CN110263646A - 一种基于卷积神经网络的海面弱目标探测方法和系统 - Google Patents
一种基于卷积神经网络的海面弱目标探测方法和系统 Download PDFInfo
- Publication number
- CN110263646A CN110263646A CN201910425167.5A CN201910425167A CN110263646A CN 110263646 A CN110263646 A CN 110263646A CN 201910425167 A CN201910425167 A CN 201910425167A CN 110263646 A CN110263646 A CN 110263646A
- Authority
- CN
- China
- Prior art keywords
- sea
- detection
- dimensional image
- target
- clutter
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于卷积神经网络的海面弱目标检测方法及系统,属于雷达信号处理技术领域。本发明首先采集海面雷达回波信号,对雷达回波信号提取特征以得到海杂波的时域特征数据;再根据海杂波的时域特征数据构造时间‑距离‑幅值的二维图像;之后以所述二维图像为训练集/测试集,基于CNN训练恒虚警检测器,利用CNN自主提取的输入的所述二维图像的特征,依据所学习的特征对待检测的海杂波二维图像进行分类,并且根据雷达信号检测问题中的恒虚警检测要求,调整CNN以优化恒虚警检测器,实现对目标信号的精准检测。本发明结合海杂波图像构建与利用卷积神经网络设计检测器,在低信杂比、低虚警概率以及短观测时长下均能实现对海面弱目标的精准检测。
Description
技术领域
本发明属于雷达信号处理技术领域,更具体地,涉及一种基于卷积神 经网络的海面弱目标检测方法及系统。
背景技术
海洋蕴含有丰富的资源,探索这片辽阔的宝藏自古以来就是人们孜孜 不倦的追求。随着人们对于海洋的重视以及现代科技的发展,海水淡化技 术、海面探测技术、深海探测技术、深海潜行技术、海洋通信技术、海洋 遥感技术和海洋导航技术等海洋开发支撑技术也相继蓬勃发展。其中,海 面探测技术在军用、民用领域有着至关重要的应用,与我们每个人的利益 息息相关。而在诸多待探测的海面目标中,又以小尺寸目标、隐身目标、 高机动目标和远距离目标等一系列回波信号弱的目标的探测最为困难,它 们往往具有低可观测性,被统称为海面弱目标。
在此背景下,海面弱目标探测技术的发展具有重要的理论价值和实际 意义,引起了众多国内外学者对此的研究兴趣。当前,海面弱目标探测的 研究方向主要分为以下三类:一是寻找一个精确的统计分布来拟合海杂波 的幅值以检测目标;二是研究海杂波的非线性特性区别目标与杂波,其中, 广为人知的有基于海杂波的分形特性的目标检测方法;三是人工提取海杂 波的多种特征,在构建的高维特征空间中对目标信号与杂波信号进行分类。
对海雷达进行海面弱目标探测往往面临着以下挑战:①复杂海洋环境 产生的强杂波使得雷达接收的回波信号呈现非高斯、非线性、非平稳的性 质,难以对雷达回波进行精准建模以检测目标信号;②单一维度的特征提 取方法往往提供的本质信息有限,且容易受到海尖峰现象的影响,导致虚 警概率难以降低;③海面弱目标本身回波信号弱且回波能量分散,容易被 杂波信号所遮蔽,目标信号与杂波信号差异小,导致人工难以建立具有足够区分度的特征空间;④传统海面弱目标检测器往往采用单一门限的阈值 分类方法,其在复杂多变的海况下会面临门限选择困难的问题,检测能力 受限,难以实现精确探测。
因此,对数据进行预处理以刻画目标信号与杂波信号的差异,进一步 削弱海尖峰效应带来的影响,以及设计检测性能更为强大的检测器,增强 实际场景下的检测性能成为了研究海面弱目标探测技术的两个关键问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于卷积神 经网络的海面弱目标检测方法及系统,其目的在于海面弱目标的探测视为 一个二分类问题,将海杂波数据转换为联合时空特性的二维图像以减弱海 尖峰带来的影响,由此解决现有技术在复杂海况下弱目标识别难的技术问 题。
为实现上述目的,本发明提供了一种基于卷积神经网络的海面弱目标 检测方法,所述方法具体包括以下步骤:
(1)采集海面雷达回波信号,对雷达回波信号提取特征以得到海杂波 的时域特征数据;
(2)根据海杂波的时域特征数据构造时间-距离-幅值的二维图像;
(3)以所述二维图像为训练集/测试集,基于CNN(卷积神经网络) 训练恒虚警检测器,利用CNN自主提取的输入的所述二维图像的特征,依 据所学习的特征对待检测的海杂波二维图像进行分类,并且根据雷达信号 检测问题中要求的恒虚警检测,调整CNN以优化恒虚警检测器,实现对目 标信号的精准检测。
进一步地,所述步骤(2)具体为:
用不同的灰度值对应时域特征数据中不同的幅值,以距离为纵轴,时 间为横轴绘制用灰度值表示幅值的二维图像。
进一步地,所述步骤(3)中包括以下子步骤:
(31)调整CNN使其适应雷达信号检测要求,将虚警概率作为输入, 根据虚警概率调整位于分类层的分类阈值,使得所设计的恒虚警检测器能 在给定的恒虚警概率下识别目标图像,得到相应的检测概率;
(32)根据具体的海况设定不同的参数以得到适应不同海况的网络模 型,使得恒虚警检测器能够充分提取目标图像与杂波图像间的差异。
按照本发明的另一方面,本发明提供了一种基于卷积神经网络的海面 弱目标检测系统,所述系统包括以下部分:
信号采集处理模块,用于采集海面雷达回波信号,对雷达回波信号提 取特征以得到海杂波的时域特征数据;
二维图像生成模块,用于根据海杂波的时域特征数据构造时间-距离- 幅值的二维图像;
恒虚警检测器生成模块,用于以所述二维图像为训练集/测试集,基于 CNN训练恒虚警检测器;并且根据雷达信号检测问题中要求的恒虚警检测, 调整CNN以优化恒虚警检测器,实现对目标信号的精准检测;
弱目标检测模块,用于将待检测的海杂波二维图像输入至恒虚警检测 器,恒虚警检测器依据所学习的特征对待检测的海杂波二维图像进行目标 分类。
进一步地,所述恒虚警检测器生成模块具体用于:
用不同的灰度值对应时域特征数据中不同的幅值,以距离为纵轴,时 间为横轴绘制用灰度值表示幅值的二维图像。
进一步地,所述恒虚警检测器生成模块包括以下单元:
第一优化单元,用于调整CNN使其适应雷达信号检测要求,将虚警概 率作为输入,根据虚警概率调整位于分类层的分类阈值,使得所设计的恒 虚警检测器能在给定的恒虚警概率下识别目标图像,得到相应的检测概率;
第二优化单元,用于根据具体的海况设定不同的参数以得到适应不同 海况的网络模型,使得恒虚警检测器能够充分提取目标图像与杂波图像间 的差异。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有 以下有益效果:
(1)本发明通过将一维的海杂波数据转换为二维图像,增强了对目标 信号和杂波信号之间的差异性的刻画,一定程度上抑制了海尖峰效应带来 的干扰,降低了目标检测的难度;
(2)本发明通过卷积神经网络自主学习输入图像的特征,依赖此特征 识别目标图像,避免人工提取特征构建特征空间;
(3)本发明结合海杂波二维图像与卷积神经网络设计恒虚警检检测器, 在低信杂比、低虚警概率以及短观测时长下均能实现对海面弱目标的精准 检测。
附图说明
图1是本发明方法技术方案的总体结构示意图;
图2是本发明中将数据映射为灰度值的示意图;
图3是本发明实施例中基于时域特征的时间-距离-幅值图示例;
图4是本发明实施例中基于频域特征的频率-距离-功率谱图示例;
图5是本发明实施例中基于时频域特征的时间-多普勒速度-短时傅里 叶变换图示例;
图6是本发明实施例中基于卷积神经网络的检测器的结构示意图;
图7是本发明实施例中不同平均信杂比下的检测概率;
图8是本发明实施例中不同虚警概率下与不同观测时长的实验结果示 意图;
图9是本发明实施例中不同观测时长下CNN检测器与其他检测器的实 验结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图 及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体 实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本 发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以 相互组合。
由于海杂波形成的原因十分复杂,受到外部环境与雷达参数的多重影 响,风速和海浪引起的海尖峰难以滤除,具有较强的干扰性,容易在雷达 检测中造成虚警,是限制海面弱目标精确检测的重要瓶颈。在复杂海况下, 采用单一门限的阈值分类方法难以选择合适的门限,检测能力受限。因此, 本发明提出基于卷积神经网络的更先进的检测技术。
现结合图像和实施例对本发明的方法流程进行详细说明,大概流程如 图1所示,分为以下几个步骤:
步骤一,对海杂波在时域、频域以及时频域上分析其具有区分度的特 性,提取相应的特征:
雷达回波数据的幅度分布反馈了待测海面的大量信息,海杂波的幅值 为:
x(n)=|I+jQ|,n=0,1,2,...,N-1
其中,n表示采集次数,N-1表示总次数,I表示同相分量,Q表示正交分 量,j为虚数符号,其直接反映了雷达回波信号相关特性信息;
在频域上,海杂波的功率谱刻画了雷达回波信号时间序列中各种元素 之间的相互依赖关系,对海杂波信号{x(n),n=0,1,2,...,N-1},计算其功率谱特 征:
其中,ω表示频率,得到其频域上的功率谱特征数据;
通过对海杂波信号进行短时傅里叶变换,得到其在时频域上的特征数 据:
式中,t(n)表示窗函数,m为窗的宽度;由于短时傅里叶变换特征同时表征 海杂波在时域和频域上的特性,可用多普勒速度表示频率,以观察海浪和 目标的运动情况。
