywords
- wall
- echo
- parameters
- regression model
- training
- 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
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Electromagnetism (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于支持向量机的墙体参数预测方法,首先通过仿真收集墙体参数的回波数据,提取出前墙回波与后墙回波的最大幅值与其对应的时刻;然后利用支持向量机(SVM)对训练数据进行训练,建立墙体参数各自的回归模型;最后对未知墙体参数的样本进行预测。本发明能精确地预测电导率,对有目标情况,目标离墙体越远,电导率的预测精度越高。能够高效、精准且高抗干扰性的预测出墙体的参数(介电常数、厚度和墙体电导率),解决穿墙雷达成像中墙体参数未知的困扰。
Description
技术领域
本发明涉及一种墙体参数预测方法,属于穿墙雷达成像技术、机器学习技术、墙体参数估计技术领域。
背景技术
超宽带穿墙雷达具有穿透能力强,距离向分辨率高等优点。结合成像算法能够有效地对障碍物后方的目标进行定位、追踪以及成像。近年来,无论是军事上还是民用上,都投入了大量的研究。
现有的大量成像算法都是通过研究接收信号进行的,接收信号是发射信号经过墙体的折射、透射、目标的散射等形成的。墙体参数(介电常数、厚度、电导率等)是影响接收信号的关键因素之一。若要得到高质量的成像质量,必须知道精确的墙体参数。目前很多成像算法都是建立在已知墙体参数的基础上,但在实际应用中,墙体参数一般都是未知的。
针对这一情况,已有研究者提出了估计墙体参数的方法。
如基于电磁波透射系数的墙体参数估计方法。该方法通过在墙体两侧分布放置发射机与接收机,利用信号时延与幅度衰减计算出墙体参数,但是该方法只能在实验室中进行;通过调整阵列结构或阵列到墙体的距离去预测墙体参数是利用天线阵列结构的改变确定墙体参数与目标位置关系,从而确定墙体的参数,这种方法需要多次实验,实现起来较麻烦;图像自聚焦技术是通过检测不同墙体参数组合下的成像质量,需要对目标进行多次成像,预测效率较低;利用墙体回波信息推算反射系数进而确定墙体参数易受到墙体结构以及噪声的影响,计算结果不稳定。
此外,也已有研究者利用支持向量机估计墙体参数。
文献“Xi Chen,Weidong Chen.Wall parameters estimation based on supportvector regression for through wall radar sensing[J].2015.”中分三步来估计墙体参数,但是其中利用后墙反射波的波幅训练回归函数,后墙反射波波幅易受墙内目标的影响,最终导致墙体厚度预测的准确率下降。且该文献只预测了介电常数和厚度,并没有预测电导率。
因此,在墙参预测方面能够找到一种预测精度高、效率快、受墙后目标影响较小的方法具有重要的应用价值。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种效率高,精度高且不易受墙体后方目标影响的估计墙体参数(介电常数、厚度及墙体电导率)的基于支持向量机的墙体参数预测方法。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于支持向量机的墙体参数预测方法,包括以下步骤:
步骤一、天线设置步骤:在墙体的同侧水平放置发射天线与接收天线,发射天线采用高斯调制脉冲波形向墙体投射。
步骤二、仿真采样步骤:利用基于时域有限差分法的电磁仿真软件Xfdtd进行仿真,设置一组用于采样的墙体参数,利用接收天线接收回波信号,收集不同墙体参数下的回波数据,保存墙体参数与对应的回波数据作为训练样本。
步骤三、特征值提取步骤:回波信号中能量占比最大的是直达波、前墙回波、后墙回波,有目标存在的情况下还有目标的散射回波,其中,提取的特征信息包括前墙回波信号与后墙回波信号的最大幅值以及对应的时刻,记作(A1,t1,A2,t2)。A1表示前墙回波信号的最大幅值,t1表示前墙回波信号的最大幅值对应的时刻,A2表示后墙回波信号的最大幅值,t2表示后墙回波信号的最大幅值对应的时刻。
步骤四、回归模型训练步骤:根据步骤三所提取的特征信息,利用支持向量机SVM进行训练,生成回归模型。其中,利用仅受介电常数影响的前墙回波信号的最大幅值A1去训练预测介电常数回归模型。利用介电常数与对应的两墙面回波的时间差(t2-t1)训练预测墙体厚度回归模型。利用特征信息(A1,t1,A2,t2)训练预测墙体电导率回归模型。
步骤五、参数寻优步骤:利用改进的网格搜索法选择支持向量机SVM中最优的惩罚参数C和RBF核函数中的参数r,根据这组最优的参数组合训练出最优回归模型。
步骤六、未知墙体参数预测步骤:在未知墙体的同侧水平放置发射天线与接收天线,发射天线采用高斯调制脉冲波形向墙体投射,利用接收天线收集两组以上未知墙体参数得到接收信号,保存未知墙体参数与对应的回波数据作为测试数据。利用步骤五得到的最优回归模型对测试数据进行预测,从而预测出未知墙体参数。
优选的:步骤三中接收天线接收信号在时间上的前三个回波分别来自直达波、前墙回波和后墙回波,接收机接收信号Z(t)为:
其中,ys(t)、yf(t)、yr(t)分别是直达波回波信号、前墙回波信号及后墙回波信号,yp(t)
是第p个目标的散射波,P表示目标个数,n(t)表示加性高斯噪声。
优选的:步骤四中介电常数回归模型的训练数据:{εl,A1l}。
墙体厚度回归模型的训练数据:{dl,(ε1l,t2l-t1l)}。
墙体电导率回归模型的训练数据:{σl,(A1l,t1l,A2l,t2l)}。
其中,εl、dl、σl对应于墙体的介电常数、厚度与电导率,l表示第几个样本。
优选的:步骤五中RBF核函数:K(xi,yj)=exp(-r||xi-yl||2),xi表示第i个支持向量,yj表示第j个输入训练样本,r表示核参数。
优选的:步骤六中对未知墙体进行预测时,先是通过步骤三提取出特征信息,再利用提取的前墙回波最大波幅结合介电常数的回归模型预测出其介电常数。将预测的介电常数与对应的时间差代入预测墙体厚度的回归模型预测出其厚度。预测墙体电导率时直接将四个特征信息代入训练好的预测电导率的模型中从而得到其电导率。
本发明相比现有技术,具有以下有益效果:
1.提高了穿墙雷达成像的成像质量,将墙体参数预估与机器学习相结合,利用两者的优势降低了穿墙成像时墙体存在的影响,提高了预测精度。
2.提高了实时性,利用支持向量机预测墙体参数耗时很短,收集墙体回波数后提取特征数据,将特征数据代入训练好的回归模型就能得到墙体的各项参数。
3.适用性强,受空间制约较小。
4.准确率较高,能够很好的预测墙体的各项参数,预测墙体介电常数与厚度几乎不受墙体后方目标存在的影响。
附图说明
图1为本发明的仿真模型及信号穿墙传播示意图
图2为调制高斯脉冲信号
图3为接收机接收波形分解示意图
图4为接收信号随介电常数变化而变化的示意图
图5为接收信号随墙体厚度变化而变化的示意图
图6为接收信号随墙体电导率变化而变化的示意图
图7为介电常数的预测结果与真实结果对比
图8为墙体厚度的预测结果与真实结果对比
图9为墙体电导率预测结果与真实结果对比
图10为墙体后方1cm处存在散射体时墙体介电常数预测结果
图11为墙体后方1cm处存在散射体时墙体厚度的预测结果
图12为墙后散射体与墙体间距离的变化对预测墙体电导率的影响
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种基于支持向量机的墙体参数预测方法,如图1所示,包括以下步骤:
步骤一、天线设置步骤:在墙体的同侧水平放置发射天线与接收天线,发射天线采用高斯调制脉冲波形向墙体投射。
步骤二、仿真采样步骤:利用基于时域有限差分法的电磁仿真软件Xfdtd进行仿真,设置一组用于采样的墙体参数,利用接收天线接收回波信号,收集不同墙体参数下的回波数据,保存墙体参数与对应的回波数据作为训练样本。
步骤三、特征值提取步骤:回波信号中能量占比最大的是直达波、前墙回波、后墙回波,有目标存在的情况下还有目标的散射回波,其中,提取的特征信息包括前墙回波信号与后墙回波信号的最大幅值以及对应的时刻,记作(A1,t1,A2,t2)。A1表示前墙回波信号的最大幅值,t1表示前墙回波信号的最大幅值对应的时刻,A2表示后墙回波信号的最大幅值,t2表示后墙回波信号的最大幅值对应的时刻。对墙体回波信号进行特征提取,以获得墙体回波的各个特征值构成的特征空间的过程为:将收集的回波信号导入matlab,提取出前墙回波与后墙回波的最大幅值以及对应的时刻作为特征值。
接收天线接收信号在时间上的前三个回波分别来自直达波、前墙回波和后墙回波,把它们分别记为ys(t),yf(t),yr(t),那么雷达的接收天线接收信号可以被表示为:
其中,ys(t)、yf(t)、yr(t)分别是直达波回波信号、前墙回波信号及后墙回波信号,yp(t)是第p个目标的散射波,P表示目标个数,n(t)表示加性高斯噪声。所提取的特征信息(A1,t1,A2,t2,)分别是yf(t)与yr(t)的最大波幅及对应的时刻,在天线各项参数都不变的情况下A1仅受墙体介电常数的影响;两墙面回波间的时间差(t2-t1)受到墙体介电常数与厚度的影响;A2受墙体介电常数、厚度与电导率三者的影响
步骤四、回归模型训练步骤:根据步骤三所提取的特征信息,利用支持向量机SVM进行训练,生成回归模型。其中,对应墙体的三个参数,需要训练出三个回归模型。利用仅受介电常数影响的前墙回波信号的最大幅值A1去训练预测介电常数回归模型。利用介电常数与对应的两墙面回波的时间差(t2-t1)训练预测墙体厚度回归模型。利用特征信息(A1,t1,A2,t2)训练预测墙体电导率回归模型。
根据步骤三所获得的回波信号的特征值利用支持向量机进行训练,生成回归模型的具体过程为:
1):各个墙体参数回归模型训练时选用的特征信息有所不同:
介电常数回归模型训练数据:{εl,A1l};
墙体厚度回归模型训练数据:{dl,(ε1l,t2l-t1l)};
墙体电导率回归模型训练数据:{σl,(A1l,t1l,A2l,t2l)};
其中εl、dl、σl对应于墙体的介电常数、厚度与电导率,l表示第几个样本。A1、t1、A2、t2、对应于墙体回波信号的前墙回波与后墙回波的最大幅值及其时刻。
(2):选用支持向量机SVM回归模型进行训练,核函数选用RBF核函数,K(xi,yj)=exp(-r||xi-yj||2);其中xi表示第i个支持向量,yj表示第j个输入训练样本,r表示核参数。
步骤五、参数寻优步骤:利用改进的网格搜索法选择SVM中最优的惩罚参数C和RBF核函数中的参数r,根据这组最优的参数组合训练出最优回归模型。
步骤六、未知墙体参数预测步骤:在未知墙体的同侧水平放置发射天线与接收天线,发射天线采用高斯调制脉冲波形向墙体投射,利用接收天线收集若干组墙体参数(包括有目标和无目标情况),得到接收信号,保存未知墙体参数与对应的回波数据作为测试数据。利用步骤五得到的最优回归模型对测试数据进行预测,从而预测出未知墙体参数。对未知墙体进行预测时,先是提取未知墙体参数的回波信号并通过步骤三提取其特征值,再利用提取的前墙回波最大波幅结合介电常数的回归模型预测出其介电常数。将预测的介电常数与对应的时间差代入预测墙体厚度的回归模型预测出其厚度。预测墙体电导率时直接将四个特征信息代入训练好的预测电导率的模型中从而得到其电导率。后墙反射波易受到墙后散射体目标的影响,这样会导致电导率预测结果准确率较低,这里对散射目标的位置进行变化,确认对预测电导率的影响。
实例
基于支持向量机预测墙体参数的具体实施方式如下:
步骤一:天线设置步骤
如图1所示,发射天线与接收天线相距75cm平行放置于墙体前距离h为50cm处,墙体厚度D,发射天线采用调制高斯脉冲信号(图2),脉冲宽度为1.05ns,中心频率1.5GHz,该信号穿透力强,距离向分辨率高。
步骤二:仿真采样步骤
利用Xfdtd电磁仿真软件搭建好模型,设置墙体的各项参数(介电常数ε,墙体厚度d,墙体电导率σ)变化如下:
εr=3+nΔε,n=0,1,...20,Δε=0.2
dr=10+mΔd,m=0,1,...10,Δd=2
σr=0.002+kΔσ,k=0,1,...4,Δσ=0.002
共计1155组训练样本,仿真收集其接收天线接收的回波数据。
步骤三:特征值提取步骤
接收机接收的回波数据能量占较大的主要是:直达波、前墙回波及后墙回波(图3)。在天线各项参数都不变的情况下,受墙体各参数影响的主要是前墙回波与后墙回波,将步骤2中得到的1155组回波数据导入matlab中,通过matlab提取回波数据各个峰值,保存峰值与对应的时刻,对提取的峰值再进行一次峰值提取,所得到的前三个峰值与对应的时刻即为直达波、前墙反射波与后墙反射波的最大幅值与其时刻。这里只需提取前墙回波与后墙回波的数据,也就是图3中(A1,t1,A2,t2,)。
步骤四:回归模型训练
如图4、5、6所示,步骤三提取的特征信息中A1仅随墙体介电常数的变化而变化;前墙回波与后墙回波间的时间差(t2-t1)与墙体的介电常数与厚度两者相关;后墙回波的最大幅值A2受墙体介电常数、墙体厚度与墙体电导率三者共同影响。对墙体的三个参数利用支持向量机各自训练一个回归模型,所使用的特征信息各不相同。具体如下:
介电常数回归模型训练数据:{εl,A1l},l=1,2,…,1155.
墙体厚度回归模型训练数据:{dl,(ε1l,t2l-t1l)},l=1,2,…,1155.
墙体电导率回归模型训练数据:{σl,(A1l,t2l-t1l,A2l)},l=1,2,…,1155.
步骤五:参数寻优步骤
支持向量机中惩罚参数C与RBF核函数中的参数r会直接影响到回归模型预测结果的好坏,将步骤四中训练数据分别利用改进好的网格搜索法寻找出适合各自模型的最好的参数C与r,得到预测效果最优的SVM回归模型。
步骤六:未知墙体参数预测
步骤6-1:对墙体后方无目标的墙体参数进行预测
同样使用Xfdtd仿真软件进行仿真提取数据,模型不变,为了实现对未知墙参的预测,必须避开用于预测的数据与训练数据相同的可能性,这里墙体参数设置的与训练数据完全不同,具体采样如下:
εr=3.1+n′Δε,n′=0,1,...19,Δε=0.2
dr=11+m′Δd,m′=0,1,...9,Δd=2
σr=0.001+k′Δσ,k′=0,1,...4,Δσ=0.002
仿真得到这组用于测试的回波数据,再通过步骤三提取其特诊信息(A1’,t1’,A2’,t2’,)。需要说明的是,对未知墙体参数进行预测时,是先利用提取的A1’也就是前墙回波的最大幅值代入介电常数回归模型预测得到墙体的介电常数;再将预测得到的介电常数与所提取的(t2’-t1’)相结合代入墙体厚度的回归模型得到墙体的厚度预测结果;预测墙体的电导率是将提取的(A1’,t1’,A2’,t2’,)变为(A1’,t2’-t1’,A2’)代入电导率的回归模型从而得到电导率的预测结果。对墙后无目标的未知墙体参数预测的结果如图7、8、9所示,结果表明此发明能够很好的预测墙体的各项参数,误差非常小。
步骤6-2:对墙体后方存在散射目标的墙体参数进行预测
墙体后方存在散射目标时,预测墙体的介电常数与厚度几乎不受影响,但是预测墙体电导率时受影响较大。为了验证这种受影响的程度,对有目标墙体的电导率进行单独预测。
首先预测墙体介电常数与厚度,同样使用Xfdtd仿真软件进行仿真提取数据,在墙体后方1cm处发射天线与接收天线的中心轴位置处(此处对发射信号的干扰最大)放置一个边长为5cm的正方体散射目标,其相对介电常数为1,电导率为1e+7。墙体参数设置如下:
εr=3.0+n′Δε,n′=0,1,...19,Δε=0.5
dr=11+m′Δd,m′=0,1,...9,Δd=2
σr=0.002
仿真得到这组数据的回波信号,同样通过步骤三提取其特征信息,再按照步骤6-1所述预测墙体的介电常数与墙体厚度。预测结果如图10、11所示。
对墙体的电导率预测时,改变墙体后方散射体与墙体的距离,由1cm变化到15cm,间隔为2cm。设置墙体参数如下:
εr=3
dr=10
σr=0.001+k′Δσ,k′=0,1,...4,Δσ=0.002
通过步骤三提取特征数据,再通过步骤6-1预测其电导率,图12给出了目标与墙体距离变化时预测墙体电导率的结果,结果表明,目标离墙体越远,电导率的预测精度越高。
本发明首先通过仿真收集墙体参数的回波数据,提取出前墙回波与后墙回波的最大幅值与其对应的时刻;然后利用支持向量机(SVM)对训练数据进行训练,建立墙体参数各自的回归模型;最后对未知墙体参数的样本进行预测。为了验证本发明的实用性,训练数据在墙后没有目标的情况下得到,测试数据在墙后无目标和有目标这两种情况下得到。实验结果表明无论墙体后方是否存在目标散射体,本发明都能够准确地预测出墙体的介电常数与厚度;对无目标情况,本发明能精确地预测电导率,对有目标情况,目标离墙体越远,电导率的预测精度越高。因此本发明能够高效、精准且高抗干扰性的预测出墙体的参数(介电常数、厚度和墙体电导率),解决穿墙雷达成像中墙体参数未知的困扰。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于支持向量机的墙体参数预测方法,其特征在于,包括以下步骤:
步骤一、天线设置步骤:在墙体的同侧水平放置发射天线与接收天线,发射天线采用高斯调制脉冲波形向墙体投射;
步骤二、仿真采样步骤:利用基于时域有限差分法的电磁仿真软件进行仿真,设置一组用于采样的墙体参数,利用接收天线接收回波信号,收集不同墙体参数下的回波数据,保存墙体参数与对应的回波数据作为训练样本;
步骤三、特征值提取步骤:回波信号中能量占比最大的是直达波、前墙回波、后墙回波,有目标存在的情况下还有目标的散射回波,其中,提取的特征信息包括前墙回波信号与后墙回波信号的最大幅值以及对应的时刻,记作(A1,t1,A2,t2);A1表示前墙回波信号的最大幅值,t1表示前墙回波信号的最大幅值对应的时刻,A2表示后墙回波信号的最大幅值,t2表示后墙回波信号的最大幅值对应的时刻;
步骤四、回归模型训练步骤:根据步骤三所提取的特征信息,利用支持向量机SVM进行训练,生成回归模型;其中,利用仅受介电常数影响的前墙回波信号的最大幅值A1去训练预测介电常数回归模型;利用介电常数与对应的两墙面回波的时间差(t2-t1)训练预测墙体厚度回归模型;利用特征信息(A1,t1,A2,t2)训练预测墙体电导率回归模型;
步骤五、参数寻优步骤:利用改进的网格搜索法选择支持向量机SVM中最优的惩罚参数C和RBF核函数中的参数r,根据这组最优的参数组合训练出最优回归模型;
步骤六、未知墙体参数预测步骤:在未知墙体的同侧水平放置发射天线与接收天线,发射天线采用高斯调制脉冲波形向墙体投射,利用接收天线收集两组以上未知墙体参数得到接收信号,保存未知墙体参数与对应的回波数据作为测试数据;利用步骤五得到的最优回归模型对测试数据进行预测,从而预测出未知墙体参数。
3.根据权利要求2所述基于支持向量机的墙体参数预测方法,其特征在于:步骤四中介电常数回归模型的训练数据:{εl,A1l};
墙体厚度回归模型的训练数据:{dl,(ε1l,t2l-t1l)};
墙体电导率回归模型的训练数据:{σl,(A1l,t1l,A2l,t2l)};
其中,εl、dl、σil对应于墙体的介电常数、厚度与电导率,l表示第几个样本。
4.根据权利要求3所述基于支持向量机的墙体参数预测方法,其特征在于:步骤五中RBF核函数:K(xi,yj)=exp(-r||xi-yj||2),xi表示第i个支持向量,yj表示第j个输入训练样本,r表示核参数。
5.根据权利要求4所述基于支持向量机的墙体参数预测方法,其特征在于:步骤六中对未知墙体进行预测时,先是通过步骤三提取出特征信息,再利用提取的前墙回波最大波幅结合介电常数的回归模型预测出其介电常数;将预测的介电常数与对应的时间差代入预测墙体厚度的回归模型预测出其厚度;预测墙体电导率时直接将四个特征信息代入训练好的预测电导率的模型中从而得到其电导率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910330929.3A CN110133645B (zh) | 2019-04-23 | 2019-04-23 | 一种基于支持向量机的墙体参数预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910330929.3A CN110133645B (zh) | 2019-04-23 | 2019-04-23 | 一种基于支持向量机的墙体参数预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110133645A CN110133645A (zh) | 2019-08-16 |
CN110133645B true CN110133645B (zh) | 2022-03-15 |
Family
ID=67570786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910330929.3A Active CN110133645B (zh) | 2019-04-23 | 2019-04-23 | 一种基于支持向量机的墙体参数预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110133645B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502911A (zh) * | 2014-12-25 | 2015-04-08 | 湖南华诺星空电子技术有限公司 | 一种穿墙成像雷达的墙壁参数估计方法 |
CN107300694A (zh) * | 2017-06-14 | 2017-10-27 | 南京信息工程大学 | 一种基于电磁波透射系数的未知墙体参数估计方法 |
CN109270525A (zh) * | 2018-12-07 | 2019-01-25 | 电子科技大学 | 基于深度学习的穿墙雷达成像方法及系统 |
-
2019
- 2019-04-23 CN CN201910330929.3A patent/CN110133645B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502911A (zh) * | 2014-12-25 | 2015-04-08 | 湖南华诺星空电子技术有限公司 | 一种穿墙成像雷达的墙壁参数估计方法 |
CN107300694A (zh) * | 2017-06-14 | 2017-10-27 | 南京信息工程大学 | 一种基于电磁波透射系数的未知墙体参数估计方法 |
CN109270525A (zh) * | 2018-12-07 | 2019-01-25 | 电子科技大学 | 基于深度学习的穿墙雷达成像方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于支持向量机的穿墙雷达目标形状重构方法;张华美等;《电波科学学报》;20150228;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110133645A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109212526B (zh) | 用于高频地波雷达的分布式阵列目标角度测量方法 | |
CN107976660B (zh) | 弹载多通道雷达超低空目标分析与多径回波建模方法 | |
CN111025275B (zh) | 基于射频隐身的多基雷达辐射参数多目标联合优化方法 | |
CN109116311A (zh) | 基于知识辅助稀疏迭代协方差估计的杂波抑制方法 | |
CN109799499B (zh) | 一种穿墙雷达墙体参数估计方法 | |
CN107255814B (zh) | 一种基于lfmsk波形的雷达目标检测方法 | |
CN106872969B (zh) | 基于mtd脉冲积累及滑动处理的雷达目标角度估计方法 | |
CN105301114A (zh) | 一种基于多通道空时逆滤波技术的声学覆盖层插入损失测量方法 | |
CN108387884B (zh) | 基于知识辅助稀疏渐进最小方差的机载雷达杂波抑制方法 | |
CN105487054B (zh) | 提高基于mimo-ofdm雷达stap最差检测性能的稳健波形设计方法 | |
Zhang et al. | A measurement-domain adaptive beamforming approach for ultrasound instrument based on distributed compressed sensing: Initial development | |
CN112147584A (zh) | 一种基于非均匀杂波的mimo雷达扩展目标检测方法 | |
CN110133645B (zh) | 一种基于支持向量机的墙体参数预测方法 | |
CN103713289A (zh) | 基于分布式Phased-MIMO联合处理的目标探测方法 | |
CN112255607B (zh) | 一种海杂波的抑制方法 | |
CN110507361B (zh) | 剪切波成像方法及系统 | |
CN112068124B (zh) | 面向低截获的组网雷达驻留时间与辐射功率联合优化方法 | |
CN110456342B (zh) | 单发射天线雷达的远场多运动目标探测方法 | |
CN109884621B (zh) | 雷达高度表回波相参积累方法 | |
CN111044996A (zh) | 一种基于降维近似消息传递的lfmcw雷达目标检测方法 | |
TW202030496A (zh) | 訊號處理方法 | |
CN115600120A (zh) | 基于期望最大化聚类的水下集群目标检测方法及系统 | |
CN111965617B (zh) | 基于gpu的时分mimo雷达信号处理方法 | |
Juan et al. | A new Wavelet Prediction method for GPR clutter elimination Based on LSTM network | |
Azar et al. | Enhanced target detection using a new cognitive sonar waveform design in shallow water |
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 |