CN112285667A - 一种基于神经网络的反地杂波处理方法 - Google Patents

一种基于神经网络的反地杂波处理方法 Download PDF

Info

Publication number
CN112285667A
CN112285667A CN202011515666.2A CN202011515666A CN112285667A CN 112285667 A CN112285667 A CN 112285667A CN 202011515666 A CN202011515666 A CN 202011515666A CN 112285667 A CN112285667 A CN 112285667A
Authority
CN
China
Prior art keywords
training
clutter
attribute
target
neural network
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
Application number
CN202011515666.2A
Other languages
English (en)
Inventor
李寰驰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Tianlang Defense Technology Co ltd
Original Assignee
Nanjing Tianlang Defense Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Tianlang Defense Technology Co ltd filed Critical Nanjing Tianlang Defense Technology Co ltd
Priority to CN202011515666.2A priority Critical patent/CN112285667A/zh
Publication of CN112285667A publication Critical patent/CN112285667A/zh
Pending legal-status Critical Current

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开一种基于神经网络的反地杂波处理方法，包括以下步骤：步骤一，构造不同杂波背景下的雷达回波数据，形成检测样本数据库；步骤二，将检测样本数据库随机分成训练样本和测试样本；步骤三，对原始图像数据进行中值滤波去噪并做归一化处理；步骤四，利用样本数据库的训练集样本对卷积神经网络进行训练，用决策树分类器进行决策分类，观察训练准确率和损失函数随训练次数变化的曲线，得到训练成熟的网络；步骤五，利用样本数据库的测试集样本对训练成熟的模型进行测试；再将检测结果与设定标签进行统计分析，计算分类目标和杂波的准确率。该方法基于神经网络算法反地杂波，降低了对雷达相参性的要求，提高了反地杂波能力。

Description

一种基于神经网络的反地杂波处理方法
技术领域
本发明涉及雷达信号处理技术领域，特别是一种基于神经网络的反地杂波处理方法。
背景技术
近年来，无人机违法飞行事件、鸟击事件等发生的频率逐年增加。无人机和鸟类等均属于非合作低慢小目标。由于低慢小目标飞行高度低、飞行速度慢、回波强度小，很容易被环境遮挡或淹没在环境杂波中，且存在多种干扰目标影响对低慢小目标的探测及跟踪，因此对低慢小目标的探测一直是雷达领域的难点。
传统雷达中，一般采用脉冲压缩、相干累积、动目标显示(MTI)、动目标检测(MTD)、恒虚警率(CFAR)检测、杂波图(Clutter Map)检测等信号处理及数据处理算法提高信杂比(SCR)和抑制杂波。针对平稳（空域平稳或时域平稳）、均匀杂波环境下的目标检测和杂波抑制问题，传统的信号处理算法的性能已经足够优秀。而机场或城市的环境相对复杂，很多杂波的幅度特性和频谱特性与目标的幅频特性相近，传统的反地杂波基于单帧、多脉冲，基于MTI、MTD，对雷达相参性要求太高，信号处理方法性能不理想。目前也有利用卷积神经网络(CNN)来解决问题，但是准确率还有待提升。
因此，需要一种简单且高效的方法来减小机场或城市环境下，抑制影响无人机、鸟类等低慢小目标探测及跟踪性能的杂波，提高反地杂波能力。
发明内容
为了解决上述技术问题，本发明基于神经网络算法反地杂波，降低了对雷达相参性的要求，提高了反地杂波能力。
本申请通过一下具体方案实现：一种基于神经网络的反地杂波处理方法，所述处理方法包括以下步骤：
步骤一，构造不同杂波背景下的雷达回波数据，经雷达信号处理后，对目标和背景杂波做标签，形成检测样本数据库；
步骤二，将检测样本数据库随机分成训练样本和测试样本，构成训练集合和测试集合；
步骤三，对原始图像数据进行中值滤波去噪并做归一化处理；
步骤四，利用样本数据库的训练集样本对卷积神经网络进行训练，用决策树分类器进行决策分类，观察训练准确率和损失函数随训练次数变化的曲线，得到训练成熟的网络；
步骤五，利用样本数据库的测试集样本对训练成熟的模型进行测试；再将检测结果与设定标签进行统计分析，计算分类目标和杂波的准确率。
进一步的，步骤一中，所述检测样本数据库构成如下：
所述的目标为仿真目标，其回波幅度、速度、距离和方位等均为预先设定量，所述的杂波为仿真杂波，其满足瑞利分布。
进一步的，步骤二中，所述训练样本和测试样本选择方式如下：
随机选取其中80%个样本作为训练样本，剩余的20%个作为测试样本。
进一步的，步骤三中，所述图像预处理选择方式如下：
截取图像中目标或杂波部分，大小为 64*64，对截取后的图像采取中值滤波进行滤波去噪，并归一化到[0,1]区间。
进一步的，步骤四中，所述卷积神经网络按如下过程得到：
步骤4.1，用8个9*9大小的卷积核，步长为1，卷积整个图像，得到卷积层C1；
步骤4.2，采用平均池化算法，滤波器大小为 2*2，步长为 2，将卷积层C1得到的图片下采样生成池化层S1 ；
步骤4.3，修改卷积核的个数为12个，其余参数不变，重复步骤4.1和步骤4.2得到卷积层C2 、池化层S2 ；
步骤4.4，把池化后的二维数据用按行截取、依次首尾拼接的操作转变为一维，再采用主成分分析法PCA对其降维，选取的主成分保留对原始变量 90%的解释程度，得到全连接层；
步骤4.5，将全连接层的特征向量作为输入传决策树分类器，在决策树根节点包含所有的特征向量数据，从根节点到每个叶子节点的相应路径都对应一个判定测试序列。
作为本申请的一种优选实施方式，步骤4.5中，所述从根节点到每个叶子节点的相应路径都对应一个判定测试序列，其方式如下：
创建决策树的根节点 N， S为训练样本集合, AtributeList 为候选属性集合；
计算AtributeList中各个候选属性的信息增益率，选择最大的信息增益率对应的属性Atribute*，标记为根节点 N，其中，信息增益率G的计算方式为；
G = 信息增益/分裂信息量
信息增益
Figure 171007DEST_PATH_IMAGE001
分裂信息量
Figure 921926DEST_PATH_IMAGE002
熵
Figure 357586DEST_PATH_IMAGE003
C为目标具有的不同的属性值个数，
Figure 660392DEST_PATH_IMAGE004
为子集合中第i个属性值的样本数所占的比例；
Figure 781669DEST_PATH_IMAGE005
是属性A的值域；
Figure 336278DEST_PATH_IMAGE006
是训练样本集合S中属性A上值等于v的子集；
根据属性 Atribute*值域中的每个值Vi，Vi为每次选中的最大的信息增益率对应的属性的值；从根节点 N 产生相应的一个分支，并记Si为 S 集合中满足Atribute* = Vi条件的样本子集合；
若Si为空，则将相应的叶子节点标志为 S 样本集合中类别最多的类别；
否则，将属性 Atribute*从AtributeList中删除，返回，然后递归创建子树；
依次对每个特征向量的属性值确定分支，得到最终的决策结果。
进一步的，步骤六中，检测结果与原设定的标签进行对比，分类目标和杂波的准确率计算公式如下：
P = (n1 + n2)/N
其中，n1为实际为噪声且识别为噪声的数据点数，n2为实际为目标且识别为目标的数据点数，N为噪声和目标数据点数的总和。
作为本申请的一种优选实施方式，所述步骤4.3中，卷积层选用Sigmod激活函数，最后一个全连接层选用DT激活函数，损失函数使用多分类交叉熵CCE函数，网络训练时，批训练块大小分别取 30，60，90，120，150；依次分别选取批训练块数量的样本作为一批数据进行学习，学习率在0.01到0.1之间调整，训练次数由训练的程度决定，在50到100次之间调整。
本申请还提供一种计算机可读存储介质，存储有计算机可执行指令，存储有计算机可执行指令，所述计算机可执行指令用于执行上述基于神经网络的反地杂波处理方法。
有益效果
传统的 CNN 的雷达目标识别的准确率为 95.33%，由于采用 PCA 方法将特征向量降至低维，随后再用决策树分类得到分类结果。CNN-PCA-DT 算法的雷达目标识别的分类准确率为 99.60%，相比于传统的卷积网络准确率要高出 4.27%。实现对目标点迹和杂波点迹的高识别率，提高了反地杂波能力。
附图说明
图1为本发明基于神经网络的反地杂波处理方法流程图；
图2为本发明基于神经网络的反地杂波处理方法示意图；
图3为本发明基于神经网络的反地杂波处理方法效果图；
图4为本发明基于神经网络的反地杂波处理方法效果图。
具体实施方式
下面结合附图和具体实例对本发明做更进一步的解释：
本发明提供一种基于神经网络的反地杂波处理方法，所述处理方法包括以下步骤：
步骤一，构造不同杂波背景下的雷达回波数据，经传统的雷达信号处理后，对目标和背景杂波做上标签，形成检测样本数据库。
所述检测样本数据库构成如下：规定所述的目标为仿真目标，其回波幅度、速度、距离和方位等均为预先设定量。其回波幅度设定为1-10之间的随机数，由计算机随机生成；速度设定为0-20m/s之间的随机数，由计算机随机生成；距离设定为100-3500m之间的随机数，由计算机随机生成；方位设定为0-360°之间的随机数，由计算机随机生成；进一步的，仿真目标回波表达式为：
Figure 360866DEST_PATH_IMAGE007
其中，A为回波幅度，
Figure 100152DEST_PATH_IMAGE008
，V为速度，
Figure 944611DEST_PATH_IMAGE009
为雷达电磁波波长，
Figure 538797DEST_PATH_IMAGE010
，R 为距离，c为电磁波传播速度，与光速相同。t为时间参数，Te为发射脉冲宽度；pi为圆周率，j 是虚数，μ是发射线性调频信号的调频率；此外，方位不影响回波表达式。
规定所述的杂波为仿真杂波，其满足瑞利分布。进一步的，瑞利分布的概率密度函数为
Figure 808104DEST_PATH_IMAGE011
其中
Figure 593658DEST_PATH_IMAGE012
为杂波方差，设定在0-1之间。
步骤二，将检测样本数据库随机分成训练样本和测试样本，构成训练集合和测试集合。
本实施例中训练样本和测试样本选择方式如下：
样本总数为27000个，随机选取其中80%即21400个样本作为训练样本。选取剩余的20%即5600个作为测试样本。
步骤三，对原始图像数据进行中值滤波去噪并做归一化处理；所述图像预处理选择方式如下：
截取图像中目标或杂波部分，大小为 64*64，对截取后的图像采取中值滤波进行滤波去噪，并归一化到[0,1]区间。
步骤四，利用样本数据库的训练集样本对卷积神经网络CNN如附图2所示，进行训练，用决策树DT分类器，如见附图2所示，进行决策分类，观察训练准确率和损失函数随训练次数变化的曲线，得到训练成熟的网络；所述卷积神经网络按如下过程得到：
步骤4.1，用8个9*9大小的卷积核，步长为1，卷积整个图像，得到卷积层C1；
步骤4.2，采用平均池化算法，滤波器大小为 2*2，步长为 2，将卷积层C1得到的图片下采样生成池化层S1 ；
步骤4.3，修改卷积核的个数为12个，其余参数不变。重复步骤4.1和步骤4.2步骤得到卷积层C2 、池化层S2 ；
卷积层选用Sigmod激活函数，最后一个全连接层选用DT激活函数，损失函数使用专门计算分类误差的多分类交叉（CCE）函数，网络训练时，批训练块大小分别取 30，60，90，120，150。依次分别选取如上数量的样本作为一批数据进行学习，学习率在0.01到0.1之间调整。训练次数由训练的程度决定，在50到100次之间调整。
步骤4.4，把池化后的二维数据用按行截取、依次首尾拼接的操作转变为一维，再采用 PCA 对其降维，选取的主成分保留对原始变量 90%的解释程度，得到全连接层；
步骤4.5，将全连接层的特征向量作为输入传给决策树分类器（参见附图2），在决策树根节点包含所有的特征向量数据，从根节点到每个叶子节点的相应路径都对应了一个判定测试序列，对所给实例的属性值确定分支，从而在叶子节点上得到最终的决策结果。
本实施例中从根节点到每个叶子节点的相应路径都对应一个判定测试序列，其方式如下：
创建决策树的根节点 N， S为训练样本集合, AtributeList 为候选属性集合；
计算AtributeList中各个候选属性的信息增益率，选择最大的信息增益率对应的属性Atribute*，标记为根节点 N，其中，信息增益率G的计算方式为；
G = 信息增益/分裂信息量
信息增益
Figure 190992DEST_PATH_IMAGE013
分裂信息量
Figure 87404DEST_PATH_IMAGE014
熵
Figure 945639DEST_PATH_IMAGE003
C为目标具有的不同的属性值个数，
Figure 400629DEST_PATH_IMAGE004
为子集合中第i个属性值的样本数所占的比例；
Figure 219680DEST_PATH_IMAGE005
是属性A的值域；
Figure 44417DEST_PATH_IMAGE006
是训练样本集合S中属性A上值等于v的子集；
根据属性 Atribute*值域中的每个值Vi，Vi为每次选中的最大的信息增益率对应的属性的值。从根节点 N 产生相应的一个分支，并记Si为 S 集合中满足Atribute* = Vi条件的样本子集合；
若Si为空，则将相应的叶子节点标志为 S 样本集合中类别最多的类别；
否则，将属性 Atribute*从AtributeList中删除，返回，然后递归创建子树；
依次对每个特征向量的属性值确定分支，得到最终的决策结果。
步骤五，利用样本数据库的测试集样本对训练成熟的模型进行测试；再将检测结果与设定标签进行统计分析；由步骤四中5个步骤得到的训练模型，输入新的测试样本，对其进行识别并最终计算准确率。
步骤六：根据步骤五所得测试结果，计算分类目标和杂波的准确率，与相同条件下的传统做法结果相比较；检测结果与原设定的标签进行对比，分类目标和杂波的准确率计算公式如下：
P = (n1 + n2)/N
其中，n1为实际为噪声且识别为噪声的数据点数，n2为实际为目标且识别为目标的数据点数，N为噪声和目标数据点数的总和。
表1为本发明基于神经网络的反地杂波处理方法效果表。
表1
算法 训练样本数 测试样本数 分类准确率/%
CNN 21600 5400 95.33
CNN-PCA-DT 21600 5400 99.60
以上内容是结合具体的实施例对本发明所作的详细说明，不能认定本发明具体实施仅限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明保护的范围。

Claims (9)

1.一种基于神经网络的反地杂波处理方法，其特征在于，所述处理方法包括以下步骤：
步骤一，构造不同杂波背景下的雷达回波数据，经雷达信号处理后，对目标和背景杂波做标签，形成检测样本数据库；
步骤二，将检测样本数据库随机分成训练样本和测试样本，构成训练集合和测试集合；
步骤三，对原始图像数据进行中值滤波去噪并做归一化处理；
步骤四，利用样本数据库的训练集样本对卷积神经网络进行训练，用决策树分类器进行决策分类，观察训练准确率和损失函数随训练次数变化的曲线，得到训练成熟的网络；
步骤五，利用样本数据库的测试集样本对训练成熟的模型进行测试；再将检测结果与设定标签进行统计分析，计算分类目标和杂波的准确率。
2.根据权利要求1所述的一种基于神经网络的反地杂波处理方法，其特征在于，步骤一中，所述检测样本数据库构成如下：
所述的目标为仿真目标，其回波幅度、速度、距离和方位均为预先设定量，所述的杂波为仿真杂波，其满足瑞利分布。
3.根据权利要求1所述的一种基于神经网络的反地杂波处理方法，其特征在于，步骤二中，所述训练样本和测试样本选择方式如下：
随机选取其中80%个样本作为训练样本，剩余的20%个作为测试样本。
4.根据权利要求1所述的一种基于神经网络的反地杂波处理方法，其特征在于，步骤三中，所述图像预处理选择方式如下：
截取图像中目标或杂波部分，大小为 64*64，对截取后的图像采取中值滤波进行滤波去噪，并归一化到[0,1]区间。
5.根据权利要求2所述的一种基于神经网络的反地杂波处理方法，其特征在于，步骤四中，所述卷积神经网络按如下过程得到：
步骤4.1，用8个9*9大小的卷积核，步长为1，卷积整个图像，得到卷积层C1；
步骤4.2，采用平均池化算法，滤波器大小为 2*2，步长为 2，将卷积层C1得到的图片下采样生成池化层S1 ；
步骤4.3，修改卷积核的个数为12个，其余参数不变，重复步骤4.1和步骤4.2得到卷积层C2 、池化层S2 ；
步骤4.4，把池化后的二维数据用按行截取、依次首尾拼接的操作转变为一维，再采用主成分分析法PCA对其降维，选取的主成分保留对原始变量 90%的解释程度，得到全连接层；
步骤4.5，将全连接层的特征向量作为输入传决策树分类器，在决策树根节点包含所有的特征向量数据，从根节点到每个叶子节点的相应路径都对应一个判定测试序列。
6.根据权利要求5所述的一种基于神经网络的反地杂波处理方法，其特征在于，步骤4.5中，所述从根节点到每个叶子节点的相应路径都对应一个判定测试序列，其方式如下：
创建决策树的根节点 N， S为训练样本集合, AtributeList 为候选属性集合；
计算AtributeList中各个候选属性的信息增益率，选择最大的信息增益率对应的属性Atribute*，标记为根节点 N，其中，信息增益率G的计算方式为；
G = 信息增益/分裂信息量
信息增益
Figure 42286DEST_PATH_IMAGE001
分裂信息量
Figure 546080DEST_PATH_IMAGE002
熵
Figure 785432DEST_PATH_IMAGE003
C为目标具有的不同的属性值个数，
Figure 83689DEST_PATH_IMAGE004
为子集合中第i个属性值的样本数所占的比例；
Figure 408491DEST_PATH_IMAGE005
是属性A的值域；
Figure 512713DEST_PATH_IMAGE006
是训练样本集合S中属性A上值等于v的子集；
根据属性 Atribute*值域中的每个值Vi，Vi为每次选中的最大的信息增益率对应的属性的值；从根节点 N 产生相应的一个分支，并记Si为 S 集合中满足Atribute* = Vi条件的样本子集合；
若Si为空，则将相应的叶子节点标志为 S 样本集合中类别最多的类别；
否则，将属性 Atribute*从AtributeList中删除，返回，然后递归创建子树；
依次对每个特征向量的属性值确定分支，得到最终的决策结果。
7.根据权利要求1所述的一种基于神经网络的反地杂波处理方法，其特征在于，步骤六中，检测结果与原设定的标签进行对比，分类目标和杂波的准确率计算公式如下：
P = (n1 + n2)/N
其中，n1为实际为噪声且识别为噪声的数据点数，n2为实际为目标且识别为目标的数据点数，N为噪声和目标数据点数的总和。
8.根据权利要求5所述的一种基于神经网络的反地杂波处理方法，其特征在于，所述步骤4.3中，卷积层选用Sigmod激活函数，最后一个全连接层选用DT激活函数，损失函数使用多分类交叉熵CCE函数，网络训练时，批训练块大小分别取 30，60，90，120，150；依次分别选取批训练块数量的样本作为一批数据进行学习，学习率在0.01到0.1之间调整，训练次数由训练的程度决定，在50到100次之间调整。
9.一种计算机可读存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令用于执行权利要求如权利要求1至8任一种基于神经网络的反地杂波处理方法。
CN202011515666.2A 2020-12-21 2020-12-21 一种基于神经网络的反地杂波处理方法 Pending CN112285667A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011515666.2A CN112285667A (zh) 2020-12-21 2020-12-21 一种基于神经网络的反地杂波处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011515666.2A CN112285667A (zh) 2020-12-21 2020-12-21 一种基于神经网络的反地杂波处理方法

Publications (1)

Publication Number Publication Date
CN112285667A true CN112285667A (zh) 2021-01-29

Family

ID=74426902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011515666.2A Pending CN112285667A (zh) 2020-12-21 2020-12-21 一种基于神经网络的反地杂波处理方法

Country Status (1)

Country Link
CN (1) CN112285667A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114841983A (zh) * 2022-05-17 2022-08-02 中国信息通信研究院 一种基于决策分数的图像对抗样本检测方法和系统
CN117784028A (zh) * 2024-02-27 2024-03-29 南京天朗防务科技有限公司 随机杂波识别方法、系统、计算机设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934101A (zh) * 2019-01-24 2019-06-25 西安电子科技大学 基于卷积神经网络的雷达杂波识别方法
CN110263646A (zh) * 2019-05-21 2019-09-20 华中科技大学 一种基于卷积神经网络的海面弱目标探测方法和系统
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934101A (zh) * 2019-01-24 2019-06-25 西安电子科技大学 基于卷积神经网络的雷达杂波识别方法
CN110263646A (zh) * 2019-05-21 2019-09-20 华中科技大学 一种基于卷积神经网络的海面弱目标探测方法和系统
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冯存前 等: "《弹道目标微多普勒效应与特征提取》", 30 April 2016 *
李洋洋: "基于卷积神经网络的合成孔径雷达目标识别", 《中国优秀硕士学位论文全文数据库 信息科技辑（月刊）》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114841983A (zh) * 2022-05-17 2022-08-02 中国信息通信研究院 一种基于决策分数的图像对抗样本检测方法和系统
CN117784028A (zh) * 2024-02-27 2024-03-29 南京天朗防务科技有限公司 随机杂波识别方法、系统、计算机设备和存储介质
CN117784028B (zh) * 2024-02-27 2024-05-28 南京天朗防务科技有限公司 随机杂波识别方法、系统、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN110472627B (zh) 一种端到端的sar图像识别方法、装置及存储介质
Mitra et al. Lidar detection of underwater objects using a neuro-SVM-based architecture
CN112285667A (zh) 一种基于神经网络的反地杂波处理方法
CN116047427B (zh) 一种小样本雷达有源干扰识别方法
CN112859014A (zh) 基于雷达信号分选的雷达干扰抑制方法、装置及介质
CN115291210B (zh) 一种结合注意力机制的3d-cnn探地雷达三维图像管线识别方法
CN113962151B (zh) 基于深度卷积迁移学习的距离假目标智能识别方法
CN109753874A (zh) 一种基于机器学习的低慢小雷达目标分类方法
CN114895263A (zh) 基于深度迁移学习的雷达有源干扰信号识别方法
CN111985349B (zh) 一种雷达接收信号类型分类识别方法及系统
CN112083393A (zh) 基于谱图平均时间特征的间歇采样转发干扰识别方法
CN115114949A (zh) 一种基于水声信号的舰船目标智能识别方法及系统
CN114117912A (zh) 一种数据模型双驱动下的海杂波建模与抑制方法
CN111458688B (zh) 一种基于三维卷积网络的雷达高分辨距离像目标识别方法
CN111983569B (zh) 基于神经网络的雷达干扰抑制方法
Shubin et al. Efficiency evaluation for radar signal processing on the basis of spectral-semantic model
CN111797690A (zh) 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置
Tang et al. SAR deception jamming target recognition based on the shadow feature
CN116311067A (zh) 基于高维特征图谱的目标综合识别方法、装置及设备
CN114049551B (zh) 一种基于ResNet18的SAR原始数据目标识别方法
CN113901878B (zh) 一种基于cnn+rnn算法的三维探地雷达图像地下管线识别方法
CN112346056B (zh) 多脉冲雷达信号的分辨性特征融合提取方法及识别方法
CN109031212A (zh) 一种雷达跟踪状态下的工作频率优化方法
CN108106500A (zh) 一种基于多传感器的导弹目标类型识别方法
CN114676721A (zh) 基于径向基神经网络的雷达有源压制干扰识别方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210129