CN112269173A - 一种多平台雷达一维图像信号进行融合的方法 - Google Patents
一种多平台雷达一维图像信号进行融合的方法 Download PDFInfo
- Publication number
- CN112269173A CN112269173A CN202011520465.1A CN202011520465A CN112269173A CN 112269173 A CN112269173 A CN 112269173A CN 202011520465 A CN202011520465 A CN 202011520465A CN 112269173 A CN112269173 A CN 112269173A
- Authority
- CN
- China
- Prior art keywords
- radar
- target
- formula
- sensor
- sampling
- 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
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/52—Discriminating between fixed and moving objects or between objects moving at different speeds
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种多平台雷达一维图像信号进行融合的方法,该方法通过迭代的内插外推方法对多平台雷达信号进行时空配准;选择合适的特征参数通过回波生成及傅里叶变换等对一维图像信号进行特征提取;通过支持向量机对提取的多平台雷达图像特征矩阵进行特征分类;通过设计一致性检测修正结果;依据分类后的决策矩阵对多平台雷达一维像信号进行融合重构,得到目标的二维轮廓图像。本发明能有效地提高雷达对于同一目标形成的图像信号的精度,减少多平台雷达信号的时空偏差,将一维的雷达信号融合提升至二维的图像信息,从而增加雷达信号的信息量,可用于目标大小识别、目标型号初分类等,为后续作战态势分析和临机筹划提供更加准确的依据。
Description
技术领域
本发明涉及人工智能、目标融合、态势感知等领域,尤其涉及一种多平台雷达一维图像信号进行融合的方法。
背景技术
近年来,新军事技术革命以获取及时、准确、连续、完整和一致的战场态势为目标对对信息融合提出了新需求,以支持情报预警、作战决策、指挥控制、火力打击等作战活动。为了对战场目标进行完整全面的感知,地面、舰船、飞机等均安装了大量的雷达传感器,对环境及目标信息进行实时的采集。
为了克服单个平台识别能力不足的问题,需网络化运用地面雷达、预警机雷达、雷达舰载雷达等多平台装备装备进行协同感知,这样大量的雷达传感器数据被同时反馈,传统的方法是单个装备处理雷达回波后上报最终结果,再由多平台综合系统进行综合处理,决策一个结果,这种模式丢失了雷达回波本身的特征信息,降低了识别的及时性和准确性。此时需要引入特征层级的融合模块,进行更深层次信息的整合和筛选,以对当前目标进行实时分析,其分析结果可以用于态势研判或上报控制中心用于打击支持,从而减轻作战人员的负担,常用的方法有支持向量机、贝叶斯推理、模糊认知图等,使用贝叶斯推理构建的态势感知网络具有网络架构层级清晰的优势,但先验概率难以确定;使用模糊认知图的方法也过于依赖专家经验。
在战场实际应用过程中,各平台的雷达传感器数据常会受到战场环境、敌方干扰等因素的影响,会导致部分数据缺损、失效等情况,极大概率是小样本数据,单个装备难以识别、反应慢,直接对雷达传感器进行态势感知是不足以支撑战场指挥决策系统,从而极大地影响战场精确打击的效率,因此以战场感知为基础的信息融合至关重要,它不仅能提高态势信息的精准度,还能通过融合得到的更为清晰的目标图像等详细情报为战场临机反应提供决胜条件。因此急需突破小样本数据下多雷达一维图像融合方法,提升对敌方平台类别的感知和型号的分类,可以极大地提升战场态势感知的信息量。
发明内容
发明目的:本发明的目的在于基于支持向量机SVM对多平台雷达返回的一维图像数据进行图像融合,得到目标的二维轮廓信号,从而用于判定目标大小以及结合知识库分辨目标类型、目标型号等信息。
技术方案:通过迭代的内插外推方法对多平台雷达信号进行时空配准;选择合适的特征参数通过回波生成及傅里叶变换等对一维图像信号进行特征提取;通过支持向量机对提取的多平台雷达图像特征矩阵进行特征分类;通过设计一致性检测修正结果;设计融合规则依据分类后的特征矩阵对图像信号进行融合重构,实现雷达一维图像信号信息结合成二维图像。
步骤1:多平台雷达信号的空配准:采用迭代的外推内插法对两台雷达信号数据进行时空配准;
步骤2:雷达目标检测:对雷达一维像进行特征提取,形成多平台一维像的特征矩阵;
步骤3:设计基于支持向量机的分类器,以同一目标的雷达信号为正分类,将回波中的杂波剔除,并设置滤波算子的方式对决策矩阵进行一致性检验;
步骤4:基于决策结果对正分类的特征向量对应的雷达回波进行融合重构,得到雷达目标的轮廓图像。
步骤1包括如下步骤:
步骤1-1:利用缓存建立雷达传感器信号池,提取雷达所带的经纬度信息,选取经纬度差值在N1(一般取值为5)公里范围内的雷达作为位置相近的多平台雷达,将位置相近的多平台雷达的信号键值对放入雷达传感器信号池中;
步骤1-2:对于两个雷达信号,采用外推内插法进行时空配准,算出空间坐标;
步骤1-3:对于两个以上的多平台雷达信号,设计迭代外推内插法进行配准,先从雷达传感器信号池中取3组键值对进行时空配准,得到临时配准的键值对;
步骤 1-4:从雷达传感器信号池中剩余键值对里取2组与临时配准的键值对进行时空配准,依次迭代直至得到最终的配准结果。
步骤1-2包括如下步骤:
步骤1-2-1:设传感器在时刻的坐标值为,在这三个方向上的速
度为,传感器在时刻的测量坐标为,在这三个方向上的速
度为,传感器向传感器的配准数据为,采用坐
标系为大地坐标系,其以地球圆心为原点,x坐标为大地经度,y坐标为大地维度,z坐标为大
地高度;
对于x方向,内插外推的配准公式为:
对于y方向,内插外推的配准公式为:
对于z方向,内插外推的配准公式为:
其中表示传感器的第i个取样时刻,i的取值范围为1到n的整数;表示传感器的第i个取样时刻,i的取值范围为1到n的整数;为传感器的采样目标第m次取样
时在x方向上的速度;为传感器的采样目标第m次取样在x方向上的坐标;为传
感器向传感器在x轴方向上的配准数据,为传感器向传感器在y轴方向上
的配准数据, 为传感器向传感器在z轴方向上的配准数据,其中采样n次采样m次;为传感器的采样目标第m次取样时在y方向上的速度;为传感器的采样目标第n次取样在y方向上的坐标;为传感器的采样目标第m次取样时在z
轴方向上的速度;为传感器的采样目标第n次取样在z方向上的坐标。
步骤1-3包括如下步骤:
步骤1-3-1:从各平台返回的雷达传感器信号池中随机选择由三个不同平台雷达返回
的同一目标的数据,设目标处于匀加速运动状态,雷达传感器在相应时刻及其采样数据对
为,其中分别为三个不同的采样时间,
为这三个时间所测得的目标距雷达传感器的距离数据;采样周期为T,时空配准后的数据记
为, 分别表示配准后的采样时刻和配准后的目标距离数据,则
目标在采样时刻和之间的加速度为:
步骤1-3-3:配准数据计算公式为:
步骤1-4包括如下步骤:
步骤1-4-1:继续在雷达传感器信号池中取两组剩余的数值对,与步骤1-3中求得的继续应用公式(4)配准得到新的采样时刻和目标距离数据,依次
迭代直至雷达的时间线被配准,最终得到多平台雷达的配准时空数据。
步骤2包括如下步骤:
步骤2-1:提取五种一维像使用的目标特征向量,包括:频谱幅度特征、自相关函数特征、双谱特征、径向积分双谱特征和圆周积分双谱特征。
步骤2-1包括如下步骤:
步骤2-1-2:提取自相关函数特征:
步骤2-1-3:提取双谱特征:
步骤2-1-4:提取径向积分双谱特征:
步骤2-1-5:提取圆周积分双谱特征:
步骤3包括如下步骤:
步骤3-1:给定训练样本集,其中是与自变量相关的多对值,i取值为1到n,
n为样本总数,例如:第i次采样时间及其对应的采样数据;设超平面记为,满
足;其中是向量x在法向量W方向上的投影长度,是权重向量,,n是属性数,是第n个属性,b是偏移量;超平面将样本
分为两类,将超平面左侧的称为负类,右侧称为正类,从分离超平面到正类和负类平面的距
离均为,则正负两类的数据间隔为,其中是欧几里得范数,对于,有;
(公式14)
为了解决线性分类问题,实现一个支持向量机要解决如下两个问题:
(1)找到一个线性映射,能够将线性不可分数据映射到高维线性可分空间;
(2) 定义一个优化函数,用于支持向量机在高维特征空间中获得线性决策边界;
根据雷达信号中的类型、种类、敌我属性、经度、纬度、高度、速度信息选取同一目标的雷达信号键值对为正样本,杂波数据为负样本,以雷达信号的特征矩阵为输入,采用交叉验证的方式来确定支持向量机的参数和惩罚因子C,得到最终的决策矩阵。
步骤4包括如下步骤:
步骤4-1:通过SVM支持向量机对各平台雷达信号的回波进行分类,区分出杂波和有效回波信号;剔除杂波后的雷达一维像信号均属于同一目标,此时通过融合重构,将同一目标多角度的雷达信号旋转组合,得到目标对象的二维轮廓图像。
本发明具有如下有益效果:通过对多平台雷达一维像的融合,可以将雷达返回的图像信号从简单的距离、长度等一维数据升维至二维图像信息,得到目标的轮廓图,目标轮廓图不仅对于判断目标类型至关重要,且可以结合专家系统或武器装备知识库等,通过轮廓图研判目标机型、舰型等,提升态势信息量辅助战场依据态势的指挥决策。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1是多平台雷达一维像分类后融合成二维目标流程图。
图2是支持向量机超平面分类原理图。
图3是最优超平面分类间距离最大原理图。
图4是多平台雷达一维像分类后融合成二维目标原理图。
具体实施方式
结合图1、图2、图3、图4,本发明实现的基于支持向量机进行的多平台雷达一维像信号融合的的步骤如下:
第一步:多平台雷达信号时空配准
对于不同平台雷达返回的图像数据(含RCS、一维像、二维像),可采用迭代的外推内插法进行时间配准。设空间内有N个雷达传感器,
(1)对于N=2的雷达型号时间配准,仅需对传感器及应用外推内退方法,将传感器和中的高精度时间推至低精度时间,得到临时配准的时间精度信号,使二者时间同步,配准公式如下:
对于x方向,内插外推的配准公式为:
对于y方向,内插外推的配准公式为:
对于z方向,内插外推的配准公式为:
其中表示传感器的第i个取样时刻,i的取值范围为1到n的整数;表示传感器的第i个取样时刻,i的取值范围为1到n的整数;为传感器的采样目标第m次取样
时在x方向上的速度;为传感器的采样目标第m次取样在x方向上的坐标;为传
感器向传感器在x轴方向上的配准数据,为传感器向传感器在y轴方向上
的配准数据, 为传感器向传感器在z轴方向上的配准数据,其中采样n次
采样m次;为传感器的采样目标第m次取样时在y方向上的速度;为传感器的
采样目标第n次取样在y方向上的坐标;为传感器的采样目标第m次取样时在z轴方
向上的速度;为传感器的采样目标第n次取样在z方向上的坐标。
采用坐标系为大地坐标系,又称参心坐标系统,地心坐标系统,其以地球圆心为原点,x坐标为大地经度,y坐标为大地维度,z坐标为大地高度。
(2)对于N>2数量的雷达信号,本发明提出迭代式的外推内插方法:
(2-1)从各平台返回的雷达传感器信号池中随机选择由三个不同平台雷达返回的同一
目标的数据,设目标处于匀加速运动状态,雷达传感器在相应时刻及其采样数据对为,其中分别为三个不同的采样时间, 为这三
个时间所测得的目标距雷达传感器的距离数据;采样周期为T,时空配准后的数据记为, 分别表示配准后的采样时刻和配准后的目标距离数据,则目标在
采样时刻和之间的加速度为:
配准数据计算公式为:
(2-2)继续在雷达传感器信号池中取两组剩余的数值对,与求得的继续
应用公式(4)配准得到新的采样时刻和目标距离数据,分别表示新的
配准后的时间和配准后目标距雷达传感器的距离,依次迭代直至雷达的时间线
被配准,分别表示的采样时间和采样时目标距的距离,最终得到多平台雷达的配
准时空数据键值对(最终配准后的时间,最终配准后的目标距传感器距离),记为。
第二步,对雷达一维像数据进行特征提取。
雷达目标上有散射系数较大的点构成目标的散射中心,其在雷达视线上的分布情
况形成了目标的一维距离像,由于散射中心截面积与目标的姿态角有关,为了避免散射种
中心被遮蔽,为了提取全方位姿态角下目标的一维像的特征,需要生成一维距离像的回波,
在回波上提取特征向量形成特征矩阵。一维距离像的特征提取,将测量空间的高维表示转
换为特征空间的低维表示,本发明提取五种一维像常用的目标特征向量如
下公式(5-13):
1)频谱幅度特征:
2)自相关函数特征:
3)双谱特征:
4)径向积分双谱:
设信号长度为N,径向积分双谱特征为:
5)圆周积分双谱:
对于连续数据,圆周积分双谱是双谱在以原点为圆心的一组同心圆上的积分,表示为:
第三步,加入SVM进行特征分类决策:
支持向量机作为一种监督学习方法,以统计学习理论和结构风险最小化原理为基础,完成对线性和非线性数据的分类。其基本思想是在小样本群体中,折衷选取合适的置信值和经验风险,找到能够将样本线性分类的超平面,使每个类别之间分类间隔最大,从而减小实际风险值。对于在低维空间线性不可分的数据,则通过一定的方法将数据映射到高维,从而在高维空间中找到理想的分类平面。
支持向量机寻找最优超平面的过程就是一个求解凸优化问题的过程,以二分类的
支持向量机为例,给定训练样本集,设超平面记为,满足。其中是向量x在法向量W方向上的投影长度,W是权重向量,即,n是属性数,b是偏移量。由图2可以看出,超平面将样本分
为两类,将超平面左侧的称为负类,右侧称为正类。 由此可见,从分离超平面到正类和负类
平面的距离均为,则正负两类的数据间隔为,其中是欧几里得范数,对于,有。
支持向量机对于最优超平面的要求是使得分类后数据之间间隔最大,如图3中可
以看出,分离平面Y2产生的分类距离小于分离平面Y1产生的分类距离,且可见使得值最
大的情况正是Y1情况。因此,找最优超平面的过程就转化为求的过程,引入拉格朗
日函数后转化为公式14:
其中为拉格朗日函数,为拉格朗日乘子,为了求最小值需要对和求偏导,并
令偏导值为0,则可以得到所求的最优平面。在实际应用中,针对非线性数据的分类情况,需
要引入松弛变量和惩罚系数C,使得实际应用中求支持向量机最优超平面的公式转化为
公式,其中i为样本编号N为样本总数:
支持向量机通过寻找最优超平面可以完成对线性以及非线性小样本数据的分类,上述运算中仅涉及训练集样本之间的内积运算,SVM在高维空间解决了复杂运算的问题,有效地避免了维灾难的发生。
具体介绍支持向量机在图像融合过程中的应用方式,并对支持向量机的取样机制、分类结果进行优化。为了解决线性分类问题,实现一个支持向量机必须要解决两个核心问题:
①找到一个线性映射,能够将线性不可分数据映射到高维线性可分空间;
②定义一个优化函数,用于支持向量机在高维特征空间中获得线性决策边界。
第一个问题的解决方案是引入核函数的概念,本发明选择径向基函数作为支持向量机的核函数。通常在对所给数据先验知识不足的情况下,应该选择使用具有平滑性的内核,因此RBF核在此处是一个较好的选择,该核函数表示为:
对于公式(16)中参数和公式(17)中的惩罚因子C,这两个参数的选择不当可能导致
过度拟合,而适当的选择这两个参数则可以产生支持向量机的合理结构。本文根据雷达信
号中的类型、种类、敌我属性、经度、纬度、高度、速度等信息选取同一目标的雷达信号键值
对为正样本,杂波数据为负样本,采用交叉验证的方式来确定这两个参数。五个特征向量的
计算将遵照公式(5)-(13)。
第四步根据决策矩阵融合雷达一维像信号:
通过SVM将对各平台雷达信号的回波进行分类,区分出杂波和有效回波信号。剔除杂波后的雷达一维像信号均属于同一目标,此时可通过融合重构,将同一目标多角度的雷达信号旋转组合,得到目标对象的二维轮廓图像。该图像可用于识别目标大小或在知识库中匹配目标类型。如图4,对于同一目标的雷达信号存在杂波×和信号回波O,当雷达信号波连续辐射目标时,可通过将去掉杂波并准确分类为当前目标的雷达信号作为轮廓点进行融合,大量连续的回波信号可融合成目标的线性轮廓点,能够通过目标轮廓确认目标类型,还可以根据知识库来预估目标型号,例如飞机型号等。
本发明提供了一种多平台雷达一维图像信号进行融合的方法,具体实现该技术方案的方法和途径很多,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。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (9)
1.一种多平台雷达一维图像信号进行融合的方法,其特征在于,包括如下步骤:
步骤1:多平台雷达信号的空配准:采用迭代的外推内插法对两台雷达信号数据进行时空配准;
步骤2:雷达目标检测:对雷达一维像进行特征提取,形成多平台一维像的特征矩阵;
步骤3:设计基于支持向量机的分类器,以同一目标的雷达信号为正分类,将回波中的杂波剔除,并设置滤波算子的方式对决策矩阵进行一致性检验;
步骤4:基于决策结果对正分类的特征向量对应的雷达回波进行融合重构,得到雷达目标的轮廓图像。
2.根据权利要求1所述的方法,其特征在于,步骤1包括如下步骤:
步骤1-1:利用缓存建立雷达传感器信号池,提取雷达所带的经纬度信息,选取经纬度差值在N1公里范围内的雷达作为位置相近的多平台雷达,将位置相近的多平台雷达的信号键值对放入雷达传感器信号池中;
步骤1-2:对于两个雷达信号,采用外推内插法进行时空配准,算出空间坐标;
步骤1-3:对于两个以上的多平台雷达信号,设计迭代外推内插法进行配准,先从雷达传感器信号池中取3组键值对进行时空配准,得到临时配准的键值对;
步骤 1-4:从雷达传感器信号池中剩余键值对里取2组与临时配准的键值对进行时空配准,依次迭代直至得到最终的配准结果。
3.根据权利要求2所述的方法,其特征在于,步骤1-2包括如下步骤:
步骤1-2-1:设传感器在时刻的坐标值为,在这三个方向上的速度为,传感器在时刻的测量坐标为,在这三个方向上的速度
为,传感器向传感器的配准数据为,采用坐标系
为大地坐标系,其以地球圆心为原点,x坐标为大地经度,y坐标为大地维度,z坐标为大地高
度;
对于x方向,内插外推的配准公式为:
对于y方向,内插外推的配准公式为:
对于z方向,内插外推的配准公式为:
6.根据权利要求5所述的方法,其特征在于,步骤2包括如下步骤:
步骤2-1:提取五种一维像使用的目标特征向量,包括:频谱幅度特征、自相关函数特征、双谱特征、径向积分双谱特征和圆周积分双谱特征。
7.根据权利要求6所述的方法,其特征在于,步骤2-1包括如下步骤:
步骤2-1-2:提取自相关函数特征:
步骤2-1-3:提取双谱特征:
步骤2-1-4:提取径向积分双谱特征:
步骤2-1-5:提取圆周积分双谱特征:
8.根据权利要求7所述的方法,其特征在于,步骤3包括如下步骤:
步骤3-1:给定训练样本集,其中是与自变量相关的多对值,i取值为1到n,n为样本总数;设超平面记为,满足;其中是向量x在法向量W方向上的投影长度,是权重向量,,n是属性数,是第n个属性,b是偏移量;超平面将样本分为两类,将超平面左侧的称为负类,右侧称为正类,从分离超平面到正类和负类平面的距离均为,则正负两类的数据间隔为,其中是欧几里得范数,对于,有;
(公式14)
为了解决线性分类问题,实现一个支持向量机要解决如下两个问题:
(1)找到一个线性映射,能够将线性不可分数据映射到高维线性可分空间;
(2) 定义一个优化函数,用于支持向量机在高维特征空间中获得线性决策边界;
根据雷达信号中的类型、种类、敌我属性、经度、纬度、高度、速度信息选取同一目标的雷达信号键值对为正样本,杂波数据为负样本,以雷达信号的特征矩阵为输入,采用交叉验证的方式来确定支持向量机的参数和惩罚因子C,得到最终的决策矩阵。
9.根据权利要求8所述的方法,其特征在于,步骤4包括如下步骤:
步骤4-1:通过SVM支持向量机对各平台雷达信号的回波进行分类,区分出杂波和有效回波信号;剔除杂波后的雷达一维像信号均属于同一目标,此时通过融合重构,将同一目标多角度的雷达信号旋转组合,得到目标对象的二维轮廓图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011520465.1A CN112269173B (zh) | 2020-12-21 | 2020-12-21 | 一种多平台雷达一维图像信号进行融合的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011520465.1A CN112269173B (zh) | 2020-12-21 | 2020-12-21 | 一种多平台雷达一维图像信号进行融合的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112269173A true CN112269173A (zh) | 2021-01-26 |
CN112269173B CN112269173B (zh) | 2021-03-09 |
Family
ID=74350089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011520465.1A Active CN112269173B (zh) | 2020-12-21 | 2020-12-21 | 一种多平台雷达一维图像信号进行融合的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112269173B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114398442A (zh) * | 2022-01-25 | 2022-04-26 | 中国电子科技集团公司第十研究所 | 一种基于数据驱动的情报处理系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102680955A (zh) * | 2012-06-08 | 2012-09-19 | 中国电子科技集团公司第二十八研究所 | 一种雷达组网系统误差配准方法 |
CN103218623A (zh) * | 2013-04-24 | 2013-07-24 | 南京理工大学 | 基于自适应近邻保持鉴别投影的雷达目标特征提取方法 |
CN103955701A (zh) * | 2014-04-15 | 2014-07-30 | 浙江工业大学 | 多层次结合的多视合成孔径雷达图像目标识别方法 |
CN104007426A (zh) * | 2014-05-16 | 2014-08-27 | 中国人民解放军空军装备研究院雷达与电子对抗研究所 | 一种基于lse(最小方差估计)的ads与雷达信息系统误差配准算法 |
CN105528619A (zh) * | 2015-12-10 | 2016-04-27 | 河海大学 | 基于小波变换和svm的sar遥感影像变化检测方法 |
US20190049986A1 (en) * | 2017-12-29 | 2019-02-14 | Intel IP Corporation | Working condition classification for sensor fusion |
CN110414396A (zh) * | 2019-07-19 | 2019-11-05 | 中国人民解放军海军工程大学 | 一种基于深度学习的无人艇感知融合算法 |
CN110533695A (zh) * | 2019-09-04 | 2019-12-03 | 深圳市唯特视科技有限公司 | 一种基于ds证据理论的轨迹预测装置及方法 |
-
2020
- 2020-12-21 CN CN202011520465.1A patent/CN112269173B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102680955A (zh) * | 2012-06-08 | 2012-09-19 | 中国电子科技集团公司第二十八研究所 | 一种雷达组网系统误差配准方法 |
CN103218623A (zh) * | 2013-04-24 | 2013-07-24 | 南京理工大学 | 基于自适应近邻保持鉴别投影的雷达目标特征提取方法 |
CN103955701A (zh) * | 2014-04-15 | 2014-07-30 | 浙江工业大学 | 多层次结合的多视合成孔径雷达图像目标识别方法 |
CN104007426A (zh) * | 2014-05-16 | 2014-08-27 | 中国人民解放军空军装备研究院雷达与电子对抗研究所 | 一种基于lse(最小方差估计)的ads与雷达信息系统误差配准算法 |
CN105528619A (zh) * | 2015-12-10 | 2016-04-27 | 河海大学 | 基于小波变换和svm的sar遥感影像变化检测方法 |
US20190049986A1 (en) * | 2017-12-29 | 2019-02-14 | Intel IP Corporation | Working condition classification for sensor fusion |
CN110414396A (zh) * | 2019-07-19 | 2019-11-05 | 中国人民解放军海军工程大学 | 一种基于深度学习的无人艇感知融合算法 |
CN110533695A (zh) * | 2019-09-04 | 2019-12-03 | 深圳市唯特视科技有限公司 | 一种基于ds证据理论的轨迹预测装置及方法 |
Non-Patent Citations (1)
Title |
---|
栾铸徵等: "基于贝叶斯估计特征分布融合的目标分类方法", 《空军预警学院学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114398442A (zh) * | 2022-01-25 | 2022-04-26 | 中国电子科技集团公司第十研究所 | 一种基于数据驱动的情报处理系统 |
CN114398442B (zh) * | 2022-01-25 | 2023-09-19 | 中国电子科技集团公司第十研究所 | 一种基于数据驱动的情报处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112269173B (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pei et al. | SAR automatic target recognition based on multiview deep learning framework | |
Kampffmeyer et al. | Semantic segmentation of small objects and modeling of uncertainty in urban remote sensing images using deep convolutional neural networks | |
Perlovsky et al. | Model-based neural network for target detection in SAR images | |
Wang et al. | Deep learning-based UAV detection in pulse-Doppler radar | |
Coman | A deep learning SAR target classification experiment on MSTAR dataset | |
CN110018453B (zh) | 基于飞机航迹特征的智能机型识别方法 | |
Jordanov et al. | Classifiers accuracy improvement based on missing data imputation | |
CN108537121B (zh) | 气象环境参数与图像信息融合的自适应遥感场景分类方法 | |
CN108256436A (zh) | 一种基于联合分类的雷达hrrp目标识别方法 | |
Hummel | Model-based ATR using synthetic aperture radar | |
Haque et al. | Spectral-spatial feature extraction using PCA and multi-scale deep convolutional neural network for hyperspectral image classification | |
Malmgren-Hansen et al. | Training convolutional neural networks for translational invariance on SAR ATR | |
CN111401168A (zh) | 一种无人机的多层雷达特征提取与选择方法 | |
CN112269173B (zh) | 一种多平台雷达一维图像信号进行融合的方法 | |
CN109558803B (zh) | 基于卷积神经网络与np准则的sar目标鉴别方法 | |
CN112906564B (zh) | 用于无人机载sar图像自动目标识别的智能决策支持系统设计及实现方法 | |
Cromwell et al. | Lidar cloud detection with fully convolutional networks | |
CN107729903A (zh) | 基于区域概率统计和显著性分析的sar图像目标检测方法 | |
CN115272856B (zh) | 舰船目标细粒度识别方法及设备 | |
Wang et al. | An aircraft target detection method based on regional convolutional neural network for remote sensing images | |
CN115511853A (zh) | 基于方向可变特征的遥感船舶检测与识别方法 | |
CN106874928B (zh) | 跟踪目标突发关键事件自动判决方法及系统 | |
CN108106500A (zh) | 一种基于多传感器的导弹目标类型识别方法 | |
Yuankui et al. | Automatic target recognition of ISAR images based on Hausdorff distance | |
CN109829385A (zh) | 一种精细识别空间目标的光谱模式识别方法 |
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 |