CN113759356B - 基于角域特征优化的雷达目标hrrp识别方法 - Google Patents
基于角域特征优化的雷达目标hrrp识别方法 Download PDFInfo
- Publication number
- CN113759356B CN113759356B CN202111028084.6A CN202111028084A CN113759356B CN 113759356 B CN113759356 B CN 113759356B CN 202111028084 A CN202111028084 A CN 202111028084A CN 113759356 B CN113759356 B CN 113759356B
- Authority
- CN
- China
- Prior art keywords
- hrrp
- framing
- feature
- feature space
- angular domain
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000009432 framing Methods 0.000 claims abstract description 33
- 239000002245 particle Substances 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000002708 enhancing effect Effects 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 2
- 230000001965 increasing effect Effects 0.000 abstract description 3
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000003860 storage 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/06—Systems determining position data of a target
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于角域特征优化的雷达目标HRRP识别方法，属于雷达信号处理领域。针对特征空间中各类目标特征混叠严重和HRRP的角度特征利用率低，合理地引入HRRP的角度信息优化特征空间，增加特征空间的整体可分性；再利用自适应分帧算法对特征空间进行角域划分，增加特征空间的局部可分性，并利用粒子群优化算法确定特征空间角域划分时最优的单帧最小样本数目，增强方法的鲁棒性与适用性。通过特征空间优化和区域划分的相结合，有效的提升了多类目标的分类识别性能，增强了雷达在复杂环境下的分类识别能力，具有推广应用价值。
Description
技术领域
本发明隶属于雷达信号处理领域，具体涉及一种基于角域特征优化的雷达目标HRRP识别方法。
背景技术
高分辨距离像(HRRP)是在大发射宽带、目标尺寸远大于雷达距离分辨单元的条件下，目标散射点的子回波在雷达方向上投影的矢量和，它可以详细地提供目标的结构信息，是目前雷达目标识别研究的热点。此外，与二维合成孔径雷达图像相比，它还具有易于采集、快速处理和存储空间占用少等优点。因此，HRRP目标识别方法具有广泛的应用前景。
在HRRP目标识别方法中，通常利用某种分类准则，对特征空间中的目标特征进行类别划分。特征空间的分布特性很大程度上影响着分类识别效果，因此为确保良好的分类效果，多数情况下要确保特征空间具备一定的可分性。早期利用方位角度信息对雷达目标进行等间隔划分，对模板进行方位约束，缩小搜索范围，减少运算量。为了更好的进行区域划分，自适应分帧(AFS)技术被广泛应用。相关文献有利用原像的互相关系数作为相似性度量，对HRRP样本进行自适应角域划分，并设定单帧的最小样本数目，对异常样本进行约束。然而，在雷达目标识别过程中，目标所处环境复杂多变，且由于HRRP的目标方位敏感性的影响，不同类别的目标特征往往互相混叠，HRRP特征空间的密度分布不均匀，可分性较差。在这种分布不均匀的特征空间中会导致较大的分类误差。
针对目标特征空间特征混叠严重的情况，如何提升目标特征空间的可分性，从而提升目标的分类识别率，是提升雷达目标识别能力的关键，也是HRRP识别技术的研究重点之一。
发明内容
针对特征空间中各类雷达目标特征混叠严重和高分辨距离像的角度特征利用率低问题，如何合理的利用HRRP的角度信息优化特征空间，增加特征空间的整体可分性；再利用自适应分帧算法对特征空间进行角域划分，增加特征空间的局部可分性，并利用粒子群(PSO)算法确定特征空间角域划分时最优的单帧最小样本数目，提升多类目标的分类识别性能的同时增强方法的抗误差性和抗噪鲁棒性。
本发明所述基于角域特征优化的雷达目标HRRP识别方法包括以下步骤：
步骤1为了凸显特征的规律性分布，提取雷达目标HRRP的功率谱特征，同时了简化运算过程，对功率谱特征进行归一化处理和主成分降维处理，根据主成分的贡献率，选取贡献率最大的前30维数据构成特征向量。
步骤2引入HRRP的角度信息对特征空间进行整体优化。针对特征空间混叠问题，通常从两个方面对其加以改善，一种是从目标特征出发，增添其他类型的目标特征优化特征空间，增强空间的整体可分性；另一种是在原有的特征空间的基础上，对特征空间进行区域划分，增强不同区域内的类别可分性。在当前，HRRP目标识别方法大多是从HRRP信号本身出发，从中提取出适合进行分类的目标特征，反而忽略了HRRP的角度特征这一重要信息。HRRP的角度特征对于雷达目标的精准识别同样起着重要作用，如果两幅HRRP相似性极高，HRRP本身的一些谱特征或者结构特征便难以对其做到精准的识别，此时我们可从其获取角度的不同来判断其具体的类别。因此，按照上述的第一个方面，引入HRRP的角度特征，将其与功率谱特征进行串联，从而对特征空间进行优化，增强特征空间的整体可分性。其中，HRRP的角度特征由雷达的探测方位结合目标的航向信息换算而得，换算过程如下：
其中，Ori为HRRP的获取角度，即角度特征；BC为目标B的航向，BA为目标B相对于观测者A的方位。
步骤3利用AFS算法对特征空间进行区域划分，增强特征空间局部可分性。HRRP受方位敏感性的影响，会出现散射点越距离单元走动现象，造成不同方位获取的HRRP信号差异性较大，同时也会使得HRRP信号在某些角域范围内呈现出高相似性。为了进一步提升特征空间的可分性，并减轻方位敏感性的影响，可对优化后的特征空间进行角域划分，增强特征空间的局部可分性。
采用欧式空间距离作为相似性度量标准，以此获得两个HRRP信号间的相关系数。如果相关系数越大表示两个HRRP信号的相似性越高，信号的欧式空间距离越小，反之若相关系数越小则表示两个HRRP信号越无关，其两者的欧式空间距离就会越大，因此相关系数与信号间的欧式空间距离应成反比关系。两个信号间的欧式距离D可表示为
D＝||xi-xj||2＝||xi||2+||xj||2-2xi Txj (2)
其中，xi和xj分别为第i个和第j个HRRP的特征向量，||·||表示对变量求模，T为转置符号。为了简化计算，对HRRP的特征向量进行L2范数归一化，L2范数是指向量各元素的平方和然后求平方根，具体归一化的过程为:
其中，为第i个特征向量经过L2范数归一化后的结果，norm()为求L2范数函数。归一化后的信号其模值为1，即
故归一化后的欧式空间距离为
其中的非常数项与/>成反比，符合相关系数的变化规律，因此定义第i个特征向量与第j个特征向量间的相关系数rij为
下面给出AFS算法的具体方法步骤：
首先，设定判别门限ξ和单帧最小样本数目a，并确定起始方位的信号样本xk。
其次：根据式(6)，按方位顺序计算各方位样本xl的与起始样本xk间的相关系数rkl(l>k)。并首先判断r＝rk,k+1是否大于门限ξ，如果大于ξ则接着计算rk,k+2，并更新r，更新规则为r＝(rk,k+1+rk,k+2)/2。重新判断r是否大于门限ξ，直至
最后：当r<ξ时，判断l-k是否大于a，若大于a，则将序号从k到l的样本归纳为一帧，并重新确定起始样本xl+1重复步骤2。否则直接重复步骤2。直至遍历完整个样本数据集，并将样本最后未分帧完成的样本归纳为一帧。
步骤4利用PSO算法对AFS算法进行优化处理。在实际应用环境中，雷达推算目标航向BC时受环境、探测设备或者推算方法等其他因素影响会产生一定的误差，这种误差会导致Ori出现偏差，在这种角度误差情况下，参数a的设定固定值的方法，会导致角域划分的不准确，影响最终的识别性能。因此为了获得误差范围内最优的识别准确率，利用PSO算法对单帧最小样本数目a进行调节，获得最优的参数。PSO算法是一种具有形式简洁、收敛快速和参数调节机制灵活等优点的进化优化算法，通过不断的更新粒子的位置和速度，寻求最优值，算法的具体的流程如下。
首先，初始化PSO算法的相关参数：粒子群的个数M、初始位置s和初始速度v、惯性权重w、自我学习因子c1、种群学习因子c2、随机数r1和r2以及算法的迭代轮数T，并选择合适的适应度函数。随后，计算粒子的适应度函数，并获取当前状态下的粒子最优值和种群最优值。最后，根据获取的最优值更新粒子位置和速度的状态，完成一轮的迭代，更新方式如下：
其中，vm,t与vm,t+1为第m个粒子分别在状态t时刻和状态t+1时刻的速度，sm,t与sm,t+1则为第m个粒子分别在状态t时刻和状态t+1时刻的位置，pm,t第m个粒子在状态t时刻的粒子最优位置，pt为种群在状态t时刻的最优位置，w为粒子的惯性权重，c1为粒子自我学习因子，c2为种群学习因子，r1，r2为两个的随机数。
算法停止条件：判断是否达到了迭代的轮次，若为否，则重新计算新状态下的适应度函数，继续更新粒子的状态。否则结束循环，种群最优值对应的位置即为所需要获取的最优参数取值。
步骤5构建基于角域划分的SVM分类器组对HRRP的特征向量进行分类识别。将优化后的特征向量按比例划分成训练集和测试集，在训练集上进行PSO算法寻优和算法训练，并根据自适应分帧的结果，构建一个SVM分类器组，分类器的总个数与分帧总数相同，HRRP训练集的每一角域分帧对应一个SVM分类器进行HRRP特征向量的分类识别，并汇总各角域分帧内分类器的类别判别函数，组成整个分类器组的类别判别函数，分类器组的类别判别函数如下：
其中，sign(·)为阶跃函数；zi为第i个整体优化处理后的HRRP特征向量，Ci为该特征向量的所属类别；Q为分帧总数，θq为第q个角域分帧，wq和bq为第q个角域分帧内SVM分类器的分界面参数。
然后在测试阶段，根据测试数据的角度特征判断测试数据所属的分帧区域后，选用该分帧区域在训练阶段保存的判决函数对测试数据进行类别判定，最终计算出目标的分类识别准确率。
3.有益效果
与背景技术相比，本发明的有益效果是：1)针对特征空间中各类目标特征混叠严重，结合了整体空间优化和局部空间优化，利用HRRP的角域信息，优化了特征空间并对其进行角域划分，增强特征空间内不同类别特征的可分性；2)利用PSO算法优化AFS算法，通过PSO算法的寻优过程，针对不同的角度误差范围，确定AFS算法中最优的单帧最小样本数目，增强算法的抗噪鲁棒性和抗误差性；3)设计了基于PSO优化AFS的海面目标HRRP识别方法，提高了多类海面目标的识别正确率，增强了海面目标识别的抗噪鲁棒性和抗误差信，提升了复杂环境下雷达目标的识别能力。
附图说明
图1本发明方法的实施流程图。
图2是某类舰船目标的仿真模型示意图。
图3是四种不同方法对五类海面目标的分类识别的识别混淆矩阵。
图4是在10°误差范围内，在不同信噪比条件下，参数a取不同值时算法的平均识别率曲线图。
具体实施方式
下面结合附图对本发明做进一步描述。本发明实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。
为验证本发明所述方法的有效性，本具体实施方式给出了一个针对五类海面目标识别的实施例。
实施例1：
实施例1的具体实施流程如图1所示，可以分为以下几个步骤：
步骤A-1：获取HRRP数据，为了凸显出HRRP的规律性分布，提取HRRP的功率谱特征，同时为了简化运算过程，对功率谱特征进行L2范数归一化处理，使其归一化后的模值为1。
步骤A-2：利用PCA算法对归一化后的功率谱特征进行数据降维，根据主成分的贡献率，选取贡献率最大的前30维数据构成特征向量。然后引入HRRP的角度特征，将角度特征与降维后的特征向量进行串联，进行特征空间的整体优化。
步骤A-3：初始化AFS算法的分帧门限ξ、单帧最小样本数目a和起始样本等相关参数。对于不同类别的目标，其分帧门限一般是不一样的。选用能够保持10％压缩率的分帧门限，故五类海面目标的分帧门限分别设定为0.973、0.946、0.919、0.965、0.955，起始样本按顺序从第一个方位角度开始。然后导入整体优化后的特征向量，根据设定的分帧门限ξ对每类目标进行分帧，划分出各特征区域。然后按5:1的比例将各特征区域的数据样本划分成训练集和测试集，分别传递至训练阶段和测试阶段。
步骤A-4：利用基于角域划分的SVM分类器组对分帧后的各角域的训练数据进行分类，由于是对多类目标进行识别，采用one-agains-one的多分类方法进行分类，并保存各区域分类器的判决函数。分类器的核函数选择多项式核函数，分类器的惩罚因子设为10。
步骤A-5：首先对测试数据进行区域判别，根据测试数据的角度特征判断测试数据所属的分帧区域后，选用该分帧区域在训练阶段保存的判决函数对测试数据进行类别判定，最终计算出目标的分类识别准确率。
步骤A-6：考虑角度信息获取受多种因素影响，利用训练数据，在数据的角度特征中加入±10°范围的随机误差，模拟在实际环境中所产生的误差。然后，初始化种群粒子的位置、速度以及算法的相关参数，并采用10°误差范围内的平均分类识别率作为PSO算法的适应度函数。初始化粒子的速度范围为[-1,1]，位置的初始化范围为[2，30]、粒子群的个数设定为10，惯性权重w为0.8、自我学习因子c1为2、种群学习因子c2为2、算法的迭代轮数T为50，r1和r2为两个(0,1)范围内的随机数。通过粒子的更新获得误差范围内最大平均识别率下的最优种群粒子位置，即为最优的单帧最小样本数目a。然后重复步骤A-4和A-5，计算误差下的目标分类识别率。
本发明提供的基于角域特征优化的海面目标HRRP识别方法的效果可以通过以下仿真结果进一步说明。
仿真数据描述：本实施例所采用的数据是利用计算机仿真软件所得的五类目标的HRRP数据，仿真软件雷达参数设置如下：雷达中心频率10GHz，带宽80MHz，方位角范围为0～360度，间隔1度，200个距离单元，分辨率1.875米。最终得到，每类目标360个方位角的样本数据，每个方位角的数据长度为200，图2为其中一类舰船目标的仿真模型示意图。
图3的(a)到(d)分别为SVM模型、特征空间整体优化+SVM、AFS+SVM以及特征空间整体优化+AFS+SVM四种方法对五类海面目标的分类识别的识别混淆矩阵。从图3中可以直观的看出，图3的(a)(c)无法对五类目标进行有效的分类识别，识别结果基本上大都判定为第五类目类。而图3的(b)在进行特征空间优化之后较图3的(a)(c)有所改善，、可以大致区分出前两类目标，但对于后三类目标的识别错误率较大，无法完成有效的分类识别。图3的(d)则可以对五类目标均做到较为精准的识别。因此，对于五类复杂的海面舰船目标，图3的(d)明显要优于图3的(a)(b)(c)，即本发明所提出的特征空间优化方法可以有效的提升海面目标的分类识别准确度。
图4为在10°误差范围内，在不同信噪比条件下，参数a取不同值时算法的平均识别率曲线图。“☆”型线是参数a＝25时平均分类识别率的变化曲线；“△”型线是参数a＝20时平均分类识别率的变化曲线；“○”型线是参数a＝15时平均分类识别率的变化曲线；“*”型线是参数a＝10时平均分类识别率的变化曲线。从中可以看出，针对10°误差范围，当a＝20时，算法的抗噪鲁棒性最好，而其他的参数a取值无论是过大或过小，抗噪鲁棒性均不如a取20时的好，说明参数a的合理的取值对算法抗噪鲁棒性的提升大有帮助，进一步验证了本发明所提方法的抗噪鲁棒性更佳。
Claims (4)
1.基于角域特征优化的雷达目标HRRP识别方法，其特征在于，包括以下步骤：
步骤1提取雷达目标HRRP的功率谱特征，并对HRRP的功率谱特征进行归一化处理和降维处理；
步骤2自适应分帧处理：对于预处理后的功率谱特征，依据角域进行区域划分，按方位顺序计算不同功率谱特征间的相似性函数r，将相似性函数r与分帧门限ξ进行比较，按照如下的自适应分帧规则：
其中，rkl为第k个特征向量与第l个特征向量间的相关系数；将大于分帧门限ξ的第k个到第l个功率谱特征归纳为一帧，增强特征空间的局部可分性；
步骤3根据自适应分帧的结果，构建SVM分类器组，其中分类器的总个数与分帧总数相同；在HRRP的训练集上，每个SVM分类器对应一个角域分帧，并进行该角域分帧内HRRP训练数据的分类识别，汇总各角域分帧内分类器的类别判别函数，组成整个分类器组的类别判别函数，具体为：
其中，sign(·)为阶跃函数；zi为第i个整体优化处理后的HRRP特征向量，Ci为该特征向量的所属类别；Q为分帧总数，θq为第q个角域分帧，wq和bq为第q个角域分帧内SVM分类器的分界面参数；根据整个分类器组的类别判别函数对测试数据进行分类识别。
2.根据权利要求1所述的基于角域特征的雷达目标HRRP识别优化方法，其特征在于，自适应分帧处理中的相似性函数，具体为：
对特征空间进行自适应分帧，按分帧角域进行局部优化时，分帧的相似性度量标准为：
其中，上标T为转置符号，行与/>分别为经过L2范数归一化后的第k个和第l个特征向量，rkl为第k个特征向量与第l个特征向量间的相关系数。
3.根据权利要求1所述的基于角域特征优化的雷达目标HRRP识别方法，其特征在于，在自适应分帧处理，进行特征空间的局部优化的同时，与特征空间的整体优化相结合，具体为：
在雷达目标HRRP的特征向量中，添加HRRP的方位角度信息，将目标的角域特征与原有的特征向量相串联，在整体上优化特征空间，增强特征空间的整体可分性。
4.权利要求1所述的基于角域特征的雷达目标HRRP识别优化方法，其特征在于，进行自适应分帧处理时，利用PSO算法对自适应分帧进行优化，具体为：
针对自适应分帧中的单帧最小样本数目a这一参数，利用PSO算法对其进行优化择优，择优过程如下：
其中，vm,t与vm,t+1为第m个粒子分别在状态t时刻和状态t+1时刻的速度，sm,t与sm,t+1则为第m个粒子分别在状态t时刻和状态t+1时刻的位置，pm,t第m个粒子在状态t时刻的粒子最优位置，pt为种群在状态t时刻的最优位置，w为粒子的惯性权重，c1为粒子自我学习因子，c2为种群学习因子，r1，r2为两个(0,1)范围内的随机数；适应度函数选择误差范围内的平均分类识别率；最终的最优参数a即为种群粒子的最优位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111028084.6A CN113759356B (zh) | 2021-09-02 | 2021-09-02 | 基于角域特征优化的雷达目标hrrp识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111028084.6A CN113759356B (zh) | 2021-09-02 | 2021-09-02 | 基于角域特征优化的雷达目标hrrp识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113759356A CN113759356A (zh) | 2021-12-07 |
| CN113759356B true CN113759356B (zh) | 2023-10-20 |
Family
ID=78792742
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111028084.6A Active CN113759356B (zh) | 2021-09-02 | 2021-09-02 | 基于角域特征优化的雷达目标hrrp识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113759356B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101116279B1 (ko) * | 2011-11-18 | 2012-03-13 | 삼성탈레스 주식회사 | 센서를 이용한 사람/사물 식별 장치 |
| KR20170115253A (ko) * | 2016-04-07 | 2017-10-17 | 국방과학연구소 | 항공기 식별 장치 및 방법 |
| CN107977642A (zh) * | 2017-12-15 | 2018-05-01 | 南京航空航天大学 | 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 |
| CN108133232A (zh) * | 2017-12-15 | 2018-06-08 | 南京航空航天大学 | 一种基于统计字典学习的雷达高分辨距离像目标识别方法 |
| CN112966667A (zh) * | 2021-04-06 | 2021-06-15 | 中国人民解放军海军航空大学 | 海面目标一维距离像降噪卷积神经网络识别方法 |
-
2021
- 2021-09-02 CN CN202111028084.6A patent/CN113759356B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101116279B1 (ko) * | 2011-11-18 | 2012-03-13 | 삼성탈레스 주식회사 | 센서를 이용한 사람/사물 식별 장치 |
| KR20170115253A (ko) * | 2016-04-07 | 2017-10-17 | 국방과학연구소 | 항공기 식별 장치 및 방법 |
| CN107977642A (zh) * | 2017-12-15 | 2018-05-01 | 南京航空航天大学 | 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 |
| CN108133232A (zh) * | 2017-12-15 | 2018-06-08 | 南京航空航天大学 | 一种基于统计字典学习的雷达高分辨距离像目标识别方法 |
| CN112966667A (zh) * | 2021-04-06 | 2021-06-15 | 中国人民解放军海军航空大学 | 海面目标一维距离像降噪卷积神经网络识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 粒子群优化的SVM在雷达目标识别中的应用;赵东波;李辉;;信息技术(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113759356A (zh) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108898180B (zh) | 一种面向单颗粒冷冻电镜图像的深度聚类方法 | |
| CN108229404B (zh) | 一种基于深度学习的雷达回波信号目标识别方法 | |
| CN110334741B (zh) | 基于循环神经网络的雷达一维距离像识别方法 | |
| CN110532932B (zh) | 一种多分量雷达信号脉内调制方式识别方法 | |
| CN113050042A (zh) | 基于改进UNet3+网络的雷达信号调制类型识别方法 | |
| CN110516525B (zh) | 基于gan和svm的sar图像目标识别方法 | |
| CN106778680B (zh) | 一种基于关键波段提取的高光谱图像波段选择方法及装置 | |
| CN113657491A (zh) | 一种用于信号调制类型识别的神经网络设计方法 | |
| CN110956613B (zh) | 基于图像质量的目标检测算法性能归一化评价方法及系统 | |
| CN114595732A (zh) | 基于深度聚类的雷达辐射源分选方法 | |
| 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 | |
| Ma et al. | A time picking method for microseismic data based on LLE and improved PSO clustering algorithm | |
| CN114492744A (zh) | 一种基于对抗生成网络的地海杂波谱数据样本生成方法 | |
| CN113759356B (zh) | 基于角域特征优化的雷达目标hrrp识别方法 | |
| CN117689995A (zh) | 一种基于单目图像的未知航天器层级检测方法 | |
| CN110554368B (zh) | 一种基于四维信息权重的人车识别方法 | |
| CN109508350B (zh) | 一种对数据进行采样的方法和装置 | |
| CN110059557A (zh) | 一种基于低照度自适应的人脸识别方法 | |
| CN116340846A (zh) | 一种弱监督下多示例多标签学习的混叠调制信号识别方法 | |
| CN114818845A (zh) | 一种噪声稳健的高分辨距离像特征选择方法 | |
| CN114185039A (zh) | 雷达目标一维距离像智能识别方法 | |
| CN114220016B (zh) | 面向开放场景下的无人机航拍图像的域自适应识别方法 | |
| CN114966596B (zh) | 一种基于多机器学习与层次化分类的电离层杂波识别方法 | |
| CN114384463B (zh) | 一种基于空间投影的伪信源辨识方法 | |
| CN114998747B (zh) | 一种基于深度学习模板匹配的长航迹实时识别方法 |
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 |