步骤二,通过一种颜色映射方式将一维的特征数据转换为二维图像, 如图2所示,随着Z轴数值的从-20增大到20,Z值不同的数值大小被一对 一地映射为不同的颜色,对应着图像的颜色从黑到白。根据此规则,将从 海杂波信号中提取的时域上的幅值特征、频域上的功率谱特征以及时频域 上的短时傅里叶变换特征,转换为直观的二维图像,构造时间-距离-幅值图, 如图3所示;频率-距离-功率谱图,如图4所示;时间-多普勒速度-短时傅里叶变换特征图,如图5所示。这种数据预处理方式能够有效减弱海尖峰 效应造成的干扰,而且很容易被应用在现有的检测技术当中。
步骤三,定义了一种图像区分度度量方式,定量地将不同构图方式目 标图像与杂波图像的差距表达出来。通过直方图匹配法定义图像区分度, 即计算不同图像的直方图之间的匹配程度,如计算目标图像直方图与杂波 图像直方图之间的巴氏距离大小。具体地,首先通过下式计算直方图:
H(xi)=[h(x1),h(x2),…,h(xn)]
其中,xi为具体某一灰度值,S(xi)为图中对应这一灰度值的像素个数, 为图中所有像素数量。以xi为横轴,h(xi)为纵轴可得到一幅图像的 直方图。基于此,对目标图像A和杂波图像B计算得到两幅图像的直方图 (HA(xi)、HB(xi)),然后通过下式计算它们之间的巴氏距离
距离越大,则直方图之间越不匹配,即图像区分度越大,构图方式对目标 信号与杂波信号之间差异的描述性能越好。如在本发明所提出的时间-距离- 幅值图、频率-距离-功率谱图和时间-多普勒速度-短时傅里叶变换图这三种 构图方式中,时间-距离-幅值图的图像区分度最大。
步骤四,利用卷积神经网络的设计恒虚警检测器,基于所选取的时间- 距离-幅值图检测目标。其中,我们改进了CNN,将虚警概率作为输入,使 得CNN可在恒定虚警率下进行检测。根据每个测试样本预测为目标的概率 进行排序,“最可能”是目标的排在最前面,“最不可能”是目标的排在 最后面。这样,分类过程就相当于在这个排序中以某个“截断点”将样本 分为两部分,前一部分判作目标,后一部分则判作杂波,随后计算相应的 检测概率。由于分类阈值即“截断点”受输入的虚警概率控制,因此可得 出给定虚警概率下的检测概率。随后,设计适合海面弱目标检测的网络模 型结构,如选取网络层类型、网络深度、不同类型的层的搭配等。最后, 对于具体的检测问题,根据网络模型在训练集上的训练结果的反馈,进一 步调整网络模型的具体参数,得到最适合于复杂海况下弱目标检测的最终 模型。
如图6所示,为实施例中基于所设计的恒虚警检测器,设置卷积神经 网络中含有卷积核大小分别为(3,8)、(3,16)、(3,32)的三层卷积层,每层卷积 层后接一个池化层构成卷积组。以高海况为例,设置学习率为0.001,动量 参数为0.9,L2正则化系数为0.1,MaxEpochs为500,MiniBatchSize为100, 采用随机梯度下降的方式更新权重,基于以上参数可构建适合于检测目标 图像的网络模型。
结合以下实验结果对本发明的使用效果进一步说明:
(1)低信杂比下检测结果
如图7所示,在虚警概率FAR=0.001、观测时长4096毫秒下,海面弱 目标检测概率随着平均信杂比的提升而增加。在固定某一极化模式下,检 测概率呈现出随着平均信杂比的提高而提升的现象,直至达到某一信杂比 条件下,检测概率到达百分之百。当SCR=-2dB时,CNN检测器的检测概 率可达83%,比经典的分形检测器的检测概率高65%。
(2)低虚警概率下检测结果
在海面弱目标检测问题中,虚警率是一个尤为重要的衡量标准。如图8 所示,随着虚警概率增加,不同观测时长下的检测概率都逐渐增加。在虚 警概率为0.001时,检测效果均可达到80%左右,这意味着可以在低虚警概 率条件下实现对海面弱目标的探测。
(3)短观测时长下检测结果
如图9所示,在相同的检测条件下,五种不同观测时长下所提出的CNN 检测器在四种极化方式下的性能都是要优于以往的经典算法的,表现为代 表CNN检测器性能的曲线一直高于其他检测器的曲线。尤其是在低观测时 长256毫秒下即log2N为8时,CNN检测器的检测结果仍可达到80%左右, 这表示CNN检测器可以达到低观测时长、高检测概率这一实际需求。
以上内容本领域的技术人员容易理解,以上所述仅为本发明的较佳实 施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任 何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于卷积神经网络的海面弱目标检测方法,其特征在于,所述方法具体包括以下步骤:
(1)采集海面雷达回波信号,对雷达回波信号提取特征以得到海杂波的时域特征数据;
(2)根据海杂波的时域特征数据构造时间-距离-幅值的二维图像;
(3)以所述二维图像为训练集/测试集,基于CNN训练恒虚警检测器,利用CNN自主提取的输入的所述二维图像的特征,依据所学习的特征对待检测的海杂波二维图像进行分类,并且根据雷达信号检测问题中要求的恒虚警检测,调整CNN以优化恒虚警检测器,实现对目标信号的精准检测。
