CN113505697B - 一种基于U-Net网络的高频地波雷达杂波分类方法 - Google Patents

一种基于U-Net网络的高频地波雷达杂波分类方法 Download PDF

Info

Publication number
CN113505697B
CN113505697B CN202110780097.2A CN202110780097A CN113505697B CN 113505697 B CN113505697 B CN 113505697B CN 202110780097 A CN202110780097 A CN 202110780097A CN 113505697 B CN113505697 B CN 113505697B
Authority
CN
China
Prior art keywords
clutter
ionospheric
spectrum
wave radar
ground wave
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
Application number
CN202110780097.2A
Other languages
English (en)
Other versions
CN113505697A (zh
Inventor
李杨
王新旸
张宁
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202110780097.2A priority Critical patent/CN113505697B/zh
Publication of CN113505697A publication Critical patent/CN113505697A/zh
Application granted granted Critical
Publication of CN113505697B publication Critical patent/CN113505697B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/21—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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image

Landscapes

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

Abstract

一种基于U‑Net网络的高频地波雷达杂波分类方法，属于雷达杂波分类领域。本发明解决了现有对高频地波雷达杂波的分类方法准确率不高的问题。本发明方法包括：获取高频地波雷达回波的距离多普勒谱；对距离多普勒谱进行预处理，得到电离层杂波增强谱和一阶海杂波增强谱；利用训练集对电离层杂波识别网络和一阶海杂波识别网络进行训练，得到训练好的电离层杂波识别网络和一阶海杂波识别网络；将待分类的高频地波雷达杂波同时输入训练好的电离层杂波识别网络和一阶海杂波识别网络，得到两种杂波识别结果；将电离层杂波识别结果和一阶海杂波识别结果进行合并，得到高频地波雷达回波距离多普勒谱的杂波分类结果。本发明用于高频地波雷达杂波的分类。

Description

一种基于U-Net网络的高频地波雷达杂波分类方法
技术领域
本发明涉及一种基于U-Net网络的高频地波雷达杂波分类方法，属于雷达杂波分类技术领域。
背景技术
雷达是一种利用无线电进行目标探测的工具，被广泛应用于军事和民用中。杂波分类技术是一种背景感知技术，它可以通过杂波的形状、统计特性等信息，自适应地对雷达获取的回波数据进行分类。通过杂波分类技术，可以利用分类结果提取杂波的必要参数，也可以为后续目标检测与跟踪提供有用的先验信息。
高频地波雷达的检测环境十分复杂，不仅包括海杂波、电离层杂波、流星余迹等由雷达工作产生的“自干扰”，还包括电台干扰、冲击干扰和大气噪声等独立于雷达工作模式的“外部干扰”。感知并识别这些杂波干扰，实现对环境的认知，对后续检测器的性能提升具有重要地位。
目前，在高频地波雷达杂波分类领域，相关的研究较少。2004年，X.Lu等人采用KL散度进行距离-多普勒谱进行区域分割，区分海杂波和大气噪声区域。但是这种分类方法只考虑了杂波的统计特性，而忽略了形状和空间连续性信息，对高频的地波雷达杂波分类准确率并不高，分类性能有待进一步加强。
发明内容
本发明的目的是为了解决现有对高频地波雷达杂波的分类方法准确率不高的问题，现提出了一种基于U-Net网络的高频地波雷达杂波分类方法。
一种基于U-Net网络的高频地波雷达杂波分类方法，包括：
步骤一、获取高频地波雷达回波的距离多普勒谱；对距离多普勒谱进行数据预处理，得到电离层杂波增强谱和一阶海杂波增强谱；将电离层杂波增强谱作为训练集1，将一阶海杂波增强谱作为训练集2；
步骤二、利用训练集1对电离层杂波识别网络进行训练，得到训练好的电离层杂波识别网络，所述电离层杂波识别网络为损失函数采用焦点损失函数的U-Net网络；
步骤三、利用训练集2对一阶海杂波识别网络进行训练，得到训练好的一阶海杂波识别网络，所述一阶海杂波识别网络为加入了注意力引导机制的U-Net网络；
步骤四、将待分类的高频地波雷达杂波同时输入训练好的电离层杂波识别网络和训练好的一阶海杂波识别网络，输出得到电离层杂波识别结果以及一阶海杂波识别结果；
步骤五、将输出得到的电离层杂波识别结果和一阶海杂波识别结果进行合并，得到高频地波雷达回波距离多普勒谱的杂波分类结果，完成杂波分类。
本发明的有益效果是：
本发明能够对检测背景进行准确的分割，识别出高频地波雷达的一阶海杂波和电离层杂波所在单元，利用杂波分类结果，可以获取检测背景的先验知识，实现在线背景感知。在后续目标检测器设计时，可以利用杂波分类结果选择不同策略的检测器，提升目标的检测性能，降低虚警概率。
附图说明
图1为本发明方法流程图；
图2为高频地波雷达的距离—多普勒谱；
图3为本发明预处理后得到的电离层杂波增强谱；
图4为本发明预处理后得到的一阶海杂波增强谱；
图5为本发明用于电离层杂波识别的U-Net网络结构图；
图6为本发明用于一阶海杂波识别的注意力引导机制的U-Net网络结构图；
图7为本发明得到的杂波分类结果。
具体实施方式
具体实施方式一：结合图1-7具体说明本实施方式，本实施方式一种基于U-Net网络的高频地波雷达杂波分类方法，包括以下步骤：
步骤一、获取高频地波雷达回波的距离多普勒谱(如图2所示)，对距离多普勒谱进行数据预处理，得到电离层杂波增强谱和一阶海杂波增强谱；将电离层杂波增强谱作为训练集1，将一阶海杂波增强谱作为训练集2；
步骤二、利用训练集1对电离层杂波识别网络进行训练，得到训练好的电离层杂波识别网络，如图5所示，由于杂波和噪声的样本数目不均匀，本发明将U-Net网络中的损失函数改为焦点损失函数，得到的网络即为电离层杂波识别网络；利用焦点损失函数可以让模型能够重点辨别哪些不易区分的样本，提升电离层杂波的识别准确率；
步骤三、利用训练集2对一阶海杂波识别网络进行训练，得到训练好的一阶海杂波识别网络，在U-Net网络中加入了注意力引导机制，即得到一阶海杂波识别网络，所述一阶海杂波识别网络的结构如图6所示；
步骤四、将待分类的高频低波雷达杂波同时输入至训练好的电离层杂波识别网络和训练好的一阶海杂波识别网络，输出得到电离层杂波时别结果和一阶海杂波识别结果；
步骤五、将输出得到的电离层杂波识别结果和一阶海杂波识别结果进行合并，得到高频地波雷达回波距离多普勒谱的杂波分类结果，完成杂波分类。
本实施方式中，在步骤二和步骤三得到训练好的杂波识别网络后，还可以包括以下步骤：
分别将电离层杂波增强谱和一阶海杂波增强谱中部分数据作为测试集1和测试集2，并用两个测试集分别对训练好的电离层杂波识别网络和一阶海杂波识别网络进行测试，以提高网络的分类性能。
具体实施方式二：本实施方式与具体实施方式一不同的是，所述步骤一中，对距离多普勒谱进行数据预处理，得到电离层杂波增强谱和一阶海杂波增强谱；具体过程包括：
步骤一一、对距离多普勒谱中的数据进行对数处理，得到对数处理后的距离多普勒谱I；
步骤一二、利用双边滤波器对I进行滤波，以抑制背景中的噪声及目标干扰，从而得到电离层杂波增强谱I1，通过利用双边滤波器对距离多普勒谱进行滤波不仅可以减少目标对杂波识别的干扰，还可以将海杂波和电离层杂波进行分离，避免在识别过程中二者相互影响；
步骤一三、计算得到对数处理后的距离多普勒谱I和电离层杂波增强谱的差值，记为I2，即I2＝I-I1；
步骤一四、利用步骤二二中的双边滤波器对I2进行滤波，得到一阶海杂波增强谱I3；
步骤一五、根据U-Net网络的结构对输入图像尺寸的要求，调整I1的尺寸为96×256，调整一阶海杂波增强谱I3的尺寸为96×128；
步骤一六、对步骤一五中调整了尺寸后的I1和I3分别进行数据归一化处理，得到最终的电离层杂波增强谱和最终的一阶海杂波增强谱，两种杂波增强谱如图3和图4所示。
其它步骤及参数与具体实施方式二相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是，所述步骤一二中，利用双边滤波器对I进行滤波，得到电离层杂波增强谱I1，具体过程包括：
Figure BDA0003156328130000041
其中，i表示距离维坐标；j表示多普勒维坐标；k表示临近单元的距离维坐标；l表示临近单元的多普勒维坐标；(k,l)表示(i,j)的临近单元位置坐标；I(k,l)表示坐标对数处理后的距离多普勒普I在位置(k,l)处的幅值；权值系数w(i,j,k,l)由定义域核d(i,j,k,l)和值域核r(i,j,k,l)的乘积决定，即：
w(i,j,k,l)＝d(i,j,k,l)×r(i,j,k,l)。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，所述定义域核d(i,j,k,l)通过如下公式表示：
Figure BDA0003156328130000042
其中，σd表示空间域平滑因子。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是，所述值域核r(i,j,k,l)通过如下公式表示：
Figure BDA0003156328130000043
其中，σr表示数据域平滑因子；I(i,j)表示坐标对数处理后的距离多普勒普在位置(i,j)处的幅值。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六：本实施方式与具体实施方式一至五之一不同的是，所述步骤中，将输出得到的电离层杂波识别结果以及一阶海杂波识别结果进行合并，得到高频地波雷达回波距离多普勒谱的杂波分类结果，完成杂波分类；具体过程为：
Figure BDA0003156328130000044
其中，当Iout(i,j)＝0时，位于单元(i,j)的样本为大气噪声；当Iout(i,j)＝1时，位于单元(i,j)的样本为电离层杂波；当Iout(i,j)＝2时，位于单元(i,j)的样本为一阶海杂波。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七：本实施方式与具体实施方式一至六之一不同的是，所述焦点损失函数为：
Figure BDA0003156328130000051
其中，yit表示真值标签，y'it表示预测为某一类的概率；α表示平衡因子；γ表示聚焦参数；i表示第i个单元；N表示样本的个数；t表示分类类别个数。
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八：本实施方式与具体实施方式一至七之一不同的是，所述双边滤波器的尺寸为1×30；所述对I2滤波的双边滤波器的尺寸为5×1。
合理的选择滤波器的尺寸可以利用杂波的几何形状信息，更好的抑制背景噪声。
其它步骤及参数与具体实施方式一至七之一相同。
具体实施方式九：本实施方式与具体实施方式一至八之一不同的是，所述步骤三中加入注意力机制时需考虑一阶海杂波和地杂波的位置，如图6所示，根据一阶海杂波和地杂波的位置选择如下坐标：(1,fL-10)，(96,fL+10)，(1,f0-10)，(96,f0+10)，(1,fR-10)，(96,fR+10)作为注意力引导机制坐标，其中，fL表示负Bragg峰理论频率所在单元位置，在高频地波雷达(HFSWR)中，Bragg峰是当海浪的波长是发射的电磁波波长的一半时，电磁波相互作用产生的绕射现象，其中，一阶Bragg峰的多普勒频率为：
Figure BDA0003156328130000052
式中，表示重力加速度，表示雷达电磁波信号的波长，表示Bragg峰的正负多普勒频率；f0表示多普勒频率为0的所在单元位置；fR表示正Bragg峰理论频率所在单元位置。这些坐标构成的三个矩形区域即可作为注意力引导机制所在位置；使用注意力引导机制来增强网络模型对海杂波特征的关注，并抑制复杂背景及目标的特征，减少目标对海杂波识别的影响。
其它步骤及参数与具体实施方式一至八之一相同。
具体实施方式十：本实施方式与具体实施方式一至九之一不同的是，根据经验设置σd和σr的值均为10。
其它步骤及参数与具体实施方式一至九之一相同。
实施例
通过以下计算机仿真对本发明的效果作进一步的说明：
仿真条件：本实验中采用的雷达系统参数为：雷达载频fc∈[4.5,5]MHz，带宽为30kHz，相干处理间隔为154s。用本发明方法测试一副来自该实测系统的距离-多普勒谱，杂波分类结果如图7所示。从图7中可以看出，本发明可以准确地识别出一阶海杂波所在区域，并避免将目标点误认为杂波。同时，本发明可以利用杂波的连续性，对电离层杂波进行准确度地识别，避免将一些幅值较高的离散的点误认为电离层杂波。
本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.一种基于U-Net网络的高频地波雷达杂波分类方法，其特征在于，包括：
步骤一、获取高频地波雷达回波的距离多普勒谱；对距离多普勒谱进行数据预处理，得到电离层杂波增强谱和一阶海杂波增强谱；将电离层杂波增强谱作为训练集1，将一阶海杂波增强谱作为训练集2；
步骤二、利用训练集1对电离层杂波识别网络进行训练，得到训练好的电离层杂波识别网络，所述电离层杂波识别网络为损失函数采用焦点损失函数的U-Net网络；
步骤三、利用训练集2对一阶海杂波识别网络进行训练，得到训练好的一阶海杂波识别网络，所述一阶海杂波识别网络为加入了注意力引导机制的U-Net网络；
步骤四、将待分类的高频地波雷达杂波同时输入训练好的电离层杂波识别网络和训练好的一阶海杂波识别网络，输出得到电离层杂波识别结果以及一阶海杂波识别结果；
步骤五、将输出得到的电离层杂波识别结果和一阶海杂波识别结果进行合并，得到高频地波雷达回波距离多普勒谱的杂波分类结果，完成杂波分类；
所述步骤一中，对距离多普勒谱进行数据预处理，得到电离层杂波增强谱和一阶海杂波增强谱，具体过程包括：
步骤一一、对距离多普勒谱中的数据进行对数处理，得到对数处理后的距离多普勒谱I；
步骤一二、利用双边滤波器对I进行滤波，得到电离层杂波增强谱I1；
步骤一三、计算得到对数处理后的距离多普勒谱I和电离层杂波增强谱的差值，记为I2，即I2＝I-I1；
步骤一四、利用双边滤波器对I2进行滤波，得到一阶海杂波增强谱I3；
步骤一五、将I1的尺寸调整为96×256，将I3的尺寸调整为96×128；
步骤一六、对调整尺寸后的I1和I3分别进行数据归一化处理，得到电离层杂波增强谱和一阶海杂波增强谱,
所述步骤一二中，利用双边滤波器对I进行滤波，得到电离层杂波增强谱I1，具体过程包括：
Figure FDA0003592556560000011
其中，i表示距离维坐标；j表示多普勒维坐标；k表示临近单元的距离维坐标；l表示临近单元的多普勒维坐标；(k,l)表示(i,j)的临近单元位置坐标；I(k,l)表示坐标对数处理后的距离多普勒普I在位置(k,l)处的幅值；w(i,j,k,l)表示权值系数，所述权值系数w(i,j,k,l)由定义域核d(i,j,k,l)和值域核r(i,j,k,l)的乘积决定，即：
w(i,j,k,l)＝d(i,j,k,l)×r(i,j,k,l)
所述定义域核d(i,j,k,l)表示为：
Figure FDA0003592556560000021
其中，σd表示空间域平滑因子；
所述值域核r(i,j,k,l)表示为：
Figure FDA0003592556560000022
其中，σr表示数据域平滑因子；I(i,j)表示坐标对数处理后的距离多普勒普在位置(i,j)处的幅值。
2.根据权利要求1所述一种基于U-Net网络的高频地波雷达杂波分类方法，其特征在于，所述步骤五中，将输出得到的电离层杂波识别结果以及一阶海杂波识别结果进行合并，得到高频地波雷达回波距离多普勒谱的杂波分类结果，完成杂波分类；具体过程为：
Figure FDA0003592556560000023
当Iout(i,j)＝0时，位于单元(i,j)的样本为大气噪声；当Iout(i,j)＝1时，位于单元(i,j)的样本为电离层杂波；当Iout(i,j)＝2时，位于单元(i,j)的样本为一阶海杂波。
3.根据权利要求2所述一种基于U-Net网络的高频地波雷达杂波分类方法，其特征在于，所述焦点损失函数为：
Figure FDA0003592556560000024
其中，yit表示真值标签，y'it表示预测为某一类的概率；α表示平衡因子；γ表示聚焦参数；i表示第i个单元；N表示样本的个数；t表示分类类别个数。
4.根据权利要求1所述一种基于U-Net网络的高频地波雷达杂波分类方法，其特征在于，所述步骤三中加入的注意力引导机制的位置需根据一阶海杂波和地杂波的位置确定，根据一阶海杂波和地杂波的位置，将坐标点(1,fL-10)，(96,fL+10)，(1,f0-10)，(96,f0+10)，(1,fR-10)，(96,fR+10)作为注意力引导机制坐标，其中，fL表示负Bragg峰理论频率所在单元位置；f0表示多普勒频率为0的所在单元位置；fR表示正Bragg峰理论频率所在单元位置；将注意力引导机制坐标构成的三个矩形区域作为注意力引导机制的位置。
5.根据权利要求1所述一种基于U-Net网络的高频地波雷达杂波分类方法，其特征在于，所述对I1滤波的双边滤波器的尺寸为1×30；所述对I2滤波的双边滤波器的尺寸为5×1。
6.根据权利要求1所述一种基于U-Net网络的高频地波雷达杂波分类方法，其特征在于，所述σd和所述σr的值均为10。
CN202110780097.2A 2021-07-09 2021-07-09 一种基于U-Net网络的高频地波雷达杂波分类方法 Active CN113505697B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110780097.2A CN113505697B (zh) 2021-07-09 2021-07-09 一种基于U-Net网络的高频地波雷达杂波分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110780097.2A CN113505697B (zh) 2021-07-09 2021-07-09 一种基于U-Net网络的高频地波雷达杂波分类方法

Publications (2)

Publication Number Publication Date
CN113505697A CN113505697A (zh) 2021-10-15
CN113505697B true CN113505697B (zh) 2022-07-29

Family

ID=78012266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110780097.2A Active CN113505697B (zh) 2021-07-09 2021-07-09 一种基于U-Net网络的高频地波雷达杂波分类方法

Country Status (1)

Country Link
CN (1) CN113505697B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102141610A (zh) * 2010-12-23 2011-08-03 哈尔滨工业大学 基于距离-多普勒谱的电离层杂波区域识别方法
CN109389058A (zh) * 2018-09-25 2019-02-26 中国人民解放军海军航空大学 海杂波与噪声信号分类方法及系统
CN110211137A (zh) * 2019-06-08 2019-09-06 西安电子科技大学 基于残差网络和U-Net分割网络的卫星图像分割方法
CN111812598A (zh) * 2020-07-30 2020-10-23 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种基于时域频域多特征的地海杂波分类方法
CN112163454A (zh) * 2020-08-27 2021-01-01 中国海洋大学 基于rd谱增强的高频地波雷达杂波智能分类与定位方法
CN112906579A (zh) * 2021-02-24 2021-06-04 南京邮电大学 基于k均值聚类与svm的海杂波弱目标分类方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102141610A (zh) * 2010-12-23 2011-08-03 哈尔滨工业大学 基于距离-多普勒谱的电离层杂波区域识别方法
CN109389058A (zh) * 2018-09-25 2019-02-26 中国人民解放军海军航空大学 海杂波与噪声信号分类方法及系统
CN110211137A (zh) * 2019-06-08 2019-09-06 西安电子科技大学 基于残差网络和U-Net分割网络的卫星图像分割方法
CN111812598A (zh) * 2020-07-30 2020-10-23 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种基于时域频域多特征的地海杂波分类方法
CN112163454A (zh) * 2020-08-27 2021-01-01 中国海洋大学 基于rd谱增强的高频地波雷达杂波智能分类与定位方法
CN112906579A (zh) * 2021-02-24 2021-06-04 南京邮电大学 基于k均值聚类与svm的海杂波弱目标分类方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A Machine Learning Based First-Order Sea Clutter Region Extraction Method for HFSWR;Yang Li,等;《2019 IEEE International Symposium on Antennas and Propagation and USNC-URSI Radio Science Meeting》;20191031;第1637-1638页 *
An ionospheric clutter recognition method based on machine learning;Yang Li,等;《2017 IEEE International Symposium on Antennas and Propagation & USNC/URSI National Radio Science Meeting》;20171019;第173-174页 *
Learning Based Noise Identification Techniques Using Time-Frequency Analysis and the U-Net;Chih-Hao Wang,等;《2019 International Symposium on Intelligent Signal Processing and Communication Systems (ISPACS)》;20200210;第1-2页 *
基于机器学习的高频地波雷达复杂杂波识别技术研究;贺梦珂;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180215;第I136-1514页 *

Also Published As

Publication number Publication date
CN113505697A (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
CN110109060B (zh) 一种基于深度学习网络的雷达辐射源信号分选方法及系统
CN107977642B (zh) 一种核自适应均值判别分析的高分辨距离像目标识别方法
CN101988963B (zh) 利用风廓线雷达获取三维风场的方法
CN102914773B (zh) 一种多航过圆周sar三维成像方法
CN109541577A (zh) 一种部分均匀环境中未知干扰下的自适应子空间检测器
CN113486961A (zh) 基于深度学习的低信噪比下雷达rd图像目标检测方法、系统及计算机设备
Tivive et al. An improved SVD-based wall clutter mitigation method for through-the-wall radar imaging
CN111401168A (zh) 一种无人机的多层雷达特征提取与选择方法
Li et al. Evaluation method for impact of jamming on radar based on expert knowledge and data mining
CN113159447B (zh) 一种激光雷达电磁环境效应预测方法及系统
CN113156430B (zh) 一种基于涡旋电磁波雷达的人体目标步态精细识别方法
CN113505697B (zh) 一种基于U-Net网络的高频地波雷达杂波分类方法
CN113887583A (zh) 基于深度学习的低信噪比下雷达rd图像目标检测方法
Wang et al. A robust constant false alarm rate detector based on the Bayesian estimator for the non-homogeneous Weibull clutter in HFSWR
CN112799063A (zh) 基于弹跳射线法的双站散射中心建模方法
Chen et al. Indoor location method of interference source based on deep learning of spectrum fingerprint features in Smart Cyber-Physical systems
Bao et al. Detecting Fine-Grained Airplanes in SAR Images With Sparse Attention-Guided Pyramid and Class-Balanced Data Augmentation
CN108106500B (zh) 一种基于多传感器的导弹目标类型识别方法
Zhu et al. Target classification by conventional radar based on bispectrum and deep CNN
CN111580062B (zh) 基于双圆极化高分辨一维距离像hrrp的目标鉴别方法
CN114137518A (zh) 一种雷达高分辨距离像开集识别方法及装置
CN114280584A (zh) 基于相关矩阵特征值衰落系数的会聚区和影区分辨方法
CN109829385B (zh) 一种精细识别空间目标的光谱模式识别方法
Zhang et al. DTNet: A Specialized Dual-Tuning Network for Infrared Vehicle Detection in Aerial Images
CN116679278B (zh) 一种强地物杂波干扰下的目标雷达检测方法

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