CN114462450A - 一种基于时频分析和霍夫变换的主动目标速度的分类方法 - Google Patents
一种基于时频分析和霍夫变换的主动目标速度的分类方法 Download PDFInfo
- Publication number
- CN114462450A CN114462450A CN202210076593.4A CN202210076593A CN114462450A CN 114462450 A CN114462450 A CN 114462450A CN 202210076593 A CN202210076593 A CN 202210076593A CN 114462450 A CN114462450 A CN 114462450A
- Authority
- CN
- China
- Prior art keywords
- speed
- time
- frequency
- hough
- frequency analysis
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 28
- 230000009466 transformation Effects 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/523—Details of pulse systems
- G01S7/524—Transmitters
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于时频分析和霍夫变换的主动目标速度的分类方法,首先对主动声呐接收到的回波信号进行时频分析;再利用霍夫变换的点线对偶特性将时频平面上的回波线映射为点;再对霍夫矩阵进行映射、延展和截取;最后利用卷积神经网络进行速度分类。利用该方法可以较准确地分类出目标速度,增强主动目标的分类识别能力。
Description
技术领域
本发明涉及一种基于时频分析和霍夫变换的主动目标速度的分类方法,尤其适用于主动目标的速度分类识别。
背景技术
信号检测与目标识别是声呐、雷达等探测设备的一项重要工作。主动声呐或雷达发射某特定形式的声波或电磁波,并对目标的反射回波进行信号检测、特征提取,从而实现对主动目标的定位、分类和跟踪。
主动声呐的发射信号主要分为两种:单频信号和宽带信号。单频信号对于测量目标速度有较好的效果,但单频信号的时间分辨力较差,对于目标距离和尺度的测量不能达到理想的效果。常用的宽带信号,如线性调频信号可以弥补单频信号在这方面的不足。但是由模糊度函数可知,由于频率分辨率较差,宽带信号对于目标速度的测量不能满足实际需求,尤其是在有噪声与混响干扰的情况下。另外,更多情况下,我们需要的是目标速度的类别,比如目标相对于声呐是靠近还是远离,运动速度是高速还是低速。因此,如何提高主动目标的分类识别能力,尤其是声呐发射宽带信号时对于主动目标速度的分类,是目前研究的热点问题之一。
发明内容
本发明的目的是提供一种基于时频分析和霍夫变换的主动目标速度的分类方法,通过时频分析与霍夫变换,有效提高声呐发射宽带信号时目标速度分类的准确率,从而提高主动目标的分类识别能力。
为实现上述目的,本发明采用的技术方案为:
一种基于时频分析和霍夫变换的主动目标速度的分类方法,包括以下步骤:
(1)设定主动目标的速度范围,在此速度范围内将主动目标速度划分为若干类别,在每一类别中等差抽取速度值;
(2)利用已知的目标尺度信息与设置的目标速度值,根据发射信号参数、亮点模型和多普勒原理,得到仿真训练集的回波信号;
(3)对步骤(2)得到的回波信号进行时频分析;
(4)将时频平面进行霍夫变换与尺度变换;
(5)将霍夫矩阵映射、延展并截取,存为灰度图;由此构造训练集,训练集的每一个灰度图带有速度类别的标签;
(6)利用卷积神经网络进行训练,获得准确率最高的网络参数;
(7)将待分类的回波信号经小波消噪后进行上述同样的处理存为灰度图作为神经网络的输入,得到速度类别的标签,从而对回波信号进行速度分类。
所述步骤(1)中,主动目标的速度范围为vmin~vmax,靠近为正数,远离为负数,在此速度范围内将速度划分为N个类别,每一类别的速度上限与速度下限分别为vel1和vel2,在每一类别中等差抽取M个速度值,分别为 因此共有N×M个速度值。
所述步骤(2)中,发射信号选取为线性调频信号,发射信号的脉宽为Tp秒,周期为T秒,起始频率为f0赫兹,带宽为B赫兹,调频斜率为主动声呐系统的采样频率为fs赫兹,声波在水中的传播速度为c米/秒;已知目标的尺度为L米,依据亮点模型,利用公式得到回波信号,其中, w为小于等于500的随机整数,sv=sin(2πf0′t+πk′t2);主动目标的径向速度为v米/秒时,回波信号的脉冲宽度为起始频率为带宽为调频斜率为t为在[0,Tp ′]内以fs赫兹采样的时间点;因此,每个速度类别中,由主动目标速度vi,i=0,1,…,M-1能够得到M个回波信号样本s_train(t)i,i=0,1,…,M-1;则N个速度类别共有N×M个训练集回波信号样本。
所述步骤(4)中,时频平面上的上各点坐标为(x,y),将时频平面上的线利用极坐标变换公式:ρ=xcosθ+ysinθ映射到(θ,ρ)平面中的点以进行霍夫变换,得到最大值max及其位数nmax,将霍夫矩阵除以以进行尺度变换,其中θ为角度、ρ为半径长度。
所述步骤(5)中,将霍夫矩阵映射到θ轴并延展,记录目标速度为vmin与vmax时峰值点的横坐标的值,在此范围内从霍夫矩阵截取正方形区域存为灰度图;根据步骤(1)中的N×M个速度值,则构造出N×M个样本作为训练集,训练集的每一个灰度图带有速度类别的标签。
所述步骤(6)中,利用卷积神经网络进行训练,得到学习率等网络所需参数,获得准确率最高的网络参数。
所述步骤(7)中,将待分类的目标回波信号进行小波消噪处理后进行PWVD,其中,母小波:db35,再进行霍夫变换与尺度变换,再进行映射、延展和截取,存为灰度图作为神经网络的输入,得到速度类别的标签,从而对回波信号进行速度分类。
有益效果:本发明提供的一种基于时频分析和霍夫变换的主动目标速度的分类方法,通过在时频域上对信号进行处理,从而有效提高速度分类的准确率。
附图说明
图1为本发明训练集的回波模型;
图2为本发明在实例一中,v=-5m/s、信噪比为-5dB、信混比为0dB时的回波信号的时频图;
图3为图2的时频图经过霍夫变换与尺度变换后的图像;
图4为本发明测试集的回波模型;
图5本发明分类主动目标速度的流程图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
下面结合附图对本发明的实施例做进一步说明:
实施例1:
(1)设定主动目标的速度范围为-20米/秒~20米/秒,靠近为正数,远离为负数,在此速度范围内将速度划分为4个类别,分别为-20≤vi<-10、-10≤vi<0、0≤vi≤10、10<vi≤20,在每一个类别中等差抽取250个速度值,因此共有4×250个速度值。
(2)设定主动声呐的发射信号为线性调频信号,脉宽Tp为1秒,周期T为4秒,起始频率f0为300Hz,带宽B为600Hz,主动声呐系统的采样频率fs为4096Hz,声波在水中的传播速度c为1500米/秒;已知目标的尺度L为100米。依据图1所示亮点模型,利用公式:其中 w为小于等于500的随机整数, sv=sin(2πf0′t+πk′t2);主动目标的径向速度为v米/秒时,回波信号的脉冲宽度为起始频率为带宽为调频斜率为t为在[0,Tp ′]内以fs赫兹采样的时间点。因此,每个速度类别中,由主动目标速度vi,i=0,1,…,249可以得到250个回波信号样本s_train(t)i,i=0,1,…,249;则4个速度类别共有4×250个测试集回波信号样本。
(3)依据伪魏格纳-威尔分布(Pseudo Wigner-Ville Distribution,PWVD)的原理,利用公式对回波信号s_train(t)进行时频分析,其中h(t)为海明窗函数,窗长为N/4,N=T*fs。
(4)时频平面上的上各点坐标为(x,y),将时频平面上的线利用极坐标变换公式:ρ=xcosθ+ysinθ映射到(θ,ρ)平面中的点以进行霍夫变换,得到最大值max及其位数n_max,将霍夫矩阵除以以进行尺度变换,其中θ为角度、ρ为半径长度。
(5)将霍夫矩阵映射到θ轴并延展,记录目标速度为-20米/秒与20米/秒时峰值点的横坐标的值,在此范围内从霍夫矩阵截取正方形区域并存为灰度图;根据步骤(1)中的4×250个速度值,则构造出4×250个样本作为训练集,训练集的每一个灰度图带有速度类别的标签。
(6)利用卷积神经网络进行训练,得到学习率等网络所需参数,获得准确率最高的网络参数。
(7)输入待分类的回波信号。本实例所用信号为仿真信号。利用公式:其中 n1=0, w为[0,500]的随机整数,sv=sin(2πf0′t+πk′t2);设定主动目标的径向速度为v=-5米/秒,回波信号的脉冲宽度为起始频率为带宽为调频斜率为t为在[0,Tp ′]内以fs赫兹采样的时间点;p1=p2=1,p3=p4=0.5为亮点的归一化幅度;n(t)为高斯白噪声,信噪比设为-5dB;r(t)为混响信号,信混比设为0dB。将待分类的目标回波信号进行小波消噪处理后进行PWVD,其中,母小波:db35,再进行霍夫变换与尺度变换,再进行映射、延展和截取,存为灰度图作为神经网络的输入,得到速度类别的标签,从而对回波信号进行速度分类。测得的速度范围为-10≤vi<0,符合目标速度v=-5m/s。本方法产生的训练集所训练的网络有一定的抗噪声、抗混响和抗小亮点干扰的能力。
实施例2
(1)设定主动目标的速度范围为-20米/秒~20米/秒,靠近为正数,远离为负数,在此速度范围内将速度划分为4个类别,分别为-20≤vi<-10、-10≤vi<0、0≤vi≤10、10<vi≤20。在每一个类别中等差抽取250个速度值,因此共有4×250个速度值以制作训练集;在每一个类别中随机抽取50个速度值,因此共有4×50个速度值以制作测试集。
(2)设定主动声呐的发射信号为线性调频信号,脉宽Tp为1秒,周期T为4秒,起始频率f0为300Hz,带宽B为600Hz,主动声呐系统的采样频率fs为4096Hz,声波在水中的传播速度c为1500米/秒;已知目标的尺度L为100米。依据图1所示的亮点模型,利用公式:其中w为小于等于500的随机整数,sv=sin(2πf0′t+πk′t2);主动目标的径向速度为v米/秒时,回波信号的脉冲宽度为起始频率为带宽为调频斜率为t为在[0,Tp ′]内以fs赫兹采样的时间点。因此,每个速度类别中,由主动目标速度vi,i=0,1,…,249可以得到250个回波信号样本s_train(t)i,i=0,1,…,249;则4个速度类别共有4×250个训练集回波信号样本。
(3)依据伪魏格纳-威尔分布(Pseudo Wigner-Ville Distribution,PWVD)的原理,利用公式对回波信号s_train(t)进行时频分析,其中h(t)为海明窗函数,窗长为N/4,N=T*fs。
(4)时频平面上的上各点坐标为(x,y),将时频平面上的线利用极坐标变换公式:ρ=xcosθ+ysinθ映射到(θ,ρ)平面中的点以进行霍夫变换,得到最大值max及其位数n_max,将霍夫矩阵除以以进行尺度变换,其中θ为角度、ρ为半径长度。
(5)将霍夫矩阵映射到θ轴并延展,记录目标速度为-20米/秒与20米/秒时峰值点的横坐标的值,在此范围内从霍夫矩阵截取正方形区域并存为灰度图;根据步骤(1)中的4×250个速度值,则构造出4×250个样本作为训练集,训练集的每一个灰度图带有速度类别的标签。
(6)利用卷积神经网络进行训练,得到学习率等网络所需参数,获得准确率最高的网络参数。
(7)依据图4所示的亮点模型,利用公式: 仿真测试集的回波信号。其中 n1=0, w为[0,500]的随机整数,sv=sin(2πf0′t′+πk′t′2);主动目标的径向速度为v时,回波信号的脉冲宽度为起始频率为带宽为调频斜率为t′为在[0,Tp ′]内以fs赫兹采样的时间点;p1=p2=1,p3=p4=0.5为亮点的归一化幅度;n(t)为高斯白噪声,信噪比分别设为0dB、-5dB和-10dB;r(t)为混响信号,信混比设为0dB。因此,每个速度类别中,由主动目标速度vi,i=0,1,…,49可以得到50个回波信号样本s_test(t)i,i=0,1,…,49;则4个速度类别共有4×50个测试集回波信号样本。将待分类的目标回波信号进行小波消噪处理后进行PWVD,其中,母小波:db35再进行霍夫变换与尺度变换,再进行映射、延展和截取,存为灰度图。将测试集作为神经网络的输入,预测得到速度类别的标签,与实际分类的标签比较,计算得到网络的准确率,进行十次分类实验并取准确率的平均值。将步骤(3)得到的时频图作为训练集对网络进行训练,并将此步骤得到的时频图作为测试集并输入到网络,进行十次分类实验并取准确率的平均值。结果如表1,相比于直接将时频图带入到网络当中,本发明能够取得更准确的主动目标分类效果。
表1
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于时频分析和霍夫变换的主动目标速度的分类方法,其特征在于:包括以下步骤:
(1)设定主动目标的速度范围,在此速度范围内将主动目标速度划分为若干类别,在每一类别中等差抽取速度值;
(2)利用已知的目标尺度信息与设置的目标速度值,根据发射信号参数、亮点模型和多普勒原理,得到仿真训练集的回波信号;
(3)对步骤(2)得到的回波信号进行时频分析;
(4)将时频平面进行霍夫变换与尺度变换;
(5)将霍夫矩阵映射、延展并截取,存为灰度图;由此构造训练集,训练集的每一个灰度图带有速度类别的标签;
(6)利用卷积神经网络进行训练,获得准确率最高的网络参数;
(7)将待分类的回波信号经小波消噪后进行上述同样的处理存为灰度图作为神经网络的输入,得到速度类别的标签,从而对回波信号进行速度分类。
3.根据权利要求1所述的基于时频分析和霍夫变换的主动目标速度的分类方法,其特征在于:所述步骤(2)中,发射信号选取为线性调频信号,发射信号的脉宽为Tp秒,周期为T秒,起始频率为f0赫兹,带宽为B赫兹,调频斜率为主动声呐系统的采样频率为fs赫兹,声波在水中的传播速度为c米/秒;已知目标的尺度为L米,依据亮点模型,利用公式得到回波信号,其中, w为小于等于500的随机整数,sv=sin(2πf0′t+πk′t2);主动目标的径向速度为v米/秒时,回波信号的脉冲宽度为起始频率为带宽为调频斜率为t为在[0,T′p]内以fs赫兹采样的时间点;因此,每个速度类别中,由主动目标速度vi,i=0,1,…,M-1能够得到M个回波信号样本s_train(t)i,i=0,1,…,M-1;则N个速度类别共有N×M个训练集回波信号样本。
6.根据权利要求1所述的基于时频分析和霍夫变换的主动目标速度的分类方法,其特征在于:所述步骤(5)中,将霍夫矩阵映射到θ轴并延展,记录目标速度为vmin与vmax时峰值点的横坐标的值,在此范围内从霍夫矩阵截取正方形区域存为灰度图;根据步骤(1)中的N×M个速度值,构造出N×M个样本作为训练集,训练集的每一个灰度图带有速度类别的标签。
7.根据权利要求1所述的基于时频分析和霍夫变换的主动目标速度的分类方法,其特征在于:步骤(6)中,利用卷积神经网络进行训练,得到学习率等网络所需参数,获得准确率最高的网络参数。
8.根据权利要求1所述的基于时频分析和霍夫变换的主动目标速度的分类方法,其特征在于:所述步骤(7)中,将待分类的目标回波信号进行小波消噪处理后进行PWVD,其中,母小波:db35,再进行霍夫变换与尺度变换,再进行映射、延展和截取,存为灰度图作为神经网络的输入,得到速度类别的标签,从而对回波信号进行速度分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210076593.4A CN114462450A (zh) | 2022-01-24 | 2022-01-24 | 一种基于时频分析和霍夫变换的主动目标速度的分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210076593.4A CN114462450A (zh) | 2022-01-24 | 2022-01-24 | 一种基于时频分析和霍夫变换的主动目标速度的分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114462450A true CN114462450A (zh) | 2022-05-10 |
Family
ID=81412242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210076593.4A Pending CN114462450A (zh) | 2022-01-24 | 2022-01-24 | 一种基于时频分析和霍夫变换的主动目标速度的分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114462450A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3417311A1 (en) * | 2016-04-29 | 2018-12-26 | Aselsan Elektronik Sanayi ve Ticaret Anonim Sirketi | A method for motion classification using a pulsed radar system |
CN110378204A (zh) * | 2019-06-06 | 2019-10-25 | 东南大学 | 一种基于车载毫米波雷达的多目标分类方法 |
CN110658514A (zh) * | 2018-06-28 | 2020-01-07 | 中国科学院声学研究所 | 一种水下静态目标的分类识别方法 |
-
2022
- 2022-01-24 CN CN202210076593.4A patent/CN114462450A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3417311A1 (en) * | 2016-04-29 | 2018-12-26 | Aselsan Elektronik Sanayi ve Ticaret Anonim Sirketi | A method for motion classification using a pulsed radar system |
CN110658514A (zh) * | 2018-06-28 | 2020-01-07 | 中国科学院声学研究所 | 一种水下静态目标的分类识别方法 |
CN110378204A (zh) * | 2019-06-06 | 2019-10-25 | 东南大学 | 一种基于车载毫米波雷达的多目标分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11346942B2 (en) | Target positioning device and method based on plecotus auritus double-pinna bionic sonar | |
CN107656255B (zh) | 基于多径回波的超宽带雷达动目标二维定位方法 | |
CN104898103B (zh) | 基于多通道杂波图的低速目标检测方法 | |
US12044799B2 (en) | Deep neural network (DNN)-based multi-target constant false alarm rate (CFAR) detection methods | |
CN108107436B (zh) | 一种基于可靠声路径的水下目标主动分类与定位方法 | |
CN111965619B (zh) | 一种基于射线追踪的复杂目标时域散射信号仿真方法 | |
Cotter et al. | Classification of broadband target spectra in the mesopelagic using physics-informed machine learning | |
CN105574529A (zh) | 一种侧扫声纳目标检测方法 | |
CN111796288B (zh) | 一种基于杂波频谱补偿技术的三坐标雷达动目标处理方法 | |
CN110109092B (zh) | 多径环境下基于时间反演的雷达测速方法 | |
WO2022233169A1 (zh) | 非规则轨迹水中运动目标前向声散射多普勒频移计算方法 | |
CN115223044A (zh) | 基于深度学习的端到端三维探地雷达目标识别方法及系统 | |
CN116087908A (zh) | 一种基于协同作业的雷达高精度物位计测量方法 | |
Sun et al. | Bio-inspired covert active sonar detection method based on the encoding of sperm whale clicks | |
CN113447901B (zh) | 一种不依赖概率模型的海杂波识别与目标检测方法 | |
CN113608193A (zh) | 一种基于UNet的雷达多目标距离和速度估计方法 | |
CN114462450A (zh) | 一种基于时频分析和霍夫变换的主动目标速度的分类方法 | |
CN116359854A (zh) | 一种基于YOLOv5的防空警戒雷达复合干扰参数估计方法 | |
CN108120975A (zh) | 基于梯形连续波的雷达测速测距方法 | |
CN115508837B (zh) | 基于uuv集群的移动多基地声呐目标定位和误差分析方法 | |
Wang et al. | Vehicle width detection based on millimeter-wave LFMCW radar for autonomous driving | |
CN106646436A (zh) | 一种基于信号宽窄带模糊度的侦察信号参数估计方法 | |
CN114638262B (zh) | 基于时频二维特征学习的雷达对海杂波智能抑制方法 | |
CN114460587B (zh) | 一种主动声呐全景接触目标快速辨识方法 | |
Qin et al. | The 3D imaging for underwater objects using SAS processing based on sparse planar array |
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 |