CN110456344A - 穿墙雷达成像中对墙体参数的估计方法 - Google Patents
穿墙雷达成像中对墙体参数的估计方法 Download PDFInfo
- Publication number
- CN110456344A CN110456344A CN201910745821.0A CN201910745821A CN110456344A CN 110456344 A CN110456344 A CN 110456344A CN 201910745821 A CN201910745821 A CN 201910745821A CN 110456344 A CN110456344 A CN 110456344A
- Authority
- CN
- China
- Prior art keywords
- wall
- training
- parameter
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003384 imaging method Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 73
- 239000013598 vector Substances 0.000 claims description 23
- 238000002790 cross-validation Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000009415 formwork Methods 0.000 claims 1
- 238000012821 model calculation Methods 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 239000004567 concrete Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000019738 Limestone Nutrition 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及穿墙雷达技术领域,公开了穿墙雷达成像中对墙体参数的估计方法,该方法包括采集训练数据、建立模型和训练模型三个步骤;首先,获取墙体参数真实值,然后进行采样并构建数据集,将从接收机中得到的信号进行处理,处理后的信号数据与墙体参数真实值放在一起作为训练数据构成训练样本,建立基于多项式回归的训练模型,并利用训练样本中的训练数据对所述模型进行训练,获得最优模型,最后利用最优模型即可得到解墙体参数估计值。本申请利用多项式回归的特点,通过手动调节最高项次数,有效的避免了过拟合问题,同时模型计算量小,还满足了对时效性的要求。
Description
技术领域
本发明涉及穿墙雷达技术领域,具体涉及穿墙雷达成像中对墙体参数的估计方法。
背景技术
穿墙雷达和医学成像、遥感等同属于无损检测,能根据有限的信息推断非视距范围内的目标信息,在军事和民用上,都有着广泛的应用。穿墙雷达既要求成像质量高,又要求实时性,而墙体的存在使这两个要求很难同时满足,在很多成像算法中,都需要知道确定的墙体参数值(即介电常数、电导率、墙体厚度等),才能较容易地纠正由墙体引起的偏移效应。但在大多数实际情况中,墙体参数是未知的,因此,如何解决墙参未知时的实时成像,是目前穿墙问题面临的难题,对估计墙体参数的算法和成像算法都有较高的速度要求。
随着智能算法在无损检测领域的广泛应用,穿墙雷达问题也可以利用智能算法解决。针对穿墙雷达墙体参数的估计,已经有若干学者和专家对其进行研究并提出了一系列的方法,主要包括两种方法,一种是从墙体前后表面回波中提取包含墙体参数的信息,通过相关函数公式推算确定墙体参数;而另外一种则是采集墙后目标回波数据并对其进行成像定位,通过多次图像质量评估、定位修正寻求最优墙体参数。
例如在现有技术中,文献“墙体参数未知时的穿墙雷达实时成像方法”,上述现有技术采用支持向量机对墙体参数进行回归预测,然后再采用相移偏移算法进行成像,具有较高的可行性和鲁棒性,但是存在运行速度较慢的缺点。
发明内容
为了克服上述现有技术中存在的问题和不足,本发明提出了一种基于多项式回归的墙体参数估计方法,可以根据散射信号估计墙体参数,为成像算法的应用做准备。
为了实现上述发明目的,本发明的技术方案如下:
穿墙雷达成像中对墙体参数的估计方法,该方法包括采集训练数据、建立模型和训练模型三个步骤;首先,获取墙体参数真实值,然后进行采样并构建数据集,将从接收机中得到的信号进行处理,处理后的信号数据与墙体参数真实值放在一起作为训练数据构成训练样本,建立基于多项式回归的训练模型,并利用训练样本中的训练数据对所述模型进行训练,获得最优模型,最后利用最优模型即可得到解墙体参数估计值。
优选地,该方法是通过以下步骤实现的:
步骤1、采集训练数据:
步骤1.1、获取墙体参数真实值;
步骤1.2、在墙体的一侧设置目标,墙体的另一侧设置天线,天线平行于墙体直线移动,设置天线的采样位置等间隔。
步骤1.3、利用信号接收机逐个在采样位置发射并接收信号;
步骤1.4、通过背景相减法得到其中的目标散射信号;
步骤1.5、对目标散射信号进行特征提取,即得到表征信号的特征矢量;
步骤1.6、把特征矢量和墙体参数真实值作为训练数据放在一起构成训练样本;
步骤2、建立模型:
步骤2.1、建立基于多项式回归的训练模型,记该模型如式(1)所示:
其中,yi为墙体参数估计值,(θ0......θn)为待拟定参数,x为特征矢量,q为多项式最高项次数,i为样本编号,m总样本数,C代表常数项;
步骤3、训练模型:
步骤3.1、将训练样本按照4:1的比例随机分为训练集和交叉验证集;
步骤3.2、根据步骤2.1中,式(1)现有的最高项次数,通过求解式(2) 找出使得代价函数最小的待拟定参数;
其中,θ代表待拟定参数,j代表待拟定参数个数;
步骤3.3、将步骤3.2中求得的待拟定参数带入式(1),得到具体的结构模型,并将模型在交叉验证集上检验,计算平均误差;
步骤3.4、返回步骤3.1,重新划分数据集,使用新的数据再次训练,直到所有训练样本中的数据都作为交叉验证集使用过;
步骤3.5、计算五次训练的平均误差,若平均误差满足要求则结束训练,若不满足要求则返回步骤3.2,令最高项次数加1,再重新进行训练;
步骤3.6、训练结束后,选取误差率最低的模型为最优模型;
步骤3.7、利用步骤3.6得到的最优模型求解墙体参数估计值。
优选地,所述步骤1.5中,特征矢量包括最大振幅值和最大振幅对应的时间。
优选地,所述步骤3.2中,代价函数的定义如下:
其中,(θ0......θn)为待拟定参数,m为总样本数,hθ(xi)代表单个样本的假设函数,y(i)代表墙体参数真实值。
优选地,所述步骤3.2中,多项式模型最高项次数初始值为2。
优选地,所述步骤3.5中,若墙体相对介电常数估计值的平均误差在0.1之内,且墙体厚度估计值的平均误差在0.005m之内,则满足训练要求可以结束训练,否则返回步骤3.2,令最高项次数加1,再重新进行训练。
本发明的有益效果:
本申请利用多项式回归的特点,通过手动调节最高项次数,有效的避免了过拟合问题,同时在训练模型时,计算量小,并且矩阵化的思想贯穿整个运算过程,因此还满足了对时效性的要求。
附图说明
图1为本申请训练过程结构框图;
图2为本申请具体应用过程结构框图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明,但本发明的实施方式不限于此。
穿墙雷达成像中对墙体参数的估计方法包括两个过程,一个是训练过程,另一个则是应用与评价过程,而训练过程又包括采集训练数据、建立模型以及训练模型三个步骤。在穿墙问题中,假设墙体是单层、均匀的媒质,其厚度、相对介电常数和电导率这三个墙体参数分别为d、ε和σ,通常情况下,墙体材料为混凝土、砖、石灰石等,这些材料的ε∈[3,7],d∈[0.1m,0.3m]。墙体参数未知时,设σ=0,而ε和d则按照以下的方式递增:
ε=3+nΔe,n=0,1,...,16
d=0.1+mΔd,m=0,1,...,20
其中,Δε=0.25,Δd=0.01m分别是相对介电常数和厚度的采样间隔,每一组ε和d对应一组墙体参数。
具体的,在采集训练数据步骤中,一共包括6个分步骤,首先,获取目标墙体的墙体参数真实值,包括墙体厚度真实值和相对介电常数真实值,然后在墙体的一侧设置目标,墙体的另一侧设置天线,天线平行于墙体直线移动,并且设置天线的采样位置等间隔,其次,利用信号接收机逐个在采样位置发射并接收信号,本申请使用的发射信号为调制高斯脉冲信号,中心频率为2GHz,脉冲带宽为1.2ns,信号接收机接收到的信号中包括直射波、墙面反射波、折射波以及目标散射信号等,因此,在第四步中通过背景相减法,即在相同的几何模型下,用有目标时的接收信号减去无目标时的接收信号,即可得到目标散射信号,第五步则是对目标散射信号进行特征提取,得到表征信号的特征矢量,在本申请中,对模型进行训练时,输入的是目标的散射信号,但从接收机中得到的目标散射信号是一个关于时间的函数,因此,对于每个样本,采用目标散射信号对应的最大振幅值和最大振幅值对应的时间作为目标散射信号的特征矢量,所有采样位置处的特征矢量构成一个矢量集合,最后将特征矢量和墙体参数真实值作为训练数据放在一起构成训练样本,墙体参数真实值在运算过程中起到标签的作用。训练样本中的特征矢量可以由部分样本的特征矢量构成,也可以由全部样本的特征矢量构成。
建立模型时,建立一个基于多项式回归的训练模型,记该模型如式(1)所示:
其中,yi为墙体参数估计值,(θ0......θn)为待拟定参数,x为特征矢量,q最高项次数,i为样本编号,m总样本数,C代表常数项。
在训练模型步骤中,一共包括6个分步骤,首先,将采集训练数据过程中得到的训练样本按照4:1的比例随机分为训练集和交叉验证集,然后,根据式(1) 现有的最高项次数,通过求解式(2)找出使得代价函数最小的待拟定参数,初始时,训练模型的最高项次数为2;
本申请中,代价函数的定义如下:
其中,(θ0......θn)为待拟定参数,m为总样本数,hθ(xi)代表单个样本的假设函数,具体的,y(i)代表墙体参数真实值。在整个训练模型的运算过程中,运用矩阵化的思想,对式(3)以及式(2)的运算过程进行矩阵化,最终得到关于待拟定参数的表达式,待拟定参数表达式如下:
θ=(XTX)-1XTY 式(4);
其中,X代表特征矩阵,XT代表特征矩阵的转置矩阵,Y代表标签矩阵。特征矩阵由所有样本的特征矢量构成,一个样本的特征矢量就是一行,所有样本的特征矢量一行行排列起来构成特征矩阵;标签矩阵由墙体参数真实值构成,所有标签竖着排成一列。
通过计算式(5)得到模型中的待拟定参数后,将待拟定参数带入式(1) 中,得到一个具体的多项式模型结构,并将这个具体的模型结构在交叉验证集上进行验证,计算平均误差,也就是说将交叉验证集中的每个样本的特征矢量带入上述具体的模型结构中进行计算,得到墙体参数估计值,将其和墙体参数真实值相减取绝对值作为该样本的误差,然后将本次训练的所有样本的误差求平均值,之后再返回到训练模型步骤中的初始步骤,即按照比例重新划分数据集,使用新的数据再次训练,保证训练样本中的数据都作为交叉验证集使用过,然后计算5次训练的平均误差,若平均误差满足要求则结束训练,若不满足要求则返回建立训练模型过程中的第三个步骤,令最高项次数加1,再重新进行训练。在本申请中,如果5次训练完成后,墙体厚度估计值的平均误差在0.005m 之内,且墙体相对介电常数估计值的平均误差在0.1之内则满足训练要求,可以结束训练,否则需返回重新进行训练。训练结束后,选取5次训练过程中误差率最低的模型为最优模型。墙体参数估计值包括厚度估计值和相对介电常数估计值,在计算过程中,上述两个墙体参数均采用式(1)所表达的具体模型结构进行估算,只是在训练过程中,针对上述两个墙参估计值分开训练不同的参数。
最后,在实际应用过程中,将信号接收机中得到的信号进行特征提取,得到特征矢量,将提取到的特征矢量带入上述最优模型中即可得到墙体参数估计值。在实际应用过程中,信号处理和特征提取的方法同训练过程。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明保护范围的限制。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (6)
1.穿墙雷达成像中对墙体参数的估计方法,其特征在于:该方法包括采集训练数据、建立模型和训练模型三个步骤;首先,获取墙体参数真实值,然后进行采样并构建数据集,将从接收机中得到的信号进行处理,处理后的信号数据与墙体参数真实值放在一起作为训练数据构成训练样本,建立基于多项式回归的训练模型,并利用训练样本中的训练数据对所述模型进行训练,获得最优模型,最后利用最优模型即可得到解墙体参数估计值。
2.根据权利要求1所述的一种穿墙雷达成像中对墙体参数的估计方法,其特征在于:该方法是通过以下步骤实现的:
步骤1、采集训练数据:
步骤1.1、获取墙体参数真实值;
步骤1.2、在墙体的一侧设置目标,墙体的另一侧设置天线,天线平行于墙体直线移动,设置天线的采样位置等间隔。
步骤1.3、利用信号接收机逐个在采样位置发射并接收信号;
步骤1.4、通过背景相减法得到其中的目标散射信号;
步骤1.5、对目标散射信号进行特征提取,即得到表征信号的特征矢量;
步骤1.6、把特征矢量和墙体参数真实值作为训练数据放在一起构成训练样本;
步骤2、建立模型:
步骤2.1、建立基于多项式回归的训练模型,记该模型如式(1)所示:
其中,yi为墙体参数估计值,(θ0......θn)为待拟定参数,x为特征矢量,q为多项式最高项次数,i为样本编号,m总样本数,C代表常数项;
步骤3、训练模型:
步骤3.1、将训练样本按照4:1的比例随机分为训练集和交叉验证集;
步骤3.2、根据步骤2.1中,式(1)现有的最高项次数,通过求解式(2)找出使得代价函数最小的待拟定参数;
其中,θ代表待拟定参数,j代表待拟定参数个数;
步骤3.3、将步骤3.2中求得的待拟定参数带入式(1),得到具体的结构模型,并将模型在交叉验证集上检验,计算平均误差;
步骤3.4、返回步骤3.1,重新划分数据集,使用新的数据再次训练,直到所有训练样本中的数据都作为交叉验证集使用过;
步骤3.5、计算五次训练的平均误差,若平均误差满足要求则结束训练,若不满足要求则返回步骤3.2,令最高项次数加1,再重新进行训练;
步骤3.6、训练结束后,选取误差率最低的模型为最优模型;
步骤3.7、利用步骤3.6得到的最优模型求解墙体参数估计值。
3.根据权利要求2所述的一种穿墙雷达成像中对墙体参数的估计方法,其特征在于:所述步骤1.5中,特征矢量包括最大振幅值和最大振幅对应的时间。
4.根据权利要求2所述的一种穿墙雷达成像中对墙体参数的估计方法,其特征在于:所述步骤3.2中,代价函数的定义如下:
其中,(θ0......θn)为待拟定参数,m为总样本数,hθ(xi)代表单个样本的假设函数,y(i)代表墙体参数真实值。
5.根据权利要求2所述的一种穿墙雷达成像中对墙体参数的估计方法,其特征在于:所述步骤3.2中,多项式模型最高项次数初始值为2。
6.根据权利要求2所述的一种穿墙雷达成像中对墙体参数的估计方法,其特征在于:所述步骤3.5中,若墙体相对介电常数估计值的平均误差在0.1之内,且墙体厚度估计值的平均误差在0.005m之内,则满足训练要求可以结束训练,否则返回步骤3.2,令最高项次数加1,再重新进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910745821.0A CN110456344A (zh) | 2019-08-13 | 2019-08-13 | 穿墙雷达成像中对墙体参数的估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910745821.0A CN110456344A (zh) | 2019-08-13 | 2019-08-13 | 穿墙雷达成像中对墙体参数的估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110456344A true CN110456344A (zh) | 2019-11-15 |
Family
ID=68486375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910745821.0A Pending CN110456344A (zh) | 2019-08-13 | 2019-08-13 | 穿墙雷达成像中对墙体参数的估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110456344A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632763A (zh) * | 2020-12-17 | 2021-04-09 | 芜湖易来达雷达科技有限公司 | 一种用于毫米波雷达的数据分析方法 |
CN113820709A (zh) * | 2021-11-25 | 2021-12-21 | 湖南华诺星空电子技术有限公司 | 基于无人机的穿墙雷达探测系统及探测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101995573A (zh) * | 2009-08-12 | 2011-03-30 | 中国科学院电子学研究所 | 一种用于超宽带穿墙雷达的目标边界成像方法 |
CN103995256A (zh) * | 2014-05-29 | 2014-08-20 | 电子科技大学 | 一种适用于穿墙雷达成像的多面墙体快速补偿方法 |
CN108717188A (zh) * | 2018-05-29 | 2018-10-30 | 成都理工大学 | 适用于mimo穿墙雷达成像的快速墙体补偿方法 |
CN109799499A (zh) * | 2019-01-28 | 2019-05-24 | 沈阳航空航天大学 | 一种穿墙雷达墙体参数估计方法 |
-
2019
- 2019-08-13 CN CN201910745821.0A patent/CN110456344A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101995573A (zh) * | 2009-08-12 | 2011-03-30 | 中国科学院电子学研究所 | 一种用于超宽带穿墙雷达的目标边界成像方法 |
CN103995256A (zh) * | 2014-05-29 | 2014-08-20 | 电子科技大学 | 一种适用于穿墙雷达成像的多面墙体快速补偿方法 |
CN108717188A (zh) * | 2018-05-29 | 2018-10-30 | 成都理工大学 | 适用于mimo穿墙雷达成像的快速墙体补偿方法 |
CN109799499A (zh) * | 2019-01-28 | 2019-05-24 | 沈阳航空航天大学 | 一种穿墙雷达墙体参数估计方法 |
Non-Patent Citations (4)
Title |
---|
FENDI_LY: "三种回归算法及其优缺点", 《HTTPS://WWW.CNBLOGS.COM/JWG-FENDI/P/10066545.HTML》 * |
张华美: "穿墙雷达基于支持向量机的成像算法研究", 《中国优秀博士学位论文全文数据库 信息科技辑》 * |
杜博亚: "机器学习方法优缺点对比及选择(汇总篇)", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/46831267》 * |
谭覃燕: "穿墙SAR成像中的墙体参数误差分析和估计", 《电子与信息学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632763A (zh) * | 2020-12-17 | 2021-04-09 | 芜湖易来达雷达科技有限公司 | 一种用于毫米波雷达的数据分析方法 |
CN113820709A (zh) * | 2021-11-25 | 2021-12-21 | 湖南华诺星空电子技术有限公司 | 基于无人机的穿墙雷达探测系统及探测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109100714B (zh) | 一种基于极坐标系的低慢小目标跟踪方法 | |
CN106980114A (zh) | 无源雷达目标跟踪方法 | |
CN109283490B (zh) | 基于混合最小二乘法的泰勒级数展开的uwb定位方法 | |
CN107046711B (zh) | 一种室内定位的数据库建立方法和室内定位方法及装置 | |
CN110456344A (zh) | 穿墙雷达成像中对墙体参数的估计方法 | |
CN112162244B (zh) | 一种相关噪声和随机丢包环境下的事件触发目标跟踪方法 | |
CN110780290B (zh) | 基于lstm网络的多机动目标跟踪方法 | |
CN104267375B (zh) | 一种外辐射源雷达网误差自配准方法 | |
CN111157943B (zh) | 在异步网络中基于toa的传感器位置误差抑制方法 | |
CN110471049A (zh) | 基于测量辐射功率的无线通信干扰源定位方法 | |
CN110297222A (zh) | 一种基于多维量测信息的航迹起始方法 | |
CN105392196A (zh) | 一种定位方法及装置 | |
CN105260524B (zh) | 一种扫描状态下船舶导航雷达二维回波序列像仿真方法 | |
CN110068793A (zh) | 一种定位跟踪方法 | |
CN110376580A (zh) | 一种异步多目标跟踪性能驱动的异构雷达网资源分配方法 | |
CN108398670A (zh) | 一种基于旋转干涉仪的脉冲信号测向方法及装置 | |
CN114581958B (zh) | 一种基于csi信号到达角估计的静态人体姿势估计方法 | |
CN107102293A (zh) | 基于滑窗累积密度估计的未知杂波无源协同定位方法 | |
CN108717188B (zh) | 适用于mimo穿墙雷达成像的快速墙体补偿方法 | |
CN110488278A (zh) | 多普勒雷达信号类型识别方法 | |
CN113759362A (zh) | 雷达目标数据关联的方法、装置、设备和存储介质 | |
CN111582669B (zh) | 天临空协同遥感系统效能评估指标体系的构建方法 | |
CN111833395B (zh) | 一种基于神经网络模型的测向体制单目标定位方法和装置 | |
CN113077485A (zh) | 基于人工智能的无参考物的测量方法 | |
CN110488276B (zh) | 面向多目标跟踪任务的异构雷达网最优资源按需分配方法 |
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: 20191115 |
|
RJ01 | Rejection of invention patent application after publication |