CN113640768B - 一种基于小波变换的低分辨雷达目标识别方法 - Google Patents
一种基于小波变换的低分辨雷达目标识别方法 Download PDFInfo
- Publication number
- CN113640768B CN113640768B CN202110931109.7A CN202110931109A CN113640768B CN 113640768 B CN113640768 B CN 113640768B CN 202110931109 A CN202110931109 A CN 202110931109A CN 113640768 B CN113640768 B CN 113640768B
- Authority
- CN
- China
- Prior art keywords
- radar
- target
- echo data
- data
- radar target
- 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
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
- G01S7/414—Discriminating targets with respect to background clutter
-
- 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
- G01S7/415—Identification of targets based on measurements of movement associated with the target
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于小波变换的低分辨雷达目标识别方法,属于雷达目标识别技术领域。包括:初始化X=1;雷达发射机发射脉冲;雷达接收机接收雷达目标回波数据并建航;对接收的雷达回波数据做杂波抑制处理,得到杂波抑制后的雷达回波数据;对做杂波抑制处理之后的雷达回波数据进行小波包分解,提取频率子带数据后,再提取特征向量并进行能量密度归一化,将得到的归一化能量密度作为回波信号的特征向量;判断目标速度是否小于5m/s,并分别利用分类器1及分类器2对改组雷达目标回波数据进行分类,得到目标概率。所述目标识别方法可在目标遮挡情况下有效提高目标识别概率。
Description
技术领域
本发明涉及一种基于小波变换的低分辨雷达目标识别方法,属于雷达目标识别技术领域。
背景技术
雷达目标识别技术不仅可以对目标进行探测和预警,还可以提供目标类别等信息,协助执行对作战目标的精准打击等重要作战任务。雷达目标识别技术在精确制导、反导反卫、对空情报等诸多涉及国家安全的军事领域,发挥着十分重要的作用。
对地面目标以及低空目标的识别是低分辨雷达系统的重要测量任务之一。雷达监测地面目标与低空目标时,由于遮挡等问题的影响,导致目标识别准确度较差。目标识别的准确度是地面侦查雷达的重要性能指标之一。目标类别信息的准确与否直接影响到对目标威胁度的判断,以及针对目标进行的指挥决策。
在近10年的专利和文献中,有与本专利类似的地方,但本专利中利用小波包变换后频率子带的能量密度作为识别的特征值,是本专利独有的方法。以下是与本专利相关的一些文献及其摘要。
1)基于离散小波变换的低分辨雷达空间目标识别算法,该方法针对低分辨率雷达体制下的空间目标识别问题,提出了基于离散小波变换的低分辨雷达空间目标识别算法。该算法首先对于空间目标的雷达回波信号进行离散小波变换, 然后在时间-尺度平面上提取十个有效的统计特征,最后基于模糊分类来识别六类空间目标。计算机仿真实验表明,即使在较低的输入信噪比下,该算法依然对六类目标取得了比较好的识别效果。
2)基于多尺度分析和神经网络的目标识别方法,该方法阐述了一种基于多尺度分析理论和神经网络的目标识别方法,对图像数据进行几何重构,包括图像预处理和飞行姿态的重构。采用Contourlet变换提取图像的低频及高频特征向量作为基础输入训练集和修正输入训练集。在此基础上进行BP神经网络的设计, 利用高频细节数据修正低频轮廓数据,并确定输入输出层、中间层个数和算法。训练好的网络显示对不同光照条件、姿态的机动目标具有较高的识别能力,说明该方法具有工程可适用性。
3)基于BP神经网络的飞机目标识别算法,该方法针对飞机目标识别中模板匹配等方法存在的识别率低的问题,提出一种基于多层BP神经网络的飞机目标识别算法。该算法首先利用CST电磁仿真软件精确仿真目标的全空域RCS数据,根据飞行的航迹获取动态RCS时间序列。其次,计算目标动态RCS时间序列的均值、极大值等统计特性以及对目标动态RCS时间序列进行多尺度小波分解和重构,计算每层近似信号重构能量和细节信号重构能量,之后提取目标RCS的时频特征。最后,构建多层BP神经网络模型来识别3种类型的目标。仿真结果表明,该目标识别算法能够有效的识别3种不同类型的飞机目标,识别率达到了90%。
4)结合小波变换和互信息的车辆识别方法,该方法车型分类识别技术是智能交通系统中的重要组成部分,在交通流量统计、高速公路收费、提高道路利用率和道路规划与扩建等方面都有着极其重要的意义。为了实现不同车型的自动分类,本文研究了基于声音信号的车型分类识别方法。根据目前较通用的车型分类标准,选取了大、中、小三种不同的车型,分别在不同道路环境下进行了车辆声音信号采集。由于采集到的声音信号伴随着大量的环境背景噪声,利用小波分层阈值自适应降噪方法对车辆声音信号进行了降噪处理。通过对车辆声音信号进行频谱分析,明确了与车型分类相关的主要频段范围。为了避免遗漏那些能量相对微弱却影响车型分类结果的声音信息,将基于能量信息的小波变换方法与不基于能量信息变换的互信息方法相结合进行特征提取。考虑到维数过高的特征向量会降低分类器的性能,本文利用遗传算法对包含小波频带系数能量特征和关键频率成分特征的特征集进行了降维处理,在去除了特征集冗余性的同时, 提高了分类器的正确率。特征提取过后,本文分别用BP神经网络、LVQ神经网络和支持向量机对特征向量进行了模式识别。为了充分利用小波频带系数能量特征和关键频率成分特征之间的互补性和差异性信息,本文利用D-S证据理论对小波变换及其适用的BP神经网络得到的分类结果与互信息及其适用的支持向量机得到的分类结果进行了决策级信息融合。论文采用上述方法进行了车型识别试验,试验结果表明:结合小波变换和互信息的特征提取方法可以有效利用车辆声音信号的综合信息。针对两种分类器对同一车辆声音样本可能得到不同分类结果的情况,基于D-S证据理论的决策级信息融合方法增大了对于未知样本类别的置信度,消除了分类结果的不确定性,提高了车型分类的正确率。
5)船舶及鲸类声信号特征提取和分类识别研究,水声信号的分类识别技术主要是沿着两个方向不断发展进步的,一是特征提取方法的研究;二是模式识别算法的研究即分类器的设计。特征提取方法研究的主要任务是研究和选取能表现信号类别的,有效而且稳定可靠的特征矢量;而分类器设计的主要任务是研究各种分类模型的结构和算法,从而对训练和识别中提取的特征向量做类别匹配,以完成准确的类别划分的目的。本文的研究对象是船舶和鲸类水下声信号,研究的重点是特征提取方法及分类器设计。本文对希尔伯特-黄变换理论和小波分析理论及其在船舶和鲸类水下声信号特征提取中的应用进行了较深入的研究;对语音信号处理中的说话人识别技术进行了深入的研究并将其应用到船舶和鲸类水下声信号的分类识别中。论文的主要内容包括:1、论文首先详细的介绍了水声信号分类识别问题的相关理论知识,说明了分类识别系统的各个组成部分及其各自的作用。重点分析了现有的特征提取算法及各自的优缺点,以及分类器对识别性能的影响。2、基于小波分析理论在非平稳信号分析和处理中的优势,对提取小波域的信号特征方法进行研究。利用小波分析理论中多分辨分析的概念和小波包分解研究了信号不同频段内能量特征的提取算法,给出了特征向量的构造方法,讨论分析了小波基函数和小波包分解层数的变化对分类识别性能的影响。3、由于希尔伯特-黄变换(HHT)方法自身独特的特点及其在信号处理各个领域的广泛应用,对希尔伯特-黄变换的思想及其算法进行了研究,将其应用到船舶和鲸类水下声的特征提取中,提取了船舶和鲸类声信号的希尔伯特谱特征。利用神经网络分类器对提取的希尔伯特谱特征进行分类。分类结果表明该方法具有较好的分类识别效果,可以应用于船舶和鲸类水下声的分类识别中。4、探索将说话人识别技术应用到船舶和鲸类水下声信号的分类识别中。声呐员对监听到的各种水下声信号的识别机理和人对听到的各种声音信号的识别理论上是相同的。本文将在语音信号识别中取得满意效果的基于人耳听觉特性的的美尔倒谱系数(MFCC)应用于船舶和鲸类水下声信号的特征提取中,提取了船舶和鲸类声信号的MFCC语音特征,通过高斯混合模型对提取的语音特征进行训练和识别。讨论分析了MFCC维数的变化和不同MFCC特征的组合对识别性能的影响。5、研究了本文用到的两种识别模型,人工神经网络(ANN)和高斯混合模型(GMM)。详细分析了这两种识别模型各自的特点、理论基础和算法实现,包括各种参数的选择和设定,并将其应用到船舶和鲸类声信号的分类识别中,实现了有效的特征层识别。6、通过对实验数据的处理和分类结果的分析进一步验证了文中提出的特征提取方法和识别模型的有效性以及对船舶和鲸类声信号的适用性;并针对在实际应用中遇到的问题,包括特征向量维数的变化及特征向量的不同组合和识别模型各种参数的选取与设定等问题进行了分析研究,对各种特征提取方法的识别结果做了比较和分析。本文以船舶和鲸类水下声信号为研究对象,以提高水声信号被动识别能力为研究目标,研究了船舶和鲸类水下声信号的特征提取算法和分类识别模型。研究成果可望应用于水下被动声信号的分类识别领域,包括船舶和鲸类水下声信号的分析,特征提取、分类识别及其它相关的应用领域。
上述文献并未涉及如何改善遮挡情况下目标的识别率,这也成为了本申请的目标。本申请拟基于低分辨雷达背景,提取雷达目标回波脉内RCS起伏的方差作为特征,在遮挡情况下,提高雷达的目标识别率。
发明内容
本发明的目的是针对地面侦察雷达在对地面及低空目标识别时,由于目标被部分遮挡导致分类错误的技术缺陷,提出了一种基于小波变换的低分辨雷达目标识别方法。
为了达到上述目的,本发明采取如下技术方案。
所述基于小波变换的低分辨雷达目标识别方法,包括如下步骤:
步骤1、初始化X=1;
步骤2、雷达发射机发射脉冲;
步骤3、雷达接收机接收雷达目标回波数据,且记当前接收的雷达目标回波数据为第X组雷达目标回波数据;
步骤4、判断接收第X组雷达目标回波数据时是否建航,若未建航,X=X+1,跳至步骤2;若建航,跳至步骤5;
步骤5、对步骤3接收的第X组雷达回波数据做杂波抑制处理,得到杂波抑制后的雷达回波数据;
步骤6、对步骤5做杂波抑制处理之后的雷达回波数据进行小波包分解,提取频率子带数据后,再提取特征向量并进行能量密度归一化,将得到的归一化能量密度作为回波信号的特征向量,具体包括如下子步骤:
步骤6.1取步骤5做杂波抑制之后的雷达回波数据进行小波包分解,得到小波包分解后的各层分量;
步骤6.2依据不同频带对频率分辨率的要求,从小波包分解后的各层分量中提取出S个频率子带对应数据,再从对应数据中提取特征向量;
步骤6.3将步骤6.2中S个频率子带对应数据中提取的特征向量进行能量密度归一化,再将得到的归一化能量密度作为特征,构成回波信号的特征向量;
步骤7、判断目标速度是否小于5m/s,若是,则利用分类器1对该组雷达目标回波数据分类,得到该组雷达目标回波数据对应三类目标的概率,取概率最大对应的目标类型为该组雷达回波数据对应的目标类型,否则,利用分类器2 对该组雷达目标回波数据分类,得到该组雷达目标回波数据对应三类目标的概率,取概率最大对应的目标类型为该组雷达回波数据对应的目标类型;
其中,分类器1是由雷达实测回波数据中三类目标0-5m/s的数据训练BP 神经网络得到;分类器2是由雷达实测回波数据中三类目标5m/s-10m/s的数据训练BP神经网络得到。
有益效果
本发明一种基于小波包变换的低分辨雷达目标识别方法,与现有的基于RCS 的目标识别方法相比,具有如下有益效果:
所述基于小波变换的目标分类方法中,对目标遮挡的情况具有一定的稳定性。
附图说明
图1为本发明一种基于方差的低分辨雷达目标识别方法的实施流程图;
图2为本发明一种基于小波变换的低分辨雷达目标识别方法的特征提取示意图;
图3为本发明一种基于小波变换的低分辨雷达目标识别方法的三种目标为人频谱与特征谱;
图4为本发明一种基于小波变换的低分辨雷达目标识别方法的三种目标为无人机频谱与特征谱;
图5为本发明一种基于小波变换的低分辨雷达目标识别方法的三种目标为车辆频谱与特征谱;
图6为本发明一种基于小波变换的低分辨雷达目标识别方法与基于RCS的雷达目标识别方法对遮挡情况下目标人的雷达回波数据的识别结果。
实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
实施例1
本实施例阐述了采用本发明所述方法的具体实施,如图1所示,为本发明一种基于方差的低分辨雷达目标识别方法的实施流程图的实施流程。如图2所示,为本发明一种基于小波变换的低分辨雷达目标识别方法的特征提取示意图,其中做了背景突出标记的部分为基于小波变换的低分辨雷达目标识别方法对雷达目标回波信号提取特征的部分。如图3、图4、图5所示,为本发明一种基于小波变换的低分辨雷达目标识别方法对三类目标雷达回波数据提取特征的特征谱图。
将本发明所述方法在某外场场地进行实验,实验中采用雷达设备对人、无人机和车辆进行识别测试,三类目标的实际目标类别作为标准类别数据,采用本专利所述目标识别方法对三类目标识别。测量数据包括行人从距离雷达6km 至距离雷达5.5km的地方径向朝向雷达行驶时所测的数据。连续接收雷达扫描目标回波至建航,取建航后雷达扫描目标的回波数据作为具体实施例的雷达回波数据。
一种基于小波变换的低分辨雷达目标识别方法,包括如下步骤:
步骤A、雷达发射机发射频率为10GHz的脉冲,脉冲重复周期为366μs;
步骤B、雷达接收机接收雷达目标回波数据,其中一个相参处理时间内包含 64个重复周期;
步骤C、对步骤B接收的雷达回波数据做杂波抑制处理。
步骤D、对步骤C做杂波抑制之后的雷达回波数据提取特征;
其中,特征提取包括如下子步骤:
1.对雷达回波信号做五层小波包分解;
2.依据不同频带对频率分辨率的要求,取第五层、第四层和第三层的部分频率子带的归一化能量密度作为特征向量;
具体实施时,归一化能量密度,具体通过如下步骤得出:对小波包分解后的各层分量提取能量谱密度作为该频率子带的特征值,设信号的第k个特征序列为则该特征序列的能量谱密度MEk为:
N是第k个特征序列的长度,k的取值范围为1到K;求所有K个特征序列的能量谱密度MEk的最大值,并基于该最大值作归一化处理,得到归一化能量密度,将得到的归一化能量密度作为回波信号的特征向量,记为fea:
fea=ME/max(ME);
其中,取得的频率子带包括[AAAAA5,AAAAD5,AAAD4,AADD4,AADA4, ADD3,ADA3,DDD3,DDA3,DAA3,DAD3];
其中,*AN、*DN示对信号做N层小波包分解得到的第N层某一位置的低频近似信息与高频细节信息,其中,*表示其在小波包分解中的位置,例如,ADA3 表示信号经过三层小波包分解,分别为①第一层小波包分解得到低频近似信息;②该低频近似信息第二层的小波包分解后得到高频近似信息;③该高频近似信息经过第三层的小波包分解后得到低频近似信息;
步骤E、判断目标速度小于5m/s,利用分类器1对该组雷达目标回波数据分类,得到该组雷达目标回波数据对应三类目标的概率为[75,20,5],则该组雷达回波数据对应的临时目标类型为人。
图6展示了具体实施时在目标部分遮挡的情况下分别利用RCS与小波变换方法识别目标为人的概率,其中横坐标表示目标从距离雷达6km行走至5.5km 过程中每一个时刻,纵坐标表示在利用RCS和小波变换方法判断时该目标回波为目标类型,其中,1表示为行人,2表示为无人机。
由图6可知,本发明所述的基于小波变换的目标识别方法,在目标被遮挡的情况下,可以有效提高目标的识别概率,而RCS在目标被遮挡的情况下对目标的识别概率较低。通过计算,所述的基于小波变换的目标识别方法,该行人整包数据的识别率为97.94%,而基于RCS的目标识别方法的整包数据行人的识别率为0%。因此所述方法能提高在遮挡情况下目标的识别率。
以上所述为本发明的较佳实施例而已,本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改,都落入本发明保护的范围。
Claims (4)
1.一种基于小波变换的低分辨雷达目标识别方法,其特征在于:包括如下步骤:
步骤1、初始化X=1;
步骤2、雷达发射机发射脉冲;
步骤3、雷达接收机接收雷达目标回波数据,且记当前接收的雷达目标回波数据为第X组雷达目标回波数据;
步骤4、判断接收第X组雷达目标回波数据时是否建航,若未建航,X=X+1,跳至步骤2;若建航,跳至步骤5;
步骤5、对步骤3接收的第X组雷达回波数据做杂波抑制处理,得到杂波抑制后的雷达回波数据;
步骤6、对步骤5做杂波抑制处理之后的雷达回波数据进行小波包分解,提取频率子带数据后,再提取特征向量并进行能量密度归一化,将得到的归一化能量密度作为回波信号的特征向量,具体包括如下子步骤:
步骤6.1取步骤5做杂波抑制之后的雷达回波数据进行小波包分解,得到小波包分解后的各层分量;
步骤6.2依据不同频带对频率分辨率的要求,从小波包分解后的各层分量中提取出S个频率子带对应数据,再从对应数据中提取特征向量;
步骤6.3将步骤6.2中S个频率子带对应数据中提取的特征向量进行能量密度归一化,再将得到的归一化能量密度作为特征,构成回波信号的特征向量;
步骤7、判断目标速度是否小于5m/s,若是,则利用分类器1对该组雷达目标回波数据分类,得到该组雷达目标回波数据对应三类目标的概率,取概率最大对应的目标类型为该组雷达回波数据对应的目标类型,否则,利用分类器2对该组雷达目标回波数据分类,得到该组雷达目标回波数据对应三类目标的概率,取概率最大对应的目标类型为该组雷达回波数据对应的目标类型。
2.根据权利要求1所述的一种基于小波变换的低分辨雷达目标识别方法,其特征在于:步骤6,具体包括如下子步骤:
步骤6.1取步骤5做杂波抑制之后的雷达回波数据进行小波包分解,得到小波包分解后的各层分量;
步骤6.2依据不同频带对频率分辨率的要求,从小波包分解后的各层分量中提取出S个频率子带对应数据,再从对应数据中提取特征向量;
步骤6.3将步骤6.2中S个频率子带对应数据中提取的特征向量进行能量密度归一化,再将得到的归一化能量密度作为特征,构成回波信号的特征向量。
3.根据权利要求2所述的一种基于小波变换的低分辨雷达目标识别方法,其特征在于:步骤7中,分类器1是由雷达实测回波数据中三类目标0-5m/s的数据训练BP神经网络得到。
4.根据权利要求3所述的一种基于小波变换的低分辨雷达目标识别方法,其特征在于:步骤7中,分类器2是由雷达实测回波数据中三类目标5m/s-10m/s的数据训练BP神经网络得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110931109.7A CN113640768B (zh) | 2021-08-13 | 2021-08-13 | 一种基于小波变换的低分辨雷达目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110931109.7A CN113640768B (zh) | 2021-08-13 | 2021-08-13 | 一种基于小波变换的低分辨雷达目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113640768A CN113640768A (zh) | 2021-11-12 |
CN113640768B true CN113640768B (zh) | 2023-09-19 |
Family
ID=78421546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110931109.7A Active CN113640768B (zh) | 2021-08-13 | 2021-08-13 | 一种基于小波变换的低分辨雷达目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113640768B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114743562B (zh) * | 2022-06-09 | 2022-11-01 | 成都凯天电子股份有限公司 | 一种飞机声纹识别方法、系统、电子设备及存储介质 |
CN116959121B (zh) * | 2023-09-21 | 2024-01-30 | 湖南开放大学(湖南网络工程职业学院、湖南省干部教育培训网络学院) | 一种基于图像识别的3d立体拍摄的计算机智能控制系统 |
CN118050716B (zh) * | 2024-04-16 | 2024-07-02 | 湖南赛能环测科技有限公司 | 一种多尺度形态处理的声雷达信号处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5504487A (en) * | 1995-05-17 | 1996-04-02 | Fastman, Inc. | System for extracting targets from radar signatures |
CN101587186A (zh) * | 2008-05-22 | 2009-11-25 | 赵力 | 一种雷达脉内调制信号的特征提取方法 |
CN102830404A (zh) * | 2012-08-28 | 2012-12-19 | 中国人民解放军国防科学技术大学 | 基于距离像的激光成像雷达地面目标识别方法 |
KR101234192B1 (ko) * | 2011-09-20 | 2013-02-18 | 한남대학교 산학협력단 | 바이스태틱 레이더의 송수신 각도 추출 장치 |
CN105717494A (zh) * | 2016-01-27 | 2016-06-29 | 重庆邮电大学 | 一种基于小波变换的船用雷达海杂波抑制曲线设计方法 |
CN108594177A (zh) * | 2018-03-16 | 2018-09-28 | 西安电子科技大学 | 基于改进hht的雷达信号调制方式分析方法、信号处理系统 |
-
2021
- 2021-08-13 CN CN202110931109.7A patent/CN113640768B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5504487A (en) * | 1995-05-17 | 1996-04-02 | Fastman, Inc. | System for extracting targets from radar signatures |
CN101587186A (zh) * | 2008-05-22 | 2009-11-25 | 赵力 | 一种雷达脉内调制信号的特征提取方法 |
KR101234192B1 (ko) * | 2011-09-20 | 2013-02-18 | 한남대학교 산학협력단 | 바이스태틱 레이더의 송수신 각도 추출 장치 |
CN102830404A (zh) * | 2012-08-28 | 2012-12-19 | 中国人民解放军国防科学技术大学 | 基于距离像的激光成像雷达地面目标识别方法 |
CN105717494A (zh) * | 2016-01-27 | 2016-06-29 | 重庆邮电大学 | 一种基于小波变换的船用雷达海杂波抑制曲线设计方法 |
CN108594177A (zh) * | 2018-03-16 | 2018-09-28 | 西安电子科技大学 | 基于改进hht的雷达信号调制方式分析方法、信号处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113640768A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113640768B (zh) | 一种基于小波变换的低分辨雷达目标识别方法 | |
Yang et al. | UAV detection system with multiple acoustic nodes using machine learning models | |
Shao et al. | Deep fusion for radar jamming signal classification based on CNN | |
CN109344772A (zh) | 基于谱图和深度卷积网络的超短波特定信号侦察方法 | |
CN105550636A (zh) | 一种目标类型识别的方法及装置 | |
Guo et al. | One-dimensional frequency-domain features for aircraft recognition from radar range profiles | |
CN111175718A (zh) | 联合时频域的地面雷达自动目标识别方法及系统 | |
CN109920448A (zh) | 一种自动驾驶车辆交通环境特种声音的识别系统及方法 | |
CN101587186A (zh) | 一种雷达脉内调制信号的特征提取方法 | |
KR20190019713A (ko) | 무인 항공기 음향 식별을 위한 서포트 벡터 머신에 기반한 음향 특징 추출 및 분류 방법 그리고 시스템 | |
CN110501683B (zh) | 一种基于四维数据特征的海陆杂波分类方法 | |
Yessad et al. | Micro-Doppler classification for ground surveillance radar using speech recognition tools | |
CN111368653B (zh) | 一种基于r-d图与深度神经网络的低空小目标检测方法 | |
CN110929842A (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
CN103994820A (zh) | 一种基于微孔径麦克风阵列的运动目标识别方法 | |
Yin et al. | Underwater acoustic target classification based on LOFAR spectrum and convolutional neural network | |
CN103116740A (zh) | 一种水下目标识别方法及其装置 | |
CN113177097B (zh) | 一种基于属性聚类与时空约束的航迹起始判别方法 | |
CN117452496A (zh) | 一种震声传感器目标探测识别方法 | |
CN114417908A (zh) | 一种基于多模态融合的无人机探测系统和方法 | |
CN115061094B (zh) | 一种基于神经网络与svm的雷达目标识别方法 | |
Nguyen et al. | A parallel neural network-based scheme for radar emitter recognition | |
CN116910690A (zh) | 一种基于数据融合的目标分类系统 | |
Tang et al. | A novel approach for automatic recognition of LPI radar waveforms based on CNN and attention mechanisms | |
CN115902804A (zh) | 一种无人机集群类型识别方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |