CN113064134B - 基于改进模糊神经网络滤波的激光雷达回波处理方法 - Google Patents
基于改进模糊神经网络滤波的激光雷达回波处理方法 Download PDFInfo
- Publication number
- CN113064134B CN113064134B CN201911289986.8A CN201911289986A CN113064134B CN 113064134 B CN113064134 B CN 113064134B CN 201911289986 A CN201911289986 A CN 201911289986A CN 113064134 B CN113064134 B CN 113064134B
- Authority
- CN
- China
- Prior art keywords
- noise
- signal
- laser radar
- fuzzy
- filtering
- 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.)
- Active
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 20
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004088 simulation Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 20
- 238000012546 transfer Methods 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 230000008033 biological extinction Effects 0.000 claims description 4
- 239000004973 liquid crystal related substance Substances 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims 1
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 3
- 239000011487 hemp Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012549 training 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 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
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/483—Details of pulse systems
- G01S7/486—Receivers
- G01S7/4861—Circuits for detection, sampling, integration or read-out
-
- 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
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/483—Details of pulse systems
- G01S7/486—Receivers
- G01S7/487—Extracting wanted echo signals, e.g. pulse detection
- G01S7/4876—Extracting wanted echo signals, e.g. pulse detection by removing unwanted signals
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种改进模糊神经网络滤波的激光雷达回波数据处理方法,该方法首先对含噪声激光雷达回波信号进行建模,构建仿真理想信号模型,通过改进大气脉冲激光雷达方程,修正回波模型;其次,通过LMS算法更新滤波算法系统权值参数;然后,设计自校正模糊神经网络系统同时处理激光雷达回波信号的数值数据和语言信息;最后,利用模糊滤波‑X LMS算法更新滤波系统参数,通过信噪比检验信号质量,获得飞行时间、脉宽和幅值。本发明能够更好的剔除噪声,并且解决了低收敛性问题,从而增强了激光雷达回波信号数据处理系统的性能。
Description
技术领域
本发明属于激光雷达信号处理技术领域,具体涉及一种基于改进模糊神经网络滤波的激光雷达回波处理方法。
背景技术
激光雷达(LIDAR)属于激光遥感领域,发射端发射激光到目标表面,接收端获取目标表面反射信号,通过信号处理技术从回波信号中获取飞行时间、强度等其他相关信息。脉冲激光雷达在军事和民用领域上发挥着重要的作用,其主要的应用是对目标实施距离精确测距。目标的脉冲激光回波往往受到自然光反射闪烁噪声、非探测目标杂波、光电接收系统电噪声等的干扰,影响到雷达探测精度及有效探测距离。如何从这些散乱的数据中提取所需的反应某类地物特点的点云数据,采取有效的滤波预处理措施,从噪声背景中提取出弱目标是脉冲激光雷达目标检测的关键技术。
传统的激光雷达滤波算法包括:限幅滤波、均值滤波、中值滤波等,其中限幅滤波平滑度较差,无法抑制周期性干扰,无法确定周期性干扰形成的信号中的有效信号;均值滤波和中值滤波无法同时兼顾灵敏度和平滑度。因此,很多学者提出了一些新型的激光雷达回波信号处理方法,滤波效果有所改进但也存在一定不足。例如,基于形态学的滤波算法,其丢失了图像的原始信息,这就意味着算法精度提高依赖于结构元素的选择和初始阈值的给定;基于坡度变化的滤波算法,要求对训练区有一定的先验经验,即了解区域地形的坡度变化情况,且还要确定核函数和高差阈值。
发明内容
本发明的目的在于提供一种基于改进模糊神经网络滤波的激光雷达回波处理方法,相比传统一维激光信号处理可以更好的抑制噪声,收敛速度快,并且具有较好的自校正能力。
实现本发明目的的技术解决方案为:一种改进模糊神经网络滤波的激光雷达回波数据处理方法,包括如下步骤:
步骤1、对含噪声激光雷达回波信号进行建模,构建仿真理想信号模型,通过改进大气脉冲激光雷达方程,修正回波模型;
步骤2、通过LMS算法更新滤波算法系统权值参数;
步骤3、设计自校正模糊神经网络系统同时处理激光雷达回波信号的数值数据和语言信息;
步骤4、利用模糊滤波-X LMS算法更新滤波系统参数,通过信噪比检验信号质量,获得飞行时间、脉宽和幅值。
与现有技术相比,本发明的显著优点为:本发明提出了一种基于模糊自适应神经网络滤波-X LMS算法的激光雷达回波信号数据处理方法,突破传统激光雷达信号处理办法,该方法利用模糊语言信息生成主动噪声滤波器,消除噪声干扰,不需要激光雷达数据采集系统放大器、传感器等执行机构的传递函数来实现该算法。
附图说明
图1为本发明基于模糊自适应神经网络滤波-X LMS算法的激光雷达回波信号数据处理方法流程图。
图2为本发明的激光雷达回波信号数据滤波-X LMS原理框图。
图3为本发明的激光雷达回波信号数据模拟自适应神经网络滤波-X LMS原理框图。
具体实施方式
一种基于改进模糊神经网络滤波的激光雷达回波处理方法,包括如下步骤:
步骤1、对含噪声激光雷达回波信号进行建模,构建仿真理想信号模型,通过改进大气脉冲激光雷达方程,修正回波模型;
步骤2、通过LMS算法更新滤波算法系统权值参数;
步骤3、设计自校正模糊神经网络系统同时处理激光雷达回波信号的数值数据和语言信息;
步骤4、利用模糊滤波-X LMS算法更新滤波系统参数,通过信噪比检验信号质量,获得飞行时间、脉宽和幅值。
进一步的,步骤1中的回波模型修正为:
其中,Pr′为第k个采样回波信号强度,为第k-1个采样点和第k个采样点范围内采样体积内的平均消光系数,Cq′为仪器常数,c为光速,lv为放大器偏置电平,f为系统采样率。
进一步的,步骤2具体为:
在含噪激光雷达回波信号传递模型中,第k个非期望噪声样本xk经过放大器后残余噪声变为ek=xkHpPHeMp+Wk tXkHsHeMp,其中,为第k个非期望噪声时间参数t的权值参数;Hp为激光雷达回波采集系统主放大器,P为信号传递函数,Hs为抗噪声放大器传递函数,Mp为信号输出到的误差放大器,He为误差路径;
通过LMS算法更新权值参数:其中/>为自适应系统的相应梯度估计,μ为阶跃参数。
进一步的,步骤3具体为:
使用过去的(k+1)噪声样本来设计模糊滤波器;对于(k+1)阶模糊系统,用高斯隶属函数定义每个输入噪声样本xk-i的M模糊设置 l=1,2,…,M,i=0,1,2,…,N,k表示时间样本,/>和/>分别是高斯函数的中心和轴标准偏差;
设定M=7,N=20,并且初始标准偏差等于0.2;因此,每个输入样本xk-i,有7个语言方面,最初在输入信号[-11]范围内均匀分布:Nb(负大)、Nm(负中)、Ns(负小)、Az(几乎为零)、Ps(正小)、Pm(正中)和Pb(正大);
定义一组M模糊if–then规则,给出模糊规则的自适应规则,这七条规则形成了一个模糊的FIR滤波器,作为一个抗噪声滤波器来消除不想要的噪声;
假设采样时模糊滤波器的给定输入噪声k为该滤波器利用推理机和质心去模糊器的最小值,结合上一步定义的M规则对其进行等压。滤波器表示为
进一步的,步骤4具体为:
为了将残余噪声的功率降到最低,通过模糊滤波-X LMS算法更新每个采样点k的自由参数 和/>
此时,
其中,λ为一个正常数,xi为前i阶滤波器的噪声,μk为第k个噪声的阶跃参数;
将以下初始参数设置为:
同时,令
式(17)可通过在(17)的后端应用传递函数HeMp来实现,因此
通过信噪比S/N判断信号质量,其中Pi为信号幅度,Ni为噪声幅度,n为信号长度。
为使本发明的技术方案、算法和优点更加清楚,以下将结合附图和实施例,对本发明的技术方案进行详细说明。
实施例
一种改进模糊神经网络滤波的激光雷达回波数据处理方法,如图1所示,具体步骤如下:
步骤1:大气脉冲激光雷达方程在一级多次散射近似条件下推导如下:
式中,Pr(R)为距离R处的采样信号强度,βπ(R)为后向散射系数,σ(R)为消光系数,Cq为仪器常数,实际的激光雷达接收信号要通过光电探测器、高频放大器、模数转换器等器件。根据实际器件参数,将信号模型进一步修正。设放大器的偏置电平为lv,ADC转换器的采样频率为f,同时假定第k-1个采样点与第k个采样点范围内采样体积内的平均消光系数为回波模型可以修正为:
步骤2:利用滤波-X算法的传统ANC系统如图2所示。在激光雷达回波信号采集系统模型中,Hp(z)代表激光雷达回波采集系统主放大器,P(z)代表信号传递函数,Hs(z)代表抗噪声放大器传递函数,Mp(z)代表信号输出到的误差放大器,He(z)代表误差路径。具有加权参数Wk的第(N+1)个自适应有源噪声控制器由滤波-X LMS算法更新。因此,残余噪声ek变为:
权值参数和输入噪声序列为:
Wk=[w0k,w1k,,…,wNk]t (4)
Xk=[xk,xk-1,,…,wk-N]t (5)
步骤3:在时间样本k下,激光雷达回波数据处理自适应系统的相应梯度估计由下式给出:
使用LMS算法更新权值参数:
这与传统的LMS算法不同:
Wk+1=Wk-2μekXk (8)
可以看出,式(7)和式(8)之间的差异在校正项内。(7)的最后一项类似于噪声序列xk的输出进入复合滤波器HsHeMp。这种情况如图2所示。式(7)为滤波-X LMS算法。此外,每个wlk都有一个阶跃参数μ,l=0,…N。
步骤4:传统的ANC系统的宽频带噪声抑制性能比窄频带噪声抑制性能差,并且现有的ANC系统采用复杂的数学传递函数来设计控制器,与此相反,本发明提出的自校正模糊神经网络系统可以同时处理激光雷达回波信号的数值数据和语言信息,以适应神经网络系统,如图3所示。该算法的优点包括系统复杂度的降低和非线性补偿的特性。
使用过去的(k+1)噪声样本来设计模糊滤波器。对于(k+1)阶模糊系统,可以用高斯隶属函数定义每个输入噪声样本xk-i的M模糊设置
l=1,2,…,M,i=0,1,2,…,N,k表示时间样本,和/>分别是高斯函数的中心和轴标准偏差。
步骤5:在本发明中,设定M=7,N=20,并且初始标准偏差等于0.2。因此,每个输入样本xk-i,有7个语言方面,最初在输入信号[-11]范围内均匀分布:Nb(负大)、Nm(负中)、Ns(负小)、Az(几乎为零)、Ps(正小)、Pm(正中)和Pb(正大)。
步骤6:定义一组M模糊IF-THEN规则如下:
l=1,2,…,N。在式(10)中,在上一步中定义,Ul的设定在/>是一个模糊单例。首先,在动态范围[-11]内任意选取精确数值/>然后给出模糊规则的自适应规则。这七条规则形成了一个模糊的FIR滤波器,作为一个抗噪声滤波器来消除不想要的噪声。目标系统的规则基础如表1所示。
表1模糊系统规则表
步骤7:在模糊推理机中,模糊逻辑原理将模糊规则组合成从输入模糊集到输出模糊集的映射。假设采样时模糊滤波器的给定输入噪声k为该滤波器利用推理机和质心去模糊器的最小值,结合上一步定义的M规则对其进行等压。
滤波器表示为
通过uk来控制不想要的噪声,如图3所示。
步骤8:为了将残余噪声的功率降到最低,模糊滤波-X LMS算法使用以下策略更新每个采样点k的自由参数 和/>
此时,
其中,λ是一个小的正常数。式(10)–(12)的最后一项类似于发送到模糊滤波器的输入噪声xk。因此,式(10)–(12)被称为模糊滤波-X LMS算法,它在修正项和模糊算法中不同于传统的滤波-X LMS算法。在本发明中,考虑到实际激光雷达回波信号特点,可以将以下初始参数设置为:
同时,令
另外,另一个可以选择为零,l≠1,因此,通过式(9)和(16)–(17),抗噪声uk等于在驱动第二放大器Hs后,人工噪声将变成-xkHPP,以补偿静默区不希望出现的噪声。
此外,式(17)可以通过在(17)的后端应用传递函数HeMp来实现,因此
分子变为HpPHeMp,分母变为HsHeMp。分子和分母都在电信号之间传递函数。
步骤9:考虑到激光雷达的噪声按照形成原因可以分为散粒噪声、热噪声、背景光噪声和1/f噪声等,采用信噪比来判断滤波后信号质量,但信噪比定义有很多,本发明采用信号幅值均方根与噪声幅值均方根之比来定义:其中Pi为信号幅度,Ni为噪声幅度,n为信号长度。
最后将激光雷达采集到的大量回波信号数据通过上述滤波算法,即可获得相应回波的飞行时间、脉宽以及幅值等关键信息。
在式(11)中,模糊滤波-X LMS算法定义良好,在自适应过程中不会变得不稳定,因为成员函数的分母总是大于零。此外,利用步骤8中初始参数的定义,激光雷达回波处理系统模糊滤波-X算法比传统的滤波-X算法收敛得更快。因此,该系统加快了滤波-X系统的收敛速度。
大多数研究尝试了更多的规则来实现模糊过滤。然而,本发明只使用七个规则来构造模糊系统。主要原因是LMS算法会更新每个规则。因此残余误差收敛到零。此外,每个模糊规则的先行部分由21个输入变量组成。因此,所提出的模糊滤波器具有21阶滤波器的性能,可以很好地控制不希望出现的窄带噪声。
模糊算法使用很少的数值数据来开发ANC系统,因为模糊系统可以使用所提出的更新算法自动调整自由参数来生成抗噪声信号。这有助于弥补常规ANC系统的不足,如定量误差和舍入误差的硬件局限性,以及传感器和执行器的失真。从而降低了ANC系统设计的计算复杂度。
由上述技术方案可知,本发明通过提出一种基于模糊自适应神经网络滤波-X LMS算法的激光雷达回波信号数据处理方法,突破传统激光雷达信号处理办法,该方法利用模糊语言信息生成主动噪声滤波器,消除噪声干扰,不需要激光雷达数据采集系统放大器、传感器等执行机构的传递函数来实现该算法。采用改进的LMS算法对21阶自适应FIR滤波器的变量进行整定,只需7个模糊规则即可。此外,初始变量可以任意设置,该算法也便于其他工业应用。本发明提出了一种将噪声限制在任意精度的方法。从而克服了传统LMS算法的低收敛性问题。数值模拟结果表明,模糊自适应滤波X算法既能消除宽带噪声,又能消除窄带噪声,从而增强了激光雷达回波信号数据处理系统的性能。
同时,以上实施例仅用以说明本发明的技术方案,而非对其进行限制,尽管参照前述实施例对本发明进行了详细的说明,本领域的技术人员应当理解:其依然可以对技术方案进行修改,或者对其中部分技术特征进行等同替换,而这些修改或者替换,均落在本发明要求的保护范围。
Claims (2)
1.一种基于改进模糊神经网络滤波的激光雷达回波处理方法,其特征在于,包括如下步骤:
步骤1、对含噪声激光雷达回波信号进行建模,构建仿真理想信号模型,通过改进大气脉冲激光雷达方程,修正回波模型;回波模型修正为:
其中,Pr′为第k个采样回波信号强度,为第k-1个采样点和第k个采样点范围内采样体积内的平均消光系数,Cq′为仪器常数,c为光速,lv为放大器偏置电平,f为系统采样率;
步骤2、通过LMS算法更新滤波算法系统权值参数;具体为:
在含噪激光雷达回波信号传递模型中,第k个非期望噪声样本xk经过放大器后残余噪声变为其中,/>为第k个非期望噪声时间参数t的权值参数;Hp为激光雷达回波采集系统主放大器,P为信号传递函数,Hs为抗噪声放大器传递函数,Mp为信号输出到的误差放大器,He为误差路径;
通过LMS算法更新权值参数:其中/>为自适应系统的相应梯度估计,μ为阶跃参数;
步骤3、设计自校正模糊神经网络系统同时处理激光雷达回波信号的数值数据和语言信息;
步骤4、利用模糊滤波-X LMS算法更新滤波系统参数,通过信噪比检验信号质量,获得飞行时间、脉宽和幅值;具体为:
通过模糊滤波-X LMS算法更新每个采样点k的自由参数和/>
此时,
其中,λ为一个正常数,xi为前i阶滤波器的噪声,μk为第k个噪声的阶跃参数;l=1,2,…,M,i=0,1,2,…,N,k表示时间样本,和/>分别是高斯函数的中心和轴标准偏差;
将以下初始参数设置为:
同时,令
式(17)可通过在(17)的后端应用传递函数HeMp来实现,因此
通过信噪比S/N判断信号质量,其中Pi为信号幅度,Ni为噪声幅度,n为信号长度。
2.根据权利要求1所述的基于改进模糊神经网络滤波的激光雷达回波处理方法,其特征在于,步骤3具体为:
使用过去的(k+1)噪声样本来设计模糊滤波器;对于(k+1)阶模糊系统,用高斯隶属函数定义每个输入噪声样本xk-i的M模糊设置Fi l:
设定数值数据M=7,N=20,并且初始标准偏差等于0.2;因此,每个输入样本xk-i,有7个语言方面,最初在输入信号[-1 1]范围内均匀分布:Nb、Nm、Ns、Az、Ps、Pm和Pb;
定义一组M模糊if–then规则,给出模糊规则的自适应规则,这七条规则形成一个模糊的FIR滤波器,作为一个抗噪声滤波器来消除不想要的噪声;
假设采样时模糊滤波器的给定输入噪声k为该滤波器利用推理机和质心去模糊器的最小值,结合上一步定义的M规则对其进行等压;滤波器表示为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911289986.8A CN113064134B (zh) | 2019-12-16 | 2019-12-16 | 基于改进模糊神经网络滤波的激光雷达回波处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911289986.8A CN113064134B (zh) | 2019-12-16 | 2019-12-16 | 基于改进模糊神经网络滤波的激光雷达回波处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113064134A CN113064134A (zh) | 2021-07-02 |
CN113064134B true CN113064134B (zh) | 2024-05-03 |
Family
ID=76557979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911289986.8A Active CN113064134B (zh) | 2019-12-16 | 2019-12-16 | 基于改进模糊神经网络滤波的激光雷达回波处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113064134B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570042A (zh) * | 2021-07-30 | 2021-10-29 | 昕海智创(深圳)科技有限公司 | 一种基于带通滤波软件的滤波算法 |
CN115079168B (zh) * | 2022-07-19 | 2022-11-22 | 陕西欧卡电子智能科技有限公司 | 基于激光雷达与毫米波雷达融合的建图方法、装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8044846B1 (en) * | 2007-11-29 | 2011-10-25 | Lockheed Martin Corporation | Method for deblurring radar range-doppler images |
FR2998975A1 (fr) * | 2012-11-30 | 2014-06-06 | Thales Sa | Procede de filtrage, dans un signal radar, des ambiguites distance par codage d'impulsions et traitement multi-voies |
CN108680942A (zh) * | 2018-09-07 | 2018-10-19 | 湖南天羿领航科技有限公司 | 一种惯性/多天线gnss组合导航方法及装置 |
CN109556577A (zh) * | 2017-09-25 | 2019-04-02 | 波音公司 | 用于空中非破坏性检查的定位系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7860335B2 (en) * | 2006-12-04 | 2010-12-28 | The Boeing Company | Method and apparatus for smart signal averaging |
-
2019
- 2019-12-16 CN CN201911289986.8A patent/CN113064134B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8044846B1 (en) * | 2007-11-29 | 2011-10-25 | Lockheed Martin Corporation | Method for deblurring radar range-doppler images |
FR2998975A1 (fr) * | 2012-11-30 | 2014-06-06 | Thales Sa | Procede de filtrage, dans un signal radar, des ambiguites distance par codage d'impulsions et traitement multi-voies |
CN109556577A (zh) * | 2017-09-25 | 2019-04-02 | 波音公司 | 用于空中非破坏性检查的定位系统 |
CN108680942A (zh) * | 2018-09-07 | 2018-10-19 | 湖南天羿领航科技有限公司 | 一种惯性/多天线gnss组合导航方法及装置 |
Non-Patent Citations (1)
Title |
---|
低信噪比下脉冲激光雷达回波信号小波域滤波算法;马鹏阁;柳毅;齐林;郑宁;;电光与控制;20110401(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113064134A (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pudovkin et al. | Synthesis of channel tracking for random process parameters under discontinuous variation | |
CN113064134B (zh) | 基于改进模糊神经网络滤波的激光雷达回波处理方法 | |
CN110208796B (zh) | 基于奇异值逆滤波的扫描雷达超分辨成像方法 | |
CN111885624A (zh) | 一种基于深度学习的信号噪底估计方法 | |
CN110286375B (zh) | 面向近实时isar成像的ls高阶快速运动补偿方法及系统 | |
CN102289715A (zh) | 基于前向线性预测的自适应小波神经网络去噪建模方法 | |
CN110852440A (zh) | 一种基于动态模糊神经网络的海洋锋探测方法 | |
CN110609475A (zh) | 一种基于改进型扩张状态观测器的虚拟双闭环控制方法 | |
CN113467236A (zh) | 一种对误差信号进行时滞补偿的方法 | |
CN113864665A (zh) | 基于自适应ica和改进的rls滤波器的流体管道泄漏定位方法 | |
CN111562737B (zh) | 一种模糊逻辑控制的改进agimm跟踪方法 | |
Yadaiah et al. | Multisensor data fusion using neural networks | |
CN115932913A (zh) | 一种卫星定位伪距修正方法及装置 | |
CN108983183A (zh) | 一种自适应的雷达海杂波预报系统 | |
CN114895298A (zh) | 一种雷达慢速弱机动目标量测修正伯努利滤波方法及装置 | |
CN114167359A (zh) | 一种弱小目标自适应关联滤波方法、系统及存储介质 | |
Zhou et al. | Target tracking in interference environments reinforcement learning and design for cognitive radar soft processing | |
CN114200446A (zh) | 一种基于cintaf的机动目标isar成像方法 | |
CN116821694B (zh) | 基于多分支神经网络与分段式模型的土壤湿度反演方法 | |
Yu et al. | Neural network aided unscented kalman filter for maneuvering target tracking in distributed acoustic sensor networks | |
Wu et al. | Study on the performance of the variable step-size LMS algorithms | |
Neyt et al. | Scatterometer ground processing review for gyroless operations | |
Chen et al. | A Denoising Method for Scanning Lidar Mie Scattering Echo Signal Based on MSW | |
CN111983555B (zh) | 一种基于神经网络的干涉仪角度解算方法 | |
Yang et al. | Unscented Particle Double Layer Filter |
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 |