2.根据权利要求1所述的一种基于卷积神经网络的海面弱目标检测方法,其特征在于,所述步骤(2)具体为:
用不同的灰度值对应时域特征数据中不同的幅值,以距离为纵轴,时间为横轴绘制用灰度值表示幅值的二维图像。
3.根据权利要求1所述的一种基于卷积神经网络的海面弱目标检测方法,其特征在于,所述步骤(3)中包括以下子步骤:
(31)调整CNN使其适应雷达信号检测要求,将虚警概率作为输入,根据虚警概率调整位于分类层的分类阈值,使得所设计的恒虚警检测器能在给定的恒虚警概率下识别目标图像,得到相应的检测概率;
(32)根据具体的海况设定不同的参数以得到适应不同海况的网络模型,使得恒虚警检测器能够充分提取目标图像与杂波图像间的差异。
4.一种基于卷积神经网络的海面弱目标检测系统,其特征在于,所述系统包括以下部分:
信号采集处理模块,用于采集海面雷达回波信号,对雷达回波信号提取特征以得到海杂波的时域特征数据;
二维图像生成模块,用于根据海杂波的时域特征数据构造时间-距离-幅值的二维图像;
恒虚警检测器生成模块,用于以所述二维图像为训练集/测试集,基于CNN训练恒虚警检测器;并且根据雷达信号检测问题中要求的恒虚警检测,调整CNN以优化恒虚警检测器,实现对目标信号的精准检测;
弱目标检测模块,用于将待检测的海杂波二维图像输入至恒虚警检测器,恒虚警检测器依据所学习的特征对待检测的海杂波二维图像进行目标分类。
5.根据权利要求4所述的一种基于卷积神经网络的海面弱目标检测系统,其特征在于,所述恒虚警检测器生成模块具体用于:
用不同的灰度值对应时域特征数据中不同的幅值,以距离为纵轴,时间为横轴绘制用灰度值表示幅值的二维图像。
6.根据权利要求4所述的一种基于卷积神经网络的海面弱目标检测系统,其特征在于,所述恒虚警检测器生成模块包括以下单元:
第一优化单元,用于调整CNN使其适应雷达信号检测要求,将虚警概率作为输入,根据虚警概率调整位于分类层的分类阈值,使得所设计的恒虚警检测器能在给定的恒虚警概率下识别目标图像,得到相应的检测概率;
第二优化单元,用于根据具体的海况设定不同的参数以得到适应不同海况的网络模型,使得恒虚警检测器能够充分提取目标图像与杂波图像间的差异。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910425167.5A CN110263646A (zh) | 2019-05-21 | 2019-05-21 | 一种基于卷积神经网络的海面弱目标探测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910425167.5A CN110263646A (zh) | 2019-05-21 | 2019-05-21 | 一种基于卷积神经网络的海面弱目标探测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110263646A true CN110263646A (zh) | 2019-09-20 |
Family
ID=67915026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910425167.5A Pending CN110263646A (zh) | 2019-05-21 | 2019-05-21 | 一种基于卷积神经网络的海面弱目标探测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110263646A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110940977A (zh) * | 2019-12-02 | 2020-03-31 | 中国船舶重工集团公司第七一九研究所 | 一种适配海况变化的恒虚警检测器及恒虚警检测方法 |
CN111722199A (zh) * | 2020-08-10 | 2020-09-29 | 上海航天电子通讯设备研究所 | 一种基于卷积神经网络的雷达信号检测方法 |
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 |
CN112180354A (zh) * | 2020-09-29 | 2021-01-05 | 武汉大学 | 一种利用时频分析和恒虚警技术的高频雷达目标联合检测方法 |
CN112285667A (zh) * | 2020-12-21 | 2021-01-29 | 南京天朗防务科技有限公司 | 一种基于神经网络的反地杂波处理方法 |
CN112702288A (zh) * | 2020-12-23 | 2021-04-23 | 华中科技大学 | 一种低导频开销的水声ofdm通信系统信道估计方法 |
CN116430347A (zh) * | 2023-06-13 | 2023-07-14 | 成都实时技术股份有限公司 | 一种雷达数据采集与存储方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102621533A (zh) * | 2012-04-05 | 2012-08-01 | 电子科技大学 | 一种用于船用导航雷达的弱小目标检测方法 |
CN102901956A (zh) * | 2012-09-27 | 2013-01-30 | 电子科技大学 | 一种雷达微弱目标检测方法 |
CN105022057A (zh) * | 2015-06-10 | 2015-11-04 | 西安电子科技大学 | 基于改进Radon变换与多帧联合处理的目标检测方法 |
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 |
CN108983184A (zh) * | 2018-06-28 | 2018-12-11 | 浙江大学 | 一种自适应高精度的智能雷达海上目标检测系统 |
-
2019
- 2019-05-21 CN CN201910425167.5A patent/CN110263646A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102621533A (zh) * | 2012-04-05 | 2012-08-01 | 电子科技大学 | 一种用于船用导航雷达的弱小目标检测方法 |
CN102901956A (zh) * | 2012-09-27 | 2013-01-30 | 电子科技大学 | 一种雷达微弱目标检测方法 |
CN105022057A (zh) * | 2015-06-10 | 2015-11-04 | 西安电子科技大学 | 基于改进Radon变换与多帧联合处理的目标检测方法 |
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 |
CN108983184A (zh) * | 2018-06-28 | 2018-12-11 | 浙江大学 | 一种自适应高精度的智能雷达海上目标检测系统 |
Non-Patent Citations (2)
Title |
---|
王福友: "海杂波混沌分形特性分析、建模及小目标检测", 《中国优秀博士学位论文全文数据库 信息科技辑》 * |
苏宁远 等: "基于卷积神经网络的海上微动目标检测与分类方法", 《雷达学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110940977B (zh) * | 2019-12-02 | 2021-10-19 | 中国船舶重工集团公司第七一九研究所 | 一种适配海况变化的恒虚警检测器及恒虚警检测方法 |
CN110940977A (zh) * | 2019-12-02 | 2020-03-31 | 中国船舶重工集团公司第七一九研究所 | 一种适配海况变化的恒虚警检测器及恒虚警检测方法 |
CN111722199A (zh) * | 2020-08-10 | 2020-09-29 | 上海航天电子通讯设备研究所 | 一种基于卷积神经网络的雷达信号检测方法 |
CN111722199B (zh) * | 2020-08-10 | 2023-06-20 | 上海航天电子通讯设备研究所 | 一种基于卷积神经网络的雷达信号检测方法 |
CN112180354A (zh) * | 2020-09-29 | 2021-01-05 | 武汉大学 | 一种利用时频分析和恒虚警技术的高频雷达目标联合检测方法 |
CN112180354B (zh) * | 2020-09-29 | 2022-08-16 | 武汉大学 | 一种利用时频分析和恒虚警技术的高频雷达目标联合检测方法 |
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 |
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 |
CN112285667A (zh) * | 2020-12-21 | 2021-01-29 | 南京天朗防务科技有限公司 | 一种基于神经网络的反地杂波处理方法 |
CN112702288A (zh) * | 2020-12-23 | 2021-04-23 | 华中科技大学 | 一种低导频开销的水声ofdm通信系统信道估计方法 |
CN112702288B (zh) * | 2020-12-23 | 2022-03-29 | 华中科技大学 | 一种低导频开销的水声ofdm通信系统信道估计方法 |
CN116430347A (zh) * | 2023-06-13 | 2023-07-14 | 成都实时技术股份有限公司 | 一种雷达数据采集与存储方法 |
CN116430347B (zh) * | 2023-06-13 | 2023-08-22 | 成都实时技术股份有限公司 | 一种雷达数据采集与存储方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263646A (zh) | 一种基于卷积神经网络的海面弱目标探测方法和系统 | |
Ao et al. | Detection and discrimination of ship targets in complex background from spaceborne ALOS-2 SAR images | |
Wang et al. | Deep learning-based UAV detection in pulse-Doppler radar | |
CN109031287A (zh) | 基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法 | |
CN105528619B (zh) | 基于小波变换和svm的sar遥感影像变化检测方法 | |
Yan et al. | Detecting sea ice from TechDemoSat-1 data using support vector machines with feature selection | |
CN107728115A (zh) | 一种雷达目标成像后基于svm的背景干扰抑制方法 | |
Liu et al. | Comparison of algorithms for wind parameters extraction from shipborne X-band marine radar images | |
Wang et al. | Machine learning-based ship detection and tracking using satellite images for maritime surveillance | |
CN106646469B (zh) | 基于变异系数法的sar船只检测优化方法 | |
CN106772379B (zh) | 基于傅里叶变换的双参数cfar舰船检测方法 | |
CN106443593B (zh) | 基于相参雷达慢扫增强的自适应溢油信息提取方法 | |
CN102867309A (zh) | 基于混合模型的sar图像变化检测方法 | |
Wang et al. | SSS-YOLO: Towards more accurate detection for small ships in SAR image | |
CN108171193A (zh) | 基于超像素局部信息度量的极化sar舰船目标检测方法 | |
CN111323756B (zh) | 一种基于深度学习的航海雷达目标检测方法及装置 | |
CN106156758B (zh) | 一种sar海岸图像中海岸线提取方法 | |
CN113674308B (zh) | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 | |
CN110889843A (zh) | 基于最大稳定极值区域的sar图像舰船目标检测方法 | |
Wang et al. | Unsupervised ship detection for single-channel SAR images based on multiscale saliency and complex signal kurtosis | |
CN111323757B (zh) | 一种航海雷达目标检测方法及装置 | |
CN111707998B (zh) | 一种基于连通区域特征的海面漂浮小目标检测方法 | |
Zong-ling et al. | Remote sensing ship target detection and recognition system based on machine learning | |
Li et al. | Outlier-robust superpixel-level CFAR detector with truncated clutter for single look complex SAR images | |
Zhang et al. | A review of recent advance of ship detection in single-channel SAR images |
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 |
Application publication date: 20190920 |
|
RJ01 | Rejection of invention patent application after publication |