CN113281715B - 一种基于神经网络的雷达目标特性数据表征方法 - Google Patents
一种基于神经网络的雷达目标特性数据表征方法 Download PDFInfo
- Publication number
- CN113281715B CN113281715B CN202110502556.0A CN202110502556A CN113281715B CN 113281715 B CN113281715 B CN 113281715B CN 202110502556 A CN202110502556 A CN 202110502556A CN 113281715 B CN113281715 B CN 113281715B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- rcs
- target characteristic
- training
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 238000012512 characterization method Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 19
- 238000007906 compression Methods 0.000 claims description 17
- 230000006835 compression Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 230000003213 activating effect Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 238000013499 data model Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 238000009795 derivation Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008904 neural response Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G01S7/417—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 involving the use of neural networks
-
- 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
- G01S7/418—Theoretical aspects
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达数据处理技术领域,具体为一种基于神经网络的雷达目标特性数据表征方法。本发明方法包括对原始目标特性数据进行预处理,然后对神经网络进行训练,在精度可控条件下训练得到的网络模型,用于对雷达目标特性数据进行表征;本发明进一步从俯仰角、方位角以及频率三个属性出发建立雷达目标特性数据库;最终结果表明,通过神经网络对雷达目标特性数据库进行压缩,能够有效解决传统方法的算法复杂度高以及不具有普适性等问题。
Description
技术领域
本发明属于雷达数据处理技术领域,具体涉及雷达目标特性数据表征方法。
背景技术
雷达目标特性是雷达系统半实物仿真和目标识别的关键部分,通常需要大角度和宽频带的目标特性信息,且雷达目标的复杂结构和材料使得其目标特性随频率和角度剧烈变化,因此完整的目标特性数据量非常庞大。由于雷达半实物仿真系统的数据存储空间有限,实时性要求希望快速访问并提取目标数据,因此需要对雷达目标特性数据进行压缩存储,并且以一定的规则为其建立轻量化目标特性数据库模型。
传统的压缩方法从数据特征出发,依据已知的数据特征对数据进行低误差率压缩,仅适用于数据特征较为明显或简单的情况,对于复杂的高维特征需要大量繁杂计算,算法复杂度高且不具有普适性。因此需要一种更为高效快捷的压缩方法,并基于该方法建立轻量化数据库。
发明内容
为解决上述技术问题,本发明的目的在于提供一种基于神经网络的雷达目标特性数据表征方法。
本发明提供的基于神经网络的雷达目标特性数据表征方法,对原始目标特性数据进行预处理,然后对神经网络进行训练,在精度可控条件下训练得到的网络模型,用于对雷达目标特性数据进行表征;具体步骤如下:
(一)数据预处理
原始目标特性数据是雷达目标的后向雷达散射截面(RadarCrossSection,RCS),反映了目标对电磁波的散射回波强弱,不同频率、不同方位角和俯仰角下的RCS数值跨度较大,最小值趋近于0,会影响网络收敛速度,不利于小数值的学习优化。为此,对其进行预处理操作,具体流程如下:
(1)孤立点拟合:若某点的RCS值与3×3邻域内的RCS相对偏差大于10%,称该点为孤立点,对于目标散射特性数据,孤立点通常出现在频率与方位变化的交点处。由于孤立点的值往往很小,使得神经网络很难学习到信息,因此对其3×3邻域内的数据进行线性插值来替代该孤立点的值。若其值依旧小于阈值则将该点处的值设置为阈值,其效果如图1(b)所示。
(2)非线性变换:对原始数据取以2为底的对数进行非线性数值压缩,其效果如图1(c)所示。
(3)常数项偏移:将操作(2)得到的数据加上一个固定常数(当前感兴趣区域所有数据的最小值),使所有数据都大于0,消除负数对结果的影响,其效果图如图1(d)所示。
具体地,本发明使用的原始目标特性数据集为Global-Hawk无人侦察机的散射特性RCS数据,其头尾长度13.5米,高4.6米,翼展35.4米,几何模型如图3所示。本方法使用基于二叉树寻迹的并行射线追踪算法计算该无人机后向散射RCS数据集,入射波频率f∈[4GHz,8GHz],频率间隔1MHZ;俯仰角θ∈[30°,150°],俯仰向角度间隔5°;考虑该无人机模型的几何对称性,入射方位角ψ∈[-90°,90°],方位向角度间隔0.1°;共计4000×24×1800个复数RCS值。
(二)训练神经网络模型
(1)神经网络结构
本方法使用基于全连接层的神经网络架构,共六层结构级联,每层分别有512、512、256、256、256、256个神经元,网络结构图如图2所示。
(2)激活函数
本方法使用正弦激活函数,其优势在于其导数与本身性质相同,可以增强网络对精密细节的刻画能力。设Tj表示激活函数的输入,φj表示激活函数的输出,激活函数表示为:
φj=sin(Tj),Tj:x→Wjx+bj
其中,权重Wj为权重,bj为偏置。
对于此激活函数,权重与输入初始值对训练结果和速度有很大影响。为了保证神经网络每一层的输出分布保持一致,设第j层的输出服从arc sin(-1,1)分布,权重Wj服从(-c,c)的均匀分布,则权重方差为(c-(-c))2/12,于是有:
(3)损失函数
采用的损失函数为均方误差(Mean Square Error,MSE),它具有函数曲线光滑、连续,处处可导,其表达式为:
f(x)为实际值,y为网络预测值,n为输入矩阵元素个数。通过上式计算矩阵的均方误差作为网络优化方向。
(4)训练神经网络
考虑到原始数据矩阵较大,直接进行训练耗费的时间较长,本方法将原始数据矩阵划分为800×800的子块,分别进行网络训练,得到对应数据的网络表征模型。训练采用Adam优化器根据《Implicit Neural Representations with Periodic ActivationFunctions》设置网络初始值进行训练;
当训练过程中出现连续四个batch的平均损失(avg_loss)没有减小时,就将学习率乘以一个小于1的常数系数进行调整。
(三)建立目标特性数据库
对每一个俯仰角下的RCS数据建立一张数据表,该表拥有方位角、频率以及存储值三个字段,其中方位角和频率作为联合主键,给定方位角和频率即可唯一确定存储值。由神经网络训练得到的表征模型按(方位角,频率)字段存储入数据库;数据取用时根据输入的俯仰角、方位角、频率范围查询提取数据模型进行数据重构。数据存储方式与映射关系如图4所示。
本方法从俯仰角、方位角以及频率三个属性出发建立雷达目标特性数据库,最终结果表明通过神经网络对雷达目标特性数据库进行压缩能够有效解决传统方法的算法复杂度高以及不具有普适性等问题。
附图说明
图1为数据预处理的效果。其中,(a)原始数据,(b)孤立点处理,(c)非线性变换后的数据,(d)常数项偏移。
图2为本发明神经网络结构图示。
图3为数据集对应的目标几何模型。
图4为数据存储方式与映射关系。
图5为预处理效果实验。其中,(a)未处理的原始数据,(b)由未处理的原数据训练得到的预测值,(c)预处理后数据,(d)预处理后的数据训练得到的预测值。
图6为俯仰角15°、频率4~4.8GHz、方位角-90°~-10°的原始RCS数据与重构数据。
图7为俯仰角15°、频率5~5.8GHz、方位角-90°~-10°的原始RCS数据与重构数据。
图8为俯仰角15°、频率4~4.8GHz、方位角-10°~70°的原始RCS数据与重构数据。
图9为俯仰角30°、频率4~4.8GHz、方位角-90°~-10°的原始RCS数据与重构数据。
图10为俯仰角30°、频率5~5.8GHz、方位角-90°~-10°的原始RCS数据与重构数据。
图11为俯仰角30°、频率4~4.8GHz,、方位角-10°~70°的原始RCS数据与重构数据。
图12为俯仰角40°、频率4~4.8GHz、方位角-90°~-10°的原始RCS数据与重构数据。
图13为俯仰角40°、频率5~5.8GHz、方位角-90°~-10°的原始RCS数据与重构数据。
图14为俯仰角40°、频率4~4.8GHz、方位角-10°~70°的原始RCS数据与重构数据。
具体实施方式
下面通过具体实施例进一步描述本发明。
(一)实施数据预处理
采用原始数据俯仰角15°频率处的无人机RCS数据,频率范围6~6.8GHz,频率间隔1MHz方位角范围为-10°~70°,方位角间隔0.1°,数据矩阵大小为800x800。使用未处理的原始数据与处理后的数据分别进行模型训练与重构实验。表1给出了对比试验的模型训练时间、数据重构相对误差。
表1、预处理与未处理RCS数据的重构性能
实验数据 | 模型训练时间 | 相对误差 |
(1)原始RCS矩阵 | 2h13min | 0.1033 |
(2)预处理后的RCS矩阵 | 2h11min | 0.0538 |
对比结果如图5所示,从相对误差值中可以看出使用经过预处理的数据能够有效降低数据重构误差。
(二)实施例1、俯仰角为15°的无人机RCS数据
原始数据是仿真获取的俯仰角为15°无人机RCS数据集,频率范围为4~8GHz,频率间隔1MHz,方位角范围为-90°~90°,方位角间隔0.1°,数据矩阵总大小为4000x1800。分别按800x800矩阵大小取其中三组数据进行模型训练和重构实验,频率和方位角分别为:(1)4~4.8GHz,-90°~-10°;(2)5~5.8GHz,-90°~-10°;(3)4~4.8GHz,-10°~70°。表2给出了这三组数据的模型训练时间、模型压缩率和数据重构相对误差。
图6展示了使用SIREN网络对4~4.8GHz、-90°~-10°数据进行数据重构的结果,其中左侧为原始数据,右侧为SIREN网络模型的重构结果,两个维度分别表示频率与角度。可以看出使用SIREN网络重构后的数据与原数据分布基本一致,经计算得到两者相对误差为0.0673,模型训练时间为2h13min,训练得到的SIREN模型大小为2.26MB,而原始数据大小为4.48MB,因此压缩率为50.54%。
表2、俯仰角15°RCS数据的重构性能
数据段 | 模型训练时间 | 压缩率 | 相对误差 |
(1)频率4~4.8GHz,方位角-90°~-10° | 2h13min | 50.54% | 0.0673 |
(2)频率5~5.8GHz,方位角-90°~-10° | 2h11min | 50.58% | 0.0839 |
(3)频率4~4.8GHz,方位角-10°~70° | 2h13min | 50.57% | 0.0414 |
图7展示了使用SIREN网络对5~5.8GHz、-90°~-10°数据进行训练和重构的结果,其中左侧为原始数据,右侧为SIREN网络模型的重构结果,两个维度分别表示频率与角度。可以看出重构结果与原数据分布基本一致,经过计算可得两者相对误差为0.0839,模型训练时间为2h11min,训练得到的SIREN模型大小为2.26MB,而原数据大小为4.47MB,因此压缩率为50.58%。
图8展示了使用SIREN网络对4~4.8GHz、-10°~70°数据进行训练和重构的结果,其中左侧为原始数据,右侧为SIREN网络模型的重构结果,两个维度分别表示频率与角度。该模型的训练时间为2h13min,数据重构相对误差为0.414,模型压缩率为50.57%。
(三)实施例2、俯仰角为30°的无人机RCS数据
为了验证SIREN神经网络模型在其他俯仰角度下的普适性,对仿真获取的俯仰角为30度无人机数据集进行压缩模型构建和数据重构,频率范围为4GHz~8GHz,频率间隔1MHz,方位角范围为-90°~90°,方位角间隔0.1°,原始数据矩阵大小为4000x1800。分别按800x800矩阵大小取其中三组数据进行重构实验,频率和方位角分别为:(1)4~4.8GHz,-90°~-10°;(2)5~5.8GHz,-90°~-10°;(3)4~4.8GHz,-10°~70°。表3给出了俯仰角为30°的三组数据的模型训练时间、模型压缩率和数据重构相对误差,重构结果见图9、图10、图11。结果表明SIREN神经网络模型同样适用于俯仰角30度下RCS数据表征,该方法在不同角度下具有一定的普适性。
表3、俯仰角30度数据的重构结果
数据段 | 网络压缩时间 | 压缩率 | 相对误差 |
(1)4~4.8GHz,-90°~-10° | 2h15min | 50.70% | 0.0984 |
(2)5~5.8GHz,-90°~-10° | 2h11min | 50.36% | 0.1017 |
(3)4~4.8GHz,-10°~70° | 2h14min | 50.72% | 0.0771 |
实施例3、俯仰角为40°的无人机RCS数据
对俯仰角为40°的无人机RCS数据集进行重构,频率范围为4~8GHz,频率间隔1MHz,方位角为-90°~90°,方位角间隔0.1°,原始数据总大小为4000x1800。按800x800矩阵大小取其中三组数据进行重构实验,频率和方位角分别为:(1)4~4.8GHz,-90°~-10°;(2)5~5.8GHz,-90°~-10°;(3)4~4.8GHz,-10°~70°。表4给出了俯仰角为40°的三组数据的模型训练时间、模型压缩率和数据重构相对误差,重构结果见图12、图13、图14。
表4、俯仰角40度数据的重构结果
数据段 | 网络压缩时间 | 压缩率 | 相对误差 |
(1)4~4.8GHz,-90°~-10° | 2h10min | 50.66% | 0.1203 |
(2)5~5.8GHz,-90°~-10° | 2h11min | 50.36% | 0.1549 |
(3)4~4.8GHz,-10°~70° | 2h15min | 50.72% | 0.1049 |
通过上面三个俯仰角的分别三组实验结果表明:虽然雷达目标特性原始数据随频率和角度剧烈变化,本方法仅需不足2.5小时时间即可构建目标特性数据的SIREN网络表征模型,且所训练得到的网络模型小于原始数据大小,可以达到50%左右的数据压缩率,数据重构的相对误差都小于0.2。因此,SIREN网络能够有效地表征复杂的雷达目标特性数据。
Claims (2)
1.一种基于神经网络的雷达目标特性数据表征方法,其特征在于,对原始目标特性数据进行预处理,然后对神经网络进行训练,在精度可控条件下训练得到的网络模型,用于对雷达目标特性数据进行表征;具体步骤如下:
(一)数据预处理
原始目标特性数据是雷达目标的后向雷达散射截面(RCS)数据,反映目标对电磁波的散射回波强弱,为后续学习优化,对其进行预处理操作,具体流程如下:
(1)孤立点拟合:若某点的RCS值与3×3邻域内的RCS相对偏差大于10%,称该点为孤立点,对于目标散射特性数据,孤立点出现在频率与方位变化的交点处;由于孤立点的值往往很小,使得神经网络很难学习到信息,为此,对其3×3邻域内的数据进行线性插值来替代该孤立点的值;若其值依旧小于阈值则将该点处的值设置为阈值;
(2)非线性变换:对原始数据取以2为底的对数进行非线性数值压缩;
(3)常数项偏移:将操作(2)得到的数据加上一个固定常数,使所有数据都大于0,消除负数对结果的影响;
(二)训练神经网络模型
(1)神经网络结构
神经网络采用基于全连接层的架构,共六层结构级联,每层分别有512、512、256、256、256、256个神经元;
(2)激活函数
使用正弦激活函数,设Tj表示激活函数的输入,φj表示激活函数的输出,激活函数表示为:
φj=sin(Tj),Tj:x→Wjx+bj
其中,权重Wj为权重,bj为偏置;
为了保证神经网络每一层的输出分布保持一致,设第j层的输出服从arc sin(-1,1)分布,权重Wj服从(-c,c)的均匀分布,则权重方差为(c-(-c))2/12,于是:
(3)损失函数
损失函数采用均方误差MSE,它具有连续、处处可导的优势,其表达式为:
其中,f(x)为实际值,y为网络预测值,n为输入矩阵元素个数;通过上式计算矩阵的均方误差作为网络优化方向;
(4)训练神经网络
将原始数据矩阵划分为800×800的子块,分别进行网络训练,得到对应数据的网络表征模型;训练采用Adam优化器;
当训练过程中出现连续四个batch的平均损失没有减小时,就将学习率乘以一个小于1的常数系数进行调整;
(三)建立目标特性数据库
对每一个俯仰角下的RCS数据建立一张数据表,该表拥有方位角、频率以及存储值三个字段,其中方位角和频率作为联合主键,给定方位角和频率即可唯一确定存储值;由神经网络训练得到的表征模型按(方位角,频率)字段存储入数据库;数据取用时根据输入的俯仰角、方位角、频率范围查询提取数据模型进行数据重构。
2.根据权利要求1所述的基于神经网络的雷达目标特性数据表征方法,其特征在于,所述原始目标特性数据集为Global-Hawk无人侦察机的散射特性RCS数据,其头尾长度13.5米,高4.6米,翼展35.4米;使用基于二叉树寻迹的并行射线追踪算法计算该无人侦察机后向散射RCS数据集,入射波频率f∈[4GHz,8GHz],频率间隔1MHZ;俯仰角θ∈[30°,150°],俯仰向角度间隔5°;考虑该无人侦察机模型的几何对称性,入射方位角ψ∈[-90°,90°],方位向角度间隔0.1°;共计4000×24×1800个复数RCS值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110502556.0A CN113281715B (zh) | 2021-05-09 | 2021-05-09 | 一种基于神经网络的雷达目标特性数据表征方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110502556.0A CN113281715B (zh) | 2021-05-09 | 2021-05-09 | 一种基于神经网络的雷达目标特性数据表征方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113281715A CN113281715A (zh) | 2021-08-20 |
CN113281715B true CN113281715B (zh) | 2022-06-21 |
Family
ID=77278324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110502556.0A Active CN113281715B (zh) | 2021-05-09 | 2021-05-09 | 一种基于神经网络的雷达目标特性数据表征方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113281715B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108680911A (zh) * | 2018-05-17 | 2018-10-19 | 电子科技大学 | 一种基于神经网络的雷达目标测向方法 |
CN108983228A (zh) * | 2018-07-10 | 2018-12-11 | 北京理工大学 | 一种基于深度神经网络的rcs近远场变换方法 |
JP2018205174A (ja) * | 2017-06-06 | 2018-12-27 | 株式会社東芝 | レーダ装置及びそのレーダ信号処理方法 |
JP2019086464A (ja) * | 2017-11-09 | 2019-06-06 | 株式会社東芝 | レーダ装置及びそのレーダ信号処理方法 |
CN109901159A (zh) * | 2019-04-04 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深度学习的米波雷达目标识别方法 |
CN110223342A (zh) * | 2019-06-17 | 2019-09-10 | 电子科技大学 | 一种基于深度神经网络的空间目标尺寸估计方法 |
CN110826643A (zh) * | 2019-11-20 | 2020-02-21 | 上海无线电设备研究所 | 一种极化欧拉特征融合深度学习的海上目标识别方法 |
CN111105391A (zh) * | 2019-11-20 | 2020-05-05 | 复旦大学 | 一种基于深度神经网络增广训练的表面缺陷检测方法 |
CN111175719A (zh) * | 2020-01-08 | 2020-05-19 | 中国船舶重工集团公司第七二四研究所 | 基于bp神经网络的智能航迹起始方法 |
WO2020136258A1 (fr) * | 2018-12-27 | 2020-07-02 | Thales | Dispositif de génération d'un ensemble de données simulées du fouillis de mer, procédé et programme d'ordinateur associés |
US10866304B1 (en) * | 2018-09-12 | 2020-12-15 | Neural Propulsion Systems, Inc. | Signal detection and denoising systems |
CN112184849A (zh) * | 2020-09-25 | 2021-01-05 | 中南大学 | 一种针对复杂动态多目标微动信号智能处理方法及系统 |
CN112240999A (zh) * | 2019-07-19 | 2021-01-19 | Aptiv技术有限公司 | 处理雷达反射的方法和系统 |
CN112654764A (zh) * | 2018-06-08 | 2021-04-13 | 斯伦贝谢技术有限公司 | 利用非监督机器学习声学数据来表征和评估井完整性的方法 |
CN112686297A (zh) * | 2020-12-29 | 2021-04-20 | 中国人民解放军海军航空大学 | 一种雷达目标运动状态的分类方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6337654B1 (en) * | 1999-11-05 | 2002-01-08 | Lockheed Martin Corporation | A-scan ISAR classification system and method therefor |
US11313949B2 (en) * | 2019-07-15 | 2022-04-26 | Ansys, Inc. | Frequency dependent radar cross section model for real-time radar simulation in a dynamic environment |
-
2021
- 2021-05-09 CN CN202110502556.0A patent/CN113281715B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018205174A (ja) * | 2017-06-06 | 2018-12-27 | 株式会社東芝 | レーダ装置及びそのレーダ信号処理方法 |
JP2019086464A (ja) * | 2017-11-09 | 2019-06-06 | 株式会社東芝 | レーダ装置及びそのレーダ信号処理方法 |
CN108680911A (zh) * | 2018-05-17 | 2018-10-19 | 电子科技大学 | 一种基于神经网络的雷达目标测向方法 |
CN112654764A (zh) * | 2018-06-08 | 2021-04-13 | 斯伦贝谢技术有限公司 | 利用非监督机器学习声学数据来表征和评估井完整性的方法 |
CN108983228A (zh) * | 2018-07-10 | 2018-12-11 | 北京理工大学 | 一种基于深度神经网络的rcs近远场变换方法 |
US10866304B1 (en) * | 2018-09-12 | 2020-12-15 | Neural Propulsion Systems, Inc. | Signal detection and denoising systems |
WO2020136258A1 (fr) * | 2018-12-27 | 2020-07-02 | Thales | Dispositif de génération d'un ensemble de données simulées du fouillis de mer, procédé et programme d'ordinateur associés |
CN109901159A (zh) * | 2019-04-04 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深度学习的米波雷达目标识别方法 |
CN110223342A (zh) * | 2019-06-17 | 2019-09-10 | 电子科技大学 | 一种基于深度神经网络的空间目标尺寸估计方法 |
CN112240999A (zh) * | 2019-07-19 | 2021-01-19 | Aptiv技术有限公司 | 处理雷达反射的方法和系统 |
CN111105391A (zh) * | 2019-11-20 | 2020-05-05 | 复旦大学 | 一种基于深度神经网络增广训练的表面缺陷检测方法 |
CN110826643A (zh) * | 2019-11-20 | 2020-02-21 | 上海无线电设备研究所 | 一种极化欧拉特征融合深度学习的海上目标识别方法 |
CN111175719A (zh) * | 2020-01-08 | 2020-05-19 | 中国船舶重工集团公司第七二四研究所 | 基于bp神经网络的智能航迹起始方法 |
CN112184849A (zh) * | 2020-09-25 | 2021-01-05 | 中南大学 | 一种针对复杂动态多目标微动信号智能处理方法及系统 |
CN112686297A (zh) * | 2020-12-29 | 2021-04-20 | 中国人民解放军海军航空大学 | 一种雷达目标运动状态的分类方法及系统 |
Non-Patent Citations (8)
Title |
---|
Automatic Radar Target Identification Using Radar Cross Section Fluctuations and Recurrent Neural Networks;Bharat Sehgal 等;《TENCON 2019 - 2019 IEEE Region 10 Conference (TENCON)》;20191212;第1-5页 * |
Automatic Target Recognition Using Recurrent Neural Networks;Bharat Sehgal 等;《2019 International Conference on Range Technology (ICORT)》;20200420;第2490-2495页 * |
Establishment of radar target characteristic database based on scattering center extraction and neural network prediction;YiAnran Wang 等;《2020 IEEE MTT-S International Conference on Numerical Electromagnetic and Multiphysics Modeling and Optimization (NEMO)》;20210208;第1-4页 * |
Radar Cross Section Identification of Air Targets using the Cosine Transform and Neural Networks;M Emre Aydemir 等;《Recent Patents on Engineering 2012》;20121231;第65-69页 * |
一种神经网络数据压缩算法;杨云升 等;《声学技术》;1-2;20160831;第35卷(第4期);第484-486页 * |
基于神经网络的舰船雷达目标特征抽取与分类方法研究;梁民 等;《系统工程与电子技术》;19930831;第11-21页 * |
嫦娥三号测距测速雷达回波的数值仿真;叶红霞 等;《电波科学学报》;20140630;第29卷(第3期);第397-400页 * |
子波变换用于雷达目标回波特征提取的研究;樊虹虹 等;《清华大学学报(自然科学版)》;19941231;第34卷(第4期);第9-14页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113281715A (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Krefl et al. | Machine learning of Calabi-Yau volumes | |
CN102722613B (zh) | 采用遗传-模拟退火组合对天线宽带匹配网络中电子元件参数的优化方法 | |
CN108170950A (zh) | 基于神经网络的多层频率选择表面吸波材料建模优化方法 | |
CN115438571B (zh) | 一种基于机器学习的地波雷达波浪场计算方法及装置 | |
CN113553755A (zh) | 电力系统状态估计方法、装置及设备 | |
CN113281715B (zh) | 一种基于神经网络的雷达目标特性数据表征方法 | |
CN110796303B (zh) | 一种基于ewt和odbscan的短期电力负荷预测方法 | |
Zhang et al. | Load Prediction Based on Hybrid Model of VMD‐mRMR‐BPNN‐LSSVM | |
Li et al. | A novel time-domain graph tensor attention network for specific emitter identification | |
Li et al. | Graph attention neural networks for point cloud recognition | |
CN107608937B (zh) | 一种基于云计算平台的机器学习风机状态监测方法及装置 | |
CN111239685B (zh) | 基于均匀设计和自组织特征映射神经网络的声源定位方法 | |
CN117217328A (zh) | 基于约束因子的联邦学习客户端选择方法 | |
CN112862946B (zh) | 基于级联条件生成对抗网络的灰度岩心图像三维重建方法 | |
CN107305536B (zh) | 混合阶时域不连续伽略金方法 | |
CN117293791A (zh) | 一种基于误差修正的负荷时序调节潜力预测方法 | |
Xu et al. | Improved synthetic basis functions method for nonperiodic scaling structures with arbitrary spatial attitudes | |
CN109117545B (zh) | 基于神经网络的天线快速设计方法 | |
Liu et al. | Generative adversarial network-based design of dielectric resonator antenna for mmWave 5G applications | |
CN110112571B (zh) | 一种基于神经网络逆建模的天线设计方法 | |
CN106651979A (zh) | 基于投影的空间曲面四边形网格剖分方法 | |
Weng et al. | Efficient broadband monostatic RCS computation of morphing S-Shape cavity using artificial neural networks | |
CN112070387B (zh) | 一种复杂传播环境的多径分量聚簇性能评估的方法 | |
Wu et al. | Parametric Model for Coaxial Cavity Filter with Combined KCCA and MLSSVR | |
Phong et al. | The continuity of solution set of a multivalued equation and applications in control problem |
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 |