CN113255528A - 一种单多目标分类方法及装置 - Google Patents

一种单多目标分类方法及装置 Download PDF

Info

Publication number
CN113255528A
CN113255528A CN202110590422.9A CN202110590422A CN113255528A CN 113255528 A CN113255528 A CN 113255528A CN 202110590422 A CN202110590422 A CN 202110590422A CN 113255528 A CN113255528 A CN 113255528A
Authority
CN
China
Prior art keywords
target
entropy
signal
calculating
type
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
CN202110590422.9A
Other languages
English (en)
Inventor
胡琼
宫健
陈赓
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202110590422.9A priority Critical patent/CN113255528A/zh
Publication of CN113255528A publication Critical patent/CN113255528A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请实施例提供一种单多目标分类方法及装置，涉及信号处理技术领域，该单多目标分类方法包括:先获取阵列接收信号，并对阵列接收信号进行向量归一化处理，得到目标信号向量；然后计算目标信号向量的目标熵；最后根据目标熵确定待检测目标类型，目标类型为单目标或者多目标，能够快速完成单多目标分类，不需要进行特征分解，进而有利于提升测向效率。

Description

一种单多目标分类方法及装置
技术领域
本申请涉及信号处理技术领域，具体而言，涉及一种单多目标分类方法及装置。
背景技术
测向技术是指通过对阵列接收信号进行分析处理实现目标来波方向的估计，在检测到目标后需要依次完成目标数目和来波方向估计。现有的单多目标分类方法中，在进行目标单多目标分类时，需要对目标信号进行特征分解。在实践中发现，单多目标分类一般需要进行特征分解，在单个目标的场景下，计算量大，进而导致测向效率下降。
发明内容
本申请实施例的目的在于提供一种单多目标分类方法及装置，能够快速完成单多目标分类，不需要进行特征分解，进而有利于提升测向效率。
本申请实施例第一方面提供了一种单多目标分类方法，包括：
获取阵列接收信号；
对所述阵列接收信号进行向量归一化处理，得到目标信号向量；
计算所述目标信号向量的目标熵；
根据所述目标熵确定目标类型，所述目标类型为单目标或者多目标。
在上述实现过程中，先获取阵列接收信号，并对阵列接收信号进行向量归一化处理，得到目标信号向量；然后计算目标信号向量的目标熵；最后根据目标熵确定目标类型，目标类型为单目标或者多目标，能够快速完成单多目标分类，不需要进行特征分解，进而有利于提升测向效率。
进一步地，所述对所述阵列接收信号进行向量归一化处理的公式为：
Figure BDA0003088932540000021
其中，
Figure BDA0003088932540000022
为所述目标信号向量，x(n)为所述阵列接收信号，||x(n)||2表示计算所述阵列接收信号的2-范数。
进一步地，所述计算所述目标信号向量的目标熵，包括：
计算所述目标信号向量的目标相关性；
根据所述目标相关性，计算目标熵。
在上述实现过程中，可以通过计算目标信号向量的熵，来实现单多目标判决，计算量少。
进一步地，计算所述目标熵的公式为：
Figure BDA0003088932540000023
其中，E为所述目标熵，pn为所述目标相关性，N为快拍数。
进一步地，所述根据所述目标熵确定目标类型，包括：
判断所述目标熵是否小于预设门限；
如果小于，则确定目标类型为单目标；
如果大于或者等于，则确定目标类型为多目标。
在上述实现过程中，利用目标熵和预设门限进行比较得出判决结果，若目标熵小于预设门限，则为单目标；否则，则为多目标。
本申请实施例第二方面提供了一种单多目标分类装置，所述单多目标分类装置包括：
信号获取单元，用于获取阵列接收信号；
归一化单元，用于对所述阵列接收信号进行向量归一化处理，得到目标信号向量；
计算单元，用于计算所述目标信号向量的目标熵；
分类单元，用于根据所述目标熵确定目标类型，所述目标类型为单目标或者多目标。
在上述实现过程中，信号获取单元先获取阵列接收信号，归一化单元对阵列接收信号进行向量归一化处理，得到目标信号向量；然后计算单元计算目标信号向量的目标熵；最后分类单元根据目标熵确定目标类型，目标类型为单目标或者多目标，能够快速完成单多目标分类，不需要进行特征分解，进而有利于提升测向效率。
进一步地，所述计算单元包括：
第一计算子单元，用于计算所述目标信号向量的目标相关性；
第二计算子单元，用于根据所述目标相关性，计算目标熵。
在上述实现过程中，可以通过计算目标信号向量的熵，来实现单多目标判决，计算量少。
进一步地，所述分类单元包括：
判断子单元，用于判断所述目标熵是否小于预设门限；
确定子单元，用于在判断出所述目标熵小于所述预设门限时，则确定目标类型为单目标；以及在判断出所述目标熵大于或者等于所述预设门限时，则确定目标类型为多目标。
在上述实现过程中，利用目标熵和预设门限进行比较得出判决结果，若目标熵小于预设门限，则为单目标；否则，则为多目标。
本申请实施例第三方面提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例第一方面中任一项所述的单多目标分类方法。
本申请实施例第四方面提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申请实施例第一方面中任一项所述的单多目标分类方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例一提供的一种单多目标分类方法的流程示意图；
图2为本申请实施例二提供的一种单多目标分类方法的流程示意图；
图3为本申请实施例三提供的一种单多目标分类装置的结构示意图；
图4为本申请实施例四提供的一种单多目标分类装置的结构示意图；
图5为本申请实施例二提供的一种判决正确率和信噪比的关系示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
请参看图1，图1为本申请实施例提供了一种单多目标分类方法的流程示意图。其中，该单多目标分类方法包括：
S101、获取阵列接收信号。
本申请实施例中，可以通过阵列天线获取阵列接收信号。
本申请实施例中，假设空间中K个入射角为θk的目标发射的信号被阵列天线接收，得到阵列接收信号，该阵列接收信号x(n)的信号模型可以表示为：
x(n)＝As(n)+w(n)；
其中，k＝1，2，……，K，n＝1，2，…，L，…，N；
其中，阵列接收信号x(n)＝[x1(n),x2(n),…,xM(n)]T；目标发射信号s(n)＝[s1(n),s2(n),…,sK(n)]T；阵列流行矩阵A＝[a(θ1),a(θ2),…,a(θK)]；阵列接收噪声w(n)＝[w1(n),w2(n),…,wM(n)]T。
在上述公式中，阵列天线由M个各向同性的天线组成，其中M>K，信号的波长均为λ。
在上述公式中，阵列流行矩阵A与入射角为θk有关，s(n)是到达阵列天线的信号，x(n)是阵列天线接收到的信号。
本申请实施例中，目标是指要探测的东西，可以是反射或者发射电磁波。在雷达领域，一般是关心的反射电磁波的物体。在无源探测领域，目标一般发射电磁波。因为目标发射电磁波，因此也可以称为信源。
本申请实施例中，该方法的处理对象是阵列接收信号x(n)，可以直接通过阵列天线接收并进行处理，处理依据为上述x(n)的信号模型。
在步骤S101之后，还包括以下步骤：
S102、对阵列接收信号进行向量归一化处理，得到目标信号向量。
本申请实施例中，为了避免不同快拍数据特异性的影响，需要对阵列接收信号进行信号向量归一化处理。
本申请实施例中，信号向量归一化有多种计算方式，具体的，可以采用功率归一化的处理方式，对此本申请实施例不作限定。
S103、计算目标信号向量的目标熵。
本申请实施例中，熵可以描述系统的混乱程度。通过计算目标信号向量的目标熵，可对高维信号向量(即目标信号向量)的混乱程度进行描述。在实际应用中，相比于单个目标，多目标的情况下的阵列接收高维信号向量的熵更大。
本申请实施例中，可以通过计算目标信号向量的熵，来实现单多目标判决。
S104、根据目标熵确定目标类型，目标类型为单目标或者多目标。
本申请实施例中，该方法提出一种可适用于任意阵列的单多目标判断方法，可判断是否仅存在一个目标。
本申请实施例中，该方法计算量较小，在判断出为单目标时，可利用比幅法等计算量较小的测向算法完成单个目标的测向。
本申请实施例中，从整个测向流程上看，对于单个目标，该方法可避免特征值分解，计算量较小，具有较大的工程实用价值。
本申请实施例中，实施该方法，可不需进行特征值分解便可完成单个目标的测向。
本申请实施例中，本方法解决的问题是如何根据阵列接收信号判断存在一个目标还是多个目标。需要说明的是，虽然该本申请实施例中阵列接收信号的信号模型描述的是一维阵列，但是该方法不仅可适用于任意一维阵列，还可适用于任意二维和三维阵列。
本申请实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。
在本申请实施例中，该方法的执行主体还可以为智能手机、平板电脑等智能设备，对此本实施例中不作任何限定。
可见，实施本实施例所描述的单多目标分类方法，能够快速完成单多目标分类，不需要进行特征分解，进而有利于提升测向效率。
实施例2
请参看图2，图2为本申请实施例提供的一种单多目标分类方法的流程示意图。如图2所示，其中，该单多目标分类方法包括：
S201、获取阵列接收信号。
S202、对阵列接收信号进行向量归一化处理，得到目标信号向量。
作为一种可选的实施方式，可以采用功率归一化的方法对阵列接收信号进行向量归一化进行处理，具体的，对阵列接收信号进行向量归一化处理的公式为：
Figure BDA0003088932540000071
其中，
Figure BDA0003088932540000072
为目标信号向量，x(n)为阵列接收信号，||x(n)||2表示计算阵列接收信号的2-范数。
S203、计算目标信号向量的目标相关性。
作为一种可选的实施方式，计算目标信号向量的目标相关性，包括：
计算目标信号向量的初始相关性；
对初始相关性进行融合处理，得到目标相关性。
在上述实施方式中，信号向量之间相关性存在多种度量方式，具体可以采用余弦相似度进行度量，对此本申请实施例不作限定。
作为进一步可选的实施方式，计算初始相关性的公式为：
Figure BDA0003088932540000073
其中，i＝1，2，…，N，N为快拍数；
其中，p’n为目标信号向量与第i个快拍信号向量之间的初始相关性，
Figure BDA0003088932540000074
为归一化阵列接收信号，
Figure BDA0003088932540000075
表示计算阵列接收信号的共轭转置。
本申请实施例中，为了计算信号向量的熵，首先要计算信号向量之间的相关性。
在上述实施方式中，当i＝1时，则通过上述计算初始相关性的公式可以得到，p’n＝p'1,p'2,..,p'N，当i取遍1到N，可以得到N组p'1,p'2,..,p'N，然后可以对N组p'1,p'2,..,p'N进行融合处理，得到最终的目标相关性pn＝p1,p2,..,pN。
在上述实施方式中，对N组p'1,p'2,..,p'N进行融合处理时，可以采用取均值、求加权平均等，对此本申请实施例不作限定。
在上述实施方式中，举例来说，计算融合p1时，则对N个p'1求均值，可以得到p1。
在上述实施方式中，对初始相关性进行融合处理，能够提升目标相关性的准确性，进而有利于提升单多目标分辨的准确度。
在步骤S203之后，还包括以下步骤：
S204、根据目标相关性，计算目标熵。
作为一种可选的实施方式，计算目标熵的公式为：
Figure BDA0003088932540000081
其中，E为目标熵，pn为目标相关性，N为快拍数。
其中，快拍数是时域样本数，是采样的样本数。
本申请实施例中，实施上述步骤S203～步骤S204，能够计算目标信号向量的目标熵。
S205、判断目标熵是否小于预设门限，如果是，执行步骤S206；如果否，执行步骤S207。
S206、确定目标类型为单目标，并结束本流程。
S207、确定目标类型为多目标，并结束本流程。
本申请实施例中，利用E和预设门限ε进行比较得出判决结果。若E<ε，则目标类型为单目标；否则，则目标类型为多目标。
作为一种可选的实施方式，完成判决后，若为单目标，则可以利用比幅法等方法进行测向。
本申请实施例中，当目标类型为单目标时，则可以利用比幅法进行测向，可以避免进行特征分解便可完成整个测向流程。与现有测向方案相比，该方法可以快速实现任意阵列的单目标判断和测向，尤其适用于单个目标出现概率更大的场景，具有较大的工程应用价值。
本申请实施例中，实施上述步骤S205～步骤S207，能够根据目标熵确定目标类型，目标类型为单目标或者多目标。
在仿真实验中，仿真采用8阵元均匀线阵，阵元间距为半波长。信号快拍数为200。仿真试验次数为1000次，其中40％的概率仅有来自-10°的一个目标，30％的概率存在来自-10°和0°的两个目标，30％的概率存在来自-10°、0°和10°的三个目标。判决正确率和信噪比的关系如图5所示，图5为一种判决正确率和信噪比的关系示意图。如图5所示，该折线图横坐标为信噪比(snr)，纵坐标为判决正确率，从图5可以看出，当信噪比较高时，可以得到较高的判决正确率。
可见，实施本实施例所描述的单多目标分类方法，能够快速完成单多目标分类，不需要进行特征分解，进而有利于提升测向效率。
实施例3
请参看图3，图3为本申请实施例提供的一种单多目标分类装置的结构示意图。如图3所示，该单多目标分类装置包括：
信号获取单元310，用于获取阵列接收信号；
归一化单元320，用于对阵列接收信号进行向量归一化处理，得到目标信号向量；
计算单元330，用于计算目标信号向量的目标熵；
分类单元340，用于根据目标熵确定目标类型，目标类型为单目标或者多目标。
本申请实施例中，对于单多目标分类装置的解释说明可以参照实施例1或实施例2中的描述，对此本实施例中不再多加赘述。
可见，实施本实施例所描述的单多目标分类装置，能够快速完成单多目标分类，不需要进行特征分解，进而有利于提升测向效率。
实施例4
请一并参阅图4，图4是本申请实施例提供的一种单多目标分类装置的结构示意图。其中，图4所示的单多目标分类装置是由图3所示的单多目标分类装置进行优化得到的。如图4所示，计算单元330包括：
第一计算子单元331，用于计算目标信号向量的目标相关性；
第二计算子单元332，用于根据目标相关性，计算目标熵。
作为一种可选的实施方式，对阵列接收信号进行向量归一化处理的公式为：
Figure BDA0003088932540000101
其中，
Figure BDA0003088932540000102
为目标信号向量，x(n)为阵列接收信号，||x(n)||2表示计算阵列接收信号的2-范数。
作为一种可选的实施方式，分类单元340包括：
判断子单元341，用于判断目标熵是否小于预设门限；
确定子单元342，用于在判断出目标熵小于预设门限时，则确定目标类型为单目标；以及在判断出目标熵大于或者等于预设门限时，则确定目标类型为多目标。
作为一种可选的实施方式，计算目标熵的公式为：
Figure BDA0003088932540000103
其中，E为目标熵，pn为目标相关性，N为快拍数。
本申请实施例中，对于单多目标分类装置的解释说明可以参照实施例1或实施例2中的描述，对此本实施例中不再多加赘述。
可见，实施本实施例所描述的单多目标分类装置，能够快速完成单多目标分类，不需要进行特征分解，进而有利于提升测向效率。
本申请实施例提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例1或实施例2中任一项单多目标分类方法。
本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申请实施例1或实施例2中任一项单多目标分类方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种单多目标分类方法，其特征在于，包括：
获取阵列接收信号；
对所述阵列接收信号进行向量归一化处理，得到目标信号向量；
计算所述目标信号向量的目标熵；
根据所述目标熵确定目标类型，所述目标类型为单目标或者多目标。
2.根据权利要求1所述的单多目标分类方法，其特征在于，所述对所述阵列接收信号进行向量归一化处理的公式为：
Figure FDA0003088932530000011
其中，
Figure FDA0003088932530000012
为所述目标信号向量，x(n)为所述阵列接收信号，||x(n)||2表示计算所述阵列接收信号的2-范数。
3.根据权利要求1所述的单多目标分类方法，其特征在于，所述计算所述目标信号向量的目标熵，包括：
计算所述目标信号向量的目标相关性；
根据所述目标相关性，计算目标熵。
4.根据权利要求3所述的单多目标分类方法，其特征在于，计算所述目标熵的公式为：
Figure FDA0003088932530000013
其中，E为所述目标熵，pn为所述目标相关性，N为快拍数。
5.根据权利要求1所述的单多目标分类方法，其特征在于，所述根据所述目标熵确定目标类型，所述目标类型为单目标或者多目标，包括：
判断所述目标熵是否小于预设门限；
如果小于，则确定目标类型为单目标；
如果大于或者等于，则确定目标类型为多目标。
6.一种单多目标分类装置，其特征在于，所述单多目标分类装置包括：
信号获取单元，用于获取阵列接收信号；
归一化单元，用于对所述阵列接收信号进行向量归一化处理，得到目标信号向量；
计算单元，用于计算所述目标信号向量的目标熵；
分类单元，用于根据所述目标熵确定目标类型，所述目标类型为单目标或者多目标。
7.根据权利要求6所述的单多目标分类装置，其特征在于，所述计算单元包括：
第一计算子单元，用于计算所述目标信号向量的目标相关性；
第二计算子单元，用于根据所述目标相关性，计算目标熵。
8.根据权利要求6所述的单多目标分类装置，其特征在于，所述分类单元包括：
判断子单元，用于判断所述目标熵是否小于预设门限；
确定子单元，用于在判断出所述目标熵小于所述预设门限时，则确定目标类型为单目标；以及在判断出所述目标熵大于或者等于所述预设门限时，则确定目标类型为多目标。
9.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至5中任一项所述的单多目标分类方法。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1至5任一项所述的单多目标分类方法。
CN202110590422.9A 2021-05-28 2021-05-28 一种单多目标分类方法及装置 Pending CN113255528A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110590422.9A CN113255528A (zh) 2021-05-28 2021-05-28 一种单多目标分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110590422.9A CN113255528A (zh) 2021-05-28 2021-05-28 一种单多目标分类方法及装置

Publications (1)

Publication Number Publication Date
CN113255528A true CN113255528A (zh) 2021-08-13

Family

ID=77185198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110590422.9A Pending CN113255528A (zh) 2021-05-28 2021-05-28 一种单多目标分类方法及装置

Country Status (1)

Country Link
CN (1) CN113255528A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102519582A (zh) * 2011-12-22 2012-06-27 南京航空航天大学 航空发动机振动信号的盲源分离方法
CN103713276A (zh) * 2013-12-23 2014-04-09 浙江大学 基于最小互熵谱分析的波达方向估计方法
CN105548952A (zh) * 2015-12-03 2016-05-04 中国电子科技集团公司第五十四研究所 基于盲源分离的同频多信号测向方法
WO2018059406A1 (zh) * 2016-09-29 2018-04-05 合肥华凌股份有限公司 盲音分离方法、结构及语音控制系统和电器总成
CN107966676A (zh) * 2017-08-04 2018-04-27 大连理工大学 复杂噪声环境下阵列天线角度和信源个数联合估计方法
CN108120953A (zh) * 2017-12-27 2018-06-05 大连理工大学 一种基于波达方向估计的无线电定位方法
CN110320490A (zh) * 2019-06-05 2019-10-11 大连理工大学 一种无直达信号条件下的无线电波达方向估计方法
CN110988837A (zh) * 2019-12-17 2020-04-10 南京莱斯电子设备有限公司 一种窄带雷达目标判别方法
CN112578361A (zh) * 2020-11-26 2021-03-30 中国人民解放军空军工程大学 米波雷达高精度二维角估计算法
CN117054998A (zh) * 2023-07-13 2023-11-14 中国航空工业集团公司雷华电子技术研究所 一种基于信息熵背景平稳度的集群目标检测方法和系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102519582A (zh) * 2011-12-22 2012-06-27 南京航空航天大学 航空发动机振动信号的盲源分离方法
CN103713276A (zh) * 2013-12-23 2014-04-09 浙江大学 基于最小互熵谱分析的波达方向估计方法
CN105548952A (zh) * 2015-12-03 2016-05-04 中国电子科技集团公司第五十四研究所 基于盲源分离的同频多信号测向方法
WO2018059406A1 (zh) * 2016-09-29 2018-04-05 合肥华凌股份有限公司 盲音分离方法、结构及语音控制系统和电器总成
CN107966676A (zh) * 2017-08-04 2018-04-27 大连理工大学 复杂噪声环境下阵列天线角度和信源个数联合估计方法
CN108120953A (zh) * 2017-12-27 2018-06-05 大连理工大学 一种基于波达方向估计的无线电定位方法
CN110320490A (zh) * 2019-06-05 2019-10-11 大连理工大学 一种无直达信号条件下的无线电波达方向估计方法
CN110988837A (zh) * 2019-12-17 2020-04-10 南京莱斯电子设备有限公司 一种窄带雷达目标判别方法
CN112578361A (zh) * 2020-11-26 2021-03-30 中国人民解放军空军工程大学 米波雷达高精度二维角估计算法
CN117054998A (zh) * 2023-07-13 2023-11-14 中国航空工业集团公司雷华电子技术研究所 一种基于信息熵背景平稳度的集群目标检测方法和系统

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
GENG CHEN等: "The design of an indoor high-precision multi-source wireless positioning system in B5G environment", 《PHYSICAL COMMUNICATION》, vol. 43, 31 December 2020 (2020-12-31), pages 1 - 9 *
JOHN ROGERS等: "Robust estimation of the number of coherent radar signal sources using deep learning", 《IET RADAR, SONAR AND NAVIGATION》, vol. 15, no. 5, 20 March 2021 (2021-03-20), pages 431, XP006110504, DOI: 10.1049/rsn2.12047 *
JUAN E. RUBIO等: "Two-Microphone Voice Activity Detection Based on the Homogeneity of the Direction of Arrival Estimates", 《2007 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING - ICASSP \'07》, 4 June 2007 (2007-06-04), pages 385 - 388 *
刘国强: "基于改进粒子群算法的盲源分离研究", 《》, no. 12, 15 December 2018 (2018-12-15), pages 136 - 87 *
周波等: "海浪方向谱的数据测量和估计方法", 《舰船科学技术》, no. 02, 10 April 2005 (2005-04-10), pages 46 - 49 *
朱丰等: "频域空域二维稀疏SIMO高分辨雷达成像方法", 《宇航学报》, vol. 33, no. 03, 30 March 2012 (2012-03-30), pages 358 - 366 *
蔡睿妍等: "脉冲噪声下基于相关熵的相干分布源DOA估计新方法", 《电子与信息学报》, vol. 42, no. 11, 27 October 2020 (2020-10-27), pages 2600 - 2606 *
陈赓等: "基于SA&M-Relax的外辐射源雷达目标DOA估计方法", 《北京航空航天大学学报》, vol. 47, no. 06, 21 July 2020 (2020-07-21), pages 1254 - 1260 *

Similar Documents

Publication Publication Date Title
Oispuu et al. Direct detection and position determination of multiple sources with intermittent emission
Han et al. Improved source number detection and direction estimation with nested arrays and ULAs using jackknifing
Shi et al. On parameter identifiability of diversity-smoothing-based MIMO radar
CN112305530B (zh) 一种无人机群目标检测方法、电子设备及存储介质
CN112684428B (zh) 一种基于信号代理的多目标恒虚警率检测方法
CN111736131A (zh) 一种剔除一比特信号谐波虚假目标的方法及相关组件
CN107340517B (zh) 一种多传感器多帧检测前跟踪方法
CN109471063B (zh) 基于延迟快拍的均匀线列阵高分辨波达方向估计方法
KR20160039473A (ko) 재머 구별이 가능한 조향 벡터 연산을 이용하는 표적의 dod-doa 추정 방법 및 장치
Li et al. R&P: an low-cost device-free activity recognition for E-health
Liao et al. Resolution Improvement for MUSIC and ROOT MUSIC Algorithms.
Yan et al. A sparse learning approach to the detection of multiple noise-like jammers
CN113589268B (zh) 部分均匀环境中的双子空间信号检测方法、系统及装置
KR101909710B1 (ko) 소나 시스템에서 신호의 희소성을 기초로 주파수영역에서의 공분산행렬 기반 압축센싱 도래각 추정방법 및 시스템
Gao et al. Fast two‐dimensional subset censored CFAR method for multiple objects detection from acoustic image
CN113255528A (zh) 一种单多目标分类方法及装置
CN110133641B (zh) 一种尺度自适应的穿墙成像雷达目标跟踪方法
Anitori et al. False alarm probability estimation for compressive sensing radar
Shen et al. RFS‐based extended target multipath tracking algorithm
Meschino et al. Use of a sub‐array statistical approach for the detection of a buried object
CN113238184B (zh) 一种基于非圆信号的二维doa估计方法
Tohidi et al. Compressive sensing in MTI processing
Kumar et al. Techniques of Direction of Arrival Estimation: A Review.
KR20210032209A (ko) 구름이동벡터 산출 장치 및 그 방법
Xu et al. End-to-End Regression Neural Network for Coherent DOA Estimation with Dual-Branch Outputs

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