CN111175718A - 联合时频域的地面雷达自动目标识别方法及系统 - Google Patents
联合时频域的地面雷达自动目标识别方法及系统 Download PDFInfo
- Publication number
- CN111175718A CN111175718A CN201911312274.3A CN201911312274A CN111175718A CN 111175718 A CN111175718 A CN 111175718A CN 201911312274 A CN201911312274 A CN 201911312274A CN 111175718 A CN111175718 A CN 111175718A
- Authority
- CN
- China
- Prior art keywords
- target
- value
- waveform
- time domain
- frequency domain
- 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.)
- Granted
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
- 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
-
- 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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
- G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
-
- 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
- G01S7/35—Details of non-pulse systems
- G01S7/352—Receivers
- G01S7/354—Extracting wanted echo-signals
-
- 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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- 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
- G01S7/415—Identification of targets based on measurements of movement associated with the target
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种联合时频域的地面雷达自动目标识别方法及系统,识别方法包括:对回波信号的I、Q两路进行时域特征提取,对雷达回波信号经下变频处理后的基带回波信号进行傅里叶变换,提取频域特征;将提取的时域特征和频域特征送入分类器,根据输出值进行判决;系统包括:特征计算模块,用于计算并获取目标的特征信息;判决识别模块,将提取特征送入设计的分类器中,根据输出判决结果决定目标属性。本发明实现简单,判决效率高,并且对低分辨雷达的地面雷达目标属性识别准确率高。
Description
技术领域
本发明属于地面活动目标侦察雷达数字信号处理领域,特别是一种联合时频域的地面雷达自动目标识别方法及系统。
背景技术
地面雷达的目标回波组成较为复杂,除了需要探测的人、车等目标外,可能还存在强地物杂波。而现代信息化战争对侦查雷达的要求也越来越高,雷达不仅仅需要能够发现目标,还需要辨别目标属性信息,这就要求雷达具有目标自动分类识别功能。雷达目标识别技术对于国土防卫和战场目标侦察都具有重要作用,是雷达发展过程中的一个重要内容。
雷达目标识别是根据目标的后向电磁散射来鉴别目标的,如果雷达带宽足够宽,雷达回波中就可能包含目标的形状、大小、结构等细节信息,这就为雷达目标识别提供了依据。但是对低分辨雷达而言,它不具备径向上和横向上的高分辨能力,雷达所揭示的目标信息有限。同时,低分辨雷达的目标基本上都是“点”目标模型,无法直接从回波数据中获得目标的形状和大小等信息,目标类型和所要提取的特征量之间没有确定的关系。因此,基于低分辨雷达的目标识别要想获得目标的有效特征信息,必须采用各种信号处理方法对回波数据进行分析,从而提取回波中包含的与目标形状、大小等有关的特征,利用这些反映目标本质的特征来实现对目标的分类识别。目前的分类识别方法要么基于时域、要么基于频域进行特征提取,提取到的特征信息有限,识别准确率较低。
发明内容
本发明的目的在于提供一种联合时频域的地面雷达自动目标识别方法及系统。
实现本发明目的的技术解决方案为:一种联合时频域的地面雷达自动目标识别方法,包括:
对雷达时域回波信号的I、Q两路进行时域特征提取,对雷达时域回波信号经下变频处理后的基带回波信号进行傅里叶变换,提取频域特征;
将提取的时域特征和频域特征送入分类器,根据输出值进行判决。
一种联合时频域的地面雷达自动目标识别系统,包括:
特征计算模块,用于计算并获取目标的特征信息,即对雷达时域回波信号的I、Q两路进行时域特征提取,对雷达时域回波信号经下变频处理后的基带回波信号进行傅里叶变换,提取频域特征;时域特征包括时域波形不规则度、时域波形光滑度、时域波形方差,频域特征包括有效反射面积、主峰谱宽、展宽谱宽、频域波形熵、频域波形二阶中心矩、峰值能量比、高频成分含量、奇异值波形衰减速度、奇异值波形稳定程度、奇异值波形能量集中程度和目标速度;
判决识别模块,将提取特征送入设计的分类器中,根据输出判决结果决定目标属性。
与现有技术相比,本发明的显著优点为:(1)本发明提出一种自动识别地面侦查雷达目标属性的方法,同时联合利用雷达时域回波特征和频域特征,对回波进行特征提取,并设计分类器,以提高地面侦查雷达的目标属性识别性能;(2)本发明的联合时频域的地面雷达自动目标识别方法实现简单,判决效率高,并且对低分辨雷达的地面目标属性识别准确率高。
附图说明
图1是联合时频域的特征提取目标识别系统组成框图。
图2是本发明方法的实施例流程图。
具体实施方式
如图1所示,一种联合时频域的地面雷达自动目标识别方法,包括:
对雷达时域回波信号的I、Q两路进行时域特征提取,对雷达时域回波信号经下变频处理后的基带回波信号进行傅里叶变换,提取频域特征;
将提取的时域特征和频域特征送入分类器,根据输出值进行判决。
时域特征包括时域波形不规则度、时域波形光滑度、时域波形方差,频域特征包括有效反射面积、主峰谱宽、展宽谱宽、频域波形熵、频域波形二阶中心矩、峰值能量比、高频成分含量、奇异值波形衰减速度、奇异值波形稳定程度、奇异值波形能量集中程度和目标速度。
进一步的,时域波形光滑度的计算方法为:
(a)对时域波形求一阶差分,首个采样点编码值为1,进行下一采样点的编码;
(b)若当前采样点与上一采样点差分值的符号相同,则当前采样点编码值为前一采样点编码值加1,若当前采样点与上一采样点差分值的符号相反,则把当前采样点的编码设置为1;重复步骤(b)求取下一采样点的编码值,直到完成所有编码;
(c)对所有采样点的编码值进行相加,最后的和作为目标时域回波光滑度。
进一步的,时域波形方差的计算方法为:
式中xi是雷达时域波形的序列,m为样本中所有采样点的均值。
进一步的,主峰谱宽的计算方法为:
对目标时域波形做FFT,假设Xn是雷达时域波形的FFT变换结果,即回波频谱,n=1,2,...,N,以目标所在谱线为中心,统计比峰值功率小6dB以内的最大连续谱宽作为主峰谱宽。
进一步的,展宽谱宽的计算方法为:
以中目标所在谱线为中心,取阈值为整个频率范围内的幅度均值,遍历左右各十根谱线,若当前谱线的幅值相对于阈值的差值大于目标幅值相对于阈值差值的0.4倍,则该谱线记为一根展宽谱线,记录限定范围内展宽谱线的根数为展宽谱宽。
进一步的,高频成分含量的计算方法为:
首先对FFT谱线做如下归一化,
设置频带个数为P,将归一化后的序列以间隔P划分帧,则高频成分序列为:
Wk=|k|
k代表第k个频带,将得到的HFC序列按照上式规则再做归一化,设置合理的阈值,判断序列中超过阈值的个数,记高频成分含量。
进一步的,根据输出值进行判决,具体为:
如果目标速度的值超过一定阈值,此时直接判定目标为车,如果低于阈值,则继续进行判断;
将计算的目标特征1-13与分类器系数a1,a2,...,a13进行加权相加,得到计算结果;所述特征1-13分别为时域波形不规则度、时域波形光滑度、时域波形方差、有效反射面积、主峰谱宽、展宽谱宽、频域波形熵、频域波形二阶中心矩、峰值能量比、高频成分含量、奇异值波形衰减速度、奇异值波形稳定程度和奇异值波形能量集中程度;
如果计算值为正,此时判定目标为车,如果计算值为零,定义为未识别,如果计算为负,此时判定为人,结束识别。
本发明还提供一种联合时频域的地面雷达自动目标识别系统,包括:
特征计算模块,用于计算并获取目标的特征信息,即对雷达时域回波信号的I、Q两路进行时域特征提取,对雷达时域回波信号经下变频处理后的基带回波信号进行傅里叶变换,提取频域特征;时域特征包括时域波形不规则度、时域波形光滑度、时域波形方差,频域特征包括有效反射面积、主峰谱宽、展宽谱宽、频域波形熵、频域波形二阶中心矩、峰值能量比、高频成分含量、奇异值波形衰减速度、奇异值波形稳定程度、奇异值波形能量集中程度和目标速度;
判决识别模块,将提取特征送入设计的分类器中,根据输出判决结果决定目标属性。
判决识别模块根据输出判决结果决定目标属性,具体为:
如果目标速度的值超过一定阈值,此时直接判定目标为车,如果低于阈值,则继续进行判断;
将计算的目标特征1-13与分类器系数a1,a2,...,a13进行加权相加,得到计算结果;所述特征1-13分别为时域波形不规则度、时域波形光滑度、时域波形方差、有效反射面积、主峰谱宽、展宽谱宽、频域波形熵、频域波形二阶中心矩、峰值能量比、高频成分含量、奇异值波形衰减速度、奇异值波形稳定程度和奇异值波形能量集中程度;
如果计算值为正,此时判定目标为车,如果计算值为零,定义为未识别,如果计算为负,此时判定为人,结束识别。
下面结合实施例对本发明进行详细说明。
实施例
如图2所示,一种综合时域、频域的雷达目标识别方法,具体步骤为:
第一步、搭建基于时频域特征的雷达目标识别系统,基于时域和频域特征的雷达目标识别系统包括:特征计算模块和判决识别模块。
特征计算模块用于计算目标的特征,包括:(1)时域波形不规则度,(2)时域波形光滑度,(3)时域波形方差,(4)有效反射面积,(5)主峰谱宽,(6)展宽谱宽,(7)频域波形熵,(8)频域波形二阶中心矩,(9)峰值能量比,(10)高频成分含量,(11)奇异值波形衰减速度,(12)奇异值波形稳定程度,(13)奇异值波形能量集中程度,(14)目标速度;
其中特征(1)~(3)为时域特征,特征(4)~(14)为频域特征。
第二步、特征计算模块计算目标特征,针对每个目标,计算如下特征:
首先进行时域信号提取,雷达回波有I、Q两路正交信号,选择两路信号幅值较大的信号作为目标时域波形,假设xn是雷达时域波形的N点序列,n=1,2,...,N;
(1)对时域回波按照式(1)的规则求得时域波形不规则度;
(2)对时域回波按照如下所示的编码规则求取一阶差分编码值,以此提取曲线光滑度:
a)对时域波形求一阶差分,首个采样点编码值为1,进行下一采样点的编码;
b)若当前采样点与上一采样点差分值的符号相同,则当前采样点编码值为前一采样点编码值加1,若当前采样点与上一采样点差分值的符号相反,则把当前采样点的编码设置为1。重复b)求取下一采样点的编码值,直到完成所有编码;
c)对所有采样点的编码值进行相加,最后的和作为目标时域回波曲线光滑度,记为特征2;
(3)求目标时域回波的波形方差;
m为样本中所有采样点的均值;
(4)在最大距离单元号为Rmax的情况下,目标距离单元号为RT,目标峰值功率为Pt,计算目标有效反射面积如式(3)所示,得到目标有效反射面积为PT/GR;
其中,目标距离单元号为RT,目标峰值功率为PT;
(5)对目标时域波形做FFT,假设Xn是雷达时域波形的FFT变换结果,即回波频谱,n=1,2,...,N;以目标所在谱线为中心,统计比峰值功率小6dB以内的最大连续谱宽作为主峰谱宽;
(6)对目标频谱取对数,得到结果为为雷达回波频谱的对数取值;以中目标所在谱线为中心,取阈值为整个频率范围内的幅度均值,遍历左右各十根谱线,若当前谱线的幅值相对于阈值的差值大于目标幅值相对于阈值差值的0.4倍,则该谱线记为一根展宽谱线,记录限定范围内展宽谱线的根数为展宽谱宽,记为特征6。其中,展宽谱线最左侧位置记为下界low,最后侧谱线所在位置记为上界high;
(7)设Nc为杂波区外的谱线根数,对杂波区外的谱线求频域波形熵,如式(4)、(5)所示:
(8)对整个FFT谱线求二阶中心矩
a)首先对FFT谱线进行归一化;
b)按照下式求解二阶中心矩:
(9)设置阈值为整个频率范围内的幅度均值,以目标所在谱线为最大值,以阈值为0,对功率谱线的对数值做归一化,如下式所示:
location表示目标谱线最大值所在位置;
记峰值谱线及左右两根谱线值的平方值和为峰值能量peak_E,展宽谱宽下界low到上界high范围内所有谱线的平方之和为总能量total_E,取峰值能量与总能量的比值作为峰值能量比E_ratio;
E_ratio=peak_E/total_E (11)
(10)对FFT谱线做如下归一化:
设置频带个数为P,将归一化后的序列以间隔P划分帧,则高频成分序列为:
Wk=|k| (14)
k代表第k个频带,将得到的HFC序列按照上式规则再做归一化,设置合理的阈值,判断序列中超过阈值的个数,记高频成分含量;
(11)已知整个范围内谱线,计算自相关矩阵,
令M1=(X1,X2,...,XN),则
令M2=(X2,X3,...,XN,0),则
以此类推,令MN=(XN,0,...,0),则
由此得到自相关矩阵R=R1+R2+…+RN;
对自相关矩阵R做奇异值分解,令W=diag(σ1,σ2,…,σN)表示归一化后的所有奇异值,设置合理阈值,令W1=diag(σ1,σ2,…,σn),其中元素值都大于阈值,记录n为奇异值波形衰减速度;
(12)对W1求方差作为奇异值波形稳定程度;
(13)对W1求波形熵作为奇异值波形能量集中程度;
(14)在雷达回波杂波区外的谱线中找到最大值,该峰值所在位置即为目标的速度号;
第三步、分类器特征加权系数生成
提取样本库中所有回波样本的1~13特征值输入线性支持向量机分类器进行训练,得到线性分类器的分类系数a1,a2,...,a13。1~13特征值分别为时域特征包括时域波形不规则度、时域波形光滑度、时域波形方差,频域特征包括有效反射面积、主峰谱宽、展宽谱宽、频域波形熵、频域波形二阶中心矩、峰值能量比、高频成分含量、奇异值波形衰减速度、奇异值波形稳定程度、奇异值波形能量集中程度。
第四步、判决识别模块给出判决结果,将提取的特征输入识别模块,依次按照如下规则进行筛选比较:
1)如果特征14的值超过一定阈值,如10km/h,此时直接判定目标为车,如果低于阈值,则继续进行判断;特征14为目标速度;
2)将计算的目标特征1-13与分类器系数a1,a2,...,a13进行加权相加,得到计算结果;
3)如果计算值为正,此时判定目标为车,如果计算值为零,定义为未识别,如果计算为负,此时判定为人,结束识别。
本发明实现简单,根据雷达时域回波提取特征,进行FFT,直接在频域提取波形特征,对FFT回波求自相关矩阵并做奇异值分解,对奇异值波形进行特征提取;将提取的特征送入判决模块进行分类,根据人、车各1000个样本的分类实验,准确率达到91%,展示了良好的分类识别能力。
Claims (10)
1.一种联合时频域的地面雷达自动目标识别方法,其特征在于,包括:
对雷达时域回波信号的I、Q两路进行时域特征提取,对雷达时域回波信号经下变频处理后的基带回波信号进行傅里叶变换,提取频域特征;
将提取的时域特征和频域特征送入分类器,根据输出值进行判决。
2.根据权利要求1所述的联合时频域的地面雷达自动目标识别方法,其特征在于,时域特征包括时域波形不规则度、时域波形光滑度、时域波形方差,频域特征包括有效反射面积、主峰谱宽、展宽谱宽、频域波形熵、频域波形二阶中心矩、峰值能量比、高频成分含量、奇异值波形衰减速度、奇异值波形稳定程度、奇异值波形能量集中程度和目标速度。
3.根据权利要求2所述的联合时频域的地面雷达自动目标识别方法,其特征在于,时域波形光滑度的计算方法为:
(a)对时域波形求一阶差分,首个采样点编码值为1,进行下一采样点的编码;
(b)若当前采样点与上一采样点差分值的符号相同,则当前采样点编码值为前一采样点编码值加1,若当前采样点与上一采样点差分值的符号相反,则把当前采样点的编码设置为1;重复步骤(b)求取下一采样点的编码值,直到完成所有编码;
(c)对所有采样点的编码值进行相加,最后的和作为目标时域回波光滑度。
5.根据权利要求2所述的联合时频域的地面雷达自动目标识别方法,其特征在于,主峰谱宽的计算方法为:
对目标时域波形做FFT,假设Xn是雷达时域波形的FFT变换结果,即回波频谱,n=1,2,...,N,以目标所在谱线为中心,统计比峰值功率小6dB以内的最大连续谱宽作为主峰谱宽。
8.根据权利要求1-7任意一项所述的联合时频域的地面雷达自动目标识别方法,其特征在于,将提取的时域特征和频域特征送入分类器,根据输出值进行判决,判决方法为:
如果目标速度的值超过一定阈值,此时直接判定目标为车,如果低于阈值,则继续进行判断;
将计算的目标特征1-13与分类器系数a1,a2,...,a13进行加权相加,得到计算结果;所述特征1-13分别为时域波形不规则度、时域波形光滑度、时域波形方差、有效反射面积、主峰谱宽、展宽谱宽、频域波形熵、频域波形二阶中心矩、峰值能量比、高频成分含量、奇异值波形衰减速度、奇异值波形稳定程度和奇异值波形能量集中程度;
如果计算值为正,此时判定目标为车,如果计算值为零,定义为未识别,如果计算为负,此时判定为人,结束识别。
9.一种联合时频域的地面雷达自动目标识别系统,其特征在于,包括:
特征计算模块,用于计算并获取目标的特征信息,即对雷达时域回波信号的I、Q两路进行时域特征提取,对雷达时域回波信号经下变频处理后的基带回波信号进行傅里叶变换,提取频域特征;时域特征包括时域波形不规则度、时域波形光滑度、时域波形方差,频域特征包括有效反射面积、主峰谱宽、展宽谱宽、频域波形熵、频域波形二阶中心矩、峰值能量比、高频成分含量、奇异值波形衰减速度、奇异值波形稳定程度、奇异值波形能量集中程度和目标速度;
判决识别模块,将提取特征送入设计的分类器中,根据输出判决结果决定目标属性。
10.根据权利要求9所述的联合时频域的地面雷达自动目标识别系统,其特征在于,判决识别模块根据输出判决结果决定目标属性,具体为:
如果目标速度的值超过一定阈值,此时直接判定目标为车,如果低于阈值,则继续进行判断;
将计算的目标特征1-13与分类器系数a1,a2,...,a13进行加权相加,得到计算结果;所述特征1-13分别为时域波形不规则度、时域波形光滑度、时域波形方差、有效反射面积、主峰谱宽、展宽谱宽、频域波形熵、频域波形二阶中心矩、峰值能量比、高频成分含量、奇异值波形衰减速度、奇异值波形稳定程度和奇异值波形能量集中程度;
如果计算值为正,此时判定目标为车,如果计算值为零,定义为未识别,如果计算为负,此时判定为人,结束识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911312274.3A CN111175718B (zh) | 2019-12-18 | 2019-12-18 | 联合时频域的地面雷达自动目标识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911312274.3A CN111175718B (zh) | 2019-12-18 | 2019-12-18 | 联合时频域的地面雷达自动目标识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111175718A true CN111175718A (zh) | 2020-05-19 |
CN111175718B CN111175718B (zh) | 2023-08-08 |
Family
ID=70622515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911312274.3A Active CN111175718B (zh) | 2019-12-18 | 2019-12-18 | 联合时频域的地面雷达自动目标识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111175718B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112349102A (zh) * | 2020-10-29 | 2021-02-09 | 深圳大学 | 一种车型分类方法、装置、计算机设备及存储介质 |
CN112462335A (zh) * | 2021-01-26 | 2021-03-09 | 四川写正智能科技有限公司 | 一种多功能3d雷达收发器及运作方法 |
CN113156382A (zh) * | 2021-04-13 | 2021-07-23 | 中国科学院微电子研究所 | 用于车载测距雷达的信号识别方法及装置 |
CN113158874A (zh) * | 2021-04-16 | 2021-07-23 | 杭州像素元科技有限公司 | 一种基于傅里叶变换自适应深度学习算法的高速公路团雾检测方法 |
CN114114266A (zh) * | 2022-01-24 | 2022-03-01 | 北京宏锐星通科技有限公司 | 对合成孔径雷达的侦测方法及装置 |
CN117331047A (zh) * | 2023-12-01 | 2024-01-02 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的人体行为数据分析方法及系统 |
CN117826113A (zh) * | 2024-03-05 | 2024-04-05 | 湖南赛能环测科技有限公司 | 一种深度感知的雷达微信号检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077787A (zh) * | 2014-07-08 | 2014-10-01 | 西安电子科技大学 | 一种基于时域和多普勒域的飞机目标分类方法 |
CN105044701A (zh) * | 2015-08-05 | 2015-11-11 | 西安电子科技大学 | 基于稳健性时频特征的地面目标分类方法 |
CN107783130A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 基于组合波形的无人驾驶汽车复杂环境防碰撞系统信号处理方法 |
CN108594195A (zh) * | 2018-04-20 | 2018-09-28 | 西安电子科技大学 | 基于分割混频的低重频调频连续波雷达飞机目标分类方法 |
CN108919216A (zh) * | 2018-04-03 | 2018-11-30 | 北京环境特性研究所 | 一种微动特征获取方法及装置 |
CN110109109A (zh) * | 2019-04-26 | 2019-08-09 | 西安电子科技大学 | 基于多分辨率注意力卷积网络的hrrp目标识别方法 |
CN110361725A (zh) * | 2018-04-11 | 2019-10-22 | 英飞凌科技股份有限公司 | 使用毫米波雷达进行人类检测和识别的系统和方法 |
CN110554368A (zh) * | 2019-08-29 | 2019-12-10 | 北京理工大学 | 一种基于四维信息权重的人车识别方法 |
-
2019
- 2019-12-18 CN CN201911312274.3A patent/CN111175718B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077787A (zh) * | 2014-07-08 | 2014-10-01 | 西安电子科技大学 | 一种基于时域和多普勒域的飞机目标分类方法 |
CN105044701A (zh) * | 2015-08-05 | 2015-11-11 | 西安电子科技大学 | 基于稳健性时频特征的地面目标分类方法 |
CN107783130A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 基于组合波形的无人驾驶汽车复杂环境防碰撞系统信号处理方法 |
CN108919216A (zh) * | 2018-04-03 | 2018-11-30 | 北京环境特性研究所 | 一种微动特征获取方法及装置 |
CN110361725A (zh) * | 2018-04-11 | 2019-10-22 | 英飞凌科技股份有限公司 | 使用毫米波雷达进行人类检测和识别的系统和方法 |
CN108594195A (zh) * | 2018-04-20 | 2018-09-28 | 西安电子科技大学 | 基于分割混频的低重频调频连续波雷达飞机目标分类方法 |
CN110109109A (zh) * | 2019-04-26 | 2019-08-09 | 西安电子科技大学 | 基于多分辨率注意力卷积网络的hrrp目标识别方法 |
CN110554368A (zh) * | 2019-08-29 | 2019-12-10 | 北京理工大学 | 一种基于四维信息权重的人车识别方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112349102A (zh) * | 2020-10-29 | 2021-02-09 | 深圳大学 | 一种车型分类方法、装置、计算机设备及存储介质 |
CN112462335A (zh) * | 2021-01-26 | 2021-03-09 | 四川写正智能科技有限公司 | 一种多功能3d雷达收发器及运作方法 |
CN112462335B (zh) * | 2021-01-26 | 2021-05-18 | 四川写正智能科技有限公司 | 一种多功能3d雷达收发器及运作方法 |
CN113156382A (zh) * | 2021-04-13 | 2021-07-23 | 中国科学院微电子研究所 | 用于车载测距雷达的信号识别方法及装置 |
CN113156382B (zh) * | 2021-04-13 | 2023-12-01 | 中国科学院微电子研究所 | 用于车载测距雷达的信号识别方法及装置 |
CN113158874A (zh) * | 2021-04-16 | 2021-07-23 | 杭州像素元科技有限公司 | 一种基于傅里叶变换自适应深度学习算法的高速公路团雾检测方法 |
CN114114266A (zh) * | 2022-01-24 | 2022-03-01 | 北京宏锐星通科技有限公司 | 对合成孔径雷达的侦测方法及装置 |
CN117331047A (zh) * | 2023-12-01 | 2024-01-02 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的人体行为数据分析方法及系统 |
CN117826113A (zh) * | 2024-03-05 | 2024-04-05 | 湖南赛能环测科技有限公司 | 一种深度感知的雷达微信号检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111175718B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111175718B (zh) | 联合时频域的地面雷达自动目标识别方法及系统 | |
Liu et al. | Deep learning and recognition of radar jamming based on CNN | |
CN107290741B (zh) | 基于加权联合距离时频变换的室内人体姿态识别方法 | |
CN110133599B (zh) | 基于长短时记忆模型的智能雷达辐射源信号分类方法 | |
CN111722188B (zh) | 基于stft预分选的pri变换雷达信号分选方法 | |
CN104851097B (zh) | 基于目标形状与阴影辅助的多通道sar‑gmti方法 | |
CN101587186B (zh) | 一种雷达脉内调制信号的特征提取方法 | |
CN106709928A (zh) | 一种快速的含噪图像二维最大类间方差阈值法 | |
CN109901130B (zh) | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 | |
CN108469602B (zh) | 一种基于谱特征提取的脉冲信号类型自动判别方法 | |
CN109471074A (zh) | 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 | |
Li et al. | Radar signal recognition algorithm based on entropy theory | |
CN103064063A (zh) | 基于cwd特征的多相编码雷达信号波形自动识别方法 | |
CN113657491A (zh) | 一种用于信号调制类型识别的神经网络设计方法 | |
CN112137620B (zh) | 一种基于超宽带雷达的人体微弱呼吸信号检测方法 | |
CN111401168A (zh) | 一种无人机的多层雷达特征提取与选择方法 | |
CN104199007A (zh) | 基于最近邻一类分类器的雷达分布式地面目标鉴别方法 | |
Yar et al. | A complete framework of radar pulse detection and modulation classification for cognitive EW | |
CN113640768B (zh) | 一种基于小波变换的低分辨雷达目标识别方法 | |
CN113780521B (zh) | 一种基于深度学习的辐射源个体识别方法 | |
Yang et al. | Radar emitter signal recognition based on time-frequency analysis | |
CN110764152A (zh) | 一种无人机快速检测与识别的装置及方法 | |
Li et al. | Multi-scale ships detection in high-resolution remote sensing image via saliency-based region convolutional neural network | |
CN108549076B (zh) | 一种基于速度节奏图的多种类无人机场景识别方法 | |
CN109766899B (zh) | 物理特征提取和svm的sar图像车辆目标识